Machine Learning Specialist

We are looking to strengthen our AI team following confirmation of funding for our new project to develop machine learning algorithms for forecasting power grid imbalance volumes. Are you looking to use algorithms to make a difference in business-critical activities every day? Find out more on our Careers Page, and see how you can put your AI skills to work with us at Optimeering.

Happy new year!

All of us at Optimeering wish our clients, partners, friends and supporters a happy new year! Thanks to all of you for your support, advice and – not least – great projects in 2016, and we wish you all a prosperous and inspiring 2017!

All the best,
Gavin and the rest of the Optimeering team.

Optimeering granted research funds for major machine learning project

We are very pleased to announce that Optimeering has been granted funding from the Research Council of Norway for a substantial new project to develop new machine learning algorithms for forecasting power grid imbalance volumes. The project kicks-off in Q1 2017, with a budget of approximately 7 MNOK. The funding is part of the Council`s ENERGIX-program, and our project is among the few commercial projects fortunate enough to have been successful in this funding round. Optimeering’s team will undertake the project in close collaboration with Statnett and researchers from the University of Liège and the Norwegian University of Science and Technology.

This is the third time Optimeering has been granted research funding from ENERGIX, but today’s grant is by far the largest and represents a significant and positive development for the company. The two former grants (from 2013 and 2014) have both resulted in the development and subsequent commercialization of decision support models for the power sector, namely MARC (an agent based el-certificate market model) and PUMA (a fundamental stochastic power market model). Similarly, our new project will result in commercial models and tools for imbalance volume prognosis, for use by electricity grid operators in Norway and internationally.

The project, “Machine learning prognosis for system imbalance volumes”, aims to develop new and efficient machine learning algorithms for forecasting short-term imbalances in the power grid. Statnett, like all grid operators, faces high costs for managing real-time imbalances between supply and demand of power throughout its transmission network. Further, the number and size of these imbalances, which drive grid frequency deviations and thus negatively impact power quality, have increased steadily over the past decade. The drivers behind the increase in costs – higher intermittent production from renewables and tighter integration with surrounding countries – are expected to become stronger going forward. Therefore, being able to forecast system imbalance volumes has a great value to grid operators such as Statnett as well as other TSOs around the world.

We are of course very grateful to have the Research Council onboard yet again, and for their recognition of the significant potential – both commercially and for society more generally – of this project. We will be publishing details of our progress on our blog on a regular basis, so keep checking back for more info and updates!

Optimeering welcomes Penélope

penelopeWe are pleased to announce the appointment of Penélope Aguiar Melgarejo as an Operations Research specialist at Optimeering. Penélope holds a Ph.D. in Computer Science from INSA Lyon and a master’s degree in Operations Research from ENSTA ParisTech. As both INSA Lyon and ENSTA belong to the family of Grandes Écoles d’Ingénieurs, those who know a bit about the French education system would suspect Penélope to be fairly sharp. We can happily confirm that, by adding that Penélope is probably the sharpest student we have ever met.

Differently from the rest of the Optimeering team, Penélope is born south of the equator. Whilst other Brazilian children were out working on their dribbling skills, Penélope found it more interesting to work on math puzzles. Her desire to solve math puzzles led her on to study Applied Mathematics in Rio and when Brazil could not feed her hunger for puzzles anymore, she moved to the country who considers mathematics as the most important subject in the education system – France. Following six years in France, joining Optimeering was the obvious next step.

 

Optimeering’s Erlend Torgnes as “page 13” boy in Bergens Tidende

An interview of Optimeering’s Erlend Torgnes can be found in today’s version of Bergens Tidende. Luckily, he is more dressed than the traditional “page 3” girls and has something meaningful to say.

In short, SkatteFUNN is important to us and Optimeering Aqua is not fare from having a market-ready product.

FullSizeRender

 

Hvor viktig var første serierunde?

Tre serierunder på etterskudd kommer bloggopddateringen som ble lovet etter første runde. I bloggposten fra 16 mars predikerte vi hvordan serietabellen ville se ut etter fem runder. Kort oppsummert brukte vi Tippeliga-historikk fra 2009 til å sette opp en modell som predikerte tabellen etter runde 5 basert på resultatet i runde 1. Videre rangerte vi lag basert på hvor bra lagene hadde gjort det i treningskampene i 2016.

Dersom vi ser på modellprediksjonen uten lagnavn, kun tabellplassering etter fem runder gitt antall poeng i første runde, ser vi at modellen ikke gjør det så aller værst. Tendensen er klart at dersom du fikk 3 poeng i første runde havner du høyere enn om du fikk 0 eller 1 poeng.

picture01

Vi ser at vi klarte 6 av 16 riktige. Rosenborg ødelegger stort med tap i første, men førsteplass etter fem runder. Også resultatene nedover på tabellen er relativt gode.

Verdien av denne prediksjonen er ikke særlig høy, da vi ikke vet hvilke lag som havner hvor, men (f.eks.) kun hvilke plasser som får lag som tok 3, 1 eller 0 poeng i første runde.

Ser vi derimot på prediksjonen vår med lagnavn hvor vi også tok hensyn til treningskamphistorikk i 2016, blir ikke modellen like imponerende. Modellen klarte ikke predikere en eneste plassering korrekt. Det nærmeste vi kom var Tromsø som vi tippet på 9’ende plass, men som endte på 11.

Picture2

Kan vi konkludere med at resultat fra første runde har betydning for plassering etter 5 runder, men at resultat fra treningskampene ikke har mye å si?

La oss se nærmere på andre «modeller».
Dersom vi kan finne en måte å måle modellfeilen, kan vi videre forsøke å sammenligne vår modell med andre modeller. Vi har valgt å definere feil som summen av den absolutte forskjellen mellom predikerte og faktiske verdier for alle 16 lag. Da vil vår supermodell oppnå en feil på 92. Andre måter å måle på kan være å si at det er i gjennomsnitt 5.75 plasser feil per lag, eller at medianfeilen er 5.5 plasseringer.

Deretter er det interessant å se hvordan andre «modeller» vil gjøre det i konkurranse med vår modell. Først gjør vi 10 000 tilfeldige simuleringer av tabellen. Da får vi en gjennomsnittlig feil på 85, minimum feil på 28 og maksimum på 128. Ved en tilfeldig trekking av tabell vil vi ved 6530 av 10000 ganger få bedre resultat enn vår supermodell. Eller sagt på en annen måte vil det i 65.3 % av de tilfeldige trekkene være bedre å velge trekke tilfeldig enn å velge modellen vår.

picture3

Vi har så sett på fire ulike modeller. Alfabetmodellen, befolkningsmodellen, maratonmodellen og lengdegradsmodellen.
– Alfabetmodellen sier at resultatet etter fem runder vil være lik en alfabetisk sortert liste over lagene. Det vil si at Bodø/Glimt ligger øverst og Ålesund nederst (med norsk alfabet i hvert fall).
– Befolkningsmodellen vil sette laget fra byen med høyest innbyggertall øverst og byen/tettstedet med færrest innbyggere neders.
– Maratonmodellen plassere laget med flest poeng i øverste ligå siden 1949 øverst
– Lengdegradsmodellen vil plassere laget som er geografisk lengst mot nord øverst

Resultatene fra disse fire modellene er gitt i tabellen under:

picture4

picture5

Disse modellene gjør det relativt bra, med alfabetmodellen som vinneren (det må sies at alfabetmodellen gjør det klart bedre på norsk enn på engelsk, ettersom Ålesund/Aalesund ligger nest sist på den faktiske tabellen). Mens vår modell ser på kortsiktig historikk, ser maratonmodellen på langsikig historikk. Vi ser at i dette tilfellet ville det vært bedre å se på langsiktig historikk enn resultat fra treningskamper og første runde.

Konklusjonen er vel at tipping av fotballtabeller er særdeles vanskelig. F.eks. er det 16! antall mulige varianter av tabellen (eller 2.09 e+19 sagt på en mer forståelig måte), noe som gjør det relativt vanskelig å treffe «spot on» selv om innsikt og historikk om de ulike lagene vil kunne hjelpe oss litt på vei. Selv med 10 000 tilfeldige trekk, klarte vi ikke å få færre enn 28 tabellplasseringsfeil.

Frokostmøte om elsertifikatmarkedet — fredag 29.april

I forbindelse med lanseringen av vår agentbaserte markedsmodell av elsertifikatmarkedet inviterer vi alle interessenter til en felles presentasjon av modellresultatene, modellen, og tjenestene vil tilbyr, fredag 29.april kl 08:00-09:00, i Tollbugata 35 i Oslo. Her blir det anledning til å stille spørsmål samt å møte andre interessenter over en kopp kaffe.

For dem som er interessert vil vi da, blant annet, kunne forklare hvordan investeringsbeslutningen på Fosen kan øke risikoen for svært høye sertifikatpriser i 2020.

Bakgrunnsinformasjon

Modellen som ligger til grunn for markedsanalysene (MARC) er utviklet av Optimeering og Thema, og finansiert av Forskningsrådet, Innovasjon Norge, samt en rekke private og offentlige aktører, deriblant NVE, Energimyndigheten, ENOVA, BKK og Statkraft.  Overordnet informasjon om modellen og våre modellbaserte analysetjenester finnes i denne brosjyren, mens en detaljert beskrivelse av MARC-modellen finner du her.

Agentbasert modell av elsertifikatmarkedet (MARC) klar for lansering

MARC – Multi-Agent Renewable Certificate model

Etter over 2 års utvikling er vår agentbaserte modell av sertifikatmarkedet (MARC) klar for lansering. Utviklingsprosjektet har hatt en ramme på nesten 3 millioner kroner og vært finansiert av et dusin private og offentlige aktører, og har etter alle solemerker oppnådd målet, nemlig å utvikle verdens første agentbaserte markedsmodell for et kvotemarked.

Bakgrunn

Elsertifikatprisen styres i stor grad av dagens sertifikatbalanse og forventinger om framtidig sertifikatbalanse. Etter hvert som markedet nærmer seg balanseperioden vil prisene i enda mindre grad vil styres av utbyggingskostnadene og i større grad av forventinger om framtidig sertifikatbalanse. For å bedre forstå hvordan markedet vil kunne utvikle seg fram mot balanseperioden lanserer vi, sammen med Thema Consulting Group, endelig en agentbasert markedsmodell av elsertifikatmarkedet.

Fram til i dag har fundamentale likevektsmodeller hovedsakelig vært benyttet til å analysere markedet. Slik modeller er basert på kostnadsdekning på tilbudssiden og har egnet seg godt til å analysere investeringsfasen av markedet, men etter hvert som vi nærmer oss slutten av denne fasen er det sannsynlig at prisene i større grad avvike fra utbyggingskostnadene. Skal man da kunne si hvor markedet vil ta vei trengs en tilnærming som tar høyde for aktørenes strategier og forventninger.

Agentbasert modellering har opprinnelig røtter fra spillteori og kybernetikk, men har i økende grad blitt bruk til å studere markeder hvor en likevekt har vist seg vanskelig å oppnå. Modelltilnærmingen skiller seg fra en standard likevektstilnærming vet at den ikke bygger på en overordnet antakelse om kostnadsdekning, men heller tar utgangspunkt i å fange de individuelle aktørenes adferd og la utfallet bestemmes av deres interaksjoner. Utfordringen er å beskrive markedsaktørenes adferd og modellere dette dynamisk. Utviklingen har derfor vært en tidkrevende prosess og strukket seg over 3 år.

Vi skrev i 2014, da prosjektet startet, en blogpost om hvorfor vi mente en agentbasert modell er bedre egnet til å modellere markedet for elsertifikater enn fundamentale likevektsmodeller. Disse punktene er kanskje enda mer aktuelle i dag og det er en glede å endelig kunne lansere denne modellen vår.

Modellen er utviklet av Optimeering og Thema, og finansiert av Forskningsrådet, Innovasjon Norge, samt en rekke private og offentlige aktører, deriblant NVE, Energimyndigheten, ENOVA, BKK og Statkraft. En forenklet beskrivelse av MARC-modellen finner du her.

Hva vi tilbyr

Markedsanalyser basert på MARC-modellen vil i all hovedsak være tilgjengelig gjennom deltakelse i vårt Sertifikatmarkedsforum EMF (El-Certificate Market Forum), som er et felles samlingssted for aktører i bransjen. Alle deltakerne i forumet møtes jevnlig for å diskutere mulige endringer i elsertifikatmarkedet og se nærmere på deres mulige innvirkning på sertifikatmarkedet ved hjelp av MARC-modellen.

Mer informasjon om modellen og våre modellbaserte analysetjenester finnes i denne flyeren. For øvrig informasjon ta kontakt med Karan Kathuria.