Dave Boundy er CTO hos Innowatts – Interviewserie

Dave Boundy er CTO hos Innowatts, en leder inden for AI-dataanalyse. SaaS-platformen giver virksomhederne de data, de har brug for for at være mere prædiktive, proaktive og forbundne med deres kunder og ratepayers, hvilket hjælper dem med bedre at håndtere risiko, forbedre profitabilitet, opretholde grid-sikkerhed og forudse bæredygtighedstrends.

David har mere end 20 års erfaring inden for IoT og energisektoren. Hans karriere har spændt over enterprise IT, produktudvikling, forskning og innovation samt nye virksomhedsstartups. Før sin nuværende stilling etablerede og ledede han Intels globale energiløsninger, hvor han leverede maskinlærings- og kunstig intelligensløsninger til kunder verden over. David har flere patenter og sidder i flere bestyrelser.

Kan du beskrive, hvad Innowatts er?

Innowatts er et nyt energiselskab, der fokuserer på at forbedre vores kunders bruttomargener samtidig med at øge anvendelsen af fornybare energikilder. Vi gør dette ved at analysere store mængder data for at låse op for handlebare indsigt. Selvom vi er et B2B-selskab, tilbyder vi både B2B- og B2C-tjenester gennem vores kunder til deres slutbrugere. Vi tager meter-niveau-data fra et hjem eller en forretning eller inden for netværket og kombinerer det med mange andre datasæt, herunder socioøkonomiske data, CRM-data og risikostyringsdata.

Vores AI-baserede analytikmotor leverer indsigt, der spænder fra forbruger-niveau-forecasting til at dissekere nuværende og fremtidige energiforbrug. Gennem dette kan vi identificere potentielle produkter, der er egnede til enhver forbruger. Vi tilbyder også detailkunder tjenester som f.eks. identifikation af den optimale tariffmodel til at maksimere deres bruttomargener.

Til sidst støtter vi netværksoperatører og utilities med at planlægge for fremtiden. Det er afgørende, at de forstår, hvor ændringer sker, så de kan optimere deres aktiver og reducere priserne for forbrugerne.

Hvilke typer maskinlærings-teknologier bruges der hos Innowatts?

Vores mål er at få maskiner til at tænke mere som mennesker, samtidig med at de kan skala og håndtere meget store datasæt. Vi har mere end 43 millioner målere under administration, og vi håndterer milliarder af datapunkter hver time på tværs af multiple geografier og kunder. I det overvågede rum bruger vi en række modeller, herunder lineær regression, beslutningstræer osv.; i det ikke-overvågede rum omfatter eksempler ensemble-modeller, neurale netværk og tilfældige skove.

Vores brug af en række modeller er central for styrken i vores produkt — vi kan identificere den rigtige model for enhver kunde i enhver given situation. Vi kan faktisk reducere det til meter-niveau. Det er det, der virkelig positionerer os som en leder i dette område.

Hvorfor er energi-overvågning vigtig for energi-detailhandlere?

Omkostningerne ved at tilegne sig en kunde er ofte to til tre gange den margin, som en detailhandler tjener på den kunde på ét år. Det betyder, at det tager to til tre år at generere tilbage kundetilegningsomkostningerne, så det er meget vigtigt at fastholde hver enkelt kunde.

Vi hjælper detailhandlere med at opnå dette ved at give dem mulighed for at differentiere sig. Vi tilbyder prognoser og mulighed for at definere og udvikle tid-af-brug-tariffer til at tilpasse deres produkt til deres kunder. Vi kan også tilbyde risikostyrings- og prisplatforme samt mulighed for at identificere de bedste forbrugere i hvert territorium. Vi kan også identificere, hvilke kunder der er bedst egnede til bestemte produkter. Det alt sammen tilføjer op til en mere overbevisende og kost-effective service for kunderne, hvilket støtter både tilegnings- og fastholdelsesindsatsen.

Hvad er nogle af de vigtigste indsighter, der kan opnås ved at studere energiforbrug?

<p Forestil dig, at du har købt en el-bil for nylig. Vore modeller kan registrere det og give din el-leverandør mulighed for automatisk at sende tilpassede kommunikationer og målrettede tjenester, der er relevante for din status som ny el-bil-ejer — f.eks. en anden tariff, et nyt forsikringsprodukt eller et serviceprodukt.

Ligeså kan vi identificere og proaktivt underrette dig, baseret på dit energiforbrug over de sidste 15 dage, at vi projekterer, at dit forbrug i de næste 30 dage vil være meget højere end normalt af en bestemt grund. Vi kan derefter arbejde med dig for at foretage proaktive handlinger for at undgå en regningschok. Disse er blot nogle eksempler på den type engagement, vi kan levere.

Vores prognose-evner er også ekstremt kraftfulde. De nylige begivenheder i Texas gjorde prognostisering meget svær, fordi det var en helt ny scenario. Men vores prognoser var 20% til 40% mere nøjagtige end vores konkurrenters, så vores kunder var langt bedre forberedt på afbrydelsen. Ved at bruge vores prognoser som en del af deres hedging-strategi var de langt bedre positioneret, da energipriserne steg til 9.000 dollar per megawatt time. Besparelserne for dem har været betydelige. Det faktum, at vores modeller tilpasser sig hurtigt til ændringer, giver også vores kunder mulighed for at prognostisere og byde effektivt i højt volatile situationer, selv under rullende blackouts.

Dette niveau af overvågning og fortolkning af energidata er stadig mere vigtigt. Mange detailhandlere vil gå konkurs, og de store detailhandlere har dækket deres behov på markedet op til et år, måske længere. Afhængigt af deres strategi og risikoprofil kan de have erhvervet 50% af det nødvendige energibehov i sidste uge. De ville have forsøgt at øge denne procentdel, da risikoprofilen og energiprisen steg. De ville have forsøgt at hedge mere, men til sidst ville de være gået ind på det reelle marked for at købe strøm. De ville have forsøgt at købe det til den gennemsnitlige pris for det sidste år, som har været omkring 25 dollar per megawatt time. Nu går de ind på markedet for at købe det til 9.000 dollar per megawatt time. Så omkostningerne for detailhandleren er enorme, det er deres års profit, der er væk på en eftermiddag.

Hvordan kan denne information bruges til at påvirke forbrug til grøn energi?

Historisk set har el-netværket været efterspørgselsdrevet — når efterspørgslen steg, byggede operatørerne flere kraftværker, lagde mere kabler og brændte mere brændstof. Vi er nu i en overgangsfase, hvor vi bevæger os mod et tilbudsdrevet netværk. Da vi går over til fornybare energikilder, skal vi være i stand til at styre tilbuds-siden. I den nye verden ankommer tilbuddet, når vinden blæser eller solen skinner. Vi vil også opleve en kraftig stigning i efterspørgsel på grund af elektrificeringen af transport og varme.

Det, vi gør for vores kunder, er at analysere, hvordan forbrugere bruger energi. Vi starter med at se på, hvor meget af deres belastning er, hvad vi kalder “base load”. Der er nogle ting, der kan gøres for at motivere folk til at reducere det, men generelt set er det fast. Vi kan identificere, hvem der er følsomme over for vejret, vi kan identificere hjem, der kunne have gavn af termiske interventioner — isolering eller indsættelse af en termostat.

Men vi kan også identificere tidsfølsomme belastninger, som er en indikator for adfærd. Uden at blive for invasive kan vi se hjem-baseret adfærd. F.eks. kan du rådes til at overveje at køle eller varme dit hjem på en anden tid for at gøre det mere komfortabelt, spare penge eller maksimere dit brug af grøn energi.

Vi kan også bruge proaktive, krave-styringsstrategier til at tilpasse forbrug til tilgængeligheden af fornybar energi uden at påvirke brugerens oplevelse negativt. F.eks. kan du rutinemæssigt stikke din bil ind kl. 19 og ud kl. 7. Vi kan sende en krave-styrings-signal til ladestationerne for at bestemme, hvornår din bil faktisk lades, for at optimere brugen af fornybar energi.

I 2020 annoncerede Innowatts, at de havde overgået fem andre energiprognostikere på de fleste målinger i en uafhængig test. Hvor værdifuldt er det at kunne prognostisere med så høj en niveau af nøjagtighed?

Situationen i Texas viste omkostningerne ved uændre prognostisering. Hvis en detailhandler ser på en potentiel halv milliard dollars tab, så kan vores prognoser — som er 20% til 40% mere nøjagtige end konkurrenternes — konservativt redde dem mere end 100 millioner dollars. Det er en ekstrem situation, men vores granulerede tilgang betyder, at kunderne kommer ud med en fordel hele året, selv uden ekstrem volatilitet.

F.eks. støtter vi en leverandør i Europa med både kommercielle og industrielle kunder. De har forsøgt i årevis at få proaktive underretninger om, hvornår deres kunder vil tage handlinger — hvornår de vil øge eller reducere deres forbrug — men de har ikke været succesfulde. Vi har kunnet prognostisere for dem i 15-minutters interval for hver af deres kommercielle og industrielle kunder, hvilket giver dem mulighed for at forudse belastningsændringer og træffe klogere købsbeslutninger på et meget detaljeret niveau — og det betyder, at de kan spare betydelige beløb.

Hvad er fremtiden for datavidenskab og maskinlæring i denne sektor?

Som jeg nævnte, har vi at gøre med meget store datasæt. Jo mere data, vi får, og jo mere granuleret data, vi får, desto mere kan vi slutte og slutte — og jo mere computerkraft, vi får, desto mere kan vi behandle data hurtigt for at levere kraftfulde indsighter. De matematiske principper ændrer sig ikke, men vores voksende evne til at anvende kompleks matematik i stor skala vil gøre disse kapaciteter stadig mere effektive, påvirkende og billige over de næste få år. Det vil ultimativt støtte bevægelsen mod et decarboniseret netværk.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Innowatts.