Nowa era technologii w sektorze energii oparta na uczących się modelach

Problem współczesnych przedsiębiorstw polega na tym, że funkcjonują one w otoczeniu przesyconym informacjami niosącymi ogromne ilości przeróżnych danych. Dane pochodzą zarówno z urządzeń będących własnością samych firm, ale w przeważającej mierze z otoczenia w jakim działa firma. Zdarza się, że potencjalnie nieistotne (nie mające związku z prowadzoną przez firmę działalnością) informacje mogą w istotny sposób, poprzez różnego rodzaju powiązania (trudne do określenia przez człowieka) wpłynąć na realizację poszczególnych procesów biznesowych. Oznacza to, że pomimo świadomości o istnieniu tych informacji, firma nie potrafi skutecznie i efektywnie z nich korzystać. W takiej sytuacji kwestia sposobów pozyskiwania oraz właściwego przetwarzania informacji w ciągle zmieniającym się otoczeniu, zyskuje na wartości. Posiadając tak ogromne ilości danych, których skatalogowanie wydaje się niemożliwe, firma nie będzie funkcjonowała efektywnie bez wsparcia ze strony nowych technologii. Takie wsparcie z pewnością przyniosą techniki i algorytmy sztucznej inteligencji (AI - ang. artificial intelligence). Są one coraz częściej wykorzystywane w sektorze energetycznym. Ich zastosowanie skierowane jest na identyfikację zaawansowanych problemów, do których rozwiązania konieczna jest skomplikowana, ale powtarzalna, analiza dużej ilości danych. Ponadto poszukiwane są metody takiego rozwiązywania problemów które będą w stanie adaptować się do zmiennych w czasie warunków otoczenia rozumianego jako zmienność danych (generalizacja modelu).

Inwestycje sektora energetycznego w Big Data, IoT (ang. Internet of Things) i AI zwiększyły się dziesięciokrotnie w 2018 r. Fuzje i przejęcia z udziałem firm energetycznych i startupów AI wzrosły z około 500 milionów USD w pierwszym kwartale 2017 roku do 3,5 miliarda USD w drugim kwartale. Sztuczna inteligencja jest to najszybciej rozwijająca się gałąź branży zaawansowanych technologii. Niemiecki rząd postrzega sztuczną inteligencję jako kluczową strategię opanowania największych wyzwań naszych czasów, takich jak zmiany klimatu i zanieczyszczenie środowiska.

Od kilku lat trwają intensywne dyskusje na temat wykorzystania sztucznej inteligencji do wsparcia działań związanych z sektorem energii, w tym zwłaszcza funkcjonowania rynku energii elektrycznej. Opracowanie uczących się modeli, ukierunkowanych na rozwiązanie konkretnych zagadnień, problemów można docelowo połączyć w jedną kompletną platformę, która w sposób automatyczny (również nadążny) będzie identyfikowała i rozwiązywała pojawiające się problemy. Wprowadzenie logiki architektonicznej takiej platformy, która obejmie zarówno techniczne, jak i ekonomiczne perspektywy rozwoju sektora energii z obsługą AI wydaje się właściwym kierunkiem dla przyszłego rynku energii elektrycznej nasyconego źródłami rozproszonymi (źródła energii odnawialnej PV, turbiny wiatrowe, samochody elektryczne, magazyny energii, mikrosieci, pompy ciepła, odbiorcy zarządzający swoim zużyciem energii) o bardzo różnej charakterystyce, wpływającej na stabilność systemu elektroenergetycznego. Bez zmiany istniejących technologii informatycznych trudno będzie zarządzać dużą ilością zróżnicowanych danych.

Z tego też powodu w AI upatruje się ogromy potencjał dla przyszłego projektowania systemu energetycznego. Typowe obszary zastosowania tego rodzaju technologii to handel energią elektryczną, inteligentne sieci czy sektor coupling (łączenie energii elektrycznej, gazu, ciepła i transportu). Warunkiem wykorzystania AI w systemie energetycznym jest cyfryzacja sektora i odpowiednio gromadzony i przechowywany duży zestaw wiarygodnych danych. Do większości aktualnie stosowanych rozwiązań dane powinny być opisane przez człowieka (oetykietowane) w sposób umożliwiający wykonanie zadania, do którego dany algorytm ma być wykorzystany (czy to do zadania typu regresji czy klasyfikacji). W takim przypadku mówimy o uczeniu z nauczycielem, polegającym na podawaniu przykładów poprawnego działania, które właściwie skonfigurowany model, powinien umieć powtórzyć. Stąd, w tym przypadku istotna jest wiarygodność danych, na podstawie których model będzie "uczony".

Właściwa analiza danych pochodzących z urządzeń zainstalowanych w sieciach elektroenergetycznych może pomóc w przewidywaniu awarii, prognozowaniu zapotrzebowania na energię elektryczną oraz reagowaniu z odpowiednim wyprzedzeniem na pojawiające się problemy z niezbilansowaniem systemu. Zaawansowane modele mogą przewidywać z wyprzedzeniem potencjalne do wystąpienia awarie na sieciach przesyłowych czy dystrybucyjnych. W zależności od przyczyny, która spowoduje awarię, specjalnie opracowane platformy będą zdolne do wykorzystania właściwych modeli analizujących i uruchamiających odpowiedzenie mechanizmy w celu eliminowania zagrożenia awariami. W tym przypadku do sterowania oprócz typowego podejścia optymalizacji klasycznej, przyszłościowo można próbować stosować modele uczenia ze wzmocnieniem, do których dane nie są tak bardzo potrzebne, a dużo bardziej potrzebne są precyzyjne symulacje systemów jako środowiska dla tych algorytmów. Najczęściej spotykanym zastosowaniem samouczących się modeli jest wykonywanie prognoz, które mogą być wykorzystywane również przez wytwórców, szczególnie tych, którzy zarządzają produkcją energii pochodzącej z instalacji źródeł energii odnawialnej (słońce, wiatr), jak i spółki zajmujące się sprzedażą energii elektrycznej. Te drugie niejednokrotnie wykorzystują specjalistyczne modele nie tylko do prognozowania zapotrzebowania na energię, ale również do przewidywania zmienności cen na rynku energii.

Szczególne oczekiwania w zastosowaniu rozwiązań AI wiąże przemysł samochodowy. Wzrost liczby samochodów elektrycznych to z jednej strony możliwości (szczególnie wsparcie rozwiązań na rzecz klimatu) z drugiej wyzwania. Ładowanie samochodów elektrycznych musi być skoordynowane na poziomie sieci elektroenergetycznej w sposób zapewniający po pierwsze efektywne korzystanie z ładowarki przez właściciela samochodu, a z drugiej gwarantujące stabilność pracy sieci elektroenergetycznej, szczególnie w ujęciu lokalnym. Niejednokrotnie samochód elektryczny definiuje się jako przyszłe źródło elastyczności dla systemu elektroenergetycznego, ze względu na techniczne możliwości korzystania z niego jako magazynu energii. Możliwość wykorzystania tego rodzaju zachowań na dużą skalę, będzie wymagało zaawansowanych modeli do zarządzania stabilnością sieci elektroenergetycznej.

Innym zastosowaniem rozwiązań AI jest wykrywanie anomalii w zużyciu energii, czyli wykrywanie nielegalnego poboru energii. Tego rodzaju rozwiązania działają w oparciu o uczenie bez nauczyciela (samouczenie sieci neuronowej), czyli w oparciu jedynie o przykładowe dane wejściowe bez określania oczekiwanego efektu końcowego, odpowiednio zaprojektowana sieć neuronowa potrafi zbudować algorytm swojego działania najczęściej polegający na tym, żeby automatycznie wykrywać klasy powtarzających się sygnałów. Innymi słowy zidentyfikowanie potencjalnych grup danych, które są charakterystyczne dla nielegalnego poboru energii.

Ponadto koordynowanie prac konserwacyjnych i określanie optymalnych czasów utrzymania sieci z zastosowaniem AI pomaga zminimalizować koszty i utratę zysków, a także eliminuje niepotrzebne zakłócenia w pracy sieci.

Katalog możliwych rozwiązań jest ograniczony jedynie nieograniczoną wyobraźnią nadążającą za potrzebami ludzkości. Instytucje naukowe, spółki czy pojedyncze jednostki, które potrafią korzystać z informacji i danych jakie ich otaczają oraz mają umiejętność agregowania i pełni wykorzystywania tych informacji są już dzisiaj liderami zmian.

Przedstawione zagadnienie jest tematem na szczegółową analizę i debatę, gdzie okazją do tego będzie V Konferencja Naukowa "Bezpieczeństwo energetyczne - filary i perspektywa rozwoju" (30-31 marca 2020 r.) na Politechnice Rzeszowskiej. Poruszane w czasie Konferencji kwestie będą obejmowały szeroko rozumiane aspekty bezpieczeństwa energetycznego, w tym takie tematy, jak sztuczna inteligencja w energetyce, nowe technologie sektora energii, inteligentne sieci i liczniki energii, technologie czystego powietrza oraz perspektywy transformacji energetycznej w Polsce i Europie w kontekście nowej polityki unijnej "Europejski Zielony Ład" (European Green Deal).

Zgłoszenia udziału w Konferencji przyjmowane są do 6 marca 2020 r.

Więcej informacji o Konferencji: https://www.instytutpe.pl/konferencja2020/