Sztuczna inteligencja i energia to nowa para mocy

Systemy elektroenergetyczne stają się coraz bardziej złożone w miarę wzrostu zapotrzebowania na energię elektryczną i wzmożenia wysiłków na rzecz dekarbonizacji. W przeszłości sieci kierowały energię ze scentralizowanych elektrowni. Obecnie systemy elektroenergetyczne w coraz większym stopniu muszą obsługiwać wielokierunkowe przepływy energii elektrycznej pomiędzy rozproszonymi generatorami, siecią i użytkownikami. Rosnąca liczba urządzeń podłączonych do sieci, od stacji ładowania pojazdów elektrycznych (EV) po instalacje fotowoltaiczne w budynkach mieszkalnych, sprawia, że ​​przepływy są mniej przewidywalne. Tymczasem pogłębiają się powiązania pomiędzy systemem elektroenergetycznym a sektorem transportu, przemysłu, budownictwa i przemysłu. Rezultatem jest znacznie większa potrzeba wymiany informacji i potężniejsze narzędzia do planowania i obsługi systemów elektroenergetycznych w miarę ich ewolucji.

Potrzeba ta pojawia się w chwili, gdy możliwości aplikacji sztucznej inteligencji (AI) szybko rosną. W miarę jak modele uczenia maszynowego stają się coraz bardziej zaawansowane, od 2010 r. moc obliczeniowa wymagana do ich opracowania podwaja się co pięć–sześć miesięcy. Modele sztucznej inteligencji mogą teraz niezawodnie rozpoznawać język lub obrazy, przekształcać dźwięki audio w dane nadające się do analizy, zasilać chatboty i automatyzować proste zadania . Sztuczna inteligencja naśladuje aspekty ludzkiej inteligencji, analizując dane i dane wejściowe, generując dane wyjściowe szybciej i na większą skalę, niż mógłby to zrobić człowiek. Niektóre algorytmy AI są nawet w stanie samodzielnie programować i modyfikować własny kod.

Nie jest zatem zaskoczeniem, że sektor energetyczny już na wczesnym etapie podejmuje kroki w celu wykorzystania mocy sztucznej inteligencji do zwiększania wydajności i przyspieszania innowacji. Technologia ta ma wyjątkowe możliwości wspierania jednoczesnego rozwoju inteligentnych sieci i ogromnych ilości generowanych przez nie danych. Inteligentne liczniki wytwarzają i wysyłają do przedsiębiorstw użyteczności publicznej kilka tysięcy razy więcej punktów danych niż ich analogowe poprzedniki. Nowe urządzenia do monitorowania przepływów mocy w sieci przekazują operatorom o ponad rząd wielkości więcej danych niż technologie, które zastępują. Szacuje się, że globalna flota turbin wiatrowych generuje ponad 400 miliardów punktów danych rocznie .

Wielkość ta jest głównym powodem, dla którego firmy energetyczne postrzegają sztuczną inteligencję jako coraz bardziej krytyczny zasób. Z ostatnich szacunków wynika, że ​​sztuczna inteligencja ma już ponad 50 różnych zastosowań w systemie energetycznym, a wartość rynku technologii w tym sektorze może sięgać nawet 13 miliardów dolarów.

Jednym z najczęstszych zastosowań sztucznej inteligencji w sektorze energetycznym jest poprawa przewidywań podaży i popytu. Lepsze zrozumienie tego, kiedy energia odnawialna jest dostępna i kiedy jest potrzebna, ma kluczowe znaczenie dla systemów elektroenergetycznych nowej generacji. Jednak w przypadku technologii odnawialnych może to być skomplikowane, ponieważ nie zawsze świeci słońce i nie zawsze wieje wiatr.

Tutaj właśnie rolę może odegrać uczenie maszynowe. Może pomóc w dopasowaniu zmiennej podaży do rosnącego i spadającego zapotrzebowania, maksymalizując wartość finansową energii odnawialnej i umożliwiając jej łatwiejszą integrację z siecią.

Na przykład moc elektrowni wiatrowych można prognozować, korzystając z modeli pogodowych i informacji o lokalizacji turbin. Jednakże odchylenia w przepływie wiatru mogą prowadzić do wyższych lub niższych poziomów mocy niż oczekiwano, zwiększając koszty operacyjne. Aby rozwiązać ten problem, Google i jego spółka zależna DeepMind, zajmująca się sztuczną inteligencją, opracowały w 2019 r. sieć neuronową, aby zwiększyć dokładność prognoz dla swojej floty odnawialnych źródeł energii o mocy 700 MW. Na podstawie danych historycznych w sieci opracowano model umożliwiający przewidywanie przyszłej produkcji z maksymalnie 36-godzinnym wyprzedzeniem ze znacznie większą dokładnością niż było to wcześniej możliwe.

Ta większa widoczność pozwala Google sprzedawać swoją moc z wyprzedzeniem, a nie w czasie rzeczywistym. Firma stwierdziła, że ​​dzięki temu, wraz z innymi usprawnieniami uzyskanymi dzięki sztucznej inteligencji, wartość finansowa jej energii wiatrowej wzrosła o 20%. Wyższe ceny poprawiają również uzasadnienie biznesowe energii wiatrowej i mogą napędzać dalsze inwestycje w odnawialne źródła energii. Warto zauważyć, że zastrzeżone oprogramowanie Google jest obecnie testowane przez dużą firmę energetyczną .

Ponadto dzięki dokładniejszemu obrazowi szczytów mocy produkcyjnej firmy takie jak Google mogą przesunąć moment szczytowego zużycia, na przykład podczas dużych obciążeń obliczeniowych, tak aby zbiegł się z nimi. Dzięki temu unika się konieczności zakupu dodatkowej energii z rynku. Ta zdolność, jeśli zostanie szerzej rozwinięta, może mieć znaczący wpływ na promowanie przenoszenia obciążenia i golenia szczytów – zwłaszcza w połączeniu z lepszymi prognozami popytu. Na przykład szwajcarski producent ABB opracował aplikację do prognozowania zapotrzebowania na energię z wykorzystaniem sztucznej inteligencji , która umożliwia zarządcom budynków komercyjnych unikanie opłat szczytowych i korzystanie z taryf za czas użytkowania.

Innym kluczowym zastosowaniem sztucznej inteligencji jest konserwacja predykcyjna , w ramach której wydajność zasobów energetycznych jest stale monitorowana i analizowana w celu wcześniejszego zidentyfikowania potencjalnych usterek. Konserwacja zazwyczaj odbywa się według regularnego harmonogramu; na przykład słupy linii przesyłowej można sprawdzić raz w określonym terminie i w razie potrzeby przeprowadzić naprawy. To uniwersalne podejście może prowadzić do nieefektywności, jeśli konserwacja zostanie przeprowadzona zbyt wcześnie lub, co jest bardziej problematyczne, zbyt późno.

Aby rozwiązać ten problem, szereg przedsiębiorstw użyteczności publicznej opracowuje systemy wykorzystujące sztuczną inteligencję, które pomagają monitorować aktywa fizyczne i wykorzystywać dane z przeszłości dotyczące wydajności i przestojów do przewidywania, kiedy wymagana jest interwencja. Na przykład przedsiębiorstwo użyteczności publicznej E.ON opracowało algorytm uczenia maszynowego, który pozwala przewidywać, kiedy kable średniego napięcia w sieci wymagają wymiany, wykorzystując dane z różnych źródeł do identyfikowania wzorców wytwarzania energii elektrycznej i sygnalizowania wszelkich niespójności. Badania E.ON sugerują, że konserwacja predykcyjna może zmniejszyć przestoje w sieci nawet o 30% w porównaniu z podejściem konwencjonalnym.

Podobnie w 2019 r. włoskie przedsiębiorstwo energetyczne Enel rozpoczęło instalowanie czujników na liniach energetycznych w celu monitorowania poziomu wibracji. Algorytmy uczenia maszynowego pozwoliły firmie Enel zidentyfikować potencjalne problemy na podstawie uzyskanych danych i ustalić, co jest ich przyczyną. W rezultacie firmie Enel udało się zmniejszyć liczbę przerw w dostawie prądu na tych kablach o 15%. Tymczasem estoński start-up technologiczny Hepta Airborne wykorzystuje platformę uczenia maszynowego z nagraniami linii przesyłowych z drona do identyfikowania usterek, a chińska State Grid Corporation w szerokim zakresie wykorzystuje sztuczną inteligencję do wykonywania takich działań, jak analizowanie danych z inteligentnych liczników w celu identyfikowania problemów ze sprzętem klientów.

Potencjalne zastosowania sztucznej inteligencji w systemach elektroenergetycznych prawdopodobnie wzrosną w nadchodzących latach. Oprócz lepszego prognozowania podaży i zapotrzebowania na energię oraz konserwacji predykcyjnej aktywów fizycznych, zastosowania mogą obejmować:

• Zarządzanie i kontrolowanie sieci, wykorzystanie szeregu danych z czujników, inteligentnych liczników i innych urządzeń Internetu rzeczy do obserwacji i kontroli przepływu energii w sieci, szczególnie na poziomie dystrybucji.
• Ułatwianie reagowania na zapotrzebowanie poprzez wykorzystanie szeregu procesów, takich jak prognozowanie cen energii elektrycznej, planowanie i kontrolowanie obciążeń reagujących oraz ustalanie dynamicznych cen.
• Zapewnianie ulepszonych lub rozszerzonych usług konsumenckich, na przykład poprzez wykorzystanie sztucznej inteligencji lub procesów uczenia maszynowego w aplikacjach i chatbotach online w celu zapewnienia klientom lepszych doświadczeń rozliczeniowych. Firmy takie jak Octopus Energy i Oracle Utilities już to badają.

Bez sztucznej inteligencji operatorzy systemów i przedsiębiorstwa użyteczności publicznej będą w stanie efektywnie wykorzystać jedynie ułamek nowych źródeł danych i procesów oferowanych przez powstające technologie cyfrowe, tracąc przy tym znaczną część oferowanych korzyści. Zanim jednak technologia zostanie rozpowszechniona w całym sektorze, należy również wziąć pod uwagę ryzyko związane ze sztuczną inteligencją i się nią zająć. Należą do nich między innymi zagrożenia dla cyberbezpieczeństwa i prywatności, wpływ stronniczości lub błędów w danych oraz błędne korelacje wynikające z niewystarczającego szkolenia, błędów w danych lub kodowaniu.

Dostępność pracowników o odpowiednich umiejętnościach stanowi poważne wyzwanie dla każdego sektora, który chce wykorzystać potencjał sztucznej inteligencji. Na całym świecie specjaliści od sztucznej inteligencji i uczenia maszynowego to zawód, w którym zapotrzebowanie rośnie najszybciej , co powoduje wąskie gardło w rekrutacji. W czerwcu 2022 r. na całym świecie we wszystkich branżach było zaledwie 22 000 specjalistów ds. sztucznej inteligencji , a 61% dużych firm ankietowanych w Wielkiej Brytanii i Stanach Zjednoczonych zgłosiło brak personelu posiadającego wystarczające doświadczenie w zakresie sztucznej inteligencji. Branża energetyczna będzie musiała konkurować, aby rekrutować najlepszych analityków i programistów zajmujących się danymi, natomiast firmy chcące zatrzymać pracowników rozumiejących branżę powinny rozważyć możliwość przeszkolenia i przekwalifikowania części swojej obecnej siły roboczej. Cyfrowe kursy szkoleniowe, wspierane przez rządy przy udziale sektora prywatnego, będą miały kluczowe znaczenie dla tych wysiłków. Jednak dostępność i jakość takich kursów nie jest jeszcze spójna w największych gospodarkach światowych.

Sztuczna inteligencja zużywa także więcej energii niż inne formy przetwarzania danych – jest to kluczowa kwestia, ponieważ świat dąży do zbudowania bardziej wydajnego systemu energetycznego. Trening pojedynczego modelu zużywa więcej energii elektrycznej niż 100 domów w USA zużywa w ciągu całego roku. W 2022 roku Google poinformował, że uczenie maszynowe odpowiada za około 15% ich całkowitego zużycia energii w ciągu ostatnich trzech lat. Nie gromadzi się jednak systematycznie danych na temat zużycia energii przez sztuczną inteligencję i szerszego wpływu na środowisko, dlatego istnieje potrzeba większej przejrzystości i monitorowania – zwłaszcza w miarę rozwoju modeli. Należy nadać priorytet najbardziej wydajnej infrastrukturze obliczeniowej i algorytmom sztucznej inteligencji, aby nie zniwelowała ona wzrostu wydajności.

Co więcej, zwiększone wykorzystanie zautomatyzowanego i samouczącego się oprogramowania rodzi pytania o to, kto jest odpowiedzialny za produkty i wyniki tych systemów. Operatorzy często kupują technologię AI lub powiązaną usługę od firm informatycznych i start-upów. Może to skutkować podejmowaniem decyzji dotyczących bilansowania energii elektrycznej lub inwestycji, na przykład w oparciu o modele, których nie rozumieją lub nie kontrolują, co prowadzi do pytań dotyczących odpowiedzialności za wydatki publiczne, ceny energii lub przestoje.

Próbując rozwiązać niektóre z tych problemów, Zasady OECD dotyczące sztucznej inteligencji – przyjęte w 2019 r. przez rządy członkowskie OECD i wiele rządów spoza UE – zawierają wytyczne dotyczące stosowania skoncentrowanego na człowieku podejścia do godnej zaufania sztucznej inteligencji. Konieczne mogą być również jaśniejsze ramy krajowe, regionalne i międzynarodowe, biorąc pod uwagę, że sektor energetyczny stanowi podstawę gospodarki światowej i ma kluczowe znaczenie dla osiągnięcia celów klimatycznych. Unijna ustawa o sztucznej inteligencji , zaproponowana po raz pierwszy w 2021 r. i obecnie negocjowana przez instytucje UE i państwa członkowskie, ma na celu m.in. stworzenie lepszych warunków rozwoju i wykorzystania technologii, przy jednoczesnym zagwarantowaniu solidnej ochrony środowiska.

Aby sztuczna inteligencja była skutecznym sojusznikiem na rzecz wydajnych, niskoemisyjnych i odpornych systemów elektroenergetycznych, rządy będą musiały również opracować mechanizmy udostępniania danych i zarządzania. Skoordynowane podejście globalne może umożliwić zastosowanie i powielanie rozwiązań o zasięgu międzynarodowym, transfer wiedzy na całym świecie i przyspieszenie transformacji energetyki przy jednoczesnym obniżeniu jej kosztów.

Vida Rozite, analityk ds. polityki energetycznej
Jack Miller, analityk ds. polityki efektywności energetycznej
Sungjin Oh, analityk ds. energii

IEA (2023), Dlaczego sztuczna inteligencja i energia to nowa para mocy , IEA, Paryż https://www.iea.org/commentaries/why-ai-and-energy-are-the-new-power-couple, Licencja: CC BY 4.0