AI szerepe az energetikában
A villamosenergia-rendszerek egyre bonyolultabbá válnak, ahogy a villamos energia iránti kereslet növekszik, és a szén-dioxid-mentesítési erőfeszítések fokozódnak. A múltban a hálózatok a központosított erőművektől irányították az energiát. Manapság az energiarendszereknek egyre inkább támogatniuk kell az elektromos áram többirányú áramlását az elosztott termelők, a hálózat és a felhasználók között. A hálózatra csatlakoztatott eszközök növekvő száma az elektromos járművek (EV) töltőállomásaitól a lakossági napelemes berendezésekig kevésbé kiszámíthatóvá teszi az áramlásokat. Eközben a kapcsolatok elmélyülnek az energiarendszer és a közlekedési, ipari, építőipari és ipari szektorok között. Ennek eredményeképpen sokkal nagyobb szükség van az információcserére – és az energiarendszerek folyamatos fejlődésével párhuzamosan a tervezéshez és üzemeltetéshez szükséges hatékonyabb eszközökre.
Ez az igény éppen akkor érkezik, amikor a mesterséges intelligencia (AI) alkalmazások képességei rohamosan fejlődnek. Ahogy a gépi tanulási modellek egyre fejlettebbek, a fejlesztésükhöz szükséges számítási teljesítmény 2010 óta öt-hat havonta megduplázódott. Az AI-modellek immár megbízhatóan képesek nyelv- vagy képfelismerést biztosítani, a hangokat elemezhető adatokká alakítani, chatbotokat működtetni és egyszerű feladatokat automatizálni. A mesterséges intelligencia az emberi intelligencia szempontjait utánozza azáltal, hogy elemzi az adatokat és a bemeneteket – gyorsabban és nagyobb mennyiségben generál kimenetet, mint egy emberi kezelő képes lenne. Egyes mesterséges intelligencia-algoritmusok még saját kódjukat is képesek önprogramozni és módosítani.
Ezért nem meglepő, hogy az energiaszektor korai lépéseket tesz a mesterséges intelligencia képességeinek kihasználása érdekében a hatékonyság növelése és az innováció felgyorsítása érdekében. A technológia egyedülállóan alkalmas az intelligens hálózatok és az általuk generált hatalmas mennyiségű adat egyidejű növekedésének támogatására. Az intelligens mérők több ezerszer több adatpontot állítanak elő és küldenek el a közműveknek, mint analóg elődeik. A hálózati energiaáramlások megfigyelésére szolgáló új eszközök nagyságrendekkel több adatot juttatnak el az üzemeltetőkhöz, mint az általuk lecserélt technológiák. A szélturbinák globális flottája pedig a becslések szerint évente több mint 400 milliárd adatpontot termelnek.
Ez a mennyiség a kulcsfontosságú oka annak, hogy az energiacégek a mesterséges intelligenciát egyre kritikusabb erőforrásnak tekintik. Egy friss becslés szerint a mesterséges intelligencia már több mint 50 különböző felhasználási területet szolgál ki az energiarendszerben, és a technológia piaca az ágazatban akár 13 milliárd USD értékű is lehet.
Az energiaszektorban a mesterséges intelligencia egyik leggyakoribb felhasználása a kereslet és kínálat előrejelzésének javítása volt. A következő generációs energiarendszerek számára kulcsfontosságú, hogy jobban megértsük, mikor áll rendelkezésre megújuló energia, és mikor van rá szükség. Ez azonban bonyolult lehet a megújuló technológiák esetében, hiszen nem mindig süt a nap, és nem mindig fúj a szél.
Itt játszhat szerepet a gépi tanulás. Segíthet a változó kínálat és a növekvő és csökkenő kereslet összehangolásában – maximalizálva a megújuló energia pénzügyi értékét, és könnyebben integrálhatóságát a hálózatba.
A szélenergia-kibocsátás például időjárási modellek és a turbinák elhelyezkedésére vonatkozó információk segítségével előre jelezhető. A széláramlás eltérései azonban a vártnál magasabb vagy alacsonyabb teljesítményszinthez vezethetnek, ami növeli a működési költségeket. Ennek megoldására a Google és mesterséges intelligencia leányvállalata, a DeepMind 2019-ben neurális hálózatot fejlesztett ki, hogy növelje a 700 MW-os megújuló flottájára vonatkozó előrejelzések pontosságát. A múltbeli adatok alapján a hálózat olyan modellt dolgozott ki, amely akár 36 órára előre megjósolja a jövőbeli teljesítményt, sokkal nagyobb pontossággal, mint az mindeddig lehetséges volt.
Ez a nagyobb láthatóság lehetővé teszi, hogy a Google előre eladja teljesítményét, nem pedig valós időben. A cég kijelentette, hogy ez a mesterséges intelligencia által elősegített egyéb hatékonysági előnyökkel együtt 20%-kal növelte szélenergiájának pénzügyi értékét. A magasabb árak a szélenergia üzleti helyzetét is javítják, és további beruházásokat hajthatnak végre a megújuló energiaforrásokba. Nevezetesen, a Google szabadalmaztatott szoftverét most egy nagy energiavállalat teszteli.
Ezenkívül a kibocsátási csúcsok pontosabb képével az olyan vállalatok, mint a Google, képesek eltolni a csúcsfogyasztás időzítését, például nagy számítási terhelés esetén, hogy egybeessen velük. Ezzel elkerülhető, hogy további áramot vásároljon a piacról. Ez a kapacitás szélesebb körű bővítés esetén jelentős hatással lehet a terhelésáthelyezés és a csúcsidő-csökkentés elősegítésére – különösen, ha jobb kereslet-előrejelzéssel párosul. A svájci ABB gyártó például kifejlesztett egy mesterséges intelligencia-kompatibilis energiaigény-előrejelző alkalmazást, amely lehetővé teszi a kereskedelmi épületek vezetőinek, hogy elkerüljék a csúcsdíjakat, és részesüljenek a használati idő tarifáiból.
Egy másik kulcsfontosságú mesterségesintelligencia-alkalmazás a prediktív karbantartás, ahol az energiaeszközök teljesítményét folyamatosan figyelik és elemzik a lehetséges hibák idő előtti azonosítása érdekében. A karbantartás általában rendszeres ütemterv szerint történik; Például egy távvezeték oszlopait egy előre meghatározott időn belül egyszer meg lehet vizsgálni, és szükség szerint elvégezni a javításokat. Ez az egy méretben használható megközelítés hatékonyságcsökkenéshez vezethet, ha a karbantartás túl korán, vagy ami még problémásabb, túl későn történik.
Ennek megoldására egy sor közszolgáltató mesterséges intelligencia-kompatibilis rendszereket fejleszt, amelyek segítik a fizikai eszközök nyomon követését, valamint a teljesítményre és a kimaradásokra vonatkozó múltbeli adatok felhasználásával előre jelezni, mikor lesz szükség beavatkozásra. Az E.ON közüzemi vállalat például kifejlesztett egy gépi tanulási algoritmust, amely megjósolja, mikor kell cserélni a hálózatban lévő középfeszültségű kábeleket, és számos forrásból származó adatok alapján azonosítja a villamosenergia-termelés mintáit, és jelzi az esetleges ellenmondásokat. Az E.ON kutatása szerint a prediktív karbantartás akár 30%-kal is csökkentheti a hálózat kimaradásait a hagyományos megközelítéshez képest.
Hasonlóképpen, 2019-ben az olaszországi székhelyű Enel közműszolgáltató érzékelőket kezdett telepíteni az elektromos vezetékekre a rezgésszint figyelésére. A gépi tanulási algoritmusok lehetővé tették az Enel számára, hogy a kapott adatokból azonosítsa a lehetséges problémákat, és megállapítsa, mi okozta azokat. Ennek eredményeként az Enel 15%-kal tudta csökkenteni az áramkimaradások számát ezeken a kábeleken. Eközben az észt technológiai startup, a Hepta Airborne gépi tanulási platformot használ a távvezetékekről készült drónfelvételekkel a hibák azonosítására, a State Grid Corporation of China pedig széles körben használja az AI-t olyan műveletek végrehajtására, mint például az okosmérők adatainak elemzése az ügyfelek berendezéseivel kapcsolatos problémák azonosítása érdekében.
Az elkövetkező években a mesterséges intelligencia energiaellátó rendszereken belüli felhasználási lehetőségei valószínűleg szárnyalni fognak. Az energiakínálat és -kereslet jobb előrejelzése, valamint a fizikai eszközök előrejelző karbantartása mellett az alkalmazások a következőket foglalhatják magukban:
A mesterséges intelligencia nélkül a rendszerüzemeltetők és a közművek a feltörekvő digitális technológiák által kínált új adatforrások és folyamatok csak töredékét tudják majd hatékonyan kihasználni, és a kínált előnyök jelentős részéből kimaradnak. Azonban az AI-val kapcsolatos kockázatokat is figyelembe kell venni és kezelni kell, mielőtt a technológiát az egész szektorban kiterjesztenék. Ide tartoznak többek között a kiberbiztonságot és a magánéletet fenyegető veszélyek, az adatok torzításainak vagy hibáinak hatásai, valamint az elégtelen képzésből, adat- vagy kódolási hibákból eredő hibás korrelációk.
A megfelelő készségekkel rendelkező munkavállalók rendelkezésre állása jelentős kihívást jelent minden olyan ágazat számára, amely kiaknázza az AI-ban rejlő lehetőségeket. A globális munkaerőpiacon a mesterséges intelligencia és a gépi tanulás szakemberei jelentik azt a szakmát, amelynél a kereslet a leggyorsabban nő, ami szűk keresztmetszetet teremt a munkaerő-toborzásban. 2022 júniusában világszerte mindössze 22 000 mesterségesintelligencia-szakértő volt az összes iparágban, az Egyesült Királyságban és az Egyesült Államokban megkérdezett nagyvállalatok 61%-a számolt be arról, hogy hiányzik a kellő AI-tapasztalattal rendelkező személyzet. Az energiaiparnak versenyeznie kell a legjobb adatszakértők és programozók toborzása érdekében, míg azoknak a cégeknek, amelyek szeretnének megtartani az ágazathoz értő személyzetet, fontolóra kell venniük meglévő munkaerő egy részének továbbképzését és átképzését. A kormányok által a magánszektor közreműködésével támogatott digitális képzések létfontosságúak lesznek ezekhez az erőfeszítésekhez. Az ilyen kurzusok elérhetősége és minősége azonban még nem egységes a legnagyobb globális gazdaságokban.
A mesterséges intelligencia ugyanakkor több energiát használ fel, mint a számítástechnika egyéb formái – ez kulcsfontosságú szempont, mivel a világ egy hatékonyabb energiarendszer kiépítésére törekszik. Egyetlen modell betanítása több áramot használ fel, mint amennyit 100 amerikai otthon fogyaszt el egy egész évben. 2022-ben a Google arról számolt be, hogy a gépi tanulás az elmúlt három év teljes energiafelhasználásának körülbelül 15%-át tette ki. A mesterséges intelligencia energiafelhasználásáról és szélesebb körű környezeti hatásairól azonban nem gyűjtenek szisztematikusan adatokat, ezért nagyobb átláthatóságra és nyomon követésre van szükség – különösen a modellek növekedésével. A leghatékonyabb számítási infrastruktúrát és az AI-algoritmusokat prioritásként kell kezelni, nehogy ellensúlyozza a hatékonyságnövekedést.
Ezenkívül az automatizált és öntanuló szoftverek fokozottabb használata kérdéseket vet fel azzal kapcsolatban, hogy ki a felelős e rendszerek kimeneteiért vagy eredményeiért. Az üzemeltetők gyakran vásárolnak mesterséges intelligencia technológiát vagy kapcsolódó szolgáltatást IT-cégektől és startupoktól. Ez döntéshozatalhoz vezethet a villamosenergia-kiegyenlítésről vagy beruházásokról, például olyan modellek alapján, amelyeket nem értenek vagy nem irányítanak, ami kérdéseket vet fel az állami kiadások, az energiaárak vagy a kimaradások miatti elszámoltathatósággal kapcsolatban.
E problémák némelyikének megoldása érdekében az OECD AI-elvei – amelyeket 2019-ben fogadtak el az OECD-tagországok kormányai és számos nem tagország kormánya – útmutatást adnak a megbízható mesterségesintelligencia emberközpontú megközelítéséhez. Világosabb nemzeti, regionális és nemzetközi keretekre is szükség lehet, mivel az energiaszektor a globális gazdaság alapja, és kulcsfontosságú az éghajlati célok eléréséhez. Az Európai Unió mesterséges intelligencia-törvénye, amelyet először 2021-ben javasoltak, és jelenleg az uniós intézmények és a tagállamok tárgyalnak, célja, hogy jobb feltételeket alakítson ki a technológia fejlesztéséhez és használatához, miközben többek között garantálja a környezet szilárd védelmét.
Ahhoz, hogy a mesterséges intelligencia hatékony szövetségese legyen a hatékony, szén-dioxid-mentes és rugalmas energiarendszereknek, a kormányoknak az adatmegosztási és irányítási mechanizmusokat is ki kell alakítaniuk. Egy összehangolt globális megközelítés lehetővé teheti a nemzetközileg alkalmazható és megismételhető megoldások alkalmazását, a tanulságok globális átadását, valamint az energiaellátás átalakulásának felgyorsítását, miközben csökkenti annak költségeit.
Forrás: IEA
