Zapped: Mřížka je na přístrojích. Může to umělá inteligence napravit?
Vše, co jste chtěli vědět o naší křehké, stárnoucí a stále nespolehlivější síti (a o tom, jak může být umělá inteligence naší jedinou nadějí).
Americký elektrický systém měl být přepracován již dávno. Vzhledem k tomu, že zpráva Americké společnosti pro stavební inženýrství z roku 2021 zjistila, že 70 % linek T&D je starších 25 let, není žádným překvapením, že v celé zemi dochází stále častěji k velkým a trvalým výpadkům.
V loňském roce byly velké výpadky v Kalifornii a Texasu vyvolány extrémními povětrnostními jevy, což způsobilo, že místní poptávka po energii převýšila nabídku. Vzhledem k tomu, že změna klimatu podněcuje extrémní povětrnostní jevy, manažeři závodů a měst se stále častěji obracejí k technologiím umělé inteligence, aby předpovídali úroveň spotřeby energie na několik dní dopředu, zmírnili potenciál výpadků proudu a zvýšili celkovou spolehlivost elektrické sítě.
Abych porozuměl problémům, kterým čelí současná elektrická síť, která podle jedné koncepce představuje největší a nejkomplikovanější stroj na světě, oslovil jsem Steva Kwana, ředitele produktového managementu ve společnosti Beyond Limits, která vyvíjí průmyslovou umělou inteligenci pro růst v různých průmyslových odvětvích.
GN: Můžete vysvětlit některé z výzev, kterým v současné době čelí správci rozvodných sítí v USA?
Steve Kwan: Stárnoucí elektrická síť je podrobována zkoušce, protože se natahuje, aby unesla mnohem větší objem uživatelů, než pro jaké byla navržena v mnohem náročnějších podmínkách. Historicky proudila energie z velkých generátorů, jako jsou elektrárny, ke spotřebitelům. Za normálních podmínek nehraje počasí velkou roli v rozhodnutích, která musí správci sítě učinit.
Exploze distribuovaných zdrojů energie, jako jsou střešní solární, komerční solární a větrné instalace, však vytváří mnoho dalších scénářů, které musí správci sítě vzít v úvahu při rozhodování o nejlepším způsobu provozu sítě. Nyní, se střešními solárními panely, může energie v určitých situacích proudit "zpět". To znamená, že náklady na výrobu mohou být značně ovlivněny počasím a slunečními podmínkami.
Tyto dodatečné parametry významně ovlivňují rozhodnutí správce sítě o tom, jak nejlépe provozovat síť. V důsledku toho existuje jasná potřeba odolnější elektrické sítě, zejména proto, že odborníci na změnu klimatu naznačují, že globální oteplování způsobí v nadcházejících letech nárůst přírodních katastrof. Volání po uhlíkové neutralitě a nulových čistých emisích také posílilo úsilí o přechod na zelenou energii, a jak se budou objevovat nové předpisy, průmysl se bude muset přizpůsobit změnám v normách, které by mohly dramaticky změnit provoz.
GN: Kde v rámci ekosystému správy rozvodné sítě vidíme pronikání technologií umělé inteligence a strojového učení? Jaký je zde případ použití?
Steve Kwan: Technologie AI a ML jsou lepší ve své schopnosti učit se z minulého chování a předvídat budoucí potřeby. Jedním z nejdůležitějších prvků řízení sítě je potřeba zajistit, aby byla energie efektivně směrována a byla k dispozici za nejnižší náklady. Proto je to vždy hra o kontrole, zda je k dispozici dostatečná nabídka energie k uspokojení poptávky.
Nabídka i poptávka po energii se však neustále mění. Poptávka po energii kolísá v průběhu dne v důsledku lidských potřeb a činností. Nabídka i poptávka jsou ovlivněny povětrnostními podmínkami. Šíření elektrických vozidel a zařízení IoT také mění vzorce spotřeby energie. Na straně nabídky je kvůli změnám ve způsobu výroby energie mnohem obtížnější sladit nabídku s poptávkou. Od snižování výroby fosilních paliv až po zvyšování obnovitelných zdrojů a změnu klimatu se správa sítě stala bolehlavem jak v reálném čase, tak při plánování budoucnosti.
Technologie umělé inteligence a strojového učení vstupují do gridového ekosystému díky své schopnosti učit se ze vzorců používání a poskytovat přesné předpovědi budoucích potřeb, což z této technologie činí dokonalé řešení pro správu gridu. Umělá inteligence dokáže analyzovat množství dat produkovaných továrnami a přesně předpovědět, kdy bude dostatek energie pro nabíjení baterií a kdy je vybíjet.
Analýzy časového horizontu s umělou inteligencí povedou k dramatickým zlepšením, což výrobcům umožní vidět úplný obraz o jejich operacích. Umělou inteligenci lze použít k protřídění všech datových bodů, včetně minulých povětrnostních podmínek, současného stavu sítě a potenciálních poruchových bodů. Poskytovatelé energie proto využívají technologie AI a ML k optimalizaci svých dispečerských a plánovacích činností, předvídání požadavků trhu, plánování budoucí obchodní expanze a další. Spotřebitelé používají tyto technologie k plánování a optimalizaci svého chování při spotřebě energie, aby využili přebytečný výkon a ceny.
Spotřebitelé se například rozhodují, kdy by měli nabíjet své elektrické vozidlo na základě cen za dobu používání, a v některých případech mohou dokonce podpořit poptávku po síti tím, že budou proudit energii z rezidenčních baterií zpět do sítě.
GN: Když mluvíte o energii, mluvíte samozřejmě také o obavách o životní prostředí. Jaká vylepšení může umělá inteligence využít, pokud jde o odpad a emise uhlíku?
SD: V současné době je největším zdrojem emisí uhlíku spalování fosilních paliv. Naštěstí lze technologie umělé inteligence využít ke snížení těchto emisí mnoha způsoby. Umělá inteligence může snížit plýtvání energií tím, že pomáhá správcům závodů a měst předvídat úroveň spotřeby energie na několik dní dopředu. S touto předvídavostí mohou výrobci plánovat své provozy podle předpokládaných požadavků a přesně vyrábět energii. Umělá inteligence může také pomoci správcům sítí vědět, kdy je třeba energii ukládat nebo odpojit do mikrosítí, aby dosáhli konstantního toku energie a uspokojili poptávku po spotřebě. To nejen šetří energii, ale také zmírňuje stres tím, že klade omezení a omezení sítě, která berou v úvahu kapacitu vedení a přetížení.
Spolu s předpovídáním úrovně spotřeby snižují technologie umělé inteligence emise uhlíku tím, že pomáhají průmyslu přejít na obnovitelné zdroje energie, jako je solární a větrná energie. Na základě předvídání povětrnostních podmínek pomocí historických dat a blížících se vzorců počasí mohou tato řešení předpovídat dostupnost přirozeně vyráběné energie. To poskytuje manažerům možnost předpovídat mix obnovitelné energie a tradiční energie z fosilních paliv, který je potřebný k uspokojení předpokládané poptávky a zároveň maximalizaci využití obnovitelné energie. Díky tomu jsou obnovitelné zdroje energie také atraktivnější v energetickém sektoru, protože tento dříve nepředvídatelný zdroj energie se stává stále spolehlivějším.
GN: Existují nějaké obavy z těchto nových technologií umělé inteligence nebo z toho, že by k jejich přijetí mohlo dojít příliš rychle?
Steve Kwan: Stejně jako u všech technologií musí být numerické technologie umělé inteligence ověřeny a namátkově zkontrolovány, protože se často jedná o aplikace "černé skříňky", které jsou silně závislé na implementaci a kvalitě dat trénovacího souboru dat. Když jsou lidské znalosti a odborné znalosti začleněny do číselných technologií umělé inteligence, dramaticky se zlepšují, což může výrazně změnit výsledky a generovat lepší předpovědi a doporučení.
GN: Jaká je budoucnost umělé inteligence v oblasti řízení sítí?
Steve Kwan: S neustálým zlepšováním technologií AI a ML budeme schopni zvýšit velikost souboru dat, frekvenci, rychlost a přesnost modelových předpovědí. Společně by to provozovatelům sítí poskytlo lepší sady nástrojů, aby mohli bezprecedentním způsobem optimálně sladit nabídku s poptávkou. To vytváří příležitost pro optimální investice do sítě a výroby v oblastech, které by poskytly největší výhody. Například Technologie AI a ML lze použít k optimalizaci umístění a instalace obnovitelných zdrojů, jako jsou solární a větrné farmy. Lepší modelování sítě pomůže operátorům co nejefektivněji směrovat energii a umožní provozovatelům sítě snížit celkové náklady pro spotřebitele minimalizací přetížení. Čím přesnější budou modely, tím lépe budou provozovatelé sítí schopni plánovat své operace a zavádět opatření ke zmírnění v očekávání hrozících problémů.