Breaking news
Zapraszamy do współpracy w 2024 r.! Po więcej informacji skontaktuj się z nami mailowo: [email protected]

Coraz częściej w branży energetycznej słyszy się o zaletach wykorzystywania w procesach sztucznej inteligencji (AI, ang. Artificial Intelligence). Czym charakteryzuje się ta dziedzina nauki, jak można ją wykorzystać w energetyce, jakie ma wady i zalety opowiedział dr inż. Grzegorz Brus, Adiunkt w Katedrze Podstawowych Problemów Energetyki, Wydziału Energetyki i Paliw, Akademii Górniczo-Hutnicza w Krakowie.

 

dr inż. Grzegorz Brus, Adiunkt w Katedrze Podstawowych Problemów Energetyki, Wydziału Energetyki i Paliw, Akademii Górniczo-Hutnicza w Krakowie

Rozmawiała: Izabela Żylińska

 

Co to jest sztuczna inteligencja?

Sztuczna inteligencja (SI) rozpala wyobraźnię i jest pojęciem bardzo popularnym, które nie posiada jednej, ścisłej definicji. Najczęściej używając tego hasła, mamy na myśli programy komputerowe symulujące inteligentne zachowania człowieka. SI jest więc częściowo nauką o na s samych. W kontekście energetyki, najczęściej rozumiemy SI jako zastosowanie nauczania maszynowego w: procesie automatyzacji złożonych systemów energetycznych, wspieraniu procesu podejmowania decyzji, wyszukiwaniu trendów w dużych zbiorach danych, czy też optymalizacji.

Po co potrzebna jest nam ta technologia?

Jak z większością rzeczy, które wymyśla człowiek potrzebujemy SI, aby ułatwić sobie życie lub, mówiąc inaczej, aby zwiększyć efektywność pracy. W naszym projekcie realizowanym w ramach finansowania uzyskanego w programie FIRST TEAM/2016-1/3 Fundacji na rzecz Nauki Polskiej, wykorzystujemy szereg metod sztucznej inteligencji. Zastosowanie metod SI nie jest wprawdzie głównym celem projektu, ale wprowadza większą jego dynamikę oraz pozwala w szybkim czasie na realizację zadań, które bez użycia SI zająłby długie lata. Aby przytoczyć konkretne przykłady, przedstawię pokrótce, czym zajmuje się mój zespół.

Staramy się opracować nowy typ stosu ogniw paliwowych, generujący prąd elektryczny w wyniku reakcji elektrochemicznego utleniania dostarczanego na elektrodę paliwa. Elektrody, na których zachodzi utlenianie, są porowatym kompozytem metaliczno-ceramicznym o niezwykle skomplikowanej morfologii mikrostruktury.Jednym z zadań projektowych było zaproponowanie optymalnej mikrostruktury takiej elektrody oraz jej wytworzenie. Był to typowy problem optymalizacyjny. Zadanie to zrealizowaliśmy poprzez połączenie algorytmów genetycznych ze sztucznymi sieciami neuronowymi (SSN). Stosując to połączenie, byliśmy w stanie „przetestować” setki różnych materiałów pod względem otrzymanej mocy wyjściowej, przy czym cechy najlepszych elektrod łączyliśmy ze sobą, generując nowe pokolenie rozwiązań. Program dostarczył nam informacje na temat optymalnej mikrostruktury elektrody, którą następnie wyprodukowano w laboratorium i przetestowano, aby sprawdzić, czy otrzymana moc zgadza się z teoretyczną oraz czy prawidłowo udało się odzwierciedlić zaprojektowaną mikrostrukturę. Tu znowu z pomocą przychodzą sztuczne sieci neuronowe. Obecnie mikrostrukturę materiałów bada się za pomocą technik tomograficznych. Uzyskany w ten sposób zestaw kolejnych przekrojów próbki musi przejść proces segmentacji, który polega na przypisaniu obszarów z 200–300 obrazów do konkretnej fazy, która występuje w materiale. Człowiek potrzebuje miesiąca pracy, aby przetworzyć takie ilości danych. Dokonuje tego poprzez żmudną pracę, zaznaczając kolejne obszary rysikiem na specjalnym tablecie graficznym. Wykorzystując metody sztucznej inteligencji, proces ten można skrócić do dwóch / trzech dni (sama sztuczna sieć neuronowa potrzebuje około dwóch godzin, jednak do procesu jej nauczania wymagane są zdjęcia przygotowane przez człowieka, a ich przygotowanie zajmuje dwa-trzy dni).

Co komputery robią lepiej od człowieka?

Algorytmy wykorzystywane w sztucznej inteligencji mogą robić wiele prostych czynności dużo szybciej i skuteczniej od człowieka. Należy jednak pamiętać, że pomimo zdolności uczenia się, algorytmy te w dalszym ciągu przetwarzają jedynie dane. Obecne programy SI w przeciwieństwie do człowieka nie są kreatywne, nie potrafią zaproponować zupełnie nowej idei lub metody. Dlatego też, mówimy o poszerzaniu możliwości człowieka przy wsparciu metod sztucznej inteligencji. W sposób dla nas nie widoczny, metody sztucznej inteligencji są obecnie powszechnie stosowane, można wymienić chociażby wyszukiwarki internetowe, programy antyspamowe, programy antywirusowe, rozpoznawanie twarzy w portalach społecznościach, rekomendacje w sklepach internetowych. W nauce wspomagają między innymi analizę obrazów, wyszukiwanie wzorców, wyznaczanie trendów, modelowanie złożonych układów.

Jak SI może pomóc sektorowi energetycznemu?

Jestem głęboko przekonany, że rynek sztucznej inteligencji w najbliższej przyszłości będzie ogromny. Być może większy niż rynek motoryzacyjny. Idące zmiany nie ominą sektora energetycznego, przy czym zastosowanie SI w energetyce będzie początkowo bardzo podobne do innych sektorów gospodarki. W pierwszej kolejności chodzi o wykorzystanie sztucznych sieci neuronowych do analizy dużych ilości danych oraz określenia występujących w nich trendów i zależności. Na tym potencjał SI się jednak nie kończy. Pomogą one w zrewolucjonizowaniu systemu kontroli oraz optymalizacji rozproszonych systemów energetycznych, samochodów elektrycznych, samochodów na ogniwa paliwowe czy inteligentnych domów. Choć początkowo użycie SI będzie stosowane raczej po stronie dostawcy, w perspektywie czasu będzie ono wspierać również klienta końcowego, np. promując odpowiedzialne i oszczędne korzystanie z energii.

Skąd AI wie co robić?

AI „wie co robić”, ponieważ swoje decyzje podejmuje na podstawie dużej liczby przypadków przeanalizowanych w procesie uczenia się. Aby zrozumieć, w jaki sposób sztuczna sieć neuronowa podejmuje decyzje, należy zrozumieć podstawy jej budowy. Sztuczna sieć neuronowa składa się z wielu połączonych ze sobą elementów zwanych sztucznymi neuronami. Pojedynczy neuron posiada zazwyczaj kilka wejść oraz tylko jedno wyjście. Sieć działa w oparciu o modyfikację sygnałów wejściowych na wyjściowe. To wszystko. Pojedynczy neuron realizuje to, mnożąc sygnały na wejściu przez wagi, które są odpowiednikiem modyfikacji dokonywanych na sygnałach przez synapsy. Początkowo wartości wag, a więc również sygnałów wyjściowych, mają charakter losowy. Jednak w procesie uczenia się, sztuczna sieć neuronowa koryguje wagi, przetwarzając dane wejściowe, dla których znana jest pożądana wartość sygnału wyjściowego. Po doborze wag, nauczona sztuczna sieć neuronowa będzie w stanie prawidłowo przewidzieć sygnał wyjściowy również dla tych przypadków, które nie wystąpiły podczas procesu uczenia się. Najnowsze systemy sztucznej inteligencji idą o krok dalej i uwzględniają uczenie ustawiczne. Oznacza to, że podobnie do człowieka, który wyciąga wnioski z popełnionych błędów, sztuczna sieć neuronowa ciągle się doskonali. Realizowane jest to poprzez podział wag na składowe, z których jedna w sposób dynamiczny reaguje na aktywności sieci.

Jakie są korzyści ze stosowania AI w energetyce, a jakie zagrożenia?

Korzyści można dostrzec wszędzie tam, gdzie istnieje konieczność podjęcie szybkiej decyzji na podstawie dużej ilości danych. W tym kontekście jednym z ciekawszych zastosowań sztucznych sieci neuronowych w energetyce jest monitorowanie i diagnostyka urządzeń energetycznych tak, aby wykryć potencjalną usterkę na wiele godzi przed jej wystąpieniem. Takie rozwiązania są już stosowane w wielu miejscach na świecie szczególnie w odniesieniu do elektrowni wiatrowych. Wczesna detekcja usterek jest możliwa na podstawie analizy danych z czujników zainstalowanych w urządzeniu, sieci, jak i czujników zewnętrznych, mierzących na przykład dane pogodowe. Ponieważ sztuczna sieć neuronowa została nauczona na podstawie historycznych odczytów zebranych zarówno przy normalnej pracy, jak i przy usterkach, zaczyna dostrzegać trendy oraz anomalie w tych trendach i odpowiednio wcześnie je sygnalizować. Oczywiście prognozy SSN bywają błędne. Dzieje się tak, ponieważ sztuczne sieci neuronowe przetwarzają jedynie dane wejściowe na wyjściowe. Robią to bez analizy fizycznych podstaw danego zjawiska. Dlatego też stosowanie choćby najnowocześniejszych metod SI nie zwalnia użytkowników z konieczności logicznego myślenia i krytycznego podejścia do wyników działania programu.

Który biznes w sektorze energetycznym szuka obecnie rozwiązań z zakresu SI na przyszłość?

Wobec współczesnych wyzwań związanych z podnoszeniem efektywności konwersji, przesyłania, rozdziału i użytkowania energii, narasta konieczność opracowania inteligentnych systemów jej dystrybucji. Oznacza to dostarczanie odbiorcom energii elektrycznej z wykorzystaniem zaawansowanych systemów teleinformatycznych, zapewniając zwiększenie efektywności oraz zintegrowanie rozproszonych źródeł energii, takich jak energetyka odnawialna czy ogniwa paliwowe. Rozwój energetyki rozproszonej umożliwiający dwukierunkową wymianę informacji i energii pomiędzy producentami i użytkownikami jest tutaj kluczowy. Użytkownicy sieci energetycznej, podobnie jak użytkownicy Internetu, w ramach klastra energii mogliby kupować i sprzedawać energię, posługując się rozwiązaniami podobnymi do tych, które umożliwiają dzielenie się danymi w chmurze. Biorąc pod uwagę ogromną ilość danych, które trzeba na bieżąco analizować w takim systemie, metody SI wydają się absolutnie niezbędne do rozwoju tego właśnie sektora energetycznego. Rozwój inteligentnych systemów dystrybucji energii wymaga dalszego rozwoju metod SI, jak również sposobów magazynowania energii.

Jakie są trzy główne zastosowania sztucznej inteligencji w energetyce?

Stosowane dziś metody SI wykorzystywane są głównie do analizy dużej ilości danych. Zastosowania SI są jednak dużo ciekawsze i wykraczające poza ten obszar. Pierwszym są, omówione wcześniej, inteligentne systemy dostarczania energii.

Kolejnym zastosowaniem byłaby kontrola adaptacyjna. Zaawansowane systemy mikrogeneracyjne potrafią produkować energię w czasie i w ilości, w jakiej jest na nią zapotrzebowanie. Zazwyczaj polega to na dynamicznej adaptacji parametrów pracy systemu w warunkach zmiennego obciążenia. Takim rozwiązaniem jest chociażby japoński system ogniw paliwowych i paneli fotowoltaicznych ENE-FARM, czy też europejskie rozwiązanie BlueGEN, włosko-szwajcarskiej firmy SOLID Power. Systemy te mogą pracować pod zmiennym obciążeniem. Przy dynamicznej pracy takiego układu możemy zastosować jeden z dwóch głównych systemów kontroli: poprzez regulację stopnia utlenienia paliwa (przy stałym strumieniu paliwa) oraz poprzez regulację strumienia paliwa (przy stałym stopniu utlenienia paliwa). W pierwszym wariancie, nieprzereagowane paliwo spala się i wykorzystuje do ogrzewania domu. Nie zawsze jest to potrzebne. Zastosowanie drugiej strategii oszczędza paliwo, ale wymaga zastosowania zaawansowanego sterownika. Stosuje się już kontrolery działające w oparciu o sztuczne sieci neuronowe, które są w stanie dynamicznie dostosować szybkość przepływu paliwa tak, aby sprostać zapotrzebowaniu na energię elektryczną.

Jako trzecie główne zastosowanie wymieniłbym optymalizację i wspieranie procesu projektowania. Zastosowanie metod SI daje szerokie możliwości optymalizacyjne obejmujące obszar od projektowania nowych materiałów do optymalizacji zaawansowanych systemów energetycznych.

Serdecznie dziękuję za rozmowę.

 

* Grzegorz Brus - doktor nauk technicznych (energetyka). W 2011 r. obronił z wyróżnieniem doktorat w Akademii Górniczo-Hutniczej, do którego badania prowadził w Shibaura Institute of Technology w Tokio. Następnie odbył dwuletni staż podoktorski na Uniwersytecie w Kioto. Stypendysta Japońskiego Towarzystwa Popierania Nauki (JSPS). Laureat programu FIRST TEAM Fundacji na rzecz Nauki Polskiej oraz stypendium Ministra Nauki i Szkolnictwa Wyższego dla wybitnych młodych naukowców. Autor wielu publikacji z zakresu modelowania matematycznego w energetyce.

 

Czytaj także: