Umjetna inteligencija je nedavno zauzela naslove za sebe brzo rastuće energetske potrebea posebno nagli porast potrošnja električne energije data centara koji omogućavaju obuku i primjenu najnovijih generativnih AI modela. Ali nisu sve loše vijesti – neki AI alati imaju potencijal da smanje neke oblike potrošnje energije i omoguće čistije mreže.
Jedna od primjena koje najviše obećava je korištenje umjetne inteligencije za optimizaciju električne mreže, što bi poboljšalo efikasnost, povećalo otpornost na ekstremne vremenske uvjete i omogućilo integraciju više obnovljivih izvora energije. Da saznate više, MIT News razgovarao sa Priya DontiProfesor razvoja karijere porodice Silverman na MIT-ovom odsjeku za elektrotehniku i računarstvo (EECS) i glavni istraživač u Laboratoriji za informacione sisteme i sisteme odlučivanja (LIDS), čiji se rad fokusira na primjenu mašinskog učenja za optimizaciju električne mreže.
P: Zašto je uopće potrebno optimizirati električnu mrežu?
I: Moramo održavati tačnu ravnotežu između količine energije koja se stavlja u mrežu i količine koja izlazi u svakom trenutku. Ali na strani potražnje imamo određenu nesigurnost. Elektroprivrede ne traže od kupaca da unaprijed registruju količinu energije koju će potrošiti, tako da se moraju napraviti neke procjene i predviđanja.
Zatim, na strani ponude, obično postoje neke varijacije u troškovima goriva i dostupnosti na koje menadžeri mreže moraju odgovoriti. Ovo je postalo još veći problem zbog integracije energije iz vremenski promjenjivih obnovljivih izvora, poput sunca i vjetra, gdje nesigurnost vremena može imati veliki utjecaj na količinu raspoložive energije. Zatim, u isto vrijeme, ovisno o tome kako struja teče u mreži, gubi se dio snage zbog topline otpora na dalekovodima. Dakle, kao mrežni operater, kako se pobrinuti da sve to radi stalno? Tu dolazi optimizacija.
P: Kako umjetna inteligencija može biti najkorisnija u optimizaciji električne mreže?
I: Jedan od načina na koji AI može biti od pomoći je korištenje kombinacije historijskih podataka i podataka u stvarnom vremenu za preciznije predviđanje o tome koliko će obnovljive energije biti dostupno u datom trenutku. To bi moglo dovesti do čistije električne mreže omogućavajući nam da bolje rukujemo i koristimo ove resurse.
AI bi također mogao pomoći u rješavanju složenih problema optimizacije koje operateri energetskih mreža moraju riješiti kako bi uravnotežili ponudu i potražnju na način koji također smanjuje troškove. Ovi problemi optimizacije se koriste da bi se odredilo koji generatori električne energije trebaju proizvoditi energiju, koliko energije trebaju proizvoditi i kada bi je trebali proizvoditi, kao i kada treba puniti i prazniti baterije i možemo li iskoristiti prednost fleksibilnosti u energetskim opterećenjima. Ovi problemi optimizacije su toliko računski skupi da operateri koriste aproksimacije kako bi ih mogli riješiti u izvodljivom vremenskom okviru. Ali ove aproksimacije su često pogrešne, a kada integrišemo više obnovljive energije u mrežu, one se još više izbacuju. AI može pomoći pružanjem preciznijih aproksimacija na brži način, koji se mogu primijeniti u realnom vremenu kako bi pomogli mrežnim operaterima da odgovore i proaktivno upravljaju mrežom.
AI bi također mogao biti koristan u planiranju energetskih mreža sljedeće generacije. Planiranje energetskih mreža zahtijeva korištenje ogromnih simulacijskih modela, tako da AI može igrati veliku ulogu u efikasnijem vođenju tih modela. Tehnologija također može pomoći u prediktivnom održavanju otkrivanjem gdje će se vjerojatno pojaviti abnormalno ponašanje mreže, smanjujući neefikasnost koja je posljedica prekida rada. U širem smislu, umjetna inteligencija bi se također mogla primijeniti za ubrzanje eksperimentiranja s ciljem stvaranja boljih baterija, što bi omogućilo integraciju više energije iz obnovljivih izvora u mrežu.
P: Kako bismo trebali razmišljati o prednostima i nedostacima umjetne inteligencije, iz perspektive energetskog sektora?
I: Jedna važna stvar koju treba zapamtiti je da se umjetna inteligencija odnosi na heterogeni skup tehnologija. Postoje različite vrste i veličine modela koji se koriste i različiti načini na koje se modeli koriste. Ako koristite model koji je obučen na manjoj količini podataka s manje parametara, on će trošiti mnogo manje energije od velikog modela opće namjene.
U kontekstu energetskog sektora, postoji mnogo mjesta gdje ako koristite ove AI modele specifične za aplikacije za njihove predviđene aplikacije, omjer troškova i koristi ide u vašu korist. U ovim slučajevima, aplikacije omogućavaju koristi iz perspektive održivosti — kao što je uključivanje više obnovljivih izvora energije u mrežu i podržavanje strategija dekarbonizacije.
Sve u svemu, važno je razmisliti o tome da li vrste ulaganja u AI odgovaraju prednostima koje želimo od AI. Na društvenom nivou, mislim da je odgovor na to pitanje trenutno “ne”. Određena podskupina tehnologija umjetne inteligencije se uvelike razvija i širi, a to nisu tehnologije koje će imati najveće koristi u energetskim i klimatskim primjenama. Ne kažem da su ove tehnologije beskorisne, ali su izuzetno intenzivne resurse, a takođe nisu odgovorne za lavovski dio prednosti koje se mogu osjetiti u energetskom sektoru.
Uzbuđen sam što ću razviti AI algoritme koji poštuju fizička ograničenja električne mreže kako bismo ih mogli vjerodostojno primijeniti. Ovo je teško riješiti problem. Ako LLM kaže nešto što je malo netačno, kao ljudi, obično to možemo ispraviti u svojim glavama. Ali ako napravite grešku iste veličine kada optimizirate električnu mrežu, to može uzrokovati veliki nestanak struje. Moramo drugačije da gradimo modele, ali to takođe pruža priliku da iskoristimo naše znanje o tome kako funkcioniše fizika električne mreže.
I šire gledano, mislim da je ključno da mi u tehničkoj zajednici uložimo napore u podsticanje demokratizovanijeg sistema razvoja i implementacije veštačke inteligencije, i da se to uradi na način koji je u skladu sa potrebama aplikacija na terenu.
Preuzeto sa: news.mit.edu
