*Artykuł sponsorowany* Jak polska energetyka mogłaby wykorzystać sztuczną inteligencję, aby szybko przetwarzać zebrane przez liczniki zdalnego odczytu dane pomiarowe i wyciągać trafne wnioski, które przyczynią się do zwiększenia efektywności systemu elektroenergetycznego? Zapraszamy do rozmowy z Adamem Olszewskim, Analitykiem danych pomiarowych w ESMETRIC Group.

Adam Olszewski, Analityk danych pomiarowych, ESMETRIC Group sp. z o.o.

Rozmawiała: Izabela Żylińska

Czy w Pana opinii polskiej energetyce jest potrzebna sztuczna inteligencja?

Polska energetyka przechodzi obecnie zaawansowaną transformację cyfrową. Od kilku lat obserwujemy dynamiczny rozwój technologiczny oraz postęp w każdej gałęzi sektora energetycznego. Modernizowana jest infrastruktura energetyczna – zgodnie z regulacjami wymieniane są liczniki na liczniki zdalnego odczytu, a także wdrażane są nowe systemy informatyczne. Biorąc pod uwagę te zmiany oraz fakt, że sztuczna inteligencja znajduje zastosowanie w różnych sektorach gospodarki, można przewidywać, że stanie się ona kolejnym kamieniem milowym w cyfrowej transformacji polskiej energetyki.

Wdrożenie sztucznej inteligencji będzie niosło za sobą szereg korzyści takich, jak ograniczenie kosztów, optymalizacja oraz automatyzacja procesów. Dodatkowo modele AI mogą znaleźć zastosowanie chociażby w dokładniejszym prognozowaniu i przewidywaniu zużycia energii, a także przetwarzaniu w czasie rzeczywistym informacji na temat cen energii, co pozwoli podejmować trafne decyzje biznesowe.

Drugą stroną systemów AI są wyzwania wynikające z wdrożenia i integracja z istniejącymi systemami oraz zapewnienie odpowiedniego poziomu zabezpieczeń przed cyberatakami. Sektor energetyczny operuje wrażliwymi danymi na temat sieci oraz klientów, które muszą być odpowiednio zabezpieczone przed nieautoryzowanym dostępem.

Z punktu widzenia Państwa przedsiębiorstwa i doświadczenia we wdrażaniu zdalnego opomiarowania, czy AI sprawdzi się w przypadku liczników zdalnego odczytu?

Liczniki zdalnego odczytu, oprócz danych wymaganych w rozporządzeniu w sprawie systemu pomiarowego, przesyłają do systemu centralnego operatora dużą ilość dodatkowych danych dotyczących jakości oraz zużycia energii. Przy tak dużej liczbie urządzeń ten wolumen danych jest bardzo dobrym zbiorem informacji. Na jego podstawie można tworzyć zaawansowane modele sztucznej inteligencji, mogące przewidywać wzorce zużycia w oparciu o dane historyczne, a także spływające do systemu w czasie rzeczywistym. Dane te mogą usprawnić dystrybucję energii w miejscach, gdzie zapotrzebowanie na nią jest największe i zminimalizować ryzyko przerw w jej dostawach. W związku z tym liczniki zdalnego odczytu możemy rozpatrywać z pewnością jako część procesu transformacji cyfrowej, która z pewnością będzie zmierzać w kierunku sztucznej inteligencji. Same liczniki natomiast, ze względu na ilość i częstotliwość przesyłanych danych będą częścią systemu opartego o AI.

Jakie są największe wyzwania związane z LZO? W jaki sposób AI pomaga w ich przezwyciężaniu?

Wdrożenie LZO niesie ze sobą szereg wyzwań, zarówno podczas samej implementacji, jak i na etapie wykorzystania potencjału danych generowanych przez liczniki. Jednym z podstawowych zadań związanych z wdrożeniem i uruchomieniem transmisji, jest jak najszybsze osiągnięcie jak najwyższych wskaźników odczytowych (KPI). W tym przypadku AI pomaga w analizie problemów, które napotykamy przy uruchamianiu zdalnego odczytu. Szczególnie dotyczy to technologii PLC, gdzie problemy wynikają zwykle z warunków środowiskowych, które na pierwszy rzut oka wydają się występować losowo.

Niezaprzeczalnie, LZO wiążą się z olbrzymią ilością danych, na podstawie których można podejmować szereg decyzji dotyczących zużycia energii. Odpowiednio zaimplementowane modele AI są w stanie szybko przetwarzać zebrane informacje i wyciągać trafne wnioski. Korzyści z tego płynące dotyczą nie tylko Operatorów Sieci Dystrybucyjnej, ale również odbiorców energii.

Czy AI może usprawnić proces clean-up liczników inteligentnych energii elektrycznej? Jakie korzyści w zakresie efektywności i dokładności przynosi zastosowanie AI w porównaniu do tradycyjnych metod clean-up danych z liczników?

Na początku warto wyjaśnić, na czym polega proces clean-up i dlaczego jest istotny przy wdrożeniach liczników zdalnego odczytu z modułem PLC. Działania clean-up polegają na identyfikowaniu problemów z komunikacją pomiędzy licznikami a koncentratorem danych. Problemy te najczęściej wynikają z zakłóceń wprowadzanych do sieci niskiego napięcia, po której odbywa się komunikacja i przesyłanie danych pomiędzy urządzeniami.

Prowadząc prace clean-up, czyli nadzorując skuteczność pozyskiwania danych pomiarowych przez koncentratory danych oraz wykonując diagnostykę ruchu PLC, pracuje się na dużych zbiorach danych. Ich analiza w sposób niezautomatyzowany wydłuża proces decyzyjny oraz identyfikację zakłóceń. Zaimplementowanie modelu AI bazującego na odpowiednim zbiorze danych i ekstrakcji kluczowych cech mogą przynieść szereg korzyści. Sztuczna inteligencja może wskazywać prawdopodobne źródła zakłóceń w czasie rzeczywistym, a także prognozować skuteczność pozyskiwania danych pomiarowych na podstawie danych historycznych.

Wprowadzenie elementów AI do działań clean-up zwiększy efektywność prac, przyspieszy identyfikację zakłóceń oraz usprawni proces podejmowania decyzji. W rezultacie wpływa pośrednio to na wyższe wskaźniki odczytowe liczników.

Jakie technologie i algorytmy AI można zastosować w procesie clean-up liczników?

Z punktu widzenia procesu clean-up na samym początku istotny jest dobrze zaprojektowany i przemyślany przepływ danych, gdzie mamy do czynienia z dużą ilością danych z wielu źródeł, które podlegają procesowi czyszczenia, transformacji oraz późniejszej agregacji na wielu poziomach. Następnym krokiem jest dobór odpowiedniej bazy danych, która oferuje poprawną szybkość zapisu i odczytu danych. W przedstawione wymagania bardzo dobrze wpisują się technologie chmurowe, które wspierają nie tylko przetwarzanie danych, ale również posiadają w pełni zarządzane usługi do trenowania i walidacji modeli uczenia maszynowego. Usługi chmurowe zapewniają elastyczny przydział zasobów w zależności od potrzeb, a dodatkowo – bezpieczeństwo przetwarzanych danych.

Aby w pełni wykorzystać potencjał danych, którymi operuje się w trakcie prac clean-up, niezbędne będzie zastosowanie powszechnie znanych i używanych algorytmów uczenia maszynowego (ML, ang. Machine Learning). Jednym z podstawowych są drzewa decyzyjne. Istotna pod kątem rozpoznania wzorców na podstawie przetwarzanych danych jest inżynieria cech, która stanowi kluczowy element podczas procesu tworzenia modeli uczenia maszynowego.

Bierzesz udział we wdrożeniach liczników zdalnego odczytu? Chcesz dowiedzieć się więcej o wykorzystaniu sztucznej inteligencji w procesie clean-up?

Weź udział w 8. Konferencji „Inteligentna Energetyka” – AI w energetyce – perspektywa, technologie, zastosowanie, która odbędzie się już 22 listopada 2024 r. w Warszawie.

Podczas wydarzenia, Adam Olszewski, Analityk danych pomiarowych w ESMETRIC Group, opowie czym jest AI i omówi wykorzystanie uczenia maszynowego, big data, ale też algorytmizacji w procesie clean-up.

Zarejestruj się już dziś na konferencję!

© Materiał chroniony prawem autorskim - wszelkie prawa zastrzeżone.
Dalsze rozpowszechnianie artykułu tylko za zgodą wydawcy ARTSMART Izabela Żylińska. Więcej w Regulaminie.