AI energetické rébusy zázračně nevyřeší, i tak může být velmi užitečná

Umělá inteligence je jeden z největších fenoménů současnosti. Do naší reality proniká umělá inteligence, k níž se upínají velké naděje. Energetika není výjimkou. V oboru, kde je výrobu a spotřebu třeba neustále držet v rovnováze, potřebujeme umět co nejlépe predikovat všechny potřebné veličiny včetně například cen denního a vnitrodenního trhu. Přitom je to stále složitější.

Nástup obnovitelných zdrojů, klimatická změna, dekarbonizace, elektromobilita, decentralizace výroby – to vše jsou faktory, které dosavadní systém činí složitějším a přinášejí nejistotu. Dosavadní zkušenosti ukazují, že umělá inteligence není zázračným řešením, ale může přinést řadu zlepšení. V nejednom případě se jejich konečné efekty dají počítat v desítkách či stovkách milionů korun na ušetřených nákladech pro konkrétního hráče na trhu.

Pro matematika snadná úloha, pro AI ježek v kleci

Predikce jsou pro hráče na energetickém trhu takříkajíc denním chlebem. Základem jsou dlouhodobě ty zabývající se spotřebou. Obchodníci potřebují odhadnout chování jejich portfolia, protože i spotřeba jedné jediné domácnosti se mění v závislosti na řadě faktorů. Stále důležitější jsou ale i předpovědi výroby, protože energetika už dávno není tak konzervativní obor, jakým bývala, a její výrobní základna prochází zásadní proměnou. Vypínají se stabilní uhelné elektrárny, některé země vyřazují jádro, a naproti tomu přibývá nestabilních solárních a větrných zdrojů.

Historicky byly predikce založeny na fundamentálním modelu, jehož základem je algoritmus založený na regresní analýze. Pro energetickou soustavu o daných parametrech se pak podle vývoje za posledních 13 měsíců předpoví třeba spotřeba v následujících 48 hodinách. Výhodou je, že takový model zpravidla staví matematik, který dokáže obchodníkovi vysvětlit, jak predikce funguje. A pokud náhodou dojde k významné odchylce predikce od reality, je schopen do modelu vstoupit, najít zdroj chyby a upravit ho. Takové modely se používají nejen pro předpovědi výroby a spotřeby, ale i čím dál proměnlivější ceny.

Když se objevily první využitelné nástroje umělé inteligence, zavládlo nadšení, že odteď už budeme predikovat čistě pomocí AI. Ukázalo se ale, že to není zdaleka tak jednoduché. Jednak jsou úlohy, které člověk poměrně rychle a jednoduše vyřeší, ale umělá inteligence se s nimi trápí. Ukázkovým příkladem je závislost výstupních veličin na vstupních graficky znázorněna jako spirála, kterou lze matematicky relativně snadno popsat a určit konkrétní body dané křivky. Matematik to bude mít hotovo do hodiny. Umělá inteligence dlouze chodí okolo a snaží se najít nějakou svou soustavu, jak body křivky najít a definovat, protože nechápe, co je spirála. Když už to zvládne, a vy následně spirálu otočíte, je třeba celý model přetrénovat.

Druhou slabinou je, že umělá inteligence představuje černou skříňku. Její výpočet nedokážeme vysvětlit, a tedy v něm ani najít a opravovat chyby. Máme data na vstupu a výstupu, ale nevíme, co se děje mezi tím. Proto se stále častěji objevují takzvané hybridní modely, které vhodným způsobem kombinují tradiční fundamentální modely s neuronovými sítěmi.

Úspora lidské práce

Vývojáři tedy vesměs přešli ke kombinaci obou přístupů, kdy vezmou fundamentální model a vloží ho do neuronové sítě, která je formou umělé inteligence. Ta se ho učí chápat a pracovat s ním. Má to vícero předností. Když matematik postaví fundamentální model, musí se o něj starat, protože se mění trh, chování odběratelů a různé další faktory. Algoritmus zahrnuje spoustu parametrů a on je musí kalibrovat podle vývoje situace. Neuronové sítě mohou významnou část této práce zastat a ušetřit tak práci lidskou. Kvalitních matematiků není nikdy dost.

Tento faktor nabývá na významu s tím, jak se energetika stává složitější – přibývá nestálých obnovitelných zdrojů, přichází elektromobilita, zavádí se bilancování rovnováhy portfolií v 15minutových intervalech místo dosavadní hodiny. Stále větší komplikací je počasí, které se vzhledem ke globálním změnám stává čím dál méně lokálně předpověditelné. Předpovědní modely jsou proto komplexnější, vstupů přibývá. Neuronová síť je v tomto směru propustnější, umí nové parametry lépe a jednodušeji zapracovat, případně vyfiltrovat ty nedůležité. Modely tak lze efektivněji aktualizovat.

Umělá inteligence zároveň může pomoci s řadou podpůrných funkcí, jako je segmentace zákazníků pro účely predikcí spotřeby. Dnes se například u určený spotřeby domácností používají typové diagramy dodávek (známé jako TDD), které ale přestanou být k dispozici s rozšířením průběhového měření spotřeby (AMM). Takže domácnosti bude třeba rozčlenit na skupiny podle faktorů jako je počet jejich členů, rozsah využití elektřiny k jejich chodu či instalace fotovoltaiky nebo bateriového úložiště. A pro dané segmenty vytvořit predikce samostatně.

Když jedno procento znamená stamiliony korun

V Unicornu testujeme, jakých jsme při zapojení umělé inteligence schopni dosáhnout výsledků. Spolupracujeme přitom s naší Unicorn University a také s Ústavem informatiky Akademie věd. Zatím se ukazuje, že AI zvládne například přesnost naší predikce spotřeby vylepšit o procento či dvě. To se může zdát na první pohled málo, ale pro obchodníka s elektřinou je takové zvýšení zásadní. Vzhledem k penalizacím, jaké dnes padají za odchylky od rovnováhy výroby a spotřeby, to větším hráčům na trhu může ušetřit desítky i stovky milionů korun ročně. V tomhle případě tedy určitě platí, že každé procento se počítá.

Závěrem je ale třeba podotknout, že jakkoli se budou vylepšovat předpovědní modely, a to za rostoucího využití umělé inteligence, úspěšnost predikce v rozhodující míře závisí na kvalitě vstupních dat. Proto je jedním z klíčových produktů naší řady Lancelot zaměřené na energetiku takzvaný Lancelot Hub, který koncentruje a čistí data z celého energetického trhu. V Unicornu máme oblíbené motto "data at the center". Vzhledem k vývoji v energetice to bude platit stále víc. Umělá inteligence nám pak pomůže tato data co nejefektivněji vytěžit.

O Autorovi

Luboš Zelinka

působí ve společnosti Unicorn Solutions v roli Lancelot Family Business Architect. Z této role je zodpovědný za implementaci produktů rodiny Lancelot. Dále působí na pozici Lancelot Chief Evangelist a má na starosti dlouhodobý rozvoj energetické platformy Lancelot a na ní postavených produktů. V energetice pracuje již více než 15 let a za tu dobu se podílel na dodávce velké řady implementací Lancelotu předním českým a zahraničním energetickým společnostem.