Provozovatel přenosové soustavy ČR ve spolupráci se dvěma univerzitami realizuje výzkumný projekt „Využití umělé inteligence v ČEPS“, jehož zkrácený název zní ARTIC. Jeho cílem je identifikovat a následně otestovat možnosti nasazení umělé inteligence v oblastech dispečerského řízení a energetického obchodu. V nedávné době dokončená studie proveditelnosti definuje a rozpracovává tři případy vhodného užití tohoto oboru pro ČEPS: predikci technických ztrát, detekci chyb výpočetního modelu a klasifikaci provozních stavů.  
Společnost ČEPS se v rámci svých inovačních aktivit a projektů věnuje mimo jiné i oboru umělé inteligence (UI). V souvislosti s digitalizací spustil provozovatel přenosové soustavy v roce 2019 projekt ARTIC pro identifikaci, ověření a nasazení UI na vybrané případy užití, na němž se podílí se dvěma domácími univerzitami. Výstupy by měly být k dispozici v roce 2022.
V první fází projektu identifikovala ČEPS ve spolupráci s výzkumným centrem NTIS ZČU 30 oblastí, které jsou potenciálně zajímavé pro využití při správě a řízení přenosové soustavy. V další, nedávno skončené fázi, která trvala od konce května do konce prosince 2020, vznikla studie proveditelnosti (Feasibility Study), v jejímž rámci řešitelé vybrali tři případy užití a společně s VUT Brno je připravili pro ověření funkčních a technických hypotéz (tzv. Proof of Concept). Jde o predikci technických ztrát z oblasti energetického obchodu a detekci chyb výpočetního modelu a klasifikaci provozních stavů patřící do oblasti dispečerského řízení.
<blockquote>„Schopnost rychle zpracovávat a hodnotit velká množství dat bychom v budoucnu rádi přidali do našeho ‚portfolia‛ analytických metod. Použití umělé inteligence vnímáme především ve smyslu strojového učení (machine learning – ML), tedy jako nástroj pro podporu rozhodování. Primární roli tak budou i nadále zastávat naši odborníci,“ řekl Radek Hartman, člen představenstva ČEPS, a. s., zodpovědný za ICT, facility management a nákup.</blockquote>
Prediktor technických ztrát je algoritmus schopný odhadnout budoucí velikosti ztrát elektrické energie v přenosové soustavě. Přesnější odhad umožní společnosti ČEPS nakoupit adekvátní množství elektřiny pro pokrytí těchto ztrát a tím ušetřit finanční prostředky.
Automatická identifikace chyb výpočetního modelu v dispečerském řídicím systému zpřesní výpočty a simulace, které nad tímto modelem probíhají, a tím zvýší spolehlivost a bezpečnost provozu elektrizační soustavy.
Klasifikace provozních stavů je algoritmus, který z modelu sítě vyextrahuje sadu významných příznaků a následně metodami umělé inteligence odhadne jeho stav z hlediska kritéria bezpečnosti (N-1).

Přenos elektřiny

ČEPS ověřuje využití umělé inteligence

<a href="https://www.nature.com/articles/s41467-019-12179-5">Tým vědců z Cornelské univerzity</a> vyvinul výpočetní model, který využívá umělou inteligenci k tomu, aby našel nejvýhodnější kombinace míst k výstavbě přehrad pro vodní elektrárny. Výpočetní model by měl být využit zejména pro snížení emisí skleníkových plynů, a snížit tak emise přehradní vodní elektrárny na vyrobenou MWh.
Vodní elektrárny využívající přehradní hráze mohou poskytnout velké množství energie s nízkou uhlíkovou stopou rovnající se solárním a větrným elektrárnám. Avšak bez strategického plánování mohou některé přehrady emitovat vysoké množství skleníkových plynů. Zaplavením oblastí při výstavbě přehrad pro vodní elektrárny se rozkladem rostlin uvolňuje do ovzduší metan. V závislosti na lokaci se mohou emise z těchto vodních děl lišit i o dva řády.
Ve studii od Institutu enviromentálního inženýrství sídlícím ve Švýcarsku bylo zjištěno, že emise vodních elektráren jsou mnohem vyšší, než se původně očekávalo a <a href="https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0161947">globální průměr dosahuje hodnoty 173 kg CO2 a 2,95 kg CH4 na vyrobenou MWh.</a>
Stovky vodních elektráren jsou v současné době navrhovány k výstavbě v Amazonské pánvi, což by mohlo mít za následek velké zvýšení emisí skleníkových plynů v regionu.
<blockquote>&#8222;Pokud stavíte elektrárny po jedné, bez strategického plánování – což je většinou způsob jejich vzniku – je zde velmi nízká šance, že řešení bude optimální. Neoptimální výstavba přehrad může vést k nežádoucím výsledkům s emisemi na vysoké úrovni, které nejsou kompatibilní s budoucí energetickou strategií,&#8220; uvedl Rafael Almeida spoluautor studie Snížení emisí skleníkových plynů amazonské vodní energie se strategickým plánováním.</blockquote>
Model dokáže vyhodnotit kombinaci vodních elektráren, která bude emitovat nejnižší množství skleníkových plynů pro zadaný výkon.
V současné době je v Amazonské pánvi (která pokrývá více než třetinu plochy jižní Ameriky) v provozu či ve výstavbě 158 vodních elektráren. Jejich celkový instalovaný výkon dosahuje 32,6 GW, tedy v průměru 206 MW na jednu. <a href="https://www.nature.com/articles/s41467-019-12179-5">K výstavbě je navrhováno dalších 351 projektů, jejichž celkový výkon by byl 91,8 GW.</a>
Odhad vědců je, že v současné době emitují vodní elektrárny v Amazonii 14 Tg CO2 za rok (uváděno pro 100letý horizont), zhruba 2 % skleníkových plynů ze světových vodních rezervoárů. Pokud by došlo k výstavbě všech navrhovaných přehradních vodních elektráren, zvýšily by se emise přibližně pětkrát.
<figure id="attachment_76487" class="wp-caption alignnone" style="width: 694px;"><img class="wp-image-76487 size-full" src="https://oenergetice.cz/wp-content/uploads/2019/10/HPP-intenzita.png" sizes="(max-width: 694px) 100vw, 694px" srcset="https://oenergetice.cz/wp-content/uploads/2019/10/HPP-intenzita.png 694w, https://oenergetice.cz/wp-content/uploads/2019/10/HPP-intenzita-512x410.png 512w" alt="" width="694" height="556" /><figcaption class="wp-caption-text">Uhlíková intenzita pro výškový rozdíl elektráren. Upland jsou vodní hráze umístěné ve více než 500 m.n.m, Lowland jsou vodní hráze pod 500 m.n.m. <a href="https://www.nature.com/articles/s41467-019-12179-5">Zdroj</a>.</figcaption></figure>
Ze studie je zřejmé, že emise se značně liší pro elektrárny vystavěné ve více než 500 metrech nad mořem, a pro elektrárny vystavěné pod touto hranicí. Zatímco 92 % elektráren vystavěných ve vyšší nadmořské výšce než 500 m.n.m. by měly intenzitu pod 80 kg CO2 na MWh v horizontu 100 let, u elektráren v níže než 500 m.n.m je to pouze 36 %.
Studie uvádí, že pomocí optimalizace je možné, aby zhruba 80 % navrhovaných vodních elektráren (o výkonu okolo 75 GW) mělo nižší intenzitu než 80 kg CO2 na vyrobenou MWh. Naproti tomu nestrategické využití zhruba 15 GW z celkového navrhovaného výkonu – což je v současnosti instalovaný výkon Bolívie, Ekvádoru a Peru – by mohlo vyústit v portfolio vodních elektráren, které by emitovalo vysoké množství skleníkových plynů.
<h2>Klimaticky příznivé projekty</h2>
Intenzita emisí je silně spjata s výkonovou hustotou projektu, a ta je následně jedním z nástrojů v Rámcové smlouvě OSN o změně klimatu. Projekty, které mají výkonovou hustotu vyšší než 4 MW na km2, jsou brány jako vhodné pro udělení emisních povolenek a financování.
I když může být výkonová hustota dobrým pomocným ukazatelem k hodnocení projektu, mohou mít projekty se stejnou výkonovou hustotou rozdílné emise na vyrobenou MWh. Data naznačují, že projekty s výkonovou hustotou vyšší než 9,5 MW na km2 budou emitovat méně než 80 kg CO na MWh. Zhruba polovina navrhovaných projektů v Amazonii tuto hranici převyšovat nebude a ze současných odhadů jejich výkonová hustota vychází na méně než 9,5 MW na km2.

Životní prostředí

Umělá inteligence ke strategickému rozmístění vodních elektráren v Amazonii

Umělá inteligence je vnímána jako jedna z klíčových technologií v oblasti digitalizace energetického sektoru. <a href="https://about.bnef.com/blog/ai-needs-policy-support-industry-standards/?utm_medium=Newsletter&amp;utm_campaign=BNEF&amp;utm_source=Email&amp;utm_content=wirjuly17&amp;mpam=21051&amp;bbgsum=DG-EM-07-19-M21051" target="_blank" rel="noopener">Podle BloombergNEF</a> však rychlejší rozvoj umělé inteligence brzdí nejistota vyplývající z chybějících národních strategických dokumentů a průmyslových standardů v této oblasti.
Právě chybějící národní strategické dokumenty a průmyslové standardy jsou podle BloombergNEF důvodem k opatrnému přístupu společností při investování do aplikací využívajících umělou inteligenci.
<blockquote>„Vláda musí být proaktivní v nastavení pravidel pro umělou inteligenci, a to zejména v průmyslové sféře, aby adresovala etickou stránku, standardy a datovou suverenitu,“ uvedl BloombergNEF.</blockquote>
Podle posledního digitalizačního hodnocení BNEF, které vyšlo minulý měsíc, má pouze 27 zemí jasně stanovenou strategii v oblasti umělé inteligence nebo alespoň zavedeny pracovní skupiny.
Mezi průkopníky v Evropské unii patří podle BNEF Německo, Švédsko, Francie a Spojené království.
<figure id="attachment_73938" class="wp-caption aligncenter" style="width: 713px;"><img class="size-full wp-image-73938" src="https://oenergetice.cz/wp-content/uploads/2019/07/AI-strategies.jpg" sizes="(max-width: 713px) 100vw, 713px" srcset="https://oenergetice.cz/wp-content/uploads/2019/07/AI-strategies.jpg 713w, https://oenergetice.cz/wp-content/uploads/2019/07/AI-strategies-512x373.jpg 512w" alt="Země se strategií v oblasti využívání umělé inteligence. Zdroj: BloombergNEF" width="713" height="519" /><figcaption class="wp-caption-text">Země se strategií v oblasti využívání umělé inteligence. Zdroj: BloombergNEF</figcaption></figure>
<blockquote>„Globální závod ve využití výhod umělé inteligence je soustředěn zejména na výzkum a vývoj a je opomíjena implementace příslušných strategických dokumentů,“ dodává BloombergNEF.</blockquote>
BNEF věří, že pokud by více vlád přijalo strategické dokumenty po vzoru Německa nebo Singapuru,  vedlo by to k využití významnějších průmyslových aplikací využívajících umělou inteligenci.
Například Německo vydalo svou <a href="https://ec.europa.eu/knowledge4policy/publication/germany-artificial-intelligence-strategy_en" target="_blank" rel="noopener">Strategii pro umělou inteligenci</a> v listopadu loňského roku. V dokumentu jsou stanoveny vize a  cíle pro jednotlivé oblasti, mezi kterými nechybí jak plány na posílení výzkumu a podporu při vytváření nových obchodních modelů, tak potřebné přizpůsobení regulačního rámce a nastavení standardů.

Technologie

BNEF: Umělá inteligence potřebuje politickou podporu a průmyslové standardy

Tepelná čerpadla se v posledních letech stávají neustále oblíbenější technologií pro vytápění, stále je zde však mnoho prostoru pro jejich zlepšování. <a href="https://actu.epfl.ch/news/ai-designed-heat-pumps-consume-less-energy/" target="_blank" rel="noopener">Tým švýcarských vědců nyní představil novou metodu</a>, která využívá umělou inteligenci pro návrh účinnějších turbokompresorů.
Přestože tepelná čerpadla v současné době dokáží konkurovat jiným způsobům vytápění, vědci neustále pracují na zvyšování jejich účinnosti. Jedním ze způsobů, jak snížit energetickou náročnost provozu tepelného čerpadla, je náhrada konvenčních pístových kompresorů turbokompresory.
Konvenční tepelná čerpadla využívají ke stlačování chladiva písty. Aby správně fungovaly, musí být dobře naolejované, nicméně olej se dle vědců může nalepit na stěny tepelného výměníku a negativně ovlivnit proces přenosu tepla. Mikroturbokompresory, které mají průměr jen několik desítek milimetrů, však mohou pracovat bez oleje, rotují totiž na plynových ložiskách rychlostí v řádu stovek tisíc otáček za minutu.
Díky plynovým ložiskům nedochází k téměř žádnému tření. Díky tomu tyto systémy mohou podle vědců zvýšit koeficient tepelné výměny o 20 až 30 %. Tato technologie turbokompresorů je ve vývoji již několik let, díky čemuž je nyní vyspělá a připravená ke komerčnímu využití.
Praktické využití malých turbokompresorů však není tak snadné, jak by se na první pohled mohlo zdát. Klíčovým krokem je totiž jejich správný konstrukční návrh, který ztěžují jejich malé průměry (méně než 20 mm) a vysoké rychlosti otáčení (přes 200 tisíc otáček za minutu).
Vědci ze Švýcarského federálního technologického institutu v Lausanne vyvinuli inovativní metodu, která usnadňuje návrh těchto zařízení, a tím i jejich případné začlenění do tepelných čerpadel. Srdcem metody je strojové učení, konkrétně metoda symbolické regrese. To vědcům umožnilo jednoduše a rychle vypočítat optimální rozměry turbokompresorů pro tepelná čerpadla.
<blockquote>„Již jsme byli kontaktováni několika společnostmi, které mají zájem o využití naší metody,“ říká Jürg Schiffmann, vedoucí výzkumného týmu.</blockquote>
<h2>1500krát rychlejší než dříve</h2>
Inovativní metoda vědcům výrazně zjednodušuje první krok při navrhování konstrukce turbodmychadel. Tento krok zahrnuje hrubý výpočet „optimální“ velikosti a rychlosti otáčení pro požadované tepelné čerpadlo a je nesmírně důležitý, jelikož dobrý počáteční odhad může výrazně zkrátit celkovou dobu návrhu zařízení. Technici pro návrh turbokompresorů běžně využívají grafy, ty jsou však se zmenšujícími se rozměry zařízení stále nepřesnější a neposkytují aktuální informace o nejnovějších technologiích.
Z tohoto důvodu se dva doktorandi, Violette Mounierová a Cyril Picard, rozhodli vyvinout alternativu. S využitím výsledků z 500 tisíc simulací a algoritmů strojového učení se jim podařilo vytvořit rovnice, které nejenže nahrazují grafy, ale přináší několik výhod – podle vědců jsou spolehlivé i pro turbokompresory malých rozměrů, jsou stejně detailní jako složitější simulace a 1500krát rychlejší.
Zdroj úvodní fotografie: epfl.ch

Úspory energie

Malý turbokompresor pro tepelné čerpadlo. Zdroj: epfl.ch

Umělá inteligence pomáhá při návrhu účinnějších kompresorů pro tepelná čerpadla

Společnost Google v příspěvku na svém <a href="https://blog.google/technology/ai/machine-learning-can-boost-value-wind-energy/">blogu</a> zveřejnila informaci o tom, že úspěšně aplikovala umělou inteligenci na své větrné elektrárny v USA. Podle příspěvku byla hodnota energie z větrných elektráren Google zvýšena přibližně o 20 %. Umělá inteligence pomocí modelování zvyšuje předvídatelnost výroby těchto elektráren. 
Google umělou inteligenci využívá již od roku 2016 ke zvýšení energetické efektivity svých datacenter. Vyvinula ji pro něj výzkumná společnost DeepMind, kterou v roce 2014 koupil. Během využívání umělé inteligence byly vždy její kroky schvalovány a implementovány zaměstnanci firmy, v roce 2018 ovšem bylo umělé inteligenci umožněno, aby <a href="https://oenergetice.cz/zahranicni/google-nechava-rizeni-spotreby-data-center-umele-inteligenci-jeji-pravomoce-rostou/">sama implementovala</a> vlastní navrhované změny. Dle prohlášení Google bylo jeho cílem snížení spotřeby energie a emisí CO2.
<h2>Účinnost využívání větrných elektráren se zvýšila</h2>
Důvodem pro aplikaci umělé inteligence na <a href="https://oenergetice.cz/obnovitelne-zdroje/francie-podpori-vystavbu-ctyr-plovoucich-vetrnych-elektraren-ziskala-souhlas-evropske-komise/">větrné elektrárny</a> je podle příspěvku Google skutečnost, že mnoho bezuhlíkových technologií není využíváno v jejich plném potenciálu. V případě větrných elektráren zejména kvůli tomu, že nejsou dostatečně předvídatelné.
Během loňského roku byly v USA mechanismy strojového učení aplikovány na větrné elektrárny s celkovým výkonem 700 MW. Systém DeepMind byl konfigurován pomocí veřejně dostupných dat předpovědí počasí a historických dat z větrných turbín.
Díky těmto informacím je umělá inteligence schopná předpovídat výrobu elektráren 36 hodin dopředu. Na základě těchto předpovědí jsou vytvářena modelová doporučení, jak ideálně, každou hodinu na jeden den dopředu, dodávat elektřinu do sítě. Toto je důležité zejména proto, že informace o objemu dodávaného výkonu v konkrétní čas jsou u obnovitelných zdrojů elektřiny, jako jsou větrné nebo solární elektrárny, pro řízení sítě cenné.
<figure id="attachment_68377" class="wp-caption aligncenter" style="width: 604px;"><img class="size-full wp-image-68377" src="https://oenergetice.cz/wp-content/uploads/2019/03/google-umělá-inteligence.png" sizes="(max-width: 604px) 100vw, 604px" srcset="https://oenergetice.cz/wp-content/uploads/2019/03/google-umělá-inteligence.png 604w, https://oenergetice.cz/wp-content/uploads/2019/03/google-umělá-inteligence-512x370.png 512w" alt="" width="604" height="437" /><figcaption class="wp-caption-text">Umělá inteligence může zvýšit účinnost využívání větrných elektráren. Zdroj: Google</figcaption></figure>
Podle slov Google výše popsané využívání umělé inteligence přineslo pozitivní výsledky. Účinnost využívání větrných elektráren Google byla zvýšena přibližně o 20 %. Přínosem tedy není zvýšení účinnosti samotných větrných elektráren, ale možnost a zvýšení přesnosti předpovídat výrobu elektřiny z větrných zdrojů.

Větrné elektrárny

Umělá inteligence Google zvýšila hodnotu energie z větrných elektráren o 20 %

<a href="https://blog.google/inside-google/infrastructure/safety-first-ai-autonomous-data-center-cooling-and-industrial-control/">Google</a> používá umělou inteligenci ke zvýšení energetické efektivity v jeho data centrech od roku 2016. Nyní ovšem Google umožňuje, aby umělá inteligence implementovala vlastní navrhované změny. Doposud totiž jednotlivé kroky schvalovali a implementovali zaměstnanci. Po dobu fungování tohoto modelu bylo podle Google průměrně ušetřeno 30 % energie. 
Od roku 2016 <a href="http://oenergetice.cz/obnovitelne-zdroje/nejvetsim-komercnim-odberatelem-zelene-energie-svete-google/">Google</a> používá umělou inteligenci k zvýšení energetické efektivity ve svých data centrech. Tato umělá inteligence byla vyvinuta výzkumnou společností <a href="http://oenergetice.cz/elektrina/national-grid-jedna-deepmind-vyuziti-umele-inteligence-rizeni-soustavy-britanii/">DeepMind</a>, kterou Google v roce 2014 koupil. Nyní už několik měsíců Google umožňuje, aby umělá inteligence implementovala vlastní navrhované změny. Doposud totiž jednotlivé kroky schvalovali a implementovali zaměstnanci. Cílem Google je podle jeho prohlášení snížení energetické spotřeby a zároveň snížení emisí CO2.
<blockquote>
„Zatímco náš původní systém zahrnoval operátory, kteří schvalovali a implementovali jednotlivé kroky, tak náš nový systém umělé inteligence opatření implementuje přímo.“  Z blogového příspěvku Google
</blockquote>
<figure id="attachment_54714" style="width: 800px" class="wp-caption aligncenter"><img class="size-full wp-image-54714" src="http://oenergetice.cz/wp-content/uploads/2018/08/GOOGLE_CBF_009.width-800.jpg" alt="" width="800" height="533" /><figcaption class="wp-caption-text">Data centrum Google. Zdroj: blog.google</figcaption></figure>
<h2>Jak systém nyní funguje?</h2>
<a href="http://oenergetice.cz/technologie/superpocitace-umela-inteligence-pomahaji-vedcum-zvysovat-ucinnost-vyroby-elektriny/">Umělá inteligence</a> má plnou kontrolu nad systémem chlazení v data centrech Google. Vzhledem k podmínkám, ve kterých citlivé technologie data center musí být provozovány, je složité provozovat centra energeticky efektivně – různá data centra totiž vyžadují různé podmínky a není možné modely aplikovat ve více případech.
<blockquote>
 „Záměrně jsme omezili optimalizační hranice systému na užší provozní režim, který má upřednostňovat bezpečnost a spolehlivost. To znamená, že se jedná o kompromis mezi rizikem a odměnou v oblasti snížení energie.“  Z blogového příspěvku Google
</blockquote>
Umělá inteligence má dispozici data v reálném čase. Získává je každých 5 minut z tisíců senzorů. Síť pak předpovídá, jak různé kombinace potenciálních kroků ovlivní budoucí spotřebu energie. Toto umělé inteligenci umožňuje identifikovat a implementovat ty kroky, které spotřebu energie minimalizují a zároveň budou splňovat bezpečnostní omezení společnosti Google. Podle Googlu řízení chlazení umělou inteligencí vedlo ke snížení spotřeby energie průměrně o 30 %. Očekávají se ovšem i lepší výsledky, protože systémy umělé inteligence se s časem učí.
Během celého procesu budou na umělou inteligenci dohlížet operátoři Googlu. Budou moci přitom kdykoliv převzít kontrolu zpět.

Energetika v zahraničí

Google nechává řízení spotřeby data center na umělé inteligenci. Její pravomoce rostou

Německá energetická společnost <a href="https://www.powerengineeringint.com/articles/2018/05/eon-deploys-ai-for-predictive-power-grid-maintenance.html">E.ON vyvinula technologii využívající umělou technologii pro údržbu distribuční soustavy</a>. Technologie umožní předcházet poruchám na elektrickém vedení. Pilotní projekt před 9 měsíci spustila společnost Schleswig-Holstein Netz AG, patřící do skupiny E.ON.
Nový přístup k prediktivní údržbě využívá množství interních a externích dat v kombinaci s umělou inteligencí. Mezi sbíraná data patří například stáří a typ vedení, údaje o údržbě, počasí a informace v reálném čase, jako je například aktuální zatížení. Dle společnosti E.ON výsledné prognózy otevírají zcela nové možnosti údržby distribučních a přenosových vedení.
Identifikací potenciálních zdrojů defektů lze snížit počet poruch. Nová technologie tyto defekty identifikuje a tím lze předcházet následným poruchám. Společnost Schleswig-Holstein Netz AG tuto technologii aplikovala na své VN distribuční soustavě. Její výsledky jsou dle vyjádření společnosti ohromující.
<blockquote>
&#8222;Kombinací komplexní analýzy dat se samočinným algoritmem nám nyní umožňuje mnohem spolehlivěji předpovídat poruchy v elektrické rozvodné síti. To nám následně umožňuje přijmout vhodná opatření mnohem dříve. Pravděpodobnost, že budeme schopni poruchy předpovědět, se zvýšila dvojnásobně až trojnásobně.
Naši zákazníci aplikací této technologie získali stabilnější a kvalitnější dodávky elektrické energie. Nová technologie také zlepšuje plánování výstavby sítí a to je obzvláště výhodné pro obce. Pro občany a komunity znamená zlepšení údržby snížení stavebních činností a zemních prací pro opravy. Pro samotnou společnost nabízí možnost lépe rozdělovat rozpočty a plánovat investice,&#8220; uvedl Thomas König, výkonný ředitel ve společnosti E.ON pro distribuční sítě.
</blockquote>

Umělá inteligence proniká do energetiky. V Německu pomáhá předvídat poruchy

Algoritmy umělé inteligence nalezly v energetickém sektoru využití například při řízení spotřeby elektřiny, řízení stability sítě nebo průzkum ložisek plynu a ropy. Obdobně jako v jiných sektorech se tématu umělé inteligence věnuje čím dál více pozornosti, což se dá vysledovat z trendu článků zaměřených na toto téma.
Umělá inteligence je v posledních letech na vzestupu a její vliv se dotkl také relativně tradičního energetického sektoru. O rostoucí významnosti tohoto tématu svědčí především počet článků, které se na toto téma objevují. Výrazný růst zobrazuje následující graf zpracovaný cbinsights.com.
<figure id="attachment_49530" style="width: 1024px" class="wp-caption aligncenter"><img class="size-large wp-image-49530" src="http://oenergetice.cz/wp-content/uploads/2018/03/energyai-1024x635.png" alt="energetika a umělá inteligence" width="1024" height="635" /><figcaption class="wp-caption-text">Počet unikátních článků zaměřených na energetiku a umělou inteligenci. Zdroj: cbinsights.com</figcaption></figure>
Energetický sektor bez pochyby produkuje velké množství dat, která je možné analyzovat a vyvozovat z nich důsledky. Hlavní využití nachází analýza dat za pomoci algoritmů umělé inteligence v oborech skladování energie, řízení elektrizačních soustav, spotřeby energie a průzkumu pro těžbu ropy.
<h2>Řízení soustav</h2>
Přenosové a distribuční soustavy jsou ideálním příkladem pro využití umělé inteligence k predikci spotřeby a výroby elektřiny. Díky tomu lze lépe plánovat výrobu a udržet soustavu stabilní a v co nejvyšší míře efektivní. Důležitost obdobných systémů roste zejména v posledních letech, kdy kvůli zdrojům s obtížně řiditelným výkonem rostou nároky na flexibilitu sítě.
Například ministerstvo energetiky USA v loňském roce vypsalo grant na projekt využívající umělou inteligenci ke zvýšení stability soustavy, kdy za využití historických dat o fluktuaci výkonu má být zvýšena bezpečnost soustavy a její schopnost samostatně reagovat na krizové stavy.
<h2>Skladování energie</h2>
Současně s rozvojem systémů pro skladování energie se rozvíjí i související technologie, které mají za účel optimalizovat jejich využití. Obdobně jako v případě řízení soustavy jsou systémy založené na algoritmech umělé inteligence zaměřené na predikci spotřeby elektřiny.
Na základě vyhodnocených dat a souvisejících fluktuací mohou systémy, jako je například kalifornská Athena, optimalizovat využití skladovacích systémů. Díky tomu mohou vlastníci akumulačních systémů nakupovat elektřinu v době jejího přebytku a prodávat při nedostatku, aby byl zajištěn co možná nejvíce profitabilní provoz.
<h2>Řízení spotřeby elektřiny</h2>
S využitím algoritmů umělé inteligence je také možné optimalizovat spotřebu energie domácností na základě sledování typického průběhu spotřeby energie konkrétní domácnosti. Řada zařízení na optimalizaci spotřeby již existuje, například německé <a href="https://www.tado.com/cz/?gclid=CjwKCAjw4sLVBRAlEiwASblR-xNcYpgZ7st8DQ-K6xh9KpM_02ztXq4y5PnkIY62ArDlXFcuZttiMxoCdecQAvD_BwE">tado</a> nebo americká společnost <a href="https://nest.com/">Nest</a>.
<h2>Průzkum pro těžbu ropy</h2>
Méně známým odvětvím využívajícím umělou inteligenci je ropný průmysl, zejména pak s ohledem na vyhledávání nových ropných nalezišť. V souvislosti s touto činností investovala společnost BP do startupu Beyond limits, který se nejprve věnoval průzkumu vesmíru.
V době investice však společnost BP prohlásila, že plánuje technologii od Beyond limits využít k vyhledávání ropných zásob. BP není jediná společnost, která se při hledání ropných zásob spoléhá na umělou inteligenci. Dalším z ropných gigantů je například Chevron.