Kauno kolegijos mokslininkai – dr. Giedrius Blažiūnas ir dr. Giedrius Gecevičius – kartu su Lietuvos energetikos instituto (LEI) mokslininkais įgyvendina projektą „Neuroninių tinklų pažangių sprendimų, skirtų hibridinių atsinaujinančios energijos šaltinių sistemų optimizuotam ir koncepciniam projektavimui, kūrimas“. Šiuo projektu siekiama sukurti ir patvirtinti dirbtinio intelekto (DI) įrankius, pagrįstus neuroniniais tinklais, skirtus optimaliam hibridinių atsinaujinančios energijos sistemų projektavimui ir veikimo modeliavimui įvairiose geografinėse vietovėse, užtikrinant nuolatinį, patikimą ir ekonomiškai efektyvų energijos tiekimą.
Projektas apima išsamų statistinių duomenų rinkimą apie saulės, vėjo, bioenergijos ir kitų atsinaujinančių energijos šaltinių potencialą. Naudojant TensorFlow, PyTorch, H2O.ai ir Keras platformas siekiama sukurti neuroninių tinklų modelius skirtus kurti konceptualius hibridinių atsinaujinančių energijos sistemų projektus. Šio projekto praktinė nauda yra labai svarbi, siekiant efektyviai ir tvariai tenkinti augančius energijos poreikius, mažinant priklausomybę nuo iškastinio kuro ir prisidedant prie klimato kaitos mažinimo. Sukurti dirbtinio intelekto įrankiai, pagrįsti neuronų tinklais ir matematiniais modeliais, leis tiksliau prognozuoti ir optimizuoti hibridinių atsinaujinančių energijos sistemų veikimą įvairiose geografinėse vietovėse. Tai padės inžinieriams ir energetikos specialistams projektavimo metu pasirinkti tinkamiausius energijos šaltinius bei jų derinius, užtikrinant nuolatinį ir patikimą energijos tiekimą.
Be to, projekto metu sukurti modeliai ir AI įrankiai pagerins energijos sistemos ekonominį efektyvumą, sumažins investicijų riziką ir eksploatavimo kaštus, skatins inovacijas ir pritrauks daugiau investicijų į atsinaujinančios energijos sektorių. Galiausiai, šis projektas padės valstybei vykdyti savo įsipareigojimus klimato kaitos mažinimo srityje, prisidės prie tarptautinių aplinkosaugos tikslų ir stiprins valstybės poziciją kaip lyderės tvarios energijos srityje. Šis projektas suteikia galimybę tobulinti ir pritaikyti hibridines atsinaujinančių energijos sistemas ilgalaikiam naudojimui, atsižvelgiant į geografinę padėtį, kintančius energijos rinkos ir technologijų vystymosi poreikius.
Kai matematinių modelių nepakanka į pagalbą ateina dirbtinis intelektas
Matematiniai modeliai, naudojami hibridinių atsinaujinančių energijos šaltinių sistemoms modeliuoti, dažnai nėra visiškai tinkami, nes jie dažniausiai orientuojasi tik į vieną siaurą aspektą arba tik vieną energijos šaltinį. Dažniausiai šie modeliai sutelkti į konkretų atsinaujinantį šaltinį, pavyzdžiui, vėjo energiją arba saulės energiją, ir vertina tik tam tikrą jų veikimo aspektą, pavyzdžiui, energijos gamybą per dieną ar metus. Toks požiūris neleidžia pilnai įvertinti viso hibridinės sistemos dinamiškumo, kai keli energijos šaltiniai veikia kartu ir turi skirtingus veikimo grafikus bei priklausomybę nuo gamtinių sąlygų. Be to, šie modeliai dažnai nesugeba prognozuoti, kaip šie šaltiniai tarpusavyje sąveikauja, ypač esant ekstremalioms oro sąlygoms arba esant poreikiui optimizuoti energijos tiekimą ir kaupimą.
Dėl šių ribotumų, matematiniai modeliai gali būti nepakankamai tikslūs ir veiksmingi, kai kalbama apie visapusišką hibridinių sistemų planavimą ir optimizavimą. Norint geriau modeliuoti šias sistemas, reikia kurti sudėtingesnius ir dinamiškesnius modelius, kurie galėtų apimti visus veiksnius ir energijos šaltinių sąveiką. Tai galima padaryti daug geriau naudojant išmokytus dirbtino intelekto įrankius, įskaitant sudėtingų lygčių skaitmeninių sprendimų procesus ir kt. Šio tyrimo metu kuriami dirbtinio intelekto įrankiai pagrįsti statistiniais vietos monitoringo, ekonominio potencialo ir kitais duomenimis. Pagal tai, atsižvelgiant į konkrečios srities poreikius, būtų galima modeliuoti būsimos atsinaujinančių energijos šaltinių sistemos projektą. Prieš projektuojant būtų galima apibrėžti hibridinės atsinaujinančios energijos sistemos koncepciją. Pavyzdžiui: pagal konkrečios vietovės statistinius duomenis (saulės ir vėjo prognozė, gyventojų skaičius, ekonominiai parametrai, susidarančių atliekų kiekis ir kt.) būtų galima numatyti, ar kartu su saulės ir vėjo jėgaine optimalu integruoti bioelektros ar energijos kaupimo įrenginius ir pan.
Dirbtinio intelekto kūrimo platformos. Kas tai?
Tyrimų metu dirbtinio intelekto įrankių kūrimui naudojamos TensorFlow, PyTorch platformos pagal jų unikalumą, funkcionalumą ir atpažinimą bendrojoje dirbtinio intelekto bendruomenėje. TensorFlow yra viena iš populiariausių atvirojo kodo bibliotekų, skirtų dirbtiniam intelektui ir mašininiam mokymuisi. Pagrindinis jo privalumas – plati palaikymo infrastruktūra, galingas kompiuterinis skaičiavimo modulis (TF.js, TF Lite), leidžiantis lengvai perkelti modelius į mobiliuosius įrenginius ir interneto naršykles. PyTorch yra dar viena galinga dirbtinio intelekto biblioteka, plačiai naudojama moksliniuose tyrimuose ir pramonėje. Pagrindinis jo pranašumas yra efektyvus pritaikymas ir modelių kūrimo sąsaja, ypač skirta eksperimentams ir prototipams kurti.
Norint naudoti dirbtinio intelekto kūrimo įrankius, tokius kaip TensorFlow ar PyTorch, būtinos Python programavimo kalbos žinios. Šios bibliotekos yra galingi įrankiai, leidžiantys kurti, treniruoti ir optimizuoti sudėtingus neuroninius tinklus bei giluminio mokymosi modelius. Python kalba yra šių bibliotekų pagrindas, todėl norint efektyviai dirbti su jomis, reikia suprasti pagrindines programavimo sąvokas, tokias kaip kintamieji, funkcijos, ciklai ir objektinis programavimas ir kt. Be to, dirbant su TensorFlow ar PyTorch, svarbu išmanyti duomenų struktūras, matricų operacijas ir vektorinius skaičiavimus, kadangi šie elementai yra esminiai neuroninių tinklų mokymosi procese.
Python žinios leidžia ne tik pritaikyti jau esamus modelius, bet ir kurti individualizuotus sprendimus, eksperimentuoti su architektūromis bei analizuoti mokymo rezultatus. Taigi, norint pilnai išnaudoti šių bibliotekų galimybes, Python programavimas tampa neatsiejama dalimi dirbtinio intelekto kūrimo procese. Dirbtinio intelekto mokymui, siekiant optimizuoti hibridines atsinaujinančių energijos šaltinių sistemas, būtini istoriniai duomenys apie energijos gamybą, suvartojimą ir aplinkos sąlygas. Tokie duomenys apima vėjo greičio matavimus, saulės spinduliuotės intensyvumą, temperatūrą, biomasių augimo ciklus ir net energijos poreikių svyravimus tam tikruose laikotarpiuose ir kt. Sukaupus šiuos duomenis, DI modeliai gali išmokti atpažinti dėsningumus, prognozuoti energijos gamybos pokyčius ir priimti optimalius sprendimus dėl šaltinių paskirstymo realiu laiku. Pavyzdžiui, modeliai gali išmokti, kada efektyviau naudoti akumuliatorius ar kurį energijos šaltinį prioritetizuoti priklausomai nuo orų prognozių. Be istorinių duomenų DI negalėtų tiksliai modeliuoti kompleksinių sąveikų tarp skirtingų energijos šaltinių, todėl jų rinkimas ir analizė yra kritiškai svarbūs, siekiant kurti išmanias, efektyvias ir tvarias hibridines energijos sistemas.
Kauno kolegijos informacija.