Korištenje snage pare za mehanizaciju proizvodnje uvelo je svijet u industrijsko doba pokrenuvši prvu od nekoliko industrijskih revolucija. Međutim, primjena električne energije duboko je promijenila svijet i omogućila je eru masovne proizvodnje, potičući revolucionarni napredak u prometu, telekomunikacijama i proizvodnji, što se danas naziva drugom industrijskom revolucijom.Treća industrijska revolucija započela je u digitalno doba, koju najsnažnije obilježava rašireno korištenje računala i, osobito, interneta te rasprostranjena uporaba informatičke tehnike za automatizaciju proizvodnje.

Međutim, slijedi još jedna duboka promjena - četvrta industrijska revolucija čija bi digitalna transformacija svijeta po brzini, opsegu i utjecaju na sustave trebala biti neusporediva s dosadašnjim iskustvima. Nju će karakterizirati znanstveni i tehnički proboji koji će snažno mijenjati postojeće industrije i tako utjecati na razvoj društva. Jedan od njezinih ključnih pokretača je umjetna inteligencija (eng. AI, artificial intelligence).

Taj je koncept prvi put predstavio njegov utemeljitelj, John McCarthy 1956. godine kao znanost i inženjering izrade inteligentnih strojeva, a posebice inteligentnih računalnih programa. Međutim, koncept se razvio pa se danas AI temelji na različitim disciplinama, uključujući matematiku, statistiku, kognitivne znanosti, filozofiju i lingvistiku. U osnovi,AI je način kako strojevi mogu oponašati ljudsku inteligenciju, dok se u praksi može promatrati i kao alat.

Američko Ministarstvo energetike (US DoE) je 2019. godine osnovalo Ured za umjetnu inteligenciju i tehnologiju (AITO) koji će služiti kao središte za koordinaciju razvoja i usvajanja AI-ja u američkoj energetici. Pri tome se AI definira kao sposobnost strojeva za brzo učenje iz velikih skupova podataka, rješavanje problema i kontinuirano prilagođavanje novim podacima bez ljudske intervencije. Značajno je da se AI zbog povećanja računalne snage,pristupa podacima i poboljšanih algoritama još razvija zajedno s rastućim mogućnostima koje pruža.


Kako radi AI?

Definiranje što će i kako AI raditi ovisi i o njegovoj krajnjoj primjeni. Načelno, AI omogućava automatizaciju procesa i radnji koje danas obavljaju ljudi, a koji mogu imati pozitivan utjecaj na izvedbu, produktivnost i učinkovitost. Pri tome AI snažno ovisi o podacima. Naime, s jedne strane AI koristi strukturirane podatke, poput onih od osjetnika strojeva, a s druge strane nestrukturirane podatke kao što su priručnici, evidencija održavanja, vremenski, tržišni i poslovni podaci da bi se omogućilo napredno donošenje odluka. Da bi to uspješno savladao, AI koristi strojno učenje koje obuhvaća nekoliko koncepata, uključujući obradu prirodnog jezika, dubinsko učenje i neuronske mreže. Strojno učenje (eng. ML, machine learning) je trenutno najkorišteniji dio AI-ja, a radi se o proučavanju računalnih algoritama vođenih podacima koji se automatski poboljšavaju iskustvom.

Strojno učenje se najbolje razumije u odnosu prema dva zadatka koja ga definiraju: učenje pod nadzorom i učenje bez nadzora. U nadziranom učenju, ono se izvodi pomoću poznate temeljne istine,pri čemu je prethodno poznato što bi trebale biti izlazne vrijednosti za skup uzoraka podataka. U osnovi, njegov je cilj naučiti funkciju koja najbolje približava odnos uzorka podataka i željenih izlaza, a zatim tu funkciju koristiti za predviđanje izlaza za zadani skup ulaznih podataka. Nadzirano učenje uglavnom se koristi za probleme s klasifikacijom, a uobičajeni algoritmi u radu s podacima koriste metode poput regresije, podržavajuće vektore, umjetne neuronske mreže i slučajne šume. To ga čini vrlo prikladnim za aplikacije u energetici, npr. za upravljanje imovinom, koje bi mogle koristiti slike radi prepoznavanja štete.

S druge strane, nenadzirano učenje ne zahtijeva označene poznate podatke, a njegov ključni cilj je naučiti inherentnu strukturu unutar zadanog skupa podataka. Ono se uglavnom koristi za probleme klastera. Na primjer, ono bi moglo ubrzati analizu slika oštećene imovine grupiranjem sličnih slika, dopuštajući čovjeku označiti samo jednu sliku po kategoriji umjesto da ručno označava sve slike. Nadalje, obrada prirodnog jezika pomaže računalima u prepoznavanju, tumačenju i razumijevanju ljudskih jezika pomoću metoda učenja pod nadzorom ili bez nadzora. Spoj područja informatike i lingvistike koristi se, npr. za analizu teksta i stvaranje ‘chatbotova’. Jedna od specifičnih primjena obrade prirodnog jezika je obrada dokumenata poput izvještaja o štetama radi analize i davanja preporuka za sigurno poslovanje.

Umjetne neuronske mreže inspirirane su ljudskim mozgom, a to su u osnovi ulazni i izlazni slojevi kao i skriveni sloj koji služi pretvaranju ulaza na takav način da ga može iskoristiti izlazni sloj. Neuronska mreža s više skrivenih slojeva naziva se dubokom neuronskom mrežom.Takve mreže uče na velikoj količini podataka koristeći algoritme za opetovano rješavanje zadataka, svaki put prilagođavajući ih za poboljšanje ishoda - u osnovi gotovo na način na koji čovjek uči iz iskustva. Taj proces je poznatiji kao duboko učenje. U elektroenergetici se umjetne neuronske mreže i algoritmi za duboko učenje koriste za prepoznavanje slika za identificiranje oštećene imovine i u aplikacijama za predviđanje održavanja imovine.

U novije se vrijeme razvija još jedan oblik AI-ja, a to je automatizirano strojno učenje. To je zapravo krajnji proces automatizirane primjene strojnog učenja na probleme iz stvarnog svijeta, kao što su priprema podataka, inženjering značajki i odabir modela. To također postaje sve zanimljivije u energetici jer je uočeno da kod tvrtki postoji problem nedostatka stručnosti u primjeni tehnika strojnog učenja.


Velik potencijal AI-ja

Velik broj stručnjaka u energetici ističe da će možda najveće koristi od AI-ja biti njegova sposobnost uspješnog iskorištavanja goleme količine pogonskih podataka u vrijeme dok se energetika bori s više različitih značajnih utjecaja na poslovanje, uključujući dekarbonizaciju, decentralizaciju i digitalizaciju.

Dio energetskih i informatičkih stručnjaka navodi da danas dostupni alati AI-ja nude najbolji potencijal za rješavanje određenih problema koristeći, npr. slike, poput aplikacija za olakšavanje dugotrajnog i zamornog postupka inspekcija. U energetici se svaki objekt ili postrojenje mora pregledati, a količina takvih radnji koje se mogu automatizirati pomoću AI-ja je iznimno velika.Također se čini da će se potencijal AI-ja vjerojatno proširiti i na aplikacije koje uključuju objekte s osjetnicima koji stvaraju brojne podatke u velikim vremenskim serijama. Takvi se podaci analiziraju za predviđanje budućeg ponašanja, potreba za održavanjem ili potencijalnih predstojećih opasnosti pa je razumijevanje tih obrazaca ključno. Očekuje se da bi uspješna primjena AI-ja na tom području mogla značajno sniziti troškove u energetici, pomažući u uklanjanju brojnih zastoja.

Iako kod energetskih tvrtki postoji mnogo specifičnih slučajeva u kojima se mogu primijeniti AI ili samo ML, sljedeći značajni iskorak primjene AI-ja bit će promjena fokusa s promatranja, primjerice, radnih značajki proizvodnog objekta ili postrojenja na izvedbu proizvodne cjeline, a na kraju i do analiziranja rada cijele elektroenergetske mreže - od proizvodnje do potrošnje. Potencijal AI-ja za pojačavanje mogućnosti predviđanja i propisivanja posebno je važan danas jer je proizvodnja postala znatno složenija zbog velikog udjela proizvodnje i distribucije energije iz sunčanih elektrana ili vjetroelektrana.

Uz to, AI može dovesti sadašnje simulacije na višu razinu, npr. kako bi se uslužnim programima pomoglo pronaći nestabilna područja mreže i povećati sigurnost radnika na terenu. Potencijalno značajna uloga AI-ja može biti u budućoj integraciji poslovanja u elektroenergetici, primjerice iskorištavanjem resursa s malim udjelom ugljika, poboljšanjem predviđanja i jačanjem autonomnog rada. Također bi se mogle povećati sposobnosti simulatora radi poboljšanja njihovog kapaciteta i sposobnosti za krajnju sinkronizaciju na mreži.


Umjetna inteligencija u praksi

U praksi su neke vodeće energetske tvrtke već počele raditi s AI-jem. Osim naftnih divova koji analiziraju goleme količine istražnih i pogonskijh podataka s velikih naftnih polja, i američki div General Electric (GE) je primijenio neuronske mreže (eng. NN, neural networks) i rubne kontrole u svojim naprednim sustavima za upravljanje izgaranjem kako bi optimirao raspodjelu goriva za plinske i aeroderivativne turbine. Rezultat su smanjene emisije dušičnih oksida i ugljičnog monoksida i poboljšana opća kvaliteta radnih značajki tih turbina. Također AI u GE-ju pruža savjete za planiranje proizvodnje kako bi se trgovcima i odabranim projektantima pomoglo razumijeti sposobnosti postrojenja kombiniranog ciklusa dan unaprijed i u stvarnom vremenu, što im omogućava bolju pripremu za preuzete obveze i za planiranje nominacije i otpreme goriva. Na razini mreže, GE je primijenio ML u analitici kako bi operaterima mreže bolje povezao inerciju s poznatim i predvidljivim vrijednostima kao što su konvencionalna rotirajuća inercija i opterećenje.

Japanska tvrtka Mitsubishi Hitachi Power Systems također pomoću AI-ja obavlja validaciju budućih komponenti i rješenja za svoje plinske, parne i vodne turbine i pumpe u svojem posve autonomnom postrojenju T-Point 2 snage 600 MW s kombiniranim ciklusom. I švicarsko-švedska tvrtka ABB koristi AI kako bi stekla uvid što sve može njezin računalni program Digital Enterprise čiji se rad temelji na uobičajenim skupovima podataka iz elektrana i drugih energetskih objekata i za poboljšavanje rješenja za upravljanje učinkom elektrana. Njemački div Siemens surađuje s američkom softverskom tvrtkom Bentley Systems na pružanju zajedničke usluge koja se nalazi na njegovom sustavu MindSphere kojis se temelji na računarstvu ‘u oblaku’ i koji koristi AI za pomoć operaterima da bolje razumiju radne značajke elektrana.


Zamke ranog usvajanja AI-ja

Međutim, informatički i energetski stručnjaci se slažu i da je u sadašnjem trenutku za najveći broj energetskih tvrtki još dalek put do široke primjene i iskorištavanja ikakvih prednosti AI-ja. Razvoj AI-ja je još u ranoj fazi primjene, a najveći izazov su podaci. Za sve što radi AI treba i pozadinske podatke o kontekstu i pogonske podatke iz procesa koji se analizira. Za dobivanje podataka nužna je suradnja s drugima kako bi se dobili pravi i korisni skupovi podataka. Kako takvi podaci vremenom postaju dostupniji, tako se i modeli razvijaju i postaju pametniji. Tamo gdje se AI trenutačno već primjenjuje, zapravo se radi o dijelovima većih modela AI-ja i o eksperimentalnim i pilot-projektima njegove primjene, gdje razni sudionici u energetici provjeravaju svoje mogućnosti ili demonstriraju svoje sposobnosti. Međutim, po tome što se događa u praksi ne može se zaključiti da se u sada radi o pravom usvajanju AI-ja u energetici!

Mnogo uzbuđenja i nerazumijevanja o tome što AI može učiniti u energetici proizlazi iz obećavajućih njegovih prvih primjena, kao što je pokazalo iskustvo GE Digitala. Ali, realno iskustvo pokazuje da takve pilot-projekte karakterizira veliki entuzijazam i odgovarajući resursi koji su im na raspolaganju. Međutim, to je uzbuđenje oko AI-ja dovelo i do dva suboptimalna ishoda. Jedan je da su takvi projekti bili posljedica ‘ulaganja radi samog ulaganja’ u primjenu AI-ja, a bez istinskog artikuliranja problema koji je zahtijevao djelotvoran uvid. To ima za posljedicu da, kada se rješava pogrešan problem, AI obično prenaglašava rješenje do kojeg bi se inače moglo doći korištenjem više drugih jeftinijih heurističkih alata.To je onaj trenutak često poznat iz prakse, kada bi, npr. mnogi stariji inženjeri mogli reći kolegama zaljubljenicima u AI da su to pitanje mogli riješiti četiri puta brže i uz osam puta niži trošak. Drugi suboptimalni ishod je bio taj da se u nekim slučajevima investicija u uspješan pilot-projekt primjene AI-ja zaista vratila, ali samo u nerealno kontroliranom okruženju. Onda su pokušaji da se taj uspjeh ponovno ostvari u širem okruženju naišli na velike probleme s proširenjem, prije svega vezano za ograničenja korisnih podataka i uporabe.

Ključno rješenje je istinsko razumijevanje problema koje treba riješiti prije nego što se odluči koja će ih metoda riješiti. Zatim, nakon što su problemi dovoljno artikulirani i pokaže se da su AI ili ML optimalno rješenje za zadani problem, tada ih se mora skalirati u digitalnom okruženju s odgovarajućim očišćenim, modeliranim i orkestriranim podacima. Zato neki stručnjaci ističu da će prijelomni trenutak nastati kada se u svakodnevne radne operacije usvoje modeli skupnog prikupljanja i organiziranja podataka po modelu umreženih postrojenja i procesa kakve može koristiti AI, a ne kada se samo razviju najsofisticiraniji algoritmi.

Upućeni ukazuju na još jedan problem, a to je da je razmjerno malo stručnjaka u samim energetskim tvrtkama koji mogu uspješno upravljati opsegom pogonskih podataka koji su nužni za napredovanje AI-ja. Tako bi energetske tvrtke, osim pronalaženja partnera s potrebnom ekspertizom o AI-ju i softveru, možda trebale proći i transformaciju radne snage i razviti kulturu suradnje radnika i tehnologije. Morale bi integrirati AI u svoje strateško planiranje i dugoročne poslovne planove i razumjeti mogućnosti koje dolaze s njima kako bi uspješno preoblikovali kulturu tvrtke, minimirali rizik i izvukli najviše koristi iz takvih tehičkih rješenja. S druge strane, državna ili strukovna tijela za digitalizaciju industrije trebala bi u tom slučaju definirati neke standardne operativne probleme u energetici i utvrditi metodologiju njihovog rješavanja s primjerenim skupovima podataka kako bi dobavljači alata za AI mogli ispitati svoja rješenja na tim odabranim skupovima podataka. Time bi se vjerojatno omogućilo i nepristrano i tehnički ispravno ocjenjivanje rješenja za AI i njihovih mogućnosti što je presudno za industriju. Energetske tvrtke bi istodobno dobile bolju predstavu o tome kako neki alat za AI i skupovi podataka rade zajedno u rješavanju specifičnog problema.