Osnovni podaci o projektu:
Voditelj projekta: prof. dr. sc. Jonatan Lerga
Proračun projekta: 60.091,35 €
Naziv projekta (engl.): Deep Learning for Smart Energy Systems Management
Akronim projekta: AI-ENERGO
Oznaka projekta: uniri-mzi-25-1
Znanstveno područje projekta: Područje tehničkih znanosti
Znanstveno polje projekta: Računarstvo
Početak projekta: 01. 10. 2025.
Završetak projekta: 30. 09. 2029.
Istraživački tim: izv. prof. dr. sc. Nicoletta Saulig, izv. prof. dr. sc. Rene Prenc, izv. prof. dr. sc. Vedran Kirinčić, izv. prof. dr. sc. Ivan Volarić, izv. prof. dr. sc. Nino Krvavica, prof. dr. sc. Peter Kovács, dr. sc. Ana Vranković Lacković, Anna Maria Mihel, Lucija Žužić, Boris Gašparović, Luka Škrlj, Matko Glučina
Sažetak projekta:
Kao ključni element suvremenih sustava upravljanja energijom, predviđanje potražnje, omogućuje učinkovitu raspodjelu resursa, stabilnost mreže i integraciju obnovljivih izvora energije. Tradicionalno, u predviđanju potražnje za energijom koristile su se klasične tehnike poput ARIMA i SARIMA zbog njihove jednostavnosti i interpretabilnosti. Dinamične interakcije i nelinearne ovisnosti u suvremenim energetskim sustavima, međutim, često su zanemarene kod konvencionalnih metoda. Stoga se, nedavnim napretkom u razvoju inteligencije (AI), posebno tehnikama strojnog učenja (ML) i dubokog učenja (DL), predviđanje potražnje za energijom značajno promijenilo. AI modeli koji koriste podatke u stvarnom vremenu, socioekonomske i vanjske faktore značajno nadmašuju konvencionalne tehnike, kako u predviđanju potražnje za energijom, tako i u optimizaciji raspodjele energetskih resursa, upravljanju obnovljivim izvorima energije te smanjenu troškova.
Dodatno, kombinacija AI i naprednih tehnologija, kao što su pametne mreže i Internet stvari (IoT), dodatno je poboljšala energetsku učinkovitost i pouzdanost u velikom broju industrija budući da omogućuju nadzor i kontrolu potrošnje energije u stvarnom vremenu.
U ovom projektu se, stoga, namjeravaju iskoristiti najnoviji AI pristupi u analizi podataka iz hrvatskog nacionalnog informacijskog sustava za gospodarenje energijom s ciljem unaprijeđena istog uzimajući u obzir specifičnosti hrvatskog energetskog sustava te probleme kao što su kvaliteta podataka, nepotpunost mjerenja, računalna složenost i pitanja privatnosti. Rješavajući ova pitanja moguće je ostvariti potencijale AI u povećanju učinkovitosti i održivosti hrvatskog energetskih sustava.
Abstract:
As a key component of modern energy management systems, energy demand forecasting plays a crucial role in efficient resource allocation, grid stability, and the integration of renewables. Traditionally, classical techniques such as ARIMA and SARIMA have been used for energy demand prediction due to their simplicity and interpretability. However, these conventional methods often fail to capture dynamic interactions and nonlinear dependencies present in contemporary energy systems.
With recent advancements in Artificial Intelligence (AI), particularly in Machine Learning (ML) and Deep Learning (DL), energy demand forecasting has undergone a significant transformation. AI models that leverage real-time data, socioeconomic factors, and external variables have demonstrated superior performance compared to traditional approaches, not only in predicting energy demand but also in optimizing energy distribution, managing renewables, and reducing operational costs.
Furthermore, the combination of AI and advanced technologies, such as smart grids and the Internet of Things (IoT), has further enhanced energy efficiency and system reliability across various industries. These technologies enable real-time monitoring and control of energy consumption, leading to better decision-making and more sustainable energy usage.
This project aims to apply state-of-the-art AI techniques to analyze data from Croatia’s Energy Management Information System, with the objective of improving its efficiency and adaptability. The research will take into account the specific characteristics of the Croatian energy system, addressing critical challenges such as data quality, measurement gaps, computational complexity, and privacy concerns.
By tackling these challenges, the project seeks to unlock the full potential of AI in enhancing the efficiency and sustainability of Croatia’s energy infrastructure, ultimately contributing to a more resilient and intelligent energy management system.
Ciljevi projekta:
C.1. Unapređenje predviđanja potražnje za energijom korištenjem umjetne inteligencije
C.2. Detekcija i obrada netočnih i nepotpunih podataka u nacionalnom informacijskom sustavu za gospodarenje energijom
C.3. Prijedlozi za nadogradnju hrvatskog informacijskog sustava za gospodarenje energijom korištenjem umjetne inteligencije
Stanje područja i motivacija:
Predviđanje potražnje za energijom ključno je kod suvremenog upravljanja energetskim sustavima jer omogućuje učinkovitu raspodjelu resursa, stabilnost mreže, integraciju obnovljivih izvora te smanjenje troškova. Zbog svoje jednostavnosti desetljećima su se koristile tradicionalne tehnike poput ekonometrijskih modela ili autoregresivnih integriranih pomičnih prosjeka (ARIMA) [1]. Međutim, ovi pristupi imaju ograničenja u analizi dinamičnih interakcija, nelinearnih odnosa i rastuće složenosti suvremenih energetskih sustava [2].
Brojna nova istraživanja pokazuju da su pristupi temeljeni na umjetnoj inteligenciji (AI) učinkoviti u prevladavanju ovih prepreka. Na primjer, u [3] su ispitani nedostaci ARIMA modela ističući njihovu nemogućnost predviđanja naglih promjena u potrošnji energije uzrokovanih ekstremnim vremenskim uvjetima ili promjenama energetskih politika. Pristupi temeljeni na strojnom učenju (ML) u mogućnosti su modelirati složene obrasce u podacima i uzeti u obzir brojne druge utjecaje, poput društvenih ponašanja, ekonomske aktivnosti, meteoroloških uvjeta i sl. [4]. Prema nedavnim istraživanjima, tehnike temeljene na AI nadmašuju klasične statističke metode kako u pogledu točnosti tako i u skalabilnosti te analizi velikih količina podataka u stvarnom vremenu [5].
Upravljanje energijom i nadzor potrošnje potpuno su transformirani kombinacijom AI i tehnologija Interneta stvari (IoT). AI algoritmi mogu obraditi velike količine podataka o potrošnji energije u stvarnom vremenu koje generiraju IoT uređaji kako bi predvidjeli i optimizirali potrošnju energije [6]. Pokazano je da integracija AI s tehnologijom pametnih mreža može poboljšati energetsku učinkovitost, smanjiti gubitke i povećati stabilnost sustava [7]. Osim toga, točnost i otpornost kratkoročnih i dugoročnih projekcija potražnje za energijom poboljšani su razvojem hibridnih AI modela koji kombiniraju AI s klasičnim pristupima [8].
Nedostatak transparentnosti i interpretabilnosti AI modela također je riješen pojavom objašnjive umjetne inteligencije (XAI), koja omogućuje donositeljima odluka razumijevanje predviđanja modela i povjerenje u rezultate [9]. XAI pristupi poput SHAP i LIME, koji pomažu u identificiranju glavnih faktora koji utječu na projekcije potražnje za energijom, promiču informirano donošenje odluka u energetskom planiranju [10].
Nedavne studije ističu kako AI može pomoći u integraciji obnovljivih izvora predviđanjem njihove dostupnosti i poboljšanjem upravljanja mrežom [11]. Pri čemu, za poboljšanje točnosti prognoza o energiji iz obnovljivih izvora, AI modeli koriste povijesne, geografske i meteorološke podatke [12].
Zaključno, AI u predviđanju potražnje za energijom predstavlja dosad neviđene mogućnosti za razvoj novih robusnih, učinkovitih i održivih energetskih sustava. AI ima potencijal značajno utjecati na budući razvoj upravljanja energijom rješavanjem trenutnih problema, posebice u hrvatskom energetskom sustav gdje je primjena AI još uvijek slabo zastupljena.
Metodologija:
1. Prikupljanje podataka (WP1):
Voditelj projekta je osigurao pristup nacionalnom informacijskom sustavu za gospodarenje energijom, a Tehnički fakultet Sveučilišta u Rijeci je s nadležnom agencijom potpisao ugovor o suradnji. Sustav sadrži podatke o potrošnji energije u zgradama javnog sektora (zgradama u vlasništvu gradova, županija, Vlade RH i drugih javnih institucija poput škola i dr.) Osim podataka o potrošnji energije planirano je prikupiti duge dostupne podatke poput meteoroloških, demografskih, regulatornih i sl. koji mogu doprinijeti povećanju učinkovitosti razvijenih AI rješenja.
2. Predobrada i transformacija podataka (WP2):
Podaci u informacijski sustav za gospodarenje energijom RH pristižu iz različitih izvora. Međutim, osim udaljenih automatskih mjerenja, vrlo često se unose ručno (iz mjesečnih računa) što je podložno greškama. Stoga su u informacijskom sustavu podaci u stanju „zaključani“ tek nakon ovjere od strane iskusnog operatora.
Unatoč ručnoj provjeri, česti su slučajevi nepotpunih podataka kao i podataka s netipičnim vrijednostima koje je potrebno detektirati i obraditi.
Za potreba treniranja AI modela, podatke je nakon predobrade potrebno transformirati (skalirati, normalizirati, prilagoditi dimenzionalnost, ekstraktirati značajke i identificirati odnose među značajkama), kao i dekomponirati te testirati različite pristupe treniranja modela (treniranje na vremenskim nizovima, vremensko-frekvencijskim transformacijama vremenskih nizova, komponentama vremenskih nizova i sl.).
3. Razvoj i treniranje AI modela (WP3):
Po obradi i pripremi podataka pristupit će se odabiru i treniraju najnovijih AI arhitektura, s naglaskom na dizajn hibridnih metoda koje kombiniraju statističke pristupe s dubokim učenjem. U cilju postizanja što bolje točnosti i preciznosti treniranih AI modela, primijenit će se različite metode optimizacije hiperparametara.
4. Analiza učinkovitosti AI modela (WP4):
Trenirani modeli će se validirati i testirati na povijesnim podacima o potrošnji energenata iz hrvatskog informacijskog sustava za gospodarenje energijom, a učinkovitost predikcije ocijenit će se uobičajenim mjerama poput MSE; MAE, preciznost, točnost, F1 mjera i dr. te usporediti s postojećim AI rješenjima dostupnim u znanstvenoj literaturi. Dodano, provest će se analiza računalne učinkovitosti razvijenih AI rješenja te mogućnosti integracije istih u postojeći nacionalni sustave za upravljanje energijom.
5. Ostali aspekti AI upravljanja energetskim sustavom (WP5):
Osim tehničkog, računalnog pogleda na problem AI upravljanja energetskim sustavima, razmotrit će se i drugi aspekti koji uključuju: modeliranje ponašanja korisnika, razvoj strategija za smanjenje vršnih opterećenja, problem privatnosti i sigurnosti podataka te usklađenost s ogovarajućim energetskim regulativama.
Prateći gore opisani strukturirani pristup, istraživanje će pridonijeti razvoju energetskog sustava nove generacije koji će biti učinkovitiji, održiviji te responzivniji prateći dinamiku potražnje za energijom.
Literatura:
[1] Mystakidis, Aristeidis, Paraskevas Koukaras, Nikolaos Tsalikidis, Dimosthenis Ioannidis, and Christos Tjortjis. ”Energy Forecasting: A Comprehensive Review of Techniques and Technologies.” Energies 17, no. 7 (2024): 1662.
[2] Singh, Rajesh, Kuchkarbaev Rustam Utkurovich, Ahmed Alkhayyat, G. Saritha, R. Jayadurga, and K. B. Waghulde. ”Machine Learning Applications in Energy Management Systems for Smart Buildings.” In E3S Web of Conferences, vol. 540, p. 08002. EDP Sciences, 2024.
[3] Wang, Xinlin, HaoWang, Binayak Bhandari, and Leming Cheng. ”AI-empowered methods for smart energy consumption: A review of load forecasting, anomaly detection and demand response.” International Journal of Precision Engineering and Manufacturing-Green Technology.
[4] Kumar, Chandan, and Prakash Chittora. ”Secure and Privacy-Preserving Framework for IoTEnabled Smart Grid Environment.” Arabian Journal for Science and Engineering 49, no. 3 (2024): 3063-3078.
[5] Guo, Jiaxun, Manar Amayri, Wentao Fan, and Nizar Bouguila. ”A scaled dirichlet-based predictive model for occupancy estimation in smart buildings.” Applied Intelligence (2024): 1-16.
[6] Huang, Zhendai, Zhen Zhang, Cheng Hua, Bolin Liao, and Shuai Li. ”Leveraging enhanced egret swarm optimization algorithm and artificial intelligence-driven prompt strategies for portfolio selection.” Scientific Reports 14, no. 1 (2024): 26681.
[7] Zhao, Pei, Shaojun Zhang, Paolo Santi, Dingsong Cui, Fang Wang, Peng Liu, Zhaosheng Zhang et al. ”Challenges and opportunities in truck electrification revealed by big operational data.” Nature Energy (2024): 1-11.
[8] Ribeiro, Matheus Henrique Dal Molin, Ramon Gomes da Silva, Sinvaldo Rodrigues Moreno, Cristiane Canton, Jos´e Henrique Klein¨ubing Larcher, Stefano Frizzo Stefenon, Viviana Cocco Mariani, and Leandro dos Santos Coelho. ”Variational mode decomposition and bagging extreme learning machine with multi-objective optimization for wind power forecasting.” Applied Intelligence 54, no. 4 (2024): 3119-3134.
[9] Boresta, Marco, Diego Maria Pinto, and Giuseppe Stecca. ”Bridging operations research and machine learning for service cost prediction in logistics and service industries.” Annals of Operations Research (2024): 1-27.
[10] Clement, Tobias, Hung Truong Thanh Nguyen, Nils Kemmerzell, Mohamed Abdelaal, and Davor Stjelja. ”Beyond explaining: XAI-based Adaptive Learning with SHAP Clustering for Energy Consumption Prediction.” arXiv preprint arXiv:2402.04982 (2024).
[11] Huang, Chicheng, Serhat Y¨uksel, and Hasan Din¸cer. ”A Novel Fuzzy Model for Knowledge-Driven Process Optimization in Renewable Energy Projects.” Journal of the Knowledge Economy (2024): 1-33.
[12] Lakhdar, Laib, and Toufik Tayeb Naas. ”The Machine Learning for Predicting Gas Turbine Performance in Naval Vessels.” ITEGAM-JETIA 10, no. 49 (2024): 187-193.