MALENA

Η Τεχνητή Νοημοσύνη γενικότερα και η Μηχανική Μάθηση ειδικότερα αλλάζει το μοντέλο διαχείρισης και κατανάλωσης ενέργειας. Η ανάλυση ιστορικών και τηλεμετρούμενων ενεργειακών δεδομένων με τεχνικές μηχανικής μάθησης ανοίγει νέους ορίζοντες για την ασφαλέστερη πρόβλεψη τόσο της ζήτησης ηλεκτρικής ενέργειας (Η/Ε) όσο και της παραγωγής ανανεώσιμων πηγών ενέργειας (ΑΠΕ) καθώς και για την εξατομικευμένη διαχείριση του φορτίου από τους καταναλωτές. Η Μηχανική Μάθηση είναι απαραίτητη για τη βέλτιστη λήψη αποφάσεων με στόχο την εξοικονόμηση κόστους και ενέργειας.

Η σημερινή λειτουργία της Ελληνικής Αγοράς Ηλεκτρική Ενέργειας (Η/Ε) βασίζεται στο μοντέλο της Υποχρεωτικής Κοινοπραξίας, ένα τεχνοοικονομικό μοντέλο συν-βελτιστοποίησης ενέργειας και εφεδρειών. Για το σκοπό αυτό η ΔΕΗ χρησιμοποιεί λογισμικά και υπηρεσίες πρόβλεψης φορτίου και παραγωγής ΑΠΕ που αναπτύχθηκαν κατά την τελευταία δεκαετία. Το υπάρχον μοντέλο Αγοράς καθιστά μη εφικτή τη σύζευξη της ελληνικής Αγοράς με τις γειτονικές Αγορές. Με σκοπό την μετάβαση σε μια ενοποιημένη ευρωπαϊκή Αγορά (Target Model), στην οποία η συμμετοχή της ΔΕΗ καθίσταται υποχρεωτική, θεσπίστηκαν μεταξύ άλλων:

- η Αγορά Επόμενης Ημέρας (Day-Ahead Market)

- η Ενδο-ημερήσια Αγορά (Intra-day Market)

Με σκοπό την αποτελεσματική και ανταγωνιστική συμμετοχή της ΔΕΗ στις υπόψη αγορές στα πλαίσια του επερχόμενου Μοντέλο Στόχου (Target Model) θα αναπτυχθούν καινοτόμα και σύγχρονα λογισμικά που θα καλύπτουν τις ανάγκες συμμετοχής της ΔΕΗ σε αυτές, εισάγοντας καινοτομία και τεχνογνωσία μέσα στην επιχείρηση, προσδίδοντας σημαντικό όφελος τόσο στην ίδια όσο και στα εμπλεκόμενα στελέχη της και οδηγώντας στην απεξάρτησή της από άλλες εταιρείες παροχής υπηρεσιών κυρίως της αλλοδαπής. Παράλληλα η δημιουργία εξατομικευμένης υπηρεσίας ενεργειακής διαχείρισης των πελατών με ολοκληρωμένη πρόσβαση στα ενεργειακά τους δεδομένα, θα διευρύνει τις παρεχόμενες υπηρεσίες της ΔΕΗ, ακολουθώντας τις σύγχρονες τάσεις των έξυπνων εφαρμογών στον τομέα της ενέργειας. Οι σχεδιαζόμενοι καινοτόμοι αλγόριθμοι πρόβλεψης και διαχείρισης της ζήτησης και της παραγωγής των ΑΠΕ, θα οδηγήσουν στη δημιουργία εργαλείου ολοκληρωμένης διαχείρισης όλων των εν λόγω αγορών για πρώτη φορά σε ελληνικό επίπεδο, αποτελώντας μια βάση αναφοράς για τους υπόλοιπους συμμετέχοντες στις υπόψη Αγορές.

Στο πλαίσιο του έργου θα ακολουθηθούν δύο κύρια ερευνητικά μονοπάτια ανάπτυξης τεχνικών πρόβλεψης πολλαπλών μελλοντικών τιμών μιας χρονοσειράς: α) βαθιά νευρωνικά δίκτυα (deep neural networks), και β) μάθηση πολλαπλών στόχων (multi-target prediction). Από τη μία τα βαθιά νευρωνικά δίκτυα έχουν φέρει επανάσταση στον τομέα της μηχανικής μάθησης τα τελευταία χρόνια, πετυχαίνοντας εξαιρετικά αποτελέσματα για μη-δομημένα δεδομένα (εικόνες, βίντεο, ήχος, κείμενο). Από την άλλη, οι τεχνικές πολλαπλών στόχων επιτρέπουν την αξιοποίηση αλγορίθμων, όπως ο extreme gradient boosting, που επίσης φέρνουν εξαιρετικά αποτελέσματα για δομημένα δεδομένα, σε προβλήματα που εμπλέκουν πολλαπλούς στόχους, όπως η πρόβλεψη του ενεργειακού φορτίου. Στο έργο θα μελετηθεί η εφαρμογή των παραπάνω τεχνικών σε χρονοσειρές ενεργειακού φορτίου και μετεωρολογικών δεδομένων. Επιπλέον θα διερευνηθούν τεχνικές ανάλυσης γραφημάτων και μέθοδοι κλιμάκωσης των τεχνικών μάθησης σε ροές δεδομένων βασισμένες σε κάρτες γραφικών και υπολογιστική νέφους.

Εταίροι:

1. Μedoid
2. AUTH
3. PPC

Χρηματοδότηση:

Το έργο συγχρηματοδοτήθηκε από το Ευρωπαϊκό Ταμείο Περιφερειακής Ανάπτυξης της Ευρωπαϊκής Ένωσης και ελληνικούς εθνικούς πόρους μέσω του Επιχειρησιακού Προγράμματος Ανταγωνιστικότητα, Επιχειρηματικότητα και Καινοτομία, στο πλαίσιο της πρόσκλησης «ΕΡΕΥΝΩ-ΔΗΜΙΟΥΡΓΩ-ΚΑΙΝΟΤΟΜΩ» (κωδικός έργου: Τ2ΕΔΚ-03048)

Website: https://malena.csd.auth.gr/