Fotovoltaikë dhe rrjeti elektrik: si një AI e besueshme dhe transparente mund të lehtësojë dekarbonizimin

Burimet e ripërtëritshme shpesh akuzohen se destabilizojnë rrjetin elektrik. Vegla të inteligjencës artificiale lejojnë lokalizimin e instalimeve fotovoltaike, duke lehtësuar kështu ndjekjen e zhvillimit të tyre dhe duke siguruar integrimin pa probleme në rrjetin elektrik.

Fotovoltaiku është një burim energjie elektrike të ripërtëritshme thellësisht i decentralizuar. I vogël në madhësi por duke përfaqësuar 99 % të sistemeve të lidhura me rrjetin elektrik, instalimet në çati tek individët ose në sektorin e shërbimeve (ndriçues, supermarkete…) kanë një peshë në rritje mbi rrjetin elektrik.

Ishin të centralizuara, prodhimi elektrik tani është i shpërndarë ndërmjet centraleve të mëdha dhe qindra mijëra instalimeve të vogla. Kështu, balancimi i sistemit – i domosdoshëm për të shmangur ndërprerjet e energjisë – kërkon mjete të reja për të marrë parasysh këtë prodhim të decentralizuar.

Balancimi i prodhimit të energjisë elektrike duke përfshirë prodhimin diellor të decentralizuar është krejtësisht i mundur në parim. Mbetet vetëm të dihet ku janë instaluar panelët dhe sa madhësi kanë. Inteligjenca artificiale (IA) mund të ndihmojë për të automatizuar këtë ndjekje… nëse mund të garantohet besueshmëria e të dhënave.

Integrimi i burimeve të ripërtëritshme në rrjetin elektrik: sfida të menaxhueshme

Historikisht, prodhimi i energjisë elektrike vjen nga centralet e lidhura me rrjetin e transportit (tension i lartë), para se të dërgohet në rrjetin e shpërndarjes (tension i ulët) dhe tek konsumatorët industrialë të mëdhenj. Prodhimi ishte « i pilotueshëm », domethënë që mund të rregullohet mjaft shpejt në varësi të kërkesës.

Rritja e erës tokësore dhe të energjisë diellore fotovoltaike, kryesisht të lidhura me rrjetin e shpërndarjes, ka ndryshuar thellësisht këtë organizim. Sot, prodhimi i pilotueshëm përshtatet me një « kërkesë neto », domethënë ndryshimin midis konsumit dhe prodhimit të ripërtëritshëm.

Për shembull, kërkesa franceze për energji elektrike është historikisht e ndjeshme ndaj temperaturës (ngrohje, ajër i kondicionuar), dhe prodhimi i ripërtëritshëm është i ndjeshëm ndaj variablave klimatike. Kjo variabilitet nuk është problem në vetvete: e rëndësishme është që një sektor të jetë i dukshëm, pra që mund ta matni ose vlerësoni saktë prodhimin e tij – dhe të kuptoni pasiguritë e prodhimit.

Ndërkohë, aktualisht, fotovoltaiku mungon nga ana e dukshmërisë, kryesisht për shkak të karakterizimit të pasigurt të parkut ekzistues të sistemeve.

Fotovoltaiku është në fakt i karakterizuar nga një shumëllojshmëri shumë e madhe e sistemeve, duke filluar nga qendrat e mëdha deri te instalimet në çati individuale. Një diversitet i tillë i instalimeve e lehtëson shpërndarjen e shpejtë në shkallë të gjerë dhe e bën fotovoltaikun një mjet thelbësor të dekarbonizimit të sistemit elektrik, por kjo karakteristikë e bën edhe të vështirë ndjekjen e shpërndarjes së tij. Kështu, 99 % e instalimeve fotovoltaike, që përbëjnë një të pestën e fuqisë së instaluar, janë kështu të instaluara në çati (residenciale ose tertiare) në mënyrë plotësisht të decentralizuar (ndryshe nga p.sh. qendrat në tokë për të cilat thirrjet për oferta janë të centralizuara, dhe kështu kapacitetet janë më të njohura).

Si i regjistrojmë sot sistemet e instaluara?

regjistri fotovoltaik, i cili regjistron të gjitha instalimet fotovoltaike të lidhura me rrjetin, merret nga deklaratat e lidhjes dhe është subjekt i pasigurive, si në aspektin e regjistrimit të sistemeve ashtu edhe të vlerësimit të fuqisë së tyre të instaluar dhe shpërndarjes gjeografike.

Inteligjenca artificiale, e aplikuar në imazherinë ajrore, ofron një mundësi unike për hartografimin automatik dhe në shkallë të gjerë të sistemeve fotovoltaike, duke vlerësuar sipërfaqen, orientimin dhe fuqinë e tyre, duke lejuar kështu përmirësimin e njohurive tona mbi numrin, shpërndarjen dhe karakteristikat e sistemeve fotovoltaike në çati. Nga shumë modele janë zhvilluar për hartografimin e sistemeve fotovoltaike në çati.

Megjithatë, dhe pavarësisht performancës së tyre të shkëlqyer, këto modele rrallë përdoren nga aktorët e sistemit elektrik për të plotësuar dhe korrigjuar regjistrat e tyre, gjë që zvogëlon ndikimin e metodave të tilla për t’iu përgjigjur çështjes së quajtur të dukshmërisë së fotovoltaikut në çati, dhe më gjerë për të lehtësuar dekarbonizimin e sistemit elektrik.

Cilat janë pengesat për adoptimin e inteligjencës artificiale si mjet ndihmës për hartimin e sistemeve fotovoltaike?

Gjatë disertacionit tim, i kam kushtuar vëmendje të veçantë identifikimit të pengesave metodologjike për vendosjen e mjeteve të inteligjencës artificiale që lejojnë përmirësimin e dukshmërisë së sistemit fotovoltaik në çati. Kam nisur nga një paradoks i dukshëm: mjetet dhe metodat për të zbuluar panele diellore tashmë ekzistonin, por projektet ekzistuese nuk kalonin përtej eksperimentimeve në laborator. Shumë arsye mund të shpjegojnë këtë diferencë. Nga njëra anë, faktorë institucionalë ose njerëzorë, të lidhur me mungesën e trajnimit për këto mjete ose edhe me çështjen e përgjegjësisë në rast gabimi të inteligjencës artificiale. Nga ana tjetër, ekzistojnë faktorë të lidhur me metodat vetë, ku është shfaqur veçanërisht se kombinimi i mungesës së transparencës dhe besueshmërisë së algoritmeve ishte një pengesë e fuqishme për adoptimin e tyre.

Studimi ynë punimi i fundit kërkimor propozoi një metodë që përmirëson si transparencën ashtu edhe besueshmërinë e algoritmeve të hartimit. Përmirësimi i transparencës bazohet në teknika të inteligjencës artificiale të shpjegueshme dhe lejon të kuptosh më mirë se si “shikon” modeli. Përmirësimi i besueshmërisë bazohet në këtë njohje më të mirë të procesit të vendimmarrjes së modelit.

Ne kemi përdorur një teknikë të re të inteligjencës artificiale të shpjegueshme që lejon të ndajë në shkallë të ndryshme atë që “shikon” inteligjenca artificiale në imazh. Kjo ndarje tregon rastet kur inteligjenca artificiale mbështetet në komponentë të imazhit që mund të ndryshohen lehtësisht (frekuencat e larta të imazhit) duke u ngjashmë me motive të katrorë që kanë madhësi në tokë rreth një metër me një metër. Mund të kuptohet lehtësisht korrelacioni ndërmjet paneleve dhe rrjetave, por gjithashtu kuptohet se të gjitha rrjetat nuk janë panele diellore; dhe se të gjithë panele diellore nuk kanë rrjeta.

Kjo metodë lejon të parashikohen më mirë rastet e gënjeshtrave pozitive të rreme por edhe të gënjeshtrave negative të rreme.

Për shembull, në një rajon ku ka shumë xhama me modele të ngjashme të rrjetës, përdoruesi do të parashikojë një rritje të mundshme të numrit të vërtetë të panelëve. Përkundrazi, në një rajon ku panelët e instaluar janë më të rinj dhe prandaj më të prirur të jenë pa kornizë, mund të pritet një nënvlerësim i numrit të panelëve. Identifikimi i mundshëm i gënjeshtrave negative të rreme është veçanërisht i rëndësishëm, sepse ndërsa është i thjeshtë të eliminohen gënjeshtrat pozitive të rreme përmes trajtimit pasues, është më i vështirë të luftosh kundër gënjeshtrave negative të rreme.

Si të sigurojmë që IA të mbetet e besueshme ndërsa sistemet për t’u zbuluar evoluojnë?

Për një IA, besueshmëria i përgjigjet aftësisë së sistemit për të arritur një saktësi të krahasueshme me atë që është arritur gjatë trajnimit fillestar të modelit, gjatë një periudhe më të gjatë ose më të shkurtër. Në praktikë, këto të dhëna të trajnimit janë të fikura, ndërsa të dhënat mbi të cilat përdoret modeli vazhdojnë të evoluojnë në mënyrë të vazhdueshme. Kështu, shpërndarja statistikore e të dhënave të trajnimit bëhet gjithnjë e më pak përfaqësuese e asaj të të dhënave mbi të cilat modeli është i vendosur.

Është vërtetuar se IA janë të ndjeshme ndaj ndryshimeve të tilla të shpërndarjes (distribution shifts) dhe se performancat teorike janë gjithnjë e më pak përfaqësuese të realitetit. Për zbulimin e paneleve diellore, mund të pritet një ulje e zbulimeve për shkak se modeli kurrë nuk ka “mësuar” të njohë panele të reja. Të dhënat e trajnimit janë kështu të paragjykuara në raport me kushtet reale, dhe përditësimet e të dhënave të trajnimit do të sigurojnë që të reflektojnë shpërndarjen e azhurnuar të llojeve të paneleve fotovoltaike.

IA vetëm nuk do të zgjidhë të gjitha pyetjet e shkaktuara nga dekarbonizimi i sistemit elektrik. Megjithatë, ajo mund dhe duhet të kontribuojë në këtë, duke pasur parasysh pjekurinë e teknologjive, disponueshmërinë e të dhënave dhe interesin e përgjithshëm që e rrethon. Sfida është dyfishe: nga njëra anë, të kuptojmë funksionimin dhe kufijtë e saj dhe, nga ana tjetër, të përmirësojmë besueshmërinë e saj, në mënyrë që pranimi i kësaj teknologjie të bazohet në diskrecionin e përdoruesit, më shumë se sa në besimin e verbër në këto mjete.