Beléptünk a villamos energia korszakába, amely számos területen veszi át a fosszilisektől a szerepet. Ugyanakkor az adatok szerepe is meghatározó napjainkra, felmérhetetlenül sok adatot kell kezelni, és ez csak növekedni fog, amihez új megközelítés kell. Az algoritmusok több célra jól használhatóak az energetikában, de az adatok minősége, mennyisége meghatározó – mondta Aszódi Attila, a Budapesti Műszaki és Gazdaságtudományi Egyetem Nukleáris Technikai Intézet professzora a Portfolio AI in Energy 2026 konferenciáján.
Az adatok megsokszorozódásának egyik oka az, hogy míg korábban a nagy erőművek voltak a meghatározóak a villamosenergia-rendszerben, most már több százezer termelő van – mutatott rá Aszódi Attila a változások egyik fő hajtóerejére.
Az áram az új olaj, de van egy olyan mondás is, hogy az adat az új olaj.
A Nemzetközi Energia Ügynökség (IEA) frissített jelentése szerint az öt legnagyobb tech cég az elmúlt évben több befektetés eszközölt az AI-ba, mint amennyit a gázba és olajba fektettek a tengerentúlon – mondta.
Az algoritmusokat nézve, több mint 100 évig úgynevezett determinisztikus modelleket alkalmaztunk, matematikai modellekkel igyekezve előre jelezni az adott rendszer különböző körülmények között várható viselkedését. Ez a tradicionális determinisztikus programozási modell nem fog eltűnni, de egyre több olyan technológia van a hálózatainkban, amelyek egyre inkább sztochasztikus, tehát véletlenszerű folyamatoktól függenek, ami teljesen más leírást igényel – ebben tud sokat segíteni az AI, illetve a gépi tanulás, a tanuló algoritmusok.
Az adatalapú mesterséges intelligencia sok esetben képes új mintázatok felismerésére is az adatokban, ha jól végezzük el a betanítást, de nagyon lényeges, hogy milyen adatokkal, milyen céllal tanítunk algoritmusokat.
A ma gyakran alkalmazott nagy nyelvi modellek részhalmazát képezik az AI-nak, ezek relevánsak lehetnek a villamos energia világában is, de itt inkább a gépi tanulás lehet izgalmas. Sokan vizsgálják, hogy a gépi tanulási módszerek hogyan alkalmazhatók a termelés, ár vagy karbantartási szükségletek megtervezésében.
További kihívás azonban, hogy az új algoritmusok sokkal, 10-20-30-szor több villamos energiát igényelnek a korábbiaknál. Ezért előrejelzések szerint 2030-ra akár 1 000 (terawattóra) TWh, 2035-re akár 1 500 TWh fölé emelkedhet a szerverfarmok globális áramigénye, ezek főleg a tengerentúlon és Ázsiában épülnek, de Európában is. Ezért a technológiai cégek sokat fektetnek az energiaellátás biztosításába is, például a kis moduláris reaktorok fejlesztésében is masszívan benne vannak.
Elképesztő mennyiségű pénz mozog ezen a piacon, az AI és kapcsolódó területeken – hangsúlyozta Aszódi.
Előadása végén Aszódi Attila ismertette a BME legújabb kutatását is, amely az európai másnapi (day-ahead) villamosenergia-árak mesterséges intelligencia alapú modellezése és elemzése tárgyában készült. A Budapesti Műszaki és Gazdaságtudományi Egyetem Természettudományi Karán hosszabb ideje vizsgálják az európai országok villamosenergia-piacainak működésére hatást gyakorló tényezőket.
A kutatás keretében az ún. magyarázható mesterséges intelligencia (explainable AI) algoritmusok alkalmazásának lehetőségét vizsgálták, 19 európai ország piacainak, 10 évnyi adatát betanítva a modellnek. A BME TTK fejlesztésének eredménye jobb és pontosabb árelőrejelzést tesz lehetővé a villamosenergia-piac szereplői számára, ráadásul mindezt szabadon hozzáférhető adatok és gyorsan lefuttatható mesterséges intelligencia modellek segítségével.
A másnapi villamosenergia-piac előrejelzése az egyik legösszetettebb feladat az iparágban, de tapasztalataink szerint ezek az algoritmusok jól használhatóak, de az adatok minősége, mennyisége meghatározó – mondta Aszódi Attila.
Forrás / Fotó: Portfolio.hu
