Sveučilište u Zagrebu Fakultet elektrotehnike i računarstva
Sažetak:
Elektroenergetski sustav prolazi kroz transformaciju potaknutu integracijom obnovljivih izvora energije, razvojem pametnih senzora i interneta stvari (IoT) te potrebom za upravljanjem u stvarnom vremenu. Usporedno s razvojem energetike, računarstvo je napredovalo od ranih ekspertnih sustava programiranih pravilima do generativne umjetne inteligencije i analitike velikih podataka (Big Data). Zbog toga sustavi temeljeni na podacima postaju ključni alati za planiranje proizvodnje, prediktivno održavanje i adaptivnu potrošnju.
Na seminaru će se obraditi glavne paradigme strojnog učenja – nadzirano, nenadzirano i podržano učenje. Opisat će se kako se SCADA, PMU i AMI mjerenja koriste za prognozu potrošnje i proizvodnje iz obnovljivih izvora, kako algoritmi samostalno prepoznaju rane znakove kvara ili kibernetičke napade, te kako agenti uče metodom pokušaja i pogreške za prilagođavanje parametara na temelju povratnih informacija u stvarnom vremenu. Pokazat će se primjeri specifičnih AI algoritama poput XGBoost-a, koji je u širokoj uporabi zbog učinkovitosti u hvatanju nelinearnih odnosa, te arhitektura dubokog učenja poput konvolucijskih (CNN) i rekurentnih neuronskih mreža (RNN, LSTM). Danas se široko upotrebljavaju transformerske neuronske mreže, poput Temporal Fusion Transformera (TFT) za predviđanje vremenskih nizova, a osobito veliki jezični modeli koji omogućuju pretvaranje namjera operatera u konkretne pozive funkcija u sustavu, od upita nad podacima i dijagnostike do podrške pri donošenju upravljačkih odluka.
S obzirom na kritičnost energetske infrastrukture, integracija AI rješenja zahtijeva sigurnosne mjere, izolaciju od kritičnih operativnih mreža te primjenu principa “human-in-the-loop”. Pojasnit će se i važnost upravljanja AI modelima u operativnom okruženju (MLOps) za praćenje promjena u distribuciji podataka i točnosti modela. Opisat će se koncepti federalnog učenja za decentralizirano ažuriranje modela uz očuvanje privatnosti te uloga digitalnih blizanaca u koordiniranom praćenju i provođenju simulacija.
Na seminaru će se prikazati:
• usporedni razvoj računarstva i elektroenergetike te tranzicija prema pametnim mrežama;
• primjene nadziranog, nenadziranog i podržanog učenja u modernom EES-u;
• primjeri naprednih modela poput XGBoost-a, dubokog učenja te transformerskih mreža (TFT, jezični modeli);
• izazovi implementacije umjetne inteligencije, uključujući MLOps koncepte, sigurnost podataka i federalno učenje;
• pregled aktualnog regulatornog okvira (EU AI Act, NIS2 direktiva, smjernice ENTSO-E-a).
