Modello IA prevede i consumi energetici da 2.000 record in pochi secondi

2.000 record orari relativi a energia ed emissioni hanno alimentato un modello che è stato addestrato ed eseguito in pochi secondi. Yongting Liu e i suoi colleghi hanno utilizzato record provenienti da contatori intelligenti, sistemi di gestione degli edifici e reti industriali per realizzare un sistema di IA che prevede i consumi energetici e aiuta gli operatori a pianificare in anticipo la generazione di energia e la produzione di emissioni.

Al centro del sistema c'è una rete generativa avversaria basata su transformer, o GAN — un sistema di apprendimento automatico in cui due reti neurali competono tra loro per produrre dati realistici — combinata con un'ottimizzazione statistica bayesiana. Il GAN apprende schemi complessi dei consumi energetici; il metodo bayesiano ottimizza il sistema per ottenere le migliori prestazioni.

Questa combinazione punta ad affrontare problemi con cui i modelli predittivi convenzionali possono avere difficoltà: schemi di consumo non lineari, picchi e cali improvvisi e diversi fattori esterni che agiscono contemporaneamente. Prima dei test, i ricercatori hanno rimosso i riferimenti ai dati mancanti ed eliminato i valori anomali per normalizzare gli input. Le previsioni risultanti hanno corrisposto da vicino ai dati energetici osservati.

In termini concreti, il modello potrebbe offrire ai responsabili dell'energia uno spazio di simulazione rapido. Potrebbero generare scenari per testare misure di spostamento della domanda, esplorare come integrare la generazione da fonti rinnovabili e individuare le inefficienze prima dell'effettiva generazione di energia e produzione di emissioni. L'approccio potrebbe essere applicato nei siti industriali dotati di generazione interna di energia e in sistemi energetici più ampi.

Il risultato resta un test di un modello in fase di ricerca, non una riduzione misurata delle emissioni in un sistema elettrico operativo. Lo studio ha utilizzato 2.000 record preparati e riferisce che l'addestramento e l'esecuzione hanno richiesto solo pochi secondi; non descrive un'implementazione operativa dal vivo. Per ora, il suo valore pratico risiede nella rapidità con cui gli operatori potrebbero esaminare le possibili opzioni prima di metterle in pratica.