WYKORZYSTANIE METOD OBLICZENIOWYCH I SZTUCZNEJ INTELIGENCJI W BEZPIECZEŃSTWIE ENERGETYCZNYM
Abstrakt
Możliwości zastosowania sztucznej inteligencji w sektorze energetycznym są dziś szerokie. Ogromna ilość danych przechodzących przez ten sektor stwarza potrzebę wdrażania automatycznej, inteligentnej analizy oraz potencjał rozwoju tych technologii. Chcąc zapewnić bezpieczeństwo energetyczne rozumiane jako zapewnienie ciągłości dostaw energii i paliw, należy mieć pełną kontrolę nad ich dystrybucją i możliwymi zagrożeniami. Korzyści płynące z kontroli nad danymi, prognozowania kluczowych w tym sektorze wartości czy optymalizacji działań i operacji na sieci są nieocenione.
Celem niniejszego artykułu jest przegląd konkretnych obszarów energetyki, w których metody obliczeniowe i sztuczna inteligencja mają największy potencjał. Ponadto, wskazanie konkretnych metod, które sprawdzone w innych sektorach lub zbadane w nauce mają zastosowanie również tutaj.
Bibliografia
Allen E., Modeling with Itô Stochastic Differential Equations, Springer, 2007.
Artificial Intelligence – from Hype to Reality for the Energy Industry, Deutsche Energie-Agentur GmbH (dena), 2020
Capiński, Marek, and Ekkehard Kopp. The Black–Scholes Model. Cambridge University Press, 2012.
Deng S., Stochastic models of energy commodity prices and their applications: Mean-reversion with jumps and spikes. Berkeley: University of California Energy Institute, 2000.
Ediger, Volkan Ş., and Sertac Akar. "ARIMA forecasting of primary energy demand by fuel in Turkey." Energy policy 35.3 (2007): 1701-1708.
Grochowalski J. i inni, "Towards application of machine learning algorithms for prediction temperature distribution within CFB boiler based on specified operating conditions." Energy 237 (2021): 121538.
Ho, Siu Lau, and Min Xie. "The use of ARIMA models for reliability forecasting and analysis." Computers & industrial engineering 35.1-2 (1998): 213-216.
Huang X., Fox G.C., Serebryakov S., Mohan A., Morkisz P. and Dutta D., "Benchmarking Deep Learning for Time Series: Challenges and Directions," 2019 IEEE International Conference on Big Data (Big Data), Los Angeles, CA, USA, 2019, pp. 5679-5682, https://doi.org/10.1109/47090.2019.9005496.
IEA (2022), A 10-Point Plan to Reduce the European Union’s Reliance on Russian Natural Gas, IEA, Paris, https://www.iea.org/reports/a-10-point-plan-to-reduce-the-european-unions-reliance-on-russian-natural-gas,
Jachymek P., Wykorzystanie analizy Big Data i metod predykcyjnych w utrzymaniu majątku produkcyjnego-na przykładzie Elektrowni Łagisza, 2019
Krizhevsky A., Sutskever I., Hinton G., ImageNet Classification with Deep Convolutional Neural Networks, 2012
THINKTANK na zlecenie KPRM, Ocena dojrzałości cyfrowej przedsiębiorstw rynku energii elektrycznej w Polsce, 2023, https://www.gov.pl/web/ai/ocena-dojrzalosci-cyfrowej-przedsiebiorstw-rynku-energii-elektrycznej-w-polsce
Turing, Alan M. (1950). Computing machinery and intelligence. Mind 59 (October):433-60.
Weron R, Electricity price forecasting: A review of the state-of-the-art with a look into the future, International journal of forecasting 30 (4), 1030-1081, 2014
Copyright (c) 2023 Paweł Morkisz, Martyna Wiącek, Ireneusz Wochlik
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Na tych samych warunkach 4.0 Miedzynarodowe.
