Wykorzystanie metod obliczeniowych i sztucznej inteligencji w bezpieczeństwie energetycznym

• Autorzy: Morkisz Paweł , Wiącek Martyna , Wochlik Ireneusz

Identyfikatory

DOI

10.34752/2023-e283

Warianty tytułu

EN

Application of computational methods and artificial intelligence in energy security

• Języki publikacji: PL

Abstrakty

PL

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.

EN

The possibilities for using artificial intelligence in the energy sector are vast today. The massive amount of data passing through this sector creates the need to implement automatic, intelligent analysis and the potential for developing these technologies. In order to ensure energy security, understood as ensuring the continuity of energy and fuel supplies, it is necessary to have complete control over their distribution and possible threats. The benefits of controlling data, forecasting critical values in this sector, or optimizing activities and operations on the network are invaluable. The purpose of this article is to review specific areas of the energy sector where computational methods and artificial intelligence have the most significant potential. In addition, specific methods that have been proven in other sectors or studied in science are indicated to apply here.

Słowa kluczowe

PL

bezpieczeństwo energetyczne; sztuczna inteligencja; prognoza; optymalizacja; transformacja cyfrowa

EN

energy security; artificial intelligence; forecasting; optimization; digital transformation

• Wydawca: Towarzystwo Wiedzy Obronnej
• Czasopismo: Wiedza Obronna
• Rocznik: 2023
• Tom: nr 2
• Opis fizyczny: Bibliogr. 14 poz.

Twórcy

autor

Morkisz Paweł

• Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie, Polska

• https://orcid.org/0000-0002-4734-966X

autor

Wiącek Martyna

• Akademia Górniczo-Hutnicza im. St. Staszica w Krakowie, Polska
• Aigorithmics sp. z o.o., Kraków, Polska

• https://orcid.org/0000-0002-3933-6287

autor

Wochlik Ireneusz

• Aigorithmics sp. z o.o., Kraków, Polska
• Fundacja AI Law Tech , Warszawa, Polska

• https://orcid.org/0000-0002-2003-7551

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 temperaturę 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-wpolsce
• 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

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).