Cercetările vizează găsirea de soluții bazate pe AI și concepte de Digital Twin pentru a rezolva problemele complexe de prognoză a rețelelor de energie distribuite (Smart Grids).
Provocările prognozei și arhitectura Digital Twin
- Complexitatea Datelor: Prognoza energetică este îngreunată de natura stocastică a vremii și a comportamentului uman, de tiparele de consum non-staționare și de datele limitate provenite de la senzori de o calitate inferioară.
- Impact de Business: Erorile de predicție atrag penalități de dezechilibru, oferte greșite pe piață și risipă de energie.
- Soluția Multi-Strat: Arhitectura propusă include achiziția datelor IoT, stocarea în baze de date time-series, simularea comportamentului sistemului prin modele fizice sau AI/ML și integrarea directă cu un Sistem de Management al Energiei (EMS) pentru control automatizat.
Arhitectura representation-augmented Temporal Fusion Transformer (TFT)
Această abordare hibridă învață reprezentări temporale stabilizate pe care le condiționează cu informații structurale, oferind o prognoză interpretabilă.
- Extragerea Tiparelor Temporale: Folosește un encoder auto-supervizat (TS2Vec) pentru a transforma semnalele energetice brute în reprezentări coerente, atenuând zgomotul și lipsa datelor.
- Condiționarea Contextului Structural: Informațiile structurale specifice activelor (bazate pe text) sunt procesate printr-un encoder de tip BERT și injectate în reprezentările temporale pentru a capta dinamica specifică.
- Prognoză Interpretabilă: Modelul selectează dinamic covariantele relevante la fiecare pas prin intermediul unei rețele de selecție a variabilelor și utilizează un mecanism de tip „Interpretable Masked Self-Attention” pentru a oferi interpretabilitate deciziilor.
Conceptul de „Agentic Digital Twin”
Reprezintă un model de generație următoare care integrează modele fondaționale pentru a aduce proactivitate, autonomie și conștientizare situațională multi-modală în sistemele de management energetic.
- Percepție și Procesare Analitică: Utilizează generarea de date prin RAG (Retrieval-Augmented Generation) și extrage caracteristici din date structurate și nestructurate.
- Baze de Cunoștințe (Knowledge): Sistemul integrează cunoștințe dinamice (date în timp real, log-uri), cunoștințe statice (modele ale componentelor fizice) și politici (reguli, constrângeri).
- Planificarea Acțiunilor și Raționament: Agenții reflectivi conversează între ei (Inter Agents’ conversation) și generează scenarii. Se folosește raționamentul simbolic pentru a evita halucinațiile sistemului și pentru a implementa optimizări, existând mecanisme de siguranță de tip „Human-in-the-Loop”.
