Η τεχνητή νοημοσύνη (AI) θα μπορούσε να χαρακτηριστεί ταυτόχρονα πρόκληση και ευκαιρία για τα δίκτυα ηλεκτρικής ενέργειας. Από τη μία πλευρά, η ραγδαία εξάπλωση των ενεργοβόρων data centres αυξάνει δραστικά τη ζήτηση ηλεκτρικής ενέργειας. Από την άλλη, η ίδια τεχνολογία προσφέρει πρωτοφανή ακρίβεια στην πρόβλεψη φορτίου, ανοίγοντας τον δρόμο για σημαντικά κέρδη όσον αφορά την αποδοτικότητα και τη μεγαλύτερη ανθεκτικότητα των δικτύων. Ακριβώς αυτή η διττή φύση της AI έρχεται σε μια περίοδο κατά την οποία τα υφιστάμενα εργαλεία διαχείρισης του συστήματος δοκιμάζονται. Τα παραδοσιακά μοντέλα πρόβλεψης, που βασίζονται σε ιστορικά δεδομένα και μαθηματικές καμπύλες, δυσκολεύονται όλο και περισσότερο να ανταποκριθούν σε ένα περιβάλλον όπου τα ακραία και απρόβλεπτα γεγονότα γίνονται πιο έντονα αλλά και συχνότερα.

Από τα «έξυπνα» δίκτυα στα ευφυή δίκτυα

Τα περισσότερα σύγχρονα δίκτυα είναι ήδη «έξυπνα». Χρησιμοποιούν ψηφιακή επικοινωνία, αισθητήρες και αυτοματισμούς για την παρακολούθηση και βελτιστοποίηση της παραγωγής, μεταφοράς και κατανάλωσης ηλεκτρικής ενέργειας σε πραγματικό χρόνο. Ωστόσο, η ευρεία υιοθέτηση της AI για την πρόβλεψη φορτίου και τον υπολογισμό των καμπυλών ζήτησης υπόσχεται να απογειώσει αυτές τις δυνατότητες. Σύμφωνα με το Power Technology, εταιρείες όπως η AES και η E.ON έχουν ήδη επενδύσει σε AI-enabled πλατφόρμες, ενώ η National Grid συνεργάζεται με την Emerald.AI για να διερευνήσει τον ρόλο της AI τόσο ως πηγής φορτίου όσο και ως εργαλείου διαχείρισής του. Παράλληλα, η Hydro-Québec αναδεικνύεται σε χαρακτηριστικό παράδειγμα επιτυχούς εφαρμογής AI στην πρόβλεψη φορτίου.

Γιατί τα παραδοσιακά μοντέλα δεν αρκούν πλέον

Ιστορικά, η πρόβλεψη φορτίου βασιζόταν σε μαθηματικά μοντέλα που χρησιμοποιούσαν χρόνια δεδομένων, κατανεμημένα ανά εποχή και χρονική περίοδο. Αυτά τα μοντέλα αποδίδουν καλά σε «κανονικές» συνθήκες. Όπως εξηγεί ο Sylvain Clermont, επικεφαλής συγγραφέας της μελέτης της UNECE για την Hydro-Québec, το πρόβλημα προκύπτει όταν εμφανίζεται κάτι εντελώς νέο. Η πανδημία Covid-19 αποτελεί χαρακτηριστικό παράδειγμα: η αιφνίδια αλλαγή στις συνήθειες εργασίας και η παύση της βιομηχανικής δραστηριότητας ανέτρεψαν μέσα σε λίγες ημέρες κάθε ιστορικό πρότυπο. Αντίστοιχες πιέσεις δημιουργούν σήμερα τα ακραία καιρικά φαινόμενα, η ταχεία διείσδυση των ΑΠΕ και η εξάπλωση των data centres. Σύμφωνα με τον Clermont, το χάσμα μεταξύ των προβλέψεων των παραδοσιακών μοντέλων και της πραγματικής ζήτησης αυξάνεται, φτάνοντας σε ορισμένες περιπτώσεις τις εκατοντάδες μεγαβάτ. Δεν πρόκειται για αποτυχία των παλαιών μοντέλων, αλλά για αλλαγή των συνθηκών.

Η Hydro-Québec, ένας από τους μεγαλύτερους παραγωγούς υδροηλεκτρικής ενέργειας παγκοσμίως, με έδρα το Μόντρεαλ, χρησιμοποιεί AI καθημερινά για πρόβλεψη φορτίου από το 2024. Η εταιρεία εφαρμόζει AI τόσο για βραχυπρόθεσμες προβλέψεις εντός 36 ωρών όσο και για ωριαίες προβλέψεις έως και 12 ημέρες μπροστά, ενώ αξιοποιεί «ιστορικά κανονικά» δεδομένα και για προβλέψεις έως 42 ημέρες. Ξεκίνησε το 2018 ως proof of concept σε έναν μόνο υποσταθμό και χρειάστηκαν πέντε χρόνια έρευνας πριν τα βαθιά νευρωνικά δίκτυα τεθούν σε πλήρη παραγωγική λειτουργία τον Οκτώβριο του 2023. Σήμερα, τα AI μοντέλα λειτουργούν παράλληλα με τα παραδοσιακά μοντέλα, επιτρέποντας συνεχή σύγκριση και ανθρώπινη παρέμβαση όπου απαιτείται. Τα οφέλη έγιναν εμφανή κατά τη διάρκεια του καύσωνα στον Καναδά στις 22 Μαΐου 2024. Ένα από τα παλαιότερα μοντέλα απέτυχε να προβλέψει ότι δεν θα σημειωνόταν η συνήθης πτώση φορτίου, οδηγώντας σε διορθώσεις ύψους 1.500MW. Το AI μοντέλο, αντίθετα, προέβλεψε σωστά τη συμπεριφορά του δικτύου.

Οι προκλήσεις της AI

Παρότι η τεχνητή νοημοσύνη προσφέρει σημαντικά οφέλη, καταναλώνει πολύ μεγάλες ποσότητες ηλεκτρικής ενέργειας. Η ζήτηση αυτή δεν είναι πάντα εύκολο να προβλεφθεί και μπορεί να επιβαρύνει ξαφνικά το ηλεκτρικό δίκτυο. Αναπτύσσονται όμως λύσεις που βοηθούν στη διαχείριση αυτού του προβλήματος. Εργαλεία όπως το Emerald Conductor της Emerald.AI επιτρέπουν στα data centers να αυξομειώνουν την κατανάλωσή τους, ανάλογα με το πόσο «φορτωμένο» είναι το δίκτυο εκείνη τη στιγμή.

Αυτή η προσέγγιση δοκιμάστηκε πρόσφατα από τη National Grid, η οποία μεταξύ 15 και 19 Δεκεμβρίου 2025 υλοποίησε μια πιλοτική εφαρμογή πραγματικού χρόνου, ορχηστρώνοντας μη κρίσιμα workloads data centers σε συνάρτηση με τις συνθήκες του δικτύου. Τα αποτελέσματα του πειράματος βρίσκονται υπό αξιολόγηση, πριν ληφθούν αποφάσεις για ενδεχόμενη ευρύτερη εφαρμογή. Σε κάθε περίπτωση, η τεχνητή νοημοσύνη δεν έρχεται να αντικαταστήσει τον ανθρώπινο παράγοντα ούτε τον μακροπρόθεσμο ενεργειακό σχεδιασμό. Αντίθετα, λειτουργεί συμπληρωματικά, ως μέρος ενός ευρύτερου πλαισίου ευελιξίας και ανθεκτικότητας, όπου η ανθρώπινη εποπτεία παραμένει καθοριστική. Άλλωστε, οι τεχνολογικές βάσεις για μια πιο ευφυή, AI-driven διαχείριση των δικτύων είναι ήδη σε μεγάλο βαθμό έτοιμες: στις ΗΠΑ, το 70%–75% των καταναλωτών διέθετε έξυπνους μετρητές ήδη από τις αρχές της δεκαετίας του 2020, ενώ στην Ευρωπαϊκή Ένωση το ποσοστό αυτό εκτιμάται μεταξύ 80% και 90%.

Διαβάστε ακόμη