Use Case

Επισκόπηση Έργου

Στον ενεργειακό τομέα, τα δεδομένα είναι παντού — αλλά συχνά ακατάστατα και ασυνεπή. Για τη ΔΕΗ, αυτό καθιστούσε την ακριβή πρόβλεψη πραγματική πρόκληση. Στο πλαίσιο του έργου NOUS, η AETHON Engineering ηγείται του Use Case 2, αναπτύσσοντας το Autostandardiser, ένα εργαλείο ΤΝ που διορθώνει και τυποποιεί με αυτοματοποιημένο τρόπο δεδομένα από αισθητήρες, ανανεώσιμες πηγές, αγορές και μετεωρολογικές ροές. Αυτή η υποδομή επιτρέπει την ανάπτυξη προηγμένων μοντέλων όπως το Federated και Quantum Machine Learning, βοηθώντας την ΔΕΗ να σχεδιάζει με μεγαλύτερη ακρίβεια και ανοίγοντας τον δρόμο για την Ελλάδα και την Ευρώπη να πρωτοπορήσουν στη “έξυπνη”, βιώσιμη ενέργεια που υποστηρίζεται από ΤΝ.

Χρονοδιάγραμμα & Τωρινή Κατάσταση

Το Autostandardiser αναπτύσσεται στο πλαίσιο του έργου NOUS. Αυτή τη στιγμή βρίσκεται σε πιλοτική φάση, με διαδικασίες ενσωμάτωσης και επικύρωσης εντός των αγωγών πρόβλεψης της ΔΕΗ, ενώ η πλήρης υλοποίηση αναμένεται έως τα τέλη του 2026.

Στόχοι & Επιδιώξεις

Ο βασικός στόχος του Autostandardiser είναι να επιλύσει το θεμελιώδες πρόβλημα των κατακερματισμένων και ασυνεπών δεδομένων. Οι επιμέρους στόχοι περιλαμβάνουν:

• Αυτοματοποίηση της συλλογής, καθαρισμού και τυποποίησης ετερογενών ροών δεδομένων.
• Διασφάλιση υψηλής ποιότητας και διαλειτουργικότητας συνόλων δεδομένων που τροφοδοτούν μοντέλα πρόβλεψης βασισμένα σε ΤΝ.
• Μείωση του χρόνου και των πόρων που απαιτούνται για χειροκίνητη επεξεργασία δεδομένων, επιταχύνοντας την ανάπτυξη λύσεων ΤΝ.
• Ενδυνάμωση της ΔΕΗ και των εταίρων του έργου NOUS να δημιουργήσουν επεκτάσιμες και μεταφέρσιμες λύσεις ΤΝ σε όλο το ενεργειακό οικοσύστημα.

Αναμενόμενα Αποτελέσματα & Επιχειρηματική Αξία

Για την ΔΕΗ, το Autostandardiser μεταφράζεται άμεσα σε βελτιωμένη ακρίβεια πρόβλεψης, επιτρέποντας πιο αποδοτικό σχεδιασμό παραγωγής ενέργειας, βελτιστοποιημένες στρατηγικές εμπορίας και καλύτερη ενσωμάτωση ανανεώσιμων πηγών. Η αυτοματοποίηση της προετοιμασίας δεδομένων αναμένεται να μειώσει τον χρόνο του data engineering τουλάχιστον κατά 40%, ενώ η βελτίωση της απόδοσης των μοντέλων μπορεί να επιφέρει σημαντική εξοικονόμηση κόστους στις λειτουργίες αγοράς. Πέρα από την ΔΕΗ, το συγκεκριμένο στοιχείο ενισχύει ολόκληρη την αρχιτεκτονική του NOUS, διευκολύνοντας τη δημιουργία τυποποιημένων, διασυνοριακών ενεργειακών χώρων δεδομένων — προϋπόθεση για συνεργατική ΤΝ στην Ευρώπη.

Σύνοψη Επιπτώσεων

• Επιχειρηματική: Απλούστευση των διαδικασιών πρόβλεψης και μείωση λειτουργικού κόστους.
• Τεχνική: Δημιουργία μιας ισχυρής, επαναχρησιμοποιήσιμης μηχανής τυποποίησης δεδομένων που ενισχύει την αξιοπιστία των μοντέλων ΤΝ.
• Περιβαλλοντική: Καλύτερη ενσωμάτωση ανανεώσιμων πηγών και εξισορρόπηση φορτίου, οδηγώντας σε μείωση εκπομπών άνθρακα.
• Κοινωνική: Συμβολή σε ένα πιο σταθερό, αποδοτικό και βιώσιμο ενεργειακό δίκτυο.

Τεχνολογική Υποδομή & Ανάπτυξη

Το Autostandardiser αξιοποιεί συνδυασμό τεχνικών Μηχανικής Μάθησης και rule-based ΤΝ για αναγνώριση σχημάτων (schemas) και μετασχηματισμό δεδομένων. Οι βασικές τεχνολογίες περιλαμβάνουν Python, PyTorch, TensorFlow και Apache Spark για επεκτάσιμη διαχείριση δεδομένων. Η ανάπτυξη είναι cloud-based, χρησιμοποιώντας Azure και on-premise υποδομές HPC, εξασφαλίζοντας υψηλή απόδοση και συμμόρφωση με τις απαιτήσεις διακυβέρνησης δεδομένων της ΔΕΗ.

Στρατηγική Δεδομένων

Το σύστημα επεξεργάζεται μια ευρεία γκάμα εισόδων:

• Δομημένα δεδομένα: Μετρήσεις αισθητήρων SCADA, αρχεία χρονικών σειρών, τιμές αγοράς.
• Ημιδομημένα δεδομένα: Ροές από Weather APIs, εξαγωγές CSV/JSON.
• Αδόμητα δεδομένα: Εξωτερικές κειμενικές αναφορές (σε περιορισμένες περιπτώσεις).

Ο όγκος των δεδομένων είναι μεγάλος, από terabytes ιστορικών αρχείων έως ροές πραγματικού χρόνου. Το Autostandardiser επιβάλλει εναρμονισμένα σχήματα, μονάδες και χρονικές σημάνσεις, διασφαλίζοντας συνέπεια σε όλες τις ροές δεδομένων.

Ανάπτυξη Λύσης & Προκλήσεις

Το κύριο πρόβλημα που αντιμετωπίστηκε ήταν η χρονοβόρα και επιρρεπής σε σφάλματα χειροκίνητη διαδικασία τυποποίησης, που καθυστερούσε την υιοθέτηση ΤΝ. Η προσέγγιση της AETHON ήταν να σχεδιάσει το Autostandardiser ως ένα plug-and-play AI middleware, ικανό να μαθαίνει κανόνες αντιστοίχισης, να εφαρμόζει τα πρότυπα του NOUS και να παράγει καθαρά, έτοιμα για χρήση δεδομένα. Οι προκλήσεις περιελάμβαναν:

• Διαχείριση ετερογένειας δεδομένων από παλαιά και σύγχρονα συστήματα.
• Σχεδίαση λύσης αρκετά ευέλικτης ώστε να προσαρμόζεται σε νέες πηγές και πρότυπα χωρίς επανασχεδιασμό.
• Διασφάλιση συμμόρφωσης με τις απαιτήσεις κυριαρχίας και ασφάλειας δεδομένων στο ομοσπονδιακό πλαίσιο του NOUS.

Αποτελέσματα & Μαθήματα

Οι πρώτες δοκιμές έδειξαν ότι το Autostandardiser μπορεί να μειώσει τον χρόνο προεπεξεργασίας από εβδομάδες σε ώρες, επιτυγχάνοντας παράλληλα πάνω από 95% συνέπεια στα τυποποιημένα σύνολα δεδομένων. Τα πιλοτικά αποτελέσματα κατέδειξαν βελτίωση στην ακρίβεια των μοντέλων πρόβλεψης όταν εφαρμόζονται τα καθαρισμένα δεδομένα, επιβεβαιώνοντας την επιχειρηματική αξία της λύσης. Κύρια μαθήματα:

• Τα θεμελιώδη στοιχεία, όπως η τυποποίηση δεδομένων, είναι εξίσου κρίσιμα με τα προηγμένα μοντέλα ΤΝ.
• Ο σχεδιασμός για επεκτασιμότητα και προσαρμοστικότητα είναι ουσιαστικός, καθώς οι πηγές και τα πρότυπα δεδομένων εξελίσσονται συνεχώς.
• Η συνεργασία μεταξύ εταίρων είναι απαραίτητη για τον καθορισμό και τη συμφωνία σε πρότυπα που επιτρέπουν τη διαλειτουργικότητα σε ευρωπαϊκό επίπεδο.