Σε συνδυασμό με την Τ.Ν., η επιχείρηση επιταχύνει τον ψηφιακό μετασχηματισμό της, με στόχο την ανάπτυξή της, τη μείωση του κόστους και τη βελτίωση της εμπειρίας των εργαζομένων
ΤΟΥ ΝΑΣΟΥ ΧΑΤΖΗΤΣΑΚΟΥ
Σε έναν κόσμο όπου η ενεργειακή διαχείριση γίνεται όλο και πιο κρίσιμη για την επιβίωση και την ανταγωνιστικότητα των επιχειρήσεων, η Metlen πρωτοπορεί. Με αιχμή την Τεχνητή Νοημοσύνη (Τ.Ν.) και έναν συνεπή, συνολικά, στρατηγικό ψηφιακό μετασχηματισμό έχει καταφέρει να μειώσει στο μισό (!) το σφάλμα των προβλέψεων τιμών ενέργειας και να αυτοματοποιήσει κρίσιμες διαδικασίες, θέτοντας τα θεμέλια για ένα αποδοτικότερο και πιο ευέλικτο ενεργειακό μοντέλο λειτουργίας, πρότυπο για το σύνολο του εγχώριου -και όχι μόνο- επιχειρείν.
Πώς αξιοποιεί η Metlen τις δυνατότητες της Τ.Ν.; Κατά τη διάρκεια πρόσφατης ημερίδας του ΣΕΒ (με θέμα «A.I. στην πράξη: Πώς θα εφαρμόσουμε την Τεχνητή Νοημοσύνη στις επιχειρήσεις μας»), οι Δημήτρης Σιμόπουλος, προϊστάμενος Υπηρεσίας Διαχείρισης Ενέργειας Σταθμών, και Eυάγγελος Καπαρελιώτης, διευθυντής Επιχειρησιακών Πλατφορμών Πληροφορικής, αποκάλυψαν τη στρατηγική του ομίλου, την οποία παρουσιάζει σήμερα η «DEALnews». Η στρατηγική περιλαμβάνει μια ολιστική προσέγγιση, η οποία συνδυάζει την επιχειρησιακή πληροφορία, τις υποδομές cloud και τους προηγμένους αλγορίθμους μηχανικής μάθησης (ML), για την πρόβλεψη τιμών ενέργειας σε ορίζοντα 31 ημερών!
Συνολικά, η Metlen επιταχύνει τον ψηφιακό μετασχηματισμό της με στόχο τη διατήρηση της ανθεκτικότητάς της, την ανάπτυξή της, τη μείωση του κόστους και τη βελτίωση της εμπειρίας των εργαζομένων. Ο ψηφιακός μετασχηματισμός της Metlen έχει ως στόχο στα επόμενα πέντε χρόνια να υποστηρίξει τη δυνατότητα δημιουργίας αξίας ίσης με περίπου 10% αύξησης του EBITDA!
Σήμερα, το πλάνο υποστηρίζεται από περισσότερους από 150 εργαζομένους και έναν εξειδικευμένο μηχανισμό upskilling, ενώ το νούμερο αυτό αναμένεται να αυξηθεί με νέες ειδικότητες, επιβεβαιώνοντας την προσήλωση του ομίλου στην αποτελεσματική αξιοποίηση της ψηφιακής τεχνολογίας. Συνολικά το επιχειρησιακό μοντέλο του ψηφιακού μετασχηματισμού της ανταποκρίνεται και συνδυάζει τρεις πυλώνες: Τα Business Units, την Τεχνολογία Παραγωγικών Λειτουργιών και το τμήμα της Πληροφορικής (IT).
Το Business ενημερώνει για τις ανάγκες του τα αρμόδια τμήματα και στη συνέχεια δημιουργούνται διατμηματικές ομάδες, που αναπτύσσουν καινοτόμες λύσεις. Μία από αυτές τις τεχνολογικές λύσεις είναι και η εφαρμογή της Τεχνητής Νοημοσύνης στη διαχείριση ενέργειας.
KEY POINTS
Η διαχείριση ενέργειας περιλαμβάνει: Τη βελτιστοποίηση του ενεργειακού χαρτοφυλακίου σε βραχυπρόθεσμο ορίζοντα (αγορές Target Model), την πρόβλεψη θεμελιωδών μεγεθών (τιμές ενέργειας, παραγωγή ΑΠΕ, φορτίο συστήματος) και την κατάστρωση βέλτιστης στρατηγικής. Πρόκληση αποτελούν οι συνεχώς μεταβαλλόμενες συνθήκες αγοράς (ρυθμιστικές αλλαγές, επίδραση γεωπολιτικών εξελίξεων).
Ποιο είναι το πρόβλημα και πώς αντιμετωπίζεται χωρίς την αξιοποίηση των δυνατοτήτων της Τ.Ν.; Ηταν -και για τις επιχειρήσεις που δεν αξιοποιούν την Τεχνητή Νοημοσύνη παραμένει- η έλλειψη αυτόματων και αξιόπιστων προβλέψεων τιμών ενέργειας για τα χρηματιστήρια ενέργειας της Ελλάδας και της Ευρώπης.
ΧΕΙΡΟΚΙΝΗΤΑ
Μέχρι σήμερα, λοιπόν, τα δεδομένα μαζεύονται με μη αυτοματοποιημένες μεθόδους και οι προβλέψεις γίνονται χειροκίνητα. Αυτό είχε ως αποτέλεσμα να είναι χρονοβόρες και να δημιουργείται αβεβαιότητα ως προς τις εκτιμήσεις. Η συλλογή των δεδομένων γίνεται κατά μόνας από τα επιμέρους τμήματα του Energy Management και η διαχείριση αυτών γίνεται από εργαλεία, όπως το excel, αυξάνοντας τη δυσκολία διαχείρισης και ορθής εκμετάλλευσης αυτών.
Με ποιο τρόπο μπορεί να βοηθήσει η Τεχνητή Νοημοσύνη; Η Τεχνητή Νοημοσύνη (Α..Ι) μπορεί να βοηθήσει στις προβλέψεις τιμών ενέργειας, παρέχοντας έγκυρες και γρήγορες προβλέψεις, όπως είναι οι εξής:
1) Συσχέτιση μεταβλητών της πρόβλεψης χωρίς να απαιτείται αναλυτική επίλυση. Για παράδειγμα, μπορεί να αναγνωρίσει πώς οι καιρικές συνθήκες επηρεάζουν την παραγωγή ΑΠΕ και την κατανάλωση ενέργειας.
2) Αυτοματοποίηση διαδικασίας μέσω cloud και IT υποδομών, επιτρέποντας την ταχύτερη επεξεργασία μεγάλου όγκου δεδομένων.
3) Μείωση των ανθρώπινων λαθών και εξασφάλιση μεγαλύτερης ακρίβειας στις προβλέψεις.
4) Ενίσχυση της ανάπτυξης της εταιρίας και δημιουργία των απαραίτητων συνθηκών για την ανάπτυξη νέων επιχειρηματικών μοντέλων.
5) Μείωση του κόστους και βελτίωση στη λήψη αποφάσεων βάσει δεδομένων.
6) Αλλαγή στον τρόπο εργασίας, μέσω νέων εργαλείων και αυτοματοποιήσεων.
7) Ενίσχυση της ανταγωνιστικότητας, μέσω της βελτίωσης προϊόντων και υπηρεσιών, καθώς και νέων business models
8) Ανάπτυξη ταλέντων, νέων δεξιοτήτων, εξειδικευμένο μηχανισμό upskilling, που προσφέρει προγράμματα εκμάθησης για τους εργαζομένους.
Τα δεδομένα που αξιοποιούνται από την Τ.Ν. είναι τα εξής:
- Ιστορικές τιμές αποτελεσμάτων: Δεδομένα από προηγούμενες τιμές ενέργειας που βοηθούν στην εκπαίδευση των μοντέλων.
- Δεδομένα από παραγωγή ΑΠΕ: Πληροφορίες για την παραγωγή αιολικής και φωτοβολταϊκής ενέργειας.
- Δεδομένα καιρού: Για παράδειγμα, θερμοκρασίες οι οποίες επηρεάζουν την κατανάλωση ενέργειας.
- Δεδομένα ζήτησης φορτίου: Πληροφορίες για την κατανάλωση ενέργειας.
- Τιμή TTF: Τιμές φυσικού αερίου.
- Τιμή EUAs: Τιμές δικαιωμάτων εκπομπών CO2.
Ο τρόπος λειτουργίας, η ακρίβεια προβλέψεων και το περιορισμένο ρίσκο
Πώς, όμως, λειτουργεί η εφαρμογή; Αρχικά συγκεντρώνονται όλα τα απαραίτητα δεδομένα. Γίνεται χρήση APIs και άλλων πηγών για να εξασφαλιστεί η ακρίβεια των δεδομένων, καθώς και η γρήγορη παροχή τους. Τα ιστορικά δεδομένα χρησιμοποιούνται για την εκπαίδευση των μοντέλων (με τεχνικές Machine Learning και συγκεκριμένα ensemble και gradient boosting αλγορίθμους).
Στη συνέχεια τα εκπαιδευμένα μοντέλα αξιοποιούνται για την πρόβλεψη των τιμών. Τα αποτελέσματα αποθηκεύονται σε μια SQL βάση, επιτρέποντας την εύκολη πρόσβαση και ανάλυση. Τέλος, σε ένα BI Dashboard, με χάρτη όλης της Ευρώπης, ο χρήστης μπορεί να δει τα αποτελέσματα ανά χώρα, ανά μοντέλο και ανά ημερομηνία πρόβλεψης! Το dashboard περιλαμβάνει φίλτρα για την επιλογή συγκεκριμένων περιοχών και χρονικών περιόδων.
ΑΠΟΤΕΛΕΣΜΑΤΑ
Τα αποτελέσματα από τη λειτουργία της εφαρμογής Τ.Ν. είναι εντυπωσιακά. Ενδεικτικά αναφέρονται τα εξής:
- Αρχικά τα μοντέλα πρόβλεψης δίνουν ένα σφάλμα γύρω στο 12% (sMAPE). Αναλύοντας περαιτέρω τα αποτελέσματα και με τεχνικές βελτίωσης των αποτελεσμάτων (Forecast Bias), αυτό το σφάλμα μειώνεται στο 6%, οδηγώντας σε πιο έγκυρες και αξιόπιστες προβλέψεις.
- Η αυτοματοποίηση έχει αυξήσει την ταχύτητα εκτέλεσης των προβλέψεων, μειώνοντας ταυτόχρονα τα ανθρώπινα λάθη.
- Η συγκέντρωση των δεδομένων, με δομημένο τρόπο σε μια κεντρική οντότητα, με ξεκάθαρο data model και αυτοματοποιημένους ελέγχους για data cleansing, μας δίνει τη δυνατότητα να την εφαρμόσουμε θεσμοθετημένη στον οργανισμό, διαδικασία data governance, μειώνοντας σημαντικά το ρίσκο, και δίνοντας τη δυνατότητα για περαιτέρω αξιοποίηση αυτών των δεδομένων (πηγαίων αλλά και παραγόμενων) σε άλλες δομές ή διαδικασίες.
Οι δυνατότητες του «ψηφιακού συνεργάτη»
➢ Η χρήση Α.Ι. αλγορίθμων μπορεί να διευκολύνει την ανάπτυξη νέων οικονομετρικών μοντέλων.
➢ Βελτίωση των υφισταμένων μοντέλων, με την ενσωμάτωση πιο εξελιγμένων αλγορίθμων, όπως τα νευρωνικά δίκτυα.
➢ Εφαρμογή σύγχρονων τεχνολογιών, με παράλληλη μεγιστοποίηση των πλεονεκτημάτων από την αξιοποίηση των εσωτερικών πόρων, αποφεύγοντας έτσι την ανάθεση σε εξωτερικούς προμηθευτές.
Τι πετυχαίνει η A.I.
* Συσχέτιση μεταβλητών: Η ΑΙ. μπορεί να συσχετίσει διάφορες μεταβλητές χωρίς να απαιτεί λεπτομερή ανάλυση. Για παράδειγμα, μπορεί να εντοπίσει πώς οι καιρικές συνθήκες επηρεάζουν την παραγωγή ΑΠΕ και την κατανάλωση ενέργειας.
* Αυτοματοποίηση διαδικασιών: Η αυτοματοποίηση μέσω cloud υποδομών και συστημάτων πληροφορικής επιτρέπει ταχύτερη επεξεργασία μεγάλου όγκου δεδομένων.
* Μείωση ανθρώπινων λαθών: Η αυτοματοποίηση μειώνει επίσης τα ανθρώπινα λάθη, εξασφαλίζοντας μεγαλύτερη ακρίβεια στις προβλέψεις.
ΑΠΟ ΤΗΝ ΕΝΤΥΠΗ ΕΚΔΟΣΗ (ΦΥΛΛΟ 30/5/2025)
