Využitie strojového učenia pri riešení problémov energetiky a životného prostredia

Medzi aktuálne výzvy, ktorým v súčasnej dobe čelí energetika, možno zaradiť zachovanie stability v energetickej sieti, agregáciu flexibility, prevádzku energetických komunít, smart nabíjanie elektromobilov aj efektívne využitie batériových úložísk. Obnoviteľné zdroje sú silne závislé od počasia, preto centrom záujmu je aj predikcia počasia.

ENVIRO tím v KInITe sa venuje spomínaným úlohám, pričom spoločnou črtou navrhovaných riešení sú prístupy založené na strojovom učení a umelej inteligencii. Skúmame a experimentujeme s rôznymi metódami ako zohľadnenie fyzikálnych zákonitostí v modeloch strojového učenia (physics-informed machine learning), s prístupmi ako transfer či federative learning ako aj reinforcement learning, v súčasnosti populárnym prístupom na optimalizáciu rozhodovania v dynamickom prostredí. Zaujímavý smer výskumu ponúkajú aj foundational modely a ich porovnanie s tradičnými prístupmi. Riešime úlohy, ktoré spracovávajú časové rady, ako aj obrazové dáta metódami počítačového videnia.

Cieľom PhD práce bude navrhnúť riešenie vybraného problému energetiky alebo životného prostredia (napríklad agregácia flexibility alebo modelovanie klímy / predpoveď počasia) aplikovaním pokročilých prístupov umelej inteligencie. Výber vhodných metód strojového učenia bude závisieť od špecifík riešeného problému a voľby doktoranda.

Relevant publications:

• Javed, H., Eid, F., El-Sappagh, S. et al. Sustainable energy management in the AI era: a comprehensive analysis of ML and DL approaches. Computing 107, 132 (2025). https://doi.org/10.1007/s00607-025-01485-0
• Pavlík, Peter, et al. "Fully differentiable Lagrangian convolutional neural network for physics-informed precipitation nowcasting." Applied Computing and Geosciences (2025): 100296. https://www.sciencedirect.com/science/article/pii/S2590197425000783