Intercambio de datos para apoyar la formación y el desarrollo de modelos de base de IA en el sector energético

Resultado esperado:

Se espera que los proyectos contribuyan a todos los siguientes resultados esperados:

• Métodos eficaces e innovadores para recopilar, compartir y utilizar grandes conjuntos de datos en aplicaciones energéticas con el fin de entrenar modelos de IA, garantizando al mismo tiempo la privacidad y la seguridad.
• Modelos de base de IA avanzados y, siempre que sea posible, de código abierto para apoyar la digitalización del sistema energético, a través de una mejor observabilidad de la red, la previsión de la oferta y la demanda, el almacenamiento avanzado y la integración de energías renovables, la flexibilidad de la demanda y la eficiencia energética.
• Mayor cooperación, intercambio de conocimientos e interoperabilidad entre los actores del sistema energético para un intercambio de datos seguro y sin interrupciones.
• Metodologías avanzadas para el desarrollo de modelos de IA que garanticen que los resultados sean FAIR (Encontrables, Accesibles, Interoperables, Reutilizables) más allá de la finalización del proyecto, de código abierto y que se adapten a la evolución tecnológica.

Alcance:

La calidad de los modelos de IA depende en gran medida de la cantidad, calidad y representatividad de los datos utilizados para su entrenamiento. Se espera que los proyectos se centren en el desarrollo, entrenamiento y prueba de modelos de base de IA, utilizando amplios conjuntos de datos para acelerar la transición energética en áreas clave del sector energético. Se espera que los proyectos:

• Basándose en los resultados de proyectos financiados anteriormente sobre el espacio común europeo de datos energéticos^[1], así como en el trabajo en curso dentro del grupo de expertos Data 4 Energy, se espera que los proyectos demuestren métodos innovadores y estrategias de gobernanza de datos para compartir datos entre varios actores energéticos. Se espera que los proyectos demuestren que tienen acceso a grandes conjuntos de datos relevantes en el momento de presentar la propuesta.
• Se espera que los proyectos desarrollen estrategias innovadoras para compartir datos de manera efectiva, segura y transparente para apoyar el desarrollo de modelos de base de IA. Una lista indicativa no exhaustiva de estrategias que se pueden explorar es el uso de conectores de espacio de datos o el entrenamiento federado de modelos para permitir la integración de datos confidenciales; también se podría explorar la creación de datos sintéticos como un paso intermedio para llenar las lagunas de datos o mejorar la calidad de los datos. Los proyectos también podrían explorar otras estrategias innovadoras de intercambio de datos, como un 'gimnasio de IA'. Las estrategias de gobernanza de datos que se desarrollarán en el proyecto deben diseñarse de manera que sean escalables y operativas incluso después de la finalización del proyecto.
• Se espera que los proyectos desarrollen modelos de base adaptados al sector energético, abordando al menos uno, o más, de los siguientes casos de uso: planificación y operación de redes eléctricas (incluido el modelado de flujo de potencia estático y el modelado EMT dinámico), pronóstico, gestión de congestiones, detección de anomalías, diagnóstico de fallas, mantenimiento predictivo, gestión de flexibilidad, eficiencia energética del lado de la demanda, carga inteligente y bidireccional de vehículos eléctricos u otros casos de uso que contribuyan al objetivo de digitalización del sistema energético.
• Se espera que los proyectos realicen pruebas y validaciones en profundidad de los modelos de base desarrollados en demostradores de laboratorio y pilotos de la vida real, basándose en los resultados y utilizando las instalaciones de proyectos financiados anteriormente sobre “instalaciones de prueba y experimentación de IA (TEF)”^[2]. También se podrían considerar entornos de pruebas regulatorios para implementaciones piloto en la vida real.
• Se espera que los proyectos reúnan a un amplio grupo de partes interesadas, incluidos propietarios de datos (por ejemplo, empresas de servicios energéticos, operadores de redes, propietarios de activos), desarrolladores de aplicaciones (por ejemplo, startups, pymes, hiperescaladores) y desplegadores de modelos (por ejemplo, industria, operadores de redes, fabricantes de equipos) proporcionando un espacio de cooperación e intercambio colaborativo de datos.
• Para escalar el entrenamiento y desarrollo de los modelos, los proyectos pueden beneficiarse de la capacidad informática de…