Predavatelj: Igor Mlakar (Smart Com d. o. o.)

Povzetek:
Uvajanje umetne inteligence v energetskih sistemih prinaša nove priložnosti za optimizacijo, avtomatizacijo in večjo odpornost infrastrukture, hkrati pa odpira pomembna vprašanja glede varnosti, zasebnosti, upravljanja podatkov, transparentnosti modelov in skladnosti z regulativo. Predavatelj bo predstavil, kako lahko organizacije v energetskem sektorju z uporabo uveljavljenih standardov, kot sta ISO/IEC 27001 za upravljanje informacijske varnosti in ISO/IEC 42001 za upravljanje sistemov umetne inteligence, vzpostavijo zanesljivo in odgovorno okolje za uporabo UI. Poudarek bo na povezovanju teh standardov z regulativnimi zahtevami, kot so ZInfV-1, NIS 2 in Akt o umetni inteligenci, ter na praktičnih pristopih k upravljanju tveganj, zaščiti podatkov, zmanjševanju pristranskosti modelov in zagotavljanju transparentnosti UI rešitev.

Predavatelj: Peter Lončarevič (Dell Technologies)

Povzetek:
This baseline evaluation serves as a critical foundation for deploying data-driven DTR systems, allowing TSOs to proactively identify potential hot spots and safely utilize available network capacity. Furthermore, it establishes the benchmark necessary for developing more complex, next-generation DTR models that incorporate adaptive learning, spatio-temporal autocorrelation, and multimodal data fusion.

Predavateljica: Aleksandra Rashkovska Koceva (IJS)

Povzetek:
Many critical operations in the energy sector — from determining the transmission capacity of power lines to managing the thermal loading of transformer stations — are directly dependent on weather conditions. Accurate, localized weather forecasts are therefore essential for safe and efficient grid management, particularly for applications such as Dynamic Line Rating (DLR) of power lines and Dynamic Thermal Rating (DTR) of transformer stations, where real-time environmental data directly influences operational decisions.

In this contribution, we present our work on AI-enhanced weather forecasting tailored for weather-dependent energy applications, carried out across two complementary projects and the SLAIF initiative. Within the Horizon Europe project HEDGE-IoT, we develop and deploy edge-based DTR/DLR systems integrated into substations across the Slovenian demo site. AI-powered tools process real-time environmental sensor data to support predictive grid planning and operational automation. Through the SLAIF initiative (Slovenian AI Factory), we are building AI-based weather forecasting services as part of the Green Transition vertical, providing industry-ready models to support DTR and broader transmission network management. The newly funded ARIS project AIDTR (L2-70125) complements these efforts with fundamental research on predictive models for DTR, addressing challenges such as spatial and temporal modelling, concept drift, probabilistic forecasting, and multimodal learning with LiDAR data. Together, these projects and initiatives form a coherent pipeline from research to operational deployment, demonstrating how AI-driven weather forecasting can help grid operators unlock hidden capacity in existing infrastructure and improve system resilience.

Keywords: dynamic thermal rating, weather forecasting, AI, power grid, transmission lines, transformer stations

Predavatelj: Igor Podbelšek (EIMV)

Povzetek:
Na EIMV je bil razvit BatSim AI, kot referenčni primer uporabe LLM-jev v obliki po meri grajenega GPT asistenta, ki deluje kot orkestrator procesov in ne zgolj kot klepetalnik.

Predstavljen je modularen delovni potek:
(1) vhodni kontekst (zgodovinski merilni podatki in tržne cene)
(2) opredelitev namena (npr. optimizacija ciklov, obvladovanje degradacije, maksimiranje profita),
(3) odločanje z GPT, kjer model ne generira »odgovorov«, temveč izbira in parametrično kliče funkcije (simulacija/optimizacija),
ter (4) povratna zanka, v kateri se rezultati izvajanja vrnejo v model kot nov kontekst.

GPT deluje kot krmilna plast nad determinističnimi orodji. Ključna vrednost je jasna ločitev odgovornosti kjer GPT razume kontekst in izbira dejanja, orodja v bazi znanja pa izvajajo Python funkcije, matematiko, simulacije in validacijo. Takšen delovni potek omogoča sledljivost in ponovljivost uporabe AI v EIMV okolju.

Predavateljica: Andreja Ivartnik Kanduč (EIMV)

Povzetek:
Rast razpršenih OVE, hranilnikov in aktivnega odjema povečuje volatilnost energetskih tokov, pri čemer bilančne skupine razpolagajo predvsem z nevalidiranimi števčnimi meritvami za dan D-1, na podlagi katerih se operativno prilagajajo. Končni obračun pa temelji na kasneje validiranih meritvah, kar pomeni, da se lahko mesečni diagram realizacije bistveno razlikuje od sprotnih napovedi voznega reda, posledično pa nastajajo finančne izgube in potrebe po poravnavah. Potreba po števčnih meritvah v realnem času predstavlja izrazit tehnološki in IKT izziv, hkrati pa ostaja ključna časovna vrzel med dejanskim obratovanjem omrežja in tržnimi odločitvami znotraj obračunskega dne, ki neposredno vpliva na kakovost bilančnega upravljanja.

Prispevek obravnava IT-orientirana nowcasting storitev za sprotno ocenjevanje realizacije bilančnih skupin in podskupin v near-real-time okolju. Analitično jedro temelji na kombinaciji Prophet modela, ki zaznava ponavljajoče se vzorce, sezonalnosti in sproti ocenjuje baseline obnašanje sistema, ter Kalmanovega filtra, implementiranega kot ločen modul za korekcijo hipnih sprememb in prilagoditev ocen dejanskemu stanju v skoraj realnem času. Prophet zagotavlja stabilno statistično osnovo, Kalmanov filter pa dinamično popravlja ocene glede na aktualne vhodne signale. Učenje in validacija potekata na obratovalnih merilnih podatkih iz RTP/RP sistemov.

Model dosega tipično 5–7 % MAE na ravni večjih bilančnih skupin, rezultate pa spremljajo zanesljivostni intervali (confidence bounds) za operativno obvladovanje tveganja odstopanj. Ocene so razpoložljive v nekaj minutah po zaključku 15-minutnega obračunskega intervala.

Predavatelj: Blaž Dobravc (Centra Energy)

Povzetek:
Pospešena integracija obnovljivih virov, baterijskih hranilnikov in električnih vozil povečuje kompleksnost obratovanja distribucijskih in prenosnih omrežij. Potrebni so napredni pristopi, ki združujejo napovedovanje, optimizacijo in upravljanje fleksibilnih virov v realnem času. Prispevek predstavlja za optimizacijo obratovanja energetskih sistemov na ravni skupine lokacijsko odvisnih odjemalcev električne energije. Sistem združuje napovedne modele (poraba, proizvodnja, cene), matematično optimizacijo razporejanja fleksibilnih virov (npr. baterijski hranilniki), s spodbujevanim učenjem ter integracijo IoT podatkov v realnem času. Omogoča dinamične optimizacijske kriterije (strošek položnice, omejevanje konic, podpora omrežju, souporaba električne energije) in optimizira izrabo njihove prožnosti glede na različne trge električne energije hkrati (day-ahead, intraday, aFRR).

Na podlagi pilotnih implementacij prikazujemo, kako lahko takšen pristop hkrati znižuje stroške uporabnikom brez dodatnih infrastrukturnih posegov. Prispevek poudarja visoko stopnjo avtomatizacije sistema in avtomatskega preklapljanja med različnimi strategijami upravljanja glede na potrebo omrežja oz. glede na maksimizacijo prihodkov iz naslova monetizacije prožnosti.

Predavatelj: Miha Lenko (Operato)

Povzetek:
Predavanje bo predstavilo praktične izkušnje razvoja orodja za poenostavitev postavitve kompleksnega programskega sistema, pri čemer je bil razvoj v veliki meri podprt z uporabo sodobnih generativnih AI orodij in coding asistentov v razvojnem okolju. Prikazan bo pogled na sodoben razvoj programske opreme, kjer umetna inteligenca postaja del vsakodnevnega dela razvijalcev ter omogoča hitrejše reševanje tehničnih izzivov in večjo produktivnost razvojnih ekip. Ob tem bodo izpostavljeni tudi izzivi in omejitve takšnega pristopa, predvsem potreba po ohranjanju kakovosti kode, ustreznih razvojnih procesov ter odgovornosti razvijalcev kljub večji vlogi AI orodij.