РОЛЬ АВТОМАТИЗАЦІЇ РОЗГОРТАННЯ ІНФРАСТРУКТУРИ У ПРОСУВАННІ ЗЕЛЕНОЇ ЕНЕРГЕТИКИ: ОЦІНКА ТЕХНОЛОГІЙ ТА ПРАКТИК

Автор(и)

DOI:

https://doi.org/10.32689/maup.it.2025.2.12

Ключові слова:

машинне навчання, автоматизація розгортання інфраструктури, віртуальна електростанція, розподілена енергетика, хмарні технології, прогнозування

Анотація

Прийняття рішень на основі машинного навчання має важливе значення для ефективної роботи хмарних віртуальних електростанцій (ВЕС), що об'єднують сотні й тисячі розподілених енергоресурсів (РЕР). Однак ручне розгортання та підтримка моделей машинного навчання в масштабі призводить до затримок, неузгодженості та високих операційних витрат. У цій статті ми проаналізували шість широко розповсюджених фреймворків автоматизації розгортанні інфраструктури машинного навчання (MLOps) – Kubeflow, Apache Airflow, MLflow, Azure ML, AWS SageMaker і Google Vertex AI – за чотирма критеріями, критично важливими для середовищ ВЕС: впровадження в галузі, повнота набору функцій, сумісність з основними фреймворками машинного навчання і хмарними платформами, а також ліцензійні або фінансові обмеження. Спираючись на публічну документацію, активність репозиторіїв, тематичні дослідження та дослідження ринку, ми визначили компроміси між гнучкістю відкритого коду та зручністю керованого сервісу. Наш аналіз показує, що Apache Airflow пропонує найбільш зрілу та розширювану оркестровку конвеєрів для локальних та мультихмарних розгортань ВЕС, в той час як Kubeflow чудово працює в контекстах на базі Kubernetes. Керовані сервіси, такі як SageMaker та Azure ML, забезпечують швидшу окупність інвестицій для команд, яким не вистачає спеціалістів у галузі інфраструктури, але несуть більші витрати та прив'язку до певного постачальника. Нарешті, ми надаємо рекомендації щодо інтеграції безперервного навчання, оцінки та моніторингу в робочі процеси прогнозування ВЕС, демонструючи, як впровадження автоматизації розгортанні інфраструктури машинного навчання може покращити затримку прогнозування та швидкість реагування мережі. Мета статті: оцінити та порівняти провідні фреймворки автоматизації розгортанні інфраструктури машинного навчання – відкриті та керовані хмарні сервіси – за ключовими критеріями (впровадження, повнота функцій, інтероперабельність та вартість) та рекомендувати найбільш підходящі рішення для віртуальних електростанцій, розміщених у хмарі.Методологія. Ми обрали шість фреймворків автоматизації розгортанні інфраструктури машинного навчання на основі впровадження, функцій, сумісності та вартості; витягли дані з офіційних документів, репозиторіїв та ринкових звітів; оцінили кожен інструмент за нашими критеріями; і сформулювали рекомендації для хмарних ВЕС для конкретних доменів.Наукова новизна. У цій статті досліджується малодосліджена сфера перетину автоматизації розгортанні інфраструктури машинного навчання і віртуальних електростанцій (ВЕС), розглядаються конкретні проблеми застосування автоматизованих робочих процесів машинного навчання до великомасштабних хмарних систем ВЕС.Це перше порівняння інструментів автоматизації розгортанні інфраструктури машинного навчання, пристосованих до операційних і прогнозних потреб ВЕС, з урахуванням специфіки конкретної галузі. Висновки. У результаті дослідження доведено, методи автоматизації розгортанні інфраструктури машинного навчання можуть значно підвищити продуктивність і масштабованість віртуальних електростанцій. У цьому дослідженні визначено найбільш підходящі інструменти для використання ВЕС, зокрема Apache Airflow та Kubeflow як сильні варіанти з відкритим вихідним кодом, тоді як керовані сервіси можуть підійти командам з обмеженим досвідом роботи з інфраструктурою.

Посилання

“Azure Machine Learning – ML as a Service | Microsoft Azure.” Accessed: Apr. 13, 2024. URL: https://azure.microsoft.com/en-gb/products/machine-learning

“Azure Machine Learning vs Amazon SageMaker: Data Science And Machine Learning Comparison,” 6sense. Accessed: Apr. 13, 2024. URL: https://www.6sense.com/tech/data-science-and-machine-learning/azuremachinelearning-vs-amazonsagemaker

D. Kreuzberger, N. Kühl, and S. Hirschl, “Machine Learning Operations (MLOps): Overview, Definition, and Architecture,” IEEE Access, 2023. vol. 11, pp. 31866–31879, doi: 10.1109/ACCESS.2023.3262138.

E. Peltonen and S. Dias, “LinkEdge: Open-sourced MLOps Integration with IoT Edge,” in Proceedings of the 3rd Eclipse Security, AI, Architecture and Modelling Conference on Cloud to Edge Continuum, Ludwigsburg Germany: ACM, Oct. 2023, pp. 67–76. doi: 10.1145/3624486.3624496.

F. Sattar, A. Husnain, and T. Ghaoud, “Integration of Distributed Energy Resources into a Virtual Power Plant-A Pilot Project in Dubai,” 2023 IEEE/IAS Industrial and Commercial Power System Asia (I&CPS Asia), pp. 526–531, Jul. 2023, doi: 10.1109/ICPSAsia58343.2023.10294691.

G. Robles, A. Capiluppi, J. M. Gonzalez-Barahona, B. Lundell, and J. Gamalielsson, “Development effort estimation in free/open source software from activity in version control systems,” Empir Software Eng, 2022. vol. 27, no. 6, p. 135, doi: 10.1007/s10664-022-10166-x.

H.-M. Chung, S. Maharjan, Y. Zhang, F. Eliassen, and K. Strunz, “Optimal Energy Trading With Demand Responses in Cloud Computing Enabled Virtual Power Plant in Smart Grids,” IEEE Trans. Cloud Comput., 2022. vol. 10, no. 1, pp. 17–30, doi: 10.1109/TCC.2021.3118563.

J. Rodríguez-García, D. Ribó-Pérez, C. Álvarez-Bel, and E. Peñalvo-López, “Novel Conceptual Architecture for the Next-Generation Electricity Markets to Enhance a Large Penetration of Renewable Energy,” Energies, 2019. vol. 12, no. 13, Art. no. 13, doi: 10.3390/en12132605.

K. Salama, J. Kazmierczak, and D. Schut, “Practitioners guide to MLOps: A framework for continuous delivery and automation of machine learning.”.

M. Merenda, C. Porcaro, and D. Iero, “Edge Machine Learning for AI-Enabled IoT Devices: A Review,” Sensors, 2020. vol. 20, no. 9, p. 2533, doi: 10.3390/s20092533.

“Machine Learning Service – Amazon SageMaker – AWS,” Amazon Web Services, Inc. Accessed: Apr. 13, 2024. URL: https://aws.amazon.com/sagemaker/

“MLOps: Continuous delivery and automation pipelines in machine learning. Cloud Architecture Center,” Google Cloud. Accessed: Mar. 16, 2024. URL: https://cloud.google.com/architecture/mlops-continuous-delivery-and-automation- pipelines-in-machine-learning

N. Naval and J. M. Yusta, “Virtual power plant models and electricity markets – A review,” Renewable and Sustainable Energy Reviews, 2021. vol. 149, p. 111393, doi: 10.1016/j.rser.2021.111393.

R. S. Kenett, X. Franch, A. Susi, and N. Galanis, “Adoption of Free Libre Open Source Software (FLOSS): A Risk Management Perspective,” 2014 IEEE 38th Annual Computer Software and Applications Conference, pp. 171–180, Jul. 2014, doi: 10.1109/COMPSAC.2014.25.

R. Subramanya, S. Sierla, and V. Vyatkin, “From DevOps to MLOps: Overview and Application to Electricity Market Forecasting,” Applied Sciences, 2022. vol. 12, no. 19, Art. no. 19, doi: 10.3390/app12199851.

T.-Y. Kim and S.-B. Cho, “Predicting residential energy consumption using CNN-LSTM neural networks,” Energy, 2019. vol. 182, pp. 72–81, Sep. doi: 10.1016/j.energy.2019.05.230.

V. Omelčenko and V. Manokhin, “Optimal Balancing of Wind Parks with Virtual Power Plants,” in Frontiers in Energy Research, Nov. 2021, p. 665295. doi: 10.3389/fenrg.2021.665295.

“Vertex AI,” Google Cloud. Accessed: Apr. 13, 2024. URL: https://cloud.google.com/vertex-ai

W. Shi, J. Cao, Q. Zhang, Y. Li, and L. Xu, “Edge Computing: Vision and Challenges,” IEEE Internet Things J., vol. 3, no. 5, pp. 637–646, Oct. 2016, doi: 10.1109/JIOT.2016.2579198.

##submission.downloads##

Опубліковано

2025-09-23

Як цитувати

КОЛОМИЦЕВ, А., & КУЗНЄЦОВА, Ю. (2025). РОЛЬ АВТОМАТИЗАЦІЇ РОЗГОРТАННЯ ІНФРАСТРУКТУРИ У ПРОСУВАННІ ЗЕЛЕНОЇ ЕНЕРГЕТИКИ: ОЦІНКА ТЕХНОЛОГІЙ ТА ПРАКТИК. Інформаційні технології та суспільство, (2 (17), 83-88. https://doi.org/10.32689/maup.it.2025.2.12