*Artykuł sponsorowany* Wdrożenie AI w energetyce przynosi wymierne korzyści, takie jak optymalizacja zasobów, redukcja przestojów i zwiększenie produktywności, a dzięki predykcyjnemu modelowi zarządzania pozwala operatorom sieci lepiej oceniać bieżący stan infrastruktury, przewidywać i zapobiegać awariom, co znacząco poprawia wskaźniki niezawodności, takie jak SAIDI i SAIFI, jednocześnie zmniejszając potrzebę wyłączeń OZE w przyszłości.

dr Gabriela Gic-Grusza, Manager produktu SmartRDM oraz lider zespołu w ConnectPoint

Rozmawiała: Izabela Żylińska

Jakie są Pani przewidywania co do przyszłości zastosowań AI w energetyce na kolejne 5–10 lat, zwłaszcza w kontekście polskiego rynku i transformacji energetycznej? Czy AI w ogóle jest potrzebna naszej krajowej energetyce?

Znając możliwości AI oraz uruchomione projekty jej zastosowania w energetyce w Europie i na świecie, trudno wyobrazić sobie, aby nie znalazła się ona wśród kluczowych rozwiązań w roadmapie działań mających na celu zniwelowanie długu technologicznego w polskiej energetyce, szczególnie w obszarze dystrybucji i przesyłu energii.

Przykładowo, obecnie Operatorzy Systemów Dystrybucyjnych mają trudności z oceną aktualnego stanu sieci nn/SN pod kątem jej pojemności i przeciążenia poszczególnych elementów, zwłaszcza transformatorów. Nadal powszechnie stosowane są modele utrzymania sieci oparte na przeglądach urządzeń w określonych interwałach czasowych, zgodnie z zaleceniami producentów lub opisanymi w Instrukcji Ruchu i Eksploatacji Sieci (Time-Based Maintenance). To podejście było wystarczające 20 lat temu, kiedy dynamika zmian w eksploatacji sieci była znikoma. Dziś mamy do czynienia z dynamicznymi zmianami obciążeń sieci w skali minutowej – szczególnie w przypadku odnawialnych źródeł energii, takich jak fotowoltaika i energetyka wiatrowa. Na szczęście możliwe jest przygotowanie się na te zmiany poprzez zastosowanie modeli predykcyjnych bazujących na prognozach pogodowych oraz profilach pracy urządzeń sieciowych.

Choć modele predykcyjne dotyczące warunków pogodowych są stosunkowo łatwo dostępne, to predykcyjne modele pracy transformatorów na sieciach nn nadal nie są powszechnie stosowane. Tymczasem, praktycznie każde z takich urządzeń może już dziś przekazywać dane eksploatacyjne w niemal rzeczywistym czasie. Starsze urządzenia można monitorować za pomocą inteligentnych liczników zainstalowanych "przed" i "za" transformatorem, które raportują istotne parametry pracy.

Podsumowując, jeżeli mamy dane eksploatacyjne raportowane w krótkich przedziałach czasowych, AI może z powodzeniem uczyć się, jak przewidywać pracę tych urządzeń, uwzględniając przyszłe obciążenia. W ten sposób może wskazywać miejsca, gdzie mogą pojawić się potencjalne problemy lub awarie – zanim one faktycznie wystąpią (Predictive Maintenance).

Na dzień dzisiejszy nie widzę żadnej efektywnej metody oceny potencjału przesyłowego sieci oraz monitorowania jej kluczowych parametrów bez zastosowania AI. Co więcej, wdrożenie takiego projektu trwa miesiące, a nie lata, co jest znacznie krótszym czasem w porównaniu z czasochłonną modernizacją fizycznej infrastruktury sieci, która pozwoliłaby jej efektywnie obsługiwać obciążenia generowane przez OZE.

Poza problemami OSD widzę jeszcze wiele innych zastosowań AI w energetyce, które będą miały kluczowe znaczenie w najbliższych latach. Przykłady obejmują bardziej generalne zastosowania, jak prognozowanie zapotrzebowania na energię, wykrywanie anomalii w pracy sieci, prognozowanie cen energii, a także zarządzanie politykami redukcji śladu węglowego oraz zarządzanie rozproszonymi źródłami energii. Każde z tych zastosowań przyczynia się do większej efektywności i stabilności rynku energetycznego. I w tych aspektach możemy się pochwalić udanymi wdrożeniami, dla przykładu dla Veolia, gdzie zrealizowaliśmy projekt mający na celu optymalizację usług dostawy ciepła lub RWE Renewables, gdzie opracowaliśmy rozwiązanie do średniookresowego planowania konserwacji, wykorzystujące algorytmy AI do przewidywania awarii. Wykorzystano w nim koncepcję cyfrowego bliźniaka do wykrywania anomalii i powiązania parametrów operacyjnych z warunkami pogodowymi. Dzięki generowaniu zgłoszeń z wykrytych anomalii możliwe było wczesne wykrywanie awarii, lepsze planowanie prac utrzymaniowych oraz redukcja kosztów.

Dla mnie jednak jednym z najważniejszych zastosowań sztucznej inteligencji jest efektywność energetyczna i optymalizacja w tym zakresie, które są silnie wspierane przez zaawansowaną analitykę danych. Co istotne, w tym kontekście kluczowymi interesariuszami nie są wyłącznie spółki energetyczne, lecz również przemysł i przedsiębiorstwa. AI może pomóc firmom w optymalizowaniu zużycia energii, zmniejszaniu kosztów operacyjnych i zwiększaniu efektywności energetycznej na poziomie produkcyjnym oraz operacyjnym. Dla wielu przedsiębiorstw, szczególnie tych działających w sektorach energochłonnych, takie rozwiązania mogą okazać się decydujące w kontekście ich konkurencyjności na rynku oraz dążenia do zrównoważonego rozwoju.

Warto również dostrzec rolę AI w jednym z kluczowych aspektów Transformacji Energetycznej, jakim jest zaangażowanie odbiorców końcowych energii – finalnie, to właśnie obniżenie poziomu zużycia energii po stronie popytowej (obok inwestycji w magazyny energii), pozwoli na przeprowadzenie transformacji. Jeśli oddamy do rąk konsumentów i prosumentów narzędzie pozwalające efektywnie obniżyć lub zoptymalizować zużycie energii elektrycznej / zoptymalizować własny miks energetyczny, to będzie ono oparte o algorytmy AI, które na bazie predykcji rynku / pogody pozwolą zarządzić optymalnie produkowaną, sprzedawaną / kupowaną i zużywaną energią a z domowników zdejmą konieczność ręcznego strojenia urządzeń grzewczych pod kątem osiągnięcia komfortu termicznego – a wszystko to będzie w zasiągu ręki w ramach aplikacji mobilnej połączonej ze sterownikami domowych instalacji.

Jakie konkretne korzyści przyniesie wdrożenie systemu Smart RDM w energetyce? Czy i w jaki sposób wykorzystanie w nim AI oraz analiz predykcyjnych wpłynie na efektywność produkcji branży?

Korzyści są rzeczywiście wymierne – przede wszystkim oszczędność czasu i pieniędzy. Smart RDM to narzędzie, które wspiera firmy w osiąganiu wysokiego poziomu doskonałości operacyjnej, umożliwiając bieżący wgląd w procesy produkcyjne, lepsze śledzenie, monitorowanie i kontrolę takich aspektów, jak wydajność zasobów, zużycie energii, alokacja zasobów oraz harmonogramowanie konserwacji. Umożliwia ono optymalizację wydajności zasobów, redukcję przestojów oraz poprawę wykorzystania materiałów, co w rezultacie przekłada się na ogólny wzrost produktywności i rentowności.

Dla Operatorów Systemów Dystrybucyjnych, dane o stanie urządzeń sieciowych gromadzone w czasie niemal rzeczywistym, stają się podstawą do oceny bieżącego potencjału sieci, możliwości przesyłu energii oraz identyfikacji potencjalnych problemów w kluczowych punktach sieci. System Smart RDM, dzięki zastosowaniu zaawansowanych algorytmów, w tym również AI, już teraz wspiera tego rodzaju analizy, a w przyszłości może jeszcze bardziej zautomatyzować procesy monitorowania i predykcji problemów. Największą korzyścią z zastosowania Smart RDM w energetyce jest możliwość przewidywania i zapobiegania awariom sieci, co pozwala przejść od modelu reaktywnego do predykcyjnego, co znacząco poprawia wskaźniki SAIDI i SAIFI. Docelowo, po zrealizowaniu inwestycji eliminujących słabe punkty sieci, możliwe będzie także zmniejszenie liczby i częstotliwości żądań wyłączeń OZE.

Dla producentów energii Smart RDM oferuje monitorowanie zintegrowanej pracy jednostek produkcyjnych w czasie rzeczywistym, umożliwiając śledzenie zdarzeń oraz wykorzystanie zaawansowanej analityki do reaktywnej optymalizacji produkcji. Dzięki temu możliwy jest wgląd w cały proces produkcyjny, w tym monitorowanie harmonogramów produkcyjnych i ich realizacji z poziomu jednego narzędzia. Dodatkowo system dostarcza szczegółowe raporty i pulpity nawigacyjne, monitorując na bieżąco operacje zasobów i postępy oraz automatycznie powiadamiając o wszelkich niezgodnościach.

System wykorzystuje także standardy kodowania KKS i RDS-PP, które są uznawane na całym świecie, aby nadać danym kontekst zgodny z normami, co umożliwia tworzenie cyfrowych bliźniaków urządzeń. Dzięki temu normalizowane są wizualizacje i raporty, co z kolei pozwala na bardziej zaawansowane analizy, porównania między urządzeniami i wdrożenie konserwacji predykcyjnej.

Smart RDM w ciepłownictwie przynosi rewolucyjne korzyści w zakresie automatyzacji i wydajności operacyjnej. Wyobraźmy sobie operatora, który nadzoruje pracę dużej ilości węzłów – dzięki systemowi wsparcia decyzji opartym na sztucznej inteligencji, czas potrzebny na analizę awarii jest znacznie skrócony, a procesy stają się bardziej efektywne. Sztuczna inteligencja wspomaga optymalizację działania węzłów, analizując dane w czasie rzeczywistym i dostosowując bilans energetyczny w zależności od prognozowanych warunków pogodowych, zmian cen energii czy potrzeb związanych z odnawialnymi źródłami energii, ciepłem i gazem. AI pomaga również w przygotowaniach do taryf dynamicznych, co zwiększa elastyczność systemu. Co więcej, komunikacja z systemem za pomocą języka naturalnego znacząco upraszcza pracę operatorów – wystarczy zadać pytanie, np. "Podaj mi wyniki spółdzielni za ostatnie 4 lata", aby natychmiast uzyskać odpowiednie podsumowanie. Taka automatyzacja nie tylko zwiększa wydajność, ale także pozwala na bardziej efektywne zarządzanie zasobami w systemie ciepłowniczym, przyczyniając się do wzrostu produktywności i ograniczenia strat.

Smart RDM pomaga również w zautomatyzowanym raportowaniu środowiskowym, automatycznie zbierając dane, weryfikując je oraz hurtowo generując niezbędne zestawienia.

Powyższe przykłady to jedynie wierzchołek góry lodowej. Ilość danych gwałtownie rośnie w różnych gałęziach przemysłu dzięki powszechnemu dostępowi do tanich czujników oraz rosnącej potrzebie lepszego monitorowania procesów i raportowania. W energetyce możemy mówić o danych pochodzących zarówno od konsumentów, jak i producentów, systemów IoT, CSIRE, prognoz pogody, cen i wielu innych źródeł. Gromadzenie dużych ilości danych otwiera ogromne możliwości w różnych sektorach, przez co przedsiębiorstwa coraz częściej zwracają się ku narzędziom sztucznej inteligencji, aby wydobyć ten potencjał. Smart RDM oferuje takie możliwości.

Warto podkreślić, że czas wdrożenia systemu Smart RDM jest stosunkowo krótki — mowa tu o miesiącach, a nie latach. Dzięki temu możliwe jest uzyskanie pełnej obserwowalności sieci w krótkim czasie, co eliminuje konieczność dokonywania dużych inwestycji w infrastrukturę sieciową. Smart RDM to stabilne i zintegrowane źródło informacji dla systemów biznesowych, zaprojektowane z myślą o wysokiej wydajności i nieprzerwanej pracy. Umożliwia bezpieczną integrację systemów IT/OT, spełniając jednocześnie surowe wymagania dotyczące krytycznej infrastruktury energetycznej.

Co istotne, nie chodzi o to, aby AI zastąpiła człowieka. Człowiek powinien podejmować decyzje na podstawie analiz, a AI ma wspierać go w tym procesie, a nie go zastępować.

Jakie wyzwania napotkaliście Państwo podczas implementacji systemu Smart RDM w branży energetycznej i jak udało się je przezwyciężyć?

Podczas implementacji systemu Smart RDM w branży energetycznej napotkaliśmy kilka kluczowych wyzwań, z których największym było ograniczenie dostępu do danych, a także problemy związane z jakością i przygotowaniem danych. W wielu przedsiębiorstwach dane są rozproszone między różnymi systemami, często są niekompletne lub zapisane w formatach, które utrudniają ich bezpośrednie wykorzystanie. Dodatkowo brak spójnych standardów raportowania wewnątrz organizacji powodował problemy z integracją danych.

Aby przezwyciężyć te trudności, zastosowaliśmy kilka kluczowych rozwiązań, takich jak efektywne połączenie różnych platform IT i OT za pomocą specjalistycznych konektorów, czy wprowadzenie narzędzi do automatycznej walidacji i czyszczenia danych, które poprawiły ich spójność i użyteczność. Opracowaliśmy też standardy raportowania, które zapewniły spójność danych między działami.

Innym wyzwaniem było pokonanie oporu części pracowników wobec zmian. W branży energetycznej, podobnie jak w innych sektorach o długiej tradycji operacyjnej, takich jak przemysł wytwórczy, sceptycyzm wobec nowych technologii jest zjawiskiem powszechnym. Dla niektórych pracowników konieczność lub nieuchronność wprowadzenia zmian budziła obawy. Z podobnym wyzwaniem spotykaliśmy się już wcześniej, dlatego byliśmy dobrze przygotowani do zarządzania takimi reakcjami.

Kluczową rolę w przezwyciężeniu tych wyzwań w energetyce odegrał Sponsor Projektu, dobrze ulokowany w strukturach zarządczych który aktywnie wspierał wdrożenie systemu. Ważne było również zaangażowanie liderów zmiany, przekonanych o konieczności wprowadzania innowacyjnych rozwiązań. Dzięki ich zaangażowaniu oraz wspólnym wysiłkom udało się dotrzymać terminu uruchomienia systemu.

Czy uważa Pani, że sztuczna inteligencja w połączeniu z narzędziami jak Smart RDM mogą w przyszłości całkowicie zautomatyzować procesy decyzyjne w energetyce, czy zawsze będzie potrzebna ludzka interwencja?

Teoretycznie rzecz biorąc – ludzka interwencja będzie niezbędna do momentu, w którym AI udowodni, że jest w stanie podejmować lepsze decyzje niż obecni operatorzy sieci, i to w znacznie krótszym czasie. Ale to tylko teoria. Praktyka pokaże, że finalną decyzję będzie podejmował człowiek.

Dziś jesteśmy już blisko sytuacji, w której dyspozytorzy i inżynierowie będą mogli podejmować decyzje przy wsparciu AI i odzwierciedlać to w systemach SCADA (najczęściej decyzje typu TAK/NIE, sugerowane przez AI). Myślę, że jeszcze sporo czasu upłynie, zanim modyfikacji ulegnie Instrukcji Ruchu i Eksploatacji Sieci Dystrybucyjnej (IRiESD), w sposób, który umożliwi samodzielne, kontrolowane działania AI w dobrze zdefiniowanym i bogatym w dane środowisku odwzorowującym sieć energetyczną. Uzasadniona nieufność wśród kadry OSD oraz obawy związane z ochroną miejsc pracy stanowią bariery dla takich zmian. Niemniej, to jedynie kwestia czasu i odpowiedniego przygotowania regulacji, które dobrze zdefiniują rolę AI w procesach zarządzania stanem sieci.

Ciekawym testem efektywności AI będzie poziom wskaźników SAIDI (wskaźnik przeciętnego systemowego czasu trwania przerwy długiej w dostawach energii elektrycznej, wyznaczony w minutach na odbiorcę) i SAIFI (średnią liczbę przerw w dostawie energii elektrycznej, jakiej doświadcza przeciętny odbiorca w danym systemie w określonym czasie, zazwyczaj w ciągu roku) u operatorów, którzy zdecydują się wdrożyć wsparcie AI w wybranych obszarach sieci, w porównaniu do tych, którzy tego nie zrobią.

Jakie są główne zagrożenia związane z zastosowaniem AI w energetyce, zarówno pod względem technologicznym, jak i etycznym, oraz jakie kroki podejmujecie w ConnectPoint, aby je minimalizować?

Zastosowanie AI w energetyce wiąże się z kilkoma głównymi zagrożeniami, zarówno technologicznymi, jak i etycznymi.

Pod względem technologicznym jednym z głównych zagrożeń jest ryzyko cyberataków. AI, jako zaawansowane narzędzie informatyczne, może być celem ataków hakerskich mających na celu jej manipulację. Takie ataki mogłyby zakłócić działanie systemów, a nie optymalizować je. W związku z tym, kluczowe jest zapewnienie odpowiedniej ochrony infrastruktury krytycznej, co realizujemy poprzez stosowanie sprawdzonych metod i technologii zabezpieczeń przed cyberzagrożeniami.

Pod względem etycznym, istotnym zagrożeniem jest zapewnienie, że decyzje podejmowane przez AI są sprawiedliwe i przejrzyste. Należy unikać sytuacji, w których algorytmy mogłyby dostarczać informacje zmyślone, niezgodne ze stanem faktycznym (halucynacje modeli). W ConnectPoint dbamy o to, aby algorytmy były regularnie audytowane i oceniane pod kątem ich wpływu na różne grupy interesariuszy. Kontrolujemy też źródła danych, na których działa AI. Dodatkowo uważamy, że sztuczna inteligencja powinna pełnić rolę wspierającą, sugerując optymalne działania, a nie podejmować ostateczne decyzje, które mogą mieć bezpośredni wpływ na ludzi lub organizacje. Zasadniczą kwestią jest zachowanie odpowiedzialności po stronie człowieka, który powinien weryfikować rekomendacje AI oraz mieć pełną kontrolę nad procesem decyzyjnym. Taki podejście minimalizuje ryzyko nadmiernego zaufania do technologii i pozwala na utrzymanie równowagi między automatyzacją a odpowiedzialnym zarządzaniem procesami.

Tak jak wskazałam w poprzednich odpowiedziach, proces wdrażania AI w energetyce nie nastąpi z dnia na dzień. Będzie to stopniowy, starannie zaplanowany i monitorowany proces, szczególnie z uwagi na krytyczność z infrastruktury. Dlatego też, zarówno zabezpieczenia technologiczne, jak i etyczne, są kluczowymi aspektami naszej strategii zarządzania AI w ConnectPoint.

Bierzesz udział we wdrożeniach rozwiązań bazujących na sztucznej inteligencji w energetyce?

Weź udział w 8. Konferencji „Inteligentna Energetyka” – AI w energetyce – perspektywa, technologie, zastosowanie, która odbędzie się już 22 listopada 2024 r. w Warszawie.

Podczas wydarzenia, dr Gabriela Gic-Grusza, Manager produktu SmartRDM oraz lider zespołu w ConnectPoint, opowie o efektywności produkcji z wykorzystaniem sztucznej inteligencji.

Zarejestruj się już dziś na konferencję!

© Materiał chroniony prawem autorskim - wszelkie prawa zastrzeżone.
Dalsze rozpowszechnianie artykułu tylko za zgodą wydawcy ARTSMART Izabela Żylińska. Więcej w Regulaminie.