Analiza oparta jest na przeglądzie literatury oraz raportów branżowych, w tym raportu Obserwatorium Transformacji Cyfrowej THINKTANK (Klekowski, 2023) oraz opracowań dotyczących zastosowań AI w energetyce i zarządzaniu inteligentnymi miastami (Pietrewicz, 2024). Wykazano, że na bardziej zaawansowanych rynkach AI wspiera już wybrane obszary zarządzania systemem energetycznym, w tym prognozowanie generacji i zużycia, optymalizację pracy sieci, integrację rozproszonych źródeł energii oraz rozwiązania typu VPP i DERMS, podczas gdy w Polsce nadal dominują wdrożenia punktowe, ograniczone najczęściej do konserwacji predykcyjnej oraz automatyzacji obsługi klienta. Wskazano również, że ograniczenia finansowe nie są jedyną ani główną barierą rozwoju AI w polskiej energetyce; istotne znaczenie mają także niedostateczna dojrzałość organizacyjna, ograniczenia kompetencyjne, brak spójnej strategii cyfrowej oraz niski poziom zaufania do nowych technologii.
Wprowadzenie
Transformacja energetyczna, wymuszona zarówno przez politykę klimatyczną Unii Europejskiej, jak i przez konieczność uniezależnienia się od rosyjskich paliw kopalnych po agresji Rosji na Ukrainę, w istotny sposób zwiększyła złożoność zarządzania systemami elektroenergetycznymi (European Commission, 2021; Klekowski, 2023).
Na potrzeby niniejszego artykułu przyjęto rozumienie sztucznej inteligencji jako systemów zawartych na maszynach, symulujących ludzkie zachowania i procesy myślowe, zdolnych do uczenia się na podstawie danych oraz do podejmowania działań ukierunkowanych na osiągnięcie określonych celów (Pietrewicz, 2024). Zastosowania AI w energetyce można analizować z perspektywy łańcucha wartości sektora, obejmującego generację, przesył, dystrybucję oraz sprzedaż energii elektrycznej (Klekowski, 2023). O ile literatura przedmiotu obfituje w opracowania o charakterze teoretycznym, definiujące istotę i klasyfikację sztucznej inteligencji (Russell, Norvig, 2009; de Judicibus, 2015), o tyle znacznie mniej jest analiz porównawczych zestawiających praktyczne doświadczenia zagraniczne z sytuacją polskiego sektora energetycznego. Niniejszy artykuł stanowi próbę częściowego wypełnienia tej luki.
Metodologia
Artykuł ma charakter przeglądowo-analityczny. Podstawę materiałową stanowią dwa rodzaje źródeł. Pierwszą grupę tworzą raporty instytucjonalne i branżowe, w tym przede wszystkim raport Obserwatorium Transformacji Cyfrowej THINKTANK „Jak sztuczna inteligencja może przyspieszyć transformację sektora energetycznego w Polsce?” (Klekowski, 2023), a także dokumenty Komisji Europejskiej i Parlamentu Europejskiego dotyczące polityki klimatycznej i zastosowań AI w zarządzaniu inteligentnymi miastami (European Commission, 2021; cyt. za: Pietrewicz, 2024). Drugą grupę stanowią opracowania naukowe dotyczące definiowania i klasyfikacji sztucznej inteligencji (Russell, Norvig, 2009; Lai, Świerczyński, 2020; Lee, Qiufan, 2021). Istotnym elementem materiału źródłowego są wyniki badania ankietowego przeprowadzonego na rzecz Grupy Roboczej ds. Sztucznej Inteligencji (GRAI) przy Kancelarii Prezesa Rady Ministrów, obejmującego większość największych spółek sektora elektroenergetycznego w Polsce, a przeprowadzonego metodyką oceny dojrzałości cyfrowej opracowaną przez IBM Center for The Business of Government we współpracy z Queensland University of Technology (Klekowski, 2023).
W celu ilościowego zweryfikowania stanu badań nad wykorzystaniem sztucznej inteligencji w zarządzaniu systemem elektroenergetycznym przeprowadzono kwerendę w bazie Scopus w następującej postaci:
TITLE-ABS-KEY ((„artificial intelligence” OR „machine learning”) AND („power system” OR „electricity grid” OR „smart grid” OR „virtual power plant” OR „DERMS” OR „distributed energy resource*”) AND („digital transformation” OR „digital maturity” OR „adoption barrier*”))AND PUBYEAR >2010 AND <2026
(Źródło: opracowanie własne na podstawie bazy danych Scopus)
Zapytanie zwróciło 128 unikalnych dokumentów, co wskazuje na relatywnie niszowy, choć dynamicznie rozwijający się obszar badawczy. Charakterystyczne jest niemal całkowite pominięcie okresu 2010-2018, w którym w bazie nie odnotowano żadnych publikacji spełniających kryteria wyszukiwania – pierwsze – prace pojawiają się dopiero od 2019 roku (3 dokumenty), co potwierdza, że koncepcja wirtualnych elektrowni i systemów DERMS wspieranych sztuczną inteligencją jest zagadnieniem właściwym dopiero dla ostatniej dekady, ściśle powiązanym z przyspieszeniem transformacji energetycznej i decentralizacji generacji. Od tego momentu liczba publikacji rośnie niemal nieprzerwanie, co świadczy o gwałtownym przyspieszeniu zainteresowania tematem w ostatnich dwóch latach. Pod względem geograficznym zdecydowanie dominują Chiny (48 dokumentów, blisko 40% całej próby), a znaczący udział mają również Arabia Saudyjska, Stany Zjednoczone oraz Indie. Polska pojawia się w zestawieniu z zaledwie 3 opracowaniami, co pośrednio potwierdza tezę o niższym stopniu zaawansowania krajowych badań i wdrożeń w tym obszarze. Analiza wskazuje na dominację nauk inżynieryjnych (86) oraz informatycznych (74), przy istotnym, choć mniejszym udziale energetyki jako odrębnej kategorii (43), co sugeruje, że zagadnienie to jest traktowane głównie jako problem technologiczny, a w mniejszym stopniu ekonomiczno-organizacyjny.
Zastosowania sztucznej inteligencji w energetyce – doświadczenia zagraniczne
Analizując zastosowania AI w energetyce na rynkach zagranicznych, warto posłużyć się podziałem na łańcuch wartości sektora. W obszarze generacji konwencjonalnej i jądrowej kluczowe znaczenie mają rozwiązania typu predictive maintenance, wykorzystujące modele uczenia maszynowego do analizy danych z systemów SCADA i IoT w celu przewidywania awarii urządzeń, a także koncepcja cyfrowego bliźniaka (Digital Twin), pozwalająca na testowanie scenariuszy pracy instalacji bez ingerencji w rzeczywistą infrastrukturę (Klekowski, 2023). Przykładem wdrożenia zaawansowanych systemów optymalizacji pracy bloków energetycznych jest chińska elektrownia Tongchuan, w której zastosowano system SILO oraz rozwiązania odpowiedzialne za pomiar temperatury (Pietrewicz, 2024, za: Transition Technologies, 2017).
W obszarze odnawialnych źródeł energii AI wykorzystywana jest przede wszystkim do prognozowania generacji na podstawie danych meteorologicznych, co ma istotne znaczenie ze względu na wysoką zmienność produkcji energii z wiatru i słońca (Klekowski, 2023). Zaawansowane sieci neuronowe pozwalają na prognozowanie produkcji w krótkich i ultrakrótkich okresach z większą dokładnością niż tradycyjne metody statystyczne. Rozproszone źródła OZE są dodatkowo agregowane w ramach koncepcji wirtualnych elektrowni (Virtual Power Plants), czyli systemów informatycznych zarządzających złożonym zbiorem źródeł, magazynów energii i odbiorców w celu optymalizacji generacji, zużycia i kosztów (Klekowski, 2023).
Istotnym obszarem zastosowań AI za granicą jest również zarządzanie inteligentnymi miastami powiązane z sektorem energetycznym. Przykładem może być Luksemburg, który już od 2004 roku konsekwentnie realizuje strategię e-Miasto, obejmującą rozwój sieci Wi-Fi w przestrzeni publicznej, usługi płatnicze oraz scentralizowane, zautomatyzowane zarządzanie infrastrukturą miejską (Pietrewicz, 2024, za: Korenik, 2017). Warto też odnotować rosnącą rolę globalnych dostawców technologii chmurowych i rozwiązań AI, takich jak Google Cloud czy Microsoft, we wspieraniu spółek energetycznych w procesach transformacji cyfrowej (Klekowski, 2023).
Zastosowania sztucznej inteligencji w energetyce w Polsce
W Polsce jednym z najważniejszych, choć wciąż realizowanych projektów cyfrowych w sektorze energii elektrycznej jest budowa Centralnego Systemu Informacji Rynku Energii (CSIRE), za którego utworzenie i nadzór odpowiadają Polskie Sieci Elektroenergetyczne, pełniące funkcję Operatora Informacji Rynku Energii (Klekowski, 2023). Warunkiem koniecznym pełnego funkcjonowania systemu jest instalacja liczników zdalnego odczytu w co najmniej 80 procentach punktów poboru energii do końca 2028 roku. Uruchomienie CSIRE ma stać się katalizatorem rozwoju zaawansowanej analityki danych w całym krajowym systemie elektroenergetycznym, umożliwiając między innymi lepsze prognozowanie zużycia oraz usprawnienie procesu zmiany sprzedawcy energii (Klekowski, 2023).
Przykładem konkretnego wdrożenia technologii AI w polskiej energetyce konwencjonalnej jest system SILO, wykorzystywany przez jedną ze śląskich elektrowni do optymalizacji procesów przemysłowych zachodzących w dużej skali. Dzięki jego zastosowaniu udało się ograniczyć zużycie węgla o ponad 8 tysięcy ton rocznie oraz produkcję szkodliwego amoniaku o 665 ton w skali roku, a także zaoszczędzić ponad milion złotych (Pietrewicz, 2024, za: Centrum Informacji o Rynku Energii, 2016). Co istotne, na tamten moment Polska była jedynym krajem europejskim wykorzystującym to rozwiązanie, choć system ten wdrożono wcześniej także w Stanach Zjednoczonych, Korei Południowej i na Tajwanie (Pietrewicz, 2024).
W obszarze obsługi klienta polskie spółki energetyczne, takie jak Tauron, E.ON i PGNiG, konsekwentnie rozwijają rozwiązania oparte na chatbotach. Szczególnie wyraźnie potencjał tych narzędzi ujawnił się w okresie pandemii COVID-19, gdy chatbot wdrożony przez Tauron w 2019 roku obsłużył ponad milion klientów, co skłoniło spółkę do rozszerzenia jego funkcjonalności o możliwość przedłużania umów oraz zakupu instalacji fotowoltaicznych (Pietrewicz, 2024). Tauron realizuje ponadto, wspólnie z Akademią Górniczo-Hutniczą, projekt predykcji awarii, który pozwala przewidzieć nawet do 100 procent zdarzeń awaryjnych w przedziale czasowym od 3 do 17 godzin, wskazując jednocześnie miejsce potencjalnej usterki (Pietrewicz, 2024).
Kluczowym elementem oceny polskiego sektora jest badanie dojrzałości cyfrowej przeprowadzone na zlecenie Grupy Roboczej GRAI, obejmujące większość największych spółek elektroenergetycznych w kraju. Wynika z niego, że firmy sektora dysponują znacznymi zasobami danych gromadzonych od lat, lecz nie wykorzystują ich w sposób systematyczny do wdrażania nowych narzędzi analitycznych (Klekowski, 2023).
Analiza porównawcza – Polska na tle rynków zagranicznych
Zestawienie doświadczeń zagranicznych i krajowych potwierdza pierwszą z postawionych hipotez badawczych. O ile w krajach zachodnich sztuczna inteligencja jest już wykorzystywana do zarządzania całym systemem energetycznym w czasie rzeczywistym, za pomocą wirtualnych elektrowni oraz systemów DERMS integrujących tysiące rozproszonych źródeł, o tyle w Polsce dominują wdrożenia punktowe, ograniczone najczęściej do pojedynczych bloków energetycznych, jak w przypadku systemu SILO, lub do obszaru obsługi klienta, jak w przypadku chatbotów wdrażanych przez spółki dystrybucyjne (Klekowski, 2023; Pietrewicz, 2024).
Analiza raportu THINKTANK wskazuje, że sprowadzanie dyskusji o barierach cyfryzacji sektora wyłącznie do kwestii nakładów inwestycyjnych jest błędem – nawet przy braku ograniczeń kapitałowych sektor nie byłby w stanie przyspieszyć transformacji cyfrowej z powodu barier organizacyjnych, kompetencyjnych oraz niskiego poziomu zaufania do nowych technologii (Klekowski, 2023).
Rosnąca liczba rozproszonych źródeł odnawialnych wymusza konieczność zapewnienia elastycznego, opartego na danych zarządzania siecią oraz rozwoju infrastruktury smart grid (Klekowski, 2023). Warto jednak zaznaczyć istotną różnicę skali: podczas gdy na rynkach zachodnich integracja OZE z inteligentną siecią przesyłową jest już w dużej mierze operacyjną rzeczywistością, w Polsce, jak wskazuje raport Client Earth cytowany przez Klekowskiego (2023), w latach 2015-2021 około 30 GW mocy z OZE nie zostało przyłączonych do sieci z powodu ograniczeń infrastrukturalnych, co pokazuje, że cyfryzacja pozostaje wciąż w fazie nadrabiania zaległości, a nie budowania przewagi konkurencyjnej.
Podsumowanie
Przeprowadzona analiza pozwala stwierdzić, że sztuczna inteligencja stanowi dziś istotne, choć wciąż nie w pełni wykorzystane narzędzie wspierające bezpieczeństwo energetyczne, zarówno na rynkach zagranicznych, jak i w Polsce. Kraje wysoko rozwinięte coraz szerzej wykorzystują AI w zarządzaniu wybranymi elementami zdecentralizowanego systemu energetycznego, w szczególności w prognozowaniu, optymalizacji pracy sieci, integracji OZE, zarządzaniu rozproszonymi zasobami energii oraz predykcyjnym utrzymaniu infrastruktury, natomiast Polska pozostaje na etapie wdrożeń punktowych, koncentrujących się głównie na konserwacji predykcyjnej wybranych instalacji oraz automatyzacji obsługi klienta. Jak wykazano, polski sektor energetyczny dysponuje odpowiednimi zasobami danych oraz kompetencjami technicznymi, brakuje mu jednak dojrzałości organizacyjnej i strategicznej niezbędnej do przejścia od projektów pilotażowych do wdrożeń w pełnej skali (Klekowski, 2023).
Bibliografia
- Centrum Informacji o Rynku Energii (2016, 26 lipca). Jak sztuczna inteligencja może pomóc sektorowi energetycznemu? Pobrane z: https://www.cire.pl/artykuly/centrum-prasowe/114481-jak-sztuczna-inteligencja-moze-pomoc-sektorowi-energetycznemu
- De Judicibus, D. (2015). The Definition of Intelligence. Cognitive Science Multidisciplinary Journal, 16(2), s. 107-132.
- European Commission (2021). European Climate Law. Pobrane z: https://climate.ec.europa.eu/eu-action/european-climate-law_en
- Klekowski, T. (2023, styczeń). Jak sztuczna inteligencja może przyspieszyć transformację sektora energetycznego w Polsce? Raport Obserwatorium Transformacji Cyfrowej THINKTANK. Warszawa. Pobrane z: https://think-tank.pl/coi-content/uploads/2023/02/raport-energetyczny.pdf
- Korenik, A. (2017). Smart city jako forma rozwoju miasta zrównoważonego i fundament zdrowych finansów miejskich. Ekonomiczne Problemy Usług, 4(129), s. 165-175.
- Lai, L., Świerczyński, M. (2020). Prawo sztucznej inteligencji. Warszawa: Wydawnictwo C.H. Beck.
- Lee, K., Qiufan, C. (2021). Sztuczna inteligencja 2041. Londyn: Random House UK Ltd.
- Pietrewicz, M. (2024). Wpływ rozwoju sztucznej inteligencji na bezpieczeństwo energetyczne oraz na zarządzanie inteligentnymi miastami. Nowa Polityka Wschodnia, 2024(2/41), s. 61-86. https://doi.org/10.15804/npw20244104
- Russell, S., Norvig, P. (2009). Artificial Intelligence. A Modern Approach. Londyn: Pearson.
- Transition Technologies (2017). SILO na rynku chińskim. Pobrane z: https://www.silo.tt.com.pl/pl/aktualnosci/50-silo-na-rynku-chinskim