Energetyka bez niepotrzebnego żargonu

Dane 15-minutowe opisują zużycie, produkcję lub inne wielkości energetyczne w kolejnych interwałach trwających 15 minut. Dla typowej doby oznacza to 96 punktów pomiarowych zamiast jednej wartości dobowej lub 24 wartości godzinowych.

Taka rozdzielczość ma coraz większe znaczenie zarówno w rozliczeniach rynku, jak i w zarządzaniu energią po stronie odbiorcy.

Dlaczego 15 minut zmienia jakość analizy?

Miesięczne zużycie 100 MWh nie mówi, kiedy energia została pobrana. Nawet dane godzinowe mogą ukrywać krótkie szczyty.

Przykład:

Średnia dla całej godziny wynosi około 428 kW, ale profil 15-minutowy ujawnia pojedynczy szczyt 780 kW, który może mieć znaczenie dla mocy umownej i sterowania odbiorami.

Do czego wykorzystuje się profil 15-minutowy?

• prognozowanie zużycia,
• wykrywanie anomalii,
• analiza mocy maksymalnej,
• symulacja taryf wielostrefowych,
• dopasowanie cen SPOT do profilu,
• sterowanie magazynem energii,
• peak shaving,
• analiza autokonsumpcji PV,
• wyznaczanie baseline dla elastyczności i DSR.

Dane o energii a moc

Jeżeli licznik raportuje energię zużytą w kwadransie, można wyznaczyć średnią moc w tym interwale.

Przykładowo:

25 kWh w 15 minut = średnio 100 kW

ponieważ 15 minut to 0,25 godziny:

P = 25 kWh / 0,25 h = 100 kW

To nie oznacza, że chwilowa moc przez cały kwadrans była dokładnie 100 kW. Jest to wartość średnia dla interwału.

Jak przygotować dane do analizy?

Trzeba szczególnie pilnować:

• strefy czasowej,
• zmiany czasu letniego i zimowego,
• braków danych,
• duplikatów,
• jednostek kWh/MWh,
• identyfikatora PPE,
• kierunku energii pobranej i oddanej,
• wersjonowania danych po korektach OSD.

Elastyczność energetyczna to zdolność odbiorcy, wytwórcy, magazynu lub całego portfela do kontrolowanej zmiany poboru lub produkcji energii w czasie w odpowiedzi na ceny, potrzeby systemu albo inne sygnały operacyjne.

W przypadku odbiorcy biznesowego elastyczność może oznaczać zarówno zmniejszenie poboru, jak i jego zwiększenie lub przesunięcie na inną godzinę.

Przykłady elastyczności w firmie

• oczyszczalnia przesuwa pracę części pomp na tańsze godziny,
• chłodnia obniża temperaturę wcześniej, a następnie ogranicza sprężarki w drogim szczycie,
• zakład przesuwa ładowanie wózków i pojazdów,
• magazyn energii ładuje się przy niskiej cenie i rozładowuje przy wysokiej,
• HVAC czasowo ogranicza moc bez pogorszenia komfortu poza dopuszczalny zakres,
• linia technologiczna opóźnia energochłonny etap o godzinę.

Elastyczność a efektywność energetyczna

To nie to samo.

Efektywność energetyczna dąży zwykle do zmniejszenia ilości energii potrzebnej do wykonania tej samej pracy. Elastyczność zmienia przede wszystkim moment poboru lub jego chwilowy poziom.

Firma może więc zużyć dokładnie 10 MWh na dobę, ale dzięki elastyczności przesunąć 2 MWh z godzin bardzo drogich do tanich i obniżyć koszt bez zmniejszenia całkowitego zużycia.

Jak wycenić elastyczność?

Potencjał powinien być opisany co najmniej przez:

• moc możliwą do zmiany, np. 500 kW,
• czas reakcji,
• maksymalny czas utrzymania zmiany,
• liczbę możliwych aktywacji,
• energię możliwą do przesunięcia,
• koszt lub utracony przychód związany z aktywacją,
• ograniczenia technologiczne.

Do czego można wykorzystać elastyczność?

• DSR i usługi systemowe,
• peak shaving,
• unikanie przekroczeń mocy umownej,
• reakcja na ceny SPOT,
• autokonsumpcja OZE,
• sterowanie magazynem energii,
• ograniczanie kosztu profilu.

LZO, czyli licznik zdalnego odczytu, jest licznikiem energii wyposażonym w funkcje umożliwiające zdalne pozyskiwanie i przekazywanie danych pomiarowych. Jest jednym z kluczowych elementów cyfryzacji rynku energii oraz źródłem bardziej szczegółowych danych o zużyciu niż klasyczny odczyt wykonywany raz na kilka tygodni lub miesięcy.

Wdrożenie LZO jest powiązane z rozwojem CSIRE i zwiększaniem dostępności danych pomiarowych dla odbiorców oraz uprawnionych uczestników rynku.

Co daje LZO odbiorcy?

W zależności od konfiguracji i zakresu danych udostępnianego przez OSD może umożliwić:

• częstszy odczyt bez wizyty inkasenta,
• dostęp do profilu zużycia,
• szybsze wykrycie nietypowych zmian poboru,
• dokładniejszą analizę stref taryfowych,
• prognozowanie kosztów,
• wsparcie zmiany sprzedawcy i procesów rynkowych,
• analizę autokonsumpcji przy źródłach wytwórczych.

PSE/OIRE wskazują, że w portalach związanych z CSIRE odbiorca może uzyskać informacje techniczne o punkcie, w tym informację, czy licznik jest LZO, oraz odpowiednie dane pomiarowe, jeżeli zostały przekazane do systemu.

LZO a „smart meter”

W potocznym języku oba pojęcia są często używane zamiennie. Najbezpieczniej jednak stosować termin LZO w znaczeniu wynikającym z polskich regulacji i dokumentacji rynku, zamiast zakładać, że każde urządzenie marketingowo określane jako „smart” spełnia te same wymagania funkcjonalne.

Czy LZO oznacza dane w czasie rzeczywistym?

Nie należy tego zakładać. „Zdalny odczyt” nie oznacza automatycznie transmisji sekundowej lub minutowej do klienta. Częstotliwość rejestracji, przesyłania i udostępniania zależy od systemu, operatora, produktu danych i regulacji.

Dla analiz rynku detalicznego szczególnie ważne są dane 15-minutowe, ale mogą być udostępniane z określonym opóźnieniem.

Dlaczego LZO jest ważne dla systemów analitycznych?

Przy setkach PPE automatyczny dostęp do szczegółowych danych pozwala przejść od analizy faktury po zakończeniu miesiąca do bardziej bieżącego zarządzania energią. Można budować alerty mocy, wykrywać anomalie, prognozować zużycie i oceniać zmianę taryfy.

MPC (Model Predictive Control), czyli sterowanie predykcyjne, to metoda automatycznego sterowania procesem, w której algorytm wykorzystuje model obiektu do przewidywania jego zachowania w przyszłości i na tej podstawie dobiera kolejne nastawy.

W energetyce i przemyśle MPC jest szczególnie wartościowe tam, gdzie trzeba jednocześnie minimalizować koszt lub zużycie energii, utrzymać wymagane parametry procesu i respektować ograniczenia technologiczne.

Jak działa MPC w uproszczeniu?

1. System pobiera aktualny stan procesu i dane wejściowe.
2. Model prognozuje, jak obiekt zachowa się w kolejnych minutach lub godzinach.
3. Algorytm porównuje możliwe scenariusze sterowania.
4. Wybiera działanie minimalizujące określoną funkcję kosztu.
5. Wykonuje pierwszy krok i po chwili powtarza obliczenia z nowymi danymi.

Przykład energetyczny

W oczyszczalni ścieków MPC może przewidywać dopływ, zapotrzebowanie na tlen i ceny energii, a następnie dobierać pracę dmuchaw w taki sposób, aby utrzymać wymagane parametry technologiczne przy możliwie niskim zużyciu energii i bez przekraczania ograniczeń procesu.

W budynkach podobne podejście może sterować HVAC z wykorzystaniem prognozy pogody, obłożenia i bezwładności cieplnej budynku.

MPC a zwykły regulator

Klasyczny regulator reaguje przede wszystkim na bieżący błąd. MPC próbuje przewidzieć przyszłość i uwzględniać wiele ograniczeń jednocześnie, np. maksymalną moc urządzeń, tempo zmian, temperaturę, jakość procesu czy koszt energii w kolejnych godzinach.

Kiedy MPC ma sens?

Największy potencjał pojawia się w procesach o dużej bezwładności, zmiennym obciążeniu, wielu zależnych od siebie urządzeniach oraz wtedy, gdy dostępne są dobre dane historyczne i wiarygodny model procesu.

Peak shaving oznacza aktywne ograniczanie najwyższych chwilowych lub okresowych poziomów poboru mocy przez obiekt. Celem nie musi być zmniejszenie całkowitego zużycia energii. Najważniejsze jest „ścięcie” szczytu, który może generować opłaty, wymagać większej infrastruktury lub zwiększać koszt zakupu.

W polskich warunkach biznesowych peak shaving może być szczególnie istotny przy zarządzaniu mocą umowną i ryzykiem jej przekroczenia.

Jak wygląda peak shaving?

Bez sterowania:

300 kW -> 340 kW -> 780 kW -> 360 kW -> 320 kW

Po ograniczeniu szczytu:

300 kW -> 340 kW -> 480 kW -> 430 kW -> 350 kW

Energia może zostać częściowo przesunięta na później, ale maksymalna moc jest niższa.

Najczęstsze metody

• rozładowanie magazynu energii podczas szczytu,
• opóźnienie ładowania pojazdów,
• sekwencyjny start dużych silników,
• chwilowe ograniczenie HVAC,
• przesunięcie pracy pomp lub sprężarek,
• sterowanie produkcją w ramach dopuszczalnego bufora,
• wykorzystanie lokalnej generacji.

Peak shaving a load shifting

Peak shaving skupia się na redukcji maksymalnego poboru. Load shifting szerzej oznacza przesuwanie energii z jednego okresu do drugiego.

Przykładowo magazyn może:

• rozładować się tylko podczas 15-minutowego szczytu, czyli peak shaving,
• ładować nocą i rozładowywać przez kilka drogich godzin, czyli load shifting/arbitraż.

Przykład z magazynem energii

Moc umowna obiektu: 500 kW.

Prognozowany pobór przez następne 30 minut: 650 kW.

Magazyn rozładowuje się z mocą 170 kW.

Pobór z sieci:

650 kW - 170 kW = 480 kW

Dzięki temu szczyt pozostaje poniżej 500 kW. Rzeczywista skuteczność zależy od sposobu pomiaru mocy przez OSD, opóźnienia sterowania, mocy i energii magazynu.

Czy peak shaving pozwala od razu obniżyć moc umowną?

Nie automatycznie. Najpierw trzeba potwierdzić, że system niezawodnie kontroluje szczyty w różnych sezonach i scenariuszach awaryjnych. Formalne obniżenie mocy umownej wymaga odpowiedniej zmiany warunków umownych z operatorem.

Zbyt niska moc umowna może zwiększyć ryzyko kosztownych przekroczeń w razie awarii magazynu lub nietypowego procesu.

Jak zaprojektować algorytm peak shaving?

Dobry system powinien uwzględniać:

1. bieżącą moc i energię w okresie pomiarowym,
2. prognozę do końca interwału,
3. limit mocy,
4. stan naładowania magazynu,
5. priorytety odbiorów elastycznych,
6. ograniczenia technologiczne,
7. koszt energii i ewentualne inne cele magazynu.

Prosty algorytm progowy może wystarczyć w stabilnym obiekcie. Przy bardziej złożonych ograniczeniach można zastosować MPC lub optymalizację predykcyjną.

Profil zużycia pokazuje, jak pobór energii zmienia się w czasie. Zamiast jednej informacji "firma zużyła 500 MWh w miesiącu" otrzymujemy szereg wartości dla kolejnych okresów, np. godzin lub 15 minut, dzięki czemu można zobaczyć kiedy i z jaką intensywnością energia była pobierana.

W dokumentacji OIRE profil zużycia jest określany jako zbiór danych pomiarowych dotyczących energii pobranej z sieci lub wprowadzonej do sieci w kolejnych okresach integracji danych.

Co można odczytać z profilu zużycia?

• godziny największego i najmniejszego poboru,
• różnice pomiędzy dniami roboczymi i weekendami,
• sezonowość,
• pracę urządzeń poza godzinami działalności,
• nagłe skoki lub nietypowe zdarzenia,
• potencjał przesuwania zużycia na tańsze godziny,
• bazowe zapotrzebowanie obiektu.

Dlaczego roczne MWh nie wystarczą do zakupu energii?

Dwa zakłady mogą zużyć po 10 GWh rocznie, ale pierwszy pracuje równomiernie przez całą dobę, a drugi głównie w godzinach 07:00-17:00. Ich optymalna strategia zakupu, koszt bilansowania, ekspozycja na SPOT i potencjał DSR będą różne.

Jaką rozdzielczość danych warto analizować?

Im wyższa rozdzielczość, tym łatwiej wykryć szczyty i dopasować działania operacyjne. Dla wielu zastosowań biznesowych dane godzinowe są dobrym punktem startowym, natomiast 15-minutowe są szczególnie cenne przy analizie mocy, krótkich szczytów i sterowaniu odbiorami.

Jak wykorzystać profil do oszczędności?

Profil jest podstawą do prognozowania zużycia, optymalizacji mocy umownej, analizy grup taryfowych, zakupu produktów BASE/PEAK, wyznaczania elastyczności DSR oraz wykrywania nietypowego poboru.

Prognozowanie cen energii polega na przewidywaniu przyszłych cen rynku hurtowego, np. RDN, RDB lub kontraktów terminowych, na podstawie danych fundamentalnych, historycznych i rynkowych.

Jest to trudniejsze zadanie niż zwykła ekstrapolacja szeregu czasowego, ponieważ cena energii powstaje w systemie, w którym podaż i popyt muszą być równoważone praktycznie w czasie rzeczywistym, a koszt krańcowy może gwałtownie zmieniać się przy niewielkich zmianach warunków.

Jakie czynniki wpływają na cenę?

• prognoza zapotrzebowania,
• produkcja wiatrowa i PV,
• dostępność elektrowni,
• ceny paliw i CO2,
• poziom generacji wodnej,
• przepustowości transgraniczne,
• ceny w krajach sąsiednich,
• temperatura i zachmurzenie,
• awarie,
• ograniczenia sieciowe,
• kalendarz i pora dnia.

Typowe metody

Można stosować:

• modele fundamentalne,
• regresję i modele szeregów czasowych,
• ARIMA/GARCH,
• gradient boosting,
• random forest,
• sieci neuronowe i LSTM,
• modele hybrydowe łączące dane fundamentalne i ML.

Nie ma jednego modelu najlepszego w każdych warunkach.

Prognoza punktowa a probabilistyczna

Zamiast mówić wyłącznie „jutro o 18:00 cena wyniesie 700 PLN/MWh”, można przewidywać rozkład:

• mediana 700 PLN/MWh,
• 10 percentyl 480 PLN/MWh,
• 90 percentyl 1050 PLN/MWh.

Dla decyzji zakupowej informacja o niepewności często jest bardziej wartościowa niż pojedyncza liczba.

Jak uniknąć błędnego backtestu?

To szczególnie ważne w prognozowaniu cen. Model powinien korzystać wyłącznie z danych dostępnych przed momentem decyzji. Jeżeli do predykcji historycznej ceny użyjemy później skorygowanego forecastu pogody albo informacji o awarii opublikowanej po aukcji, powstaje look-ahead bias.

Do czego może użyć tego odbiorca?

• decyzja SPOT vs zabezpieczenie terminowe,
• harmonogram magazynu,
• load shifting,
• planowanie energochłonnej produkcji,
• ocena ryzyka budżetu energetycznego.

Model nie eliminuje ryzyka. Powinien być elementem procesu decyzyjnego, a nie gwarancją konkretnej ceny.

Prognozowanie zużycia energii polega na przewidywaniu przyszłego poboru energii lub mocy na podstawie danych historycznych i zmiennych objaśniających. Prognoza może dotyczyć jednego PPE, całego zakładu, portfela setek punktów albo całego systemu elektroenergetycznego.

Horyzont prognozy zależy od decyzji, którą ma wspierać.

Typowe horyzonty

Jakie dane poprawiają prognozę?

Najczęściej:

• historyczny profil 15-minutowy lub godzinowy,
• temperatura,
• nasłonecznienie,
• wilgotność,
• dzień tygodnia i święta,
• harmonogram zmian produkcyjnych,
• wolumen produkcji,
• godziny pracy obiektu,
• dane o awariach i remontach.

Dla biura pogoda i kalendarz mogą być kluczowe. Dla fabryki ważniejszy może być plan produkcji.

Jak mierzyć błąd?

Jedną z prostych metryk jest MAE:

MAE = średnia z |prognoza - wykonanie|

Można też stosować WAPE, RMSE i inne miary. Przy porównaniu modeli trzeba używać tych samych okresów testowych i danych dostępnych faktycznie w momencie tworzenia prognozy.

Dlaczego błąd prognozy ma wartość finansową?

Lepsza prognoza może:

• zmniejszyć niezbilansowanie,
• ograniczyć koszt dokupowania energii blisko dostawy,
• poprawić planowanie transz,
• ostrzegać przed przekroczeniem mocy,
• poprawić sterowanie magazynem i elastycznymi odbiorami.

Przykład praktyczny

Firma prognozuje na jutro 10 MWh, ale zużywa 12 MWh. Błąd wynosi 2 MWh. Jeżeli model po wdrożeniu danych o temperaturze i produkcji ogranicza typowy błąd do 0,7 MWh, wartość rozwiązania można oszacować przez różnicę w kosztach bilansowania i korekt pozycji.

Uczenie maszynowe w energetyce oznacza wykorzystanie modeli uczących się zależności z danych do prognozowania, klasyfikowania, wykrywania anomalii, optymalizacji lub wspierania decyzji w systemach energetycznych.

W przeciwieństwie do klasycznej reguły zapisanej ręcznie, np. „jeżeli temperatura przekracza 25°C, zwiększ prognozę o 10%”, model ML może sam nauczyć się z historii, jak temperatura, dzień tygodnia, godzina, produkcja, pogoda i inne zmienne wpływają na zużycie.

Najczęstsze zastosowania

Przykład: prognoza zużycia

Model może otrzymywać na wejściu:

• ostatnie dane 15-minutowe,
• temperaturę i prognozę pogody,
• dzień tygodnia,
• święta,
• harmonogram produkcji,
• godzinę,
• sezon.

Na wyjściu generuje 96 prognoz na kolejną dobę. Taki forecast może służyć do zakupu energii, bilansowania lub sterowania obiektem.

Czy ML zawsze jest lepsze od prostych modeli?

Nie. Model powinien być porównywany z baseline, np.:

• średnią z podobnych dni,
• profilem z poprzedniego tygodnia,
• regresją liniową,
• klasycznym modelem szeregu czasowego.

Jeżeli złożony model poprawia błąd z 5,1% do 5,0%, ale wymaga trudnego utrzymania i wielu danych, jego wdrożenie może nie mieć sensu.

Najważniejsze ryzyka

• złej jakości dane pomiarowe,
• data leakage, czyli wykorzystanie informacji niedostępnych w momencie prognozy,
• drift zachowania obiektu,
• brak odporności na awarie i nietypowe dni,
• brak interpretacji modelu,
• mylenie korelacji z przyczynowością,
• brak monitoringu jakości po wdrożeniu.

Jak oceniać model?

Zależnie od zadania można stosować m.in. MAE, RMSE, MAPE/WAPE, precision, recall czy koszt ekonomiczny decyzji. W energetyce często najważniejsza nie jest sama metryka statystyczna, ale ile złotych oszczędza lepsza decyzja.

Wykrywanie anomalii w zużyciu energii polega na automatycznym identyfikowaniu okresów, w których pobór energii lub mocy zachowuje się nietypowo względem oczekiwanego profilu obiektu.

Anomalia nie musi oznaczać awarii. Jest przede wszystkim sygnałem: „to zachowanie różni się od tego, czego oczekiwaliśmy i warto je sprawdzić”.

Przykłady anomalii

• nocny pobór wzrasta z typowych 30 kW do 120 kW,
• pompa pracuje nieprzerwanie mimo braku procesu,
• zużycie w weekend jest takie samo jak w dzień roboczy,
• po modernizacji HVAC zużycie zamiast spaść rośnie,
• jeden z 500 PPE nagle podwaja pobór,
• profil staje się idealnie płaski, co może wskazywać błąd danych,
• licznik przestaje raportować wartości.

Jak działa system wykrywania?

Najprostsza metoda to reguły:

jeżeli moc > 500 kW, wyślij alarm

Bardziej zaawansowana metoda tworzy oczekiwany profil na podstawie historii, pogody, kalendarza i charakteru obiektu. Jeżeli rzeczywisty pobór znacząco odbiega od prognozy, system nadaje zdarzeniu wysoki anomaly score.

Reguła czy ML?

Najlepsze systemy często łączą oba podejścia:

• reguły są świetne do znanych ograniczeń, np. moc umowna,
• modele statystyczne wykrywają nietypowe odchylenia,
• ML może uwzględniać sezonowość i wiele zmiennych naraz.

Jak ograniczyć liczbę fałszywych alarmów?

System powinien znać kontekst:

• dzień tygodnia,
• pogodę,
• harmonogram produkcji,
• planowane postoje,
• święta,
• podobne obiekty,
• tolerancję biznesową.

Jeżeli wysyła kilkadziesiąt nieistotnych alertów dziennie, użytkownicy szybko przestaną na nie reagować.

Jak policzyć wartość biznesową?

Dla każdej wykrytej anomalii warto zapisać:

• przyczynę,
• czas trwania,
• dodatkowe kWh,
• dodatkową moc,
• koszt,
• podjęte działanie,
• uniknięty koszt po naprawie.

Dzięki temu system przestaje być tylko wykresem AI, a staje się mierzalnym narzędziem oszczędnościowym.