Demand
Management

Zarządzanie
popytem/podażą

Cykliczność

Różnica miedzy najwyższym a najniższym zapotrzebowaniem na energię elektryczną sięga w Polsce 60% i wynika ze zmian w cyklu rocznym i dobowym. W przeszłości szczyt zapotrzebowania na energię występował w zimie, kiedy zużycie prądu w gospodarstwach domowych wzrastało z uwagi na krótsze dni, a zakłady produkcyjne miały wyższe zapotrzebowanie na ogrzewanie.

Obecnie wysokie zapotrzebowanie na energię notowane jest także latem (osiągając nawet 89% szczytu zużycia zimą), co wynika ze wzrostu wykorzystania klimatyzatorów. Możliwości zwiększenia produkcji energii elektrycznej latem są jednak ograniczone ze względu na obniżający się poziom wód i przerw na remonty. Może to doprowadzić do powtórzenia sytuacji z 2015 r., kiedy dostawy energii ograniczono, aby zapobiec awarii całego systemu elektroenergetycznego.

Okresy przejściowe (wiosna, jesień) charakteryzują się z kolei potencjalną dużą zmiennością zapotrzebowania na energię ze względu na możliwe wahania temperatury.

Zapotrzebowanie na energię elektryczną, wynikające z korzystania z nowych technologii, takich jak zautomatyzowane linie produkcyjne, może jeszcze wzrosnąć wraz z popularyzacją pojazdów elektrycznych. Takie elementy jak:

  • niepewne poziomy popytu i podaży energii,
  • coraz bardziej skomplikowana sieć zaangażowanych podmiotów i aktywów,
  • starzejąca się infrastruktura,
  • zmienne obciążenia systemu,
  • presja na ograniczenie kosztów
  • deregulacja rynku

z jednej strony mogą skłonić Polskę do zmiany modelu systemu energetycznego ze scentralizowanego na regionalny, ale z drugiej strony są mocnymi argumentami przemawiającymi za wdrażaniem coraz bardziej zaawansowanych technologii służących do, opartego na pogłębionej wiedzy i wnioskowaniu, zarządzania systemem.

Zarządzanie sektorem energetycznym stanie się bowiem jeszcze bardziej złożone i wymagać będzie odpowiednich narzędzi. Rozwiązanie palących problemów energetyki może zaoferować sztuczna inteligencja wraz z takimi pokrewnymi dziedzinami jak Big Data, Big Data Analytics czy IoT.

Zastosowanie

Jednym z najlepszych przykładów zastosowania AI w energetyce jest przewidywanie podaży i popytu. Firmy energetyczne zaczynają wykorzystywać technologię AI (w połączeniu z Big Data) do opracowywania dokładniejszych prognoz krótkoterminowego obciążenia sieci, a w tym w szczególności przewidywania szczytów podaży i popytu energii. Wykorzystuje się do tego informacje z inteligentnych liczników, z czujników rozmieszczonych na sieci oraz informacje pogodowe. Jak pokazują doświadczenia firm energetycznych, prowadzi to do około 10% zmniejszenia zużycia energii oraz do lepszego wykorzystania źródeł odnawialnych. Celem jest bardziej dynamiczne dopasowanie podaży i popytu.

Polska dopiero rozpoczęła proces wymiany liczników i dodatkowego opomiarowania sieci, ale dokonuje w tym obszarze znacznych inwestycji. Warto zatem aby inwestycje te wykorzystać w celu precyzyjnego prognozowania podaży i popytu. Brak takich zaawansowanych prognoz może być poważnym ryzykiem dla funkcjonowania systemu energetycznego. Ryzyko to związane jest nie tylko z możliwym przeciążeniem systemu, czy jego nieoptymalnym wykorzystaniem, ale również z możliwością pojawienia się „nadprodukcji” energii a w tym – ze źródeł odnawialnych.