AI dla energetyki i utilities: prognozy, detekcja anomalii, dokumentacja

Operator sieci ciepłowniczej z setkami węzłów, dystrybutor energii z telemetrią z liczników i stacji, dział zgodności tonący w sprawozdawczości do regulatora. To obrazy, które widujemy regularnie. Wspólny mianownik: danych jest dużo — z czujników, liczników SCADA, systemów bilingowych — ale przełożenie ich na decyzję na czas jest trudne. Tu AI ma sens. Ten sam operator bywa jednak kuszony obietnicą „sieci, która sama się reguluje”, a to inna rozmowa: o stabilności dostaw, odpowiedzialności prawnej i infrastrukturze krytycznej. Poniżej rozdzielamy jedno od drugiego, uczciwie i bez obietnic, których nie da się dotrzymać.

Prognozowanie zapotrzebowania (load forecasting) to przewidywanie, ile energii lub ciepła odbiorcy zużyją w najbliższych godzinach i dniach, na podstawie danych historycznych, pogody, kalendarza i profilu odbiorców. To jeden z najlepiej zbadanych zastosowań AI w branży — i właśnie dlatego warto mówić o nim uczciwie.

Dokładność zależy od horyzontu i od jakości danych wejściowych. Prognoza na najbliższe godziny bywa bardzo trafna; prognoza tygodniowa obarczona jest znacznie większą niepewnością, bo zależy od pogody, której sama też nie znamy dokładnie. Nie obiecujemy jednej liczby — podajemy widełki i pokazujemy, jak je liczyć na waszych danych.

To są zakresy orientacyjne z literatury i naszych obserwacji, nie gwarancja — realny błąd zmierzymy dopiero na waszej historii. Warunkiem jest ekstrakcja danych z różnych źródeł i ich uporządkowanie; jak ułożyć takie dane, opisujemy w przygotowaniu danych firmowych pod AI. Bez czystej, oznaczonej w czasie historii model nie ma się na czym uczyć.

Drugi mocny obszar to wykrywanie anomalii w strumieniach telemetrii: nagłych skoków poboru, nietypowych profili napięcia, wycieków w sieci ciepłowniczej, podejrzeń o nielegalny pobór czy o awarię liczników. Model uczy się, jak wygląda „normalna” praca punktu pomiarowego, i sygnalizuje odchylenia.

Ważne, żeby nie obiecywać za dużo. AI nie „wie”, że to wyciek — sygnalizuje, że profil odczytów odbiega od wzorca w sposób, który historycznie towarzyszył problemom. Decyzję o wysłaniu ekipy, odcięciu odbiorcy czy wszczęciu kontroli podejmuje człowiek, bo to on ponosi konsekwencje błędu. System pełni rolę sita: przesiewa tysiące punktów i typuje te warte uwagi.

Tu kluczowe są dwa uczciwe zastrzeżenia. Po pierwsze, próg czułości to decyzja biznesowa: niższy łapie więcej anomalii, ale generuje więcej fałszywych alarmów i męczy dyspozytorów; wyższy przepuszcza więcej zdarzeń, ale ryzykuje przeoczenie. Po drugie, model dryfuje — zmienia się sezon, taryfy, struktura odbiorców — więc bez monitoringu jego skuteczność cicho spada. Jak to mierzyć, opisujemy w monitoringu jakości agenta AI. Ten sam wzorzec „AI przesiewa, człowiek decyduje” pokazujemy też przy zgłoszeniach w klasyfikacji i routingu zgłoszeń AI.

Najmniej efektowny, a często najbardziej opłacalny obszar to administracja i sprawozdawczość. Energetyka i utilities to branże regulowane: raporty do URE, dokumentacja techniczna sieci, protokoły przeglądów, świadectwa, korespondencja z odbiorcami, rozliczenia. Sporo z tego to ręczne przepisywanie liczb i przeszukiwanie dokumentów.

Tu AI sprawdza się jako ekstrakcja danych: odczytuje wartości z formularzy, protokołów i faktur dostawców, w tym ze skanów i zdjęć dzięki OCR, i przenosi je w ustrukturyzowanej formie do systemu. Model językowy może też przygotować pierwszą wersję raportu zmianowego lub sprawozdania z surowych danych z sieci — z zastrzeżeniem, że dokument o wartości prawnej podpisuje człowiek.

Granica jest prosta: AI przygotowuje i porządkuje, człowiek zatwierdza dokument, który ma skutki regulacyjne. Agent może zebrać dane z kilku systemów i ułożyć projekt sprawozdania, ale odpowiedzialność za zgodność z prawem pozostaje przy osobie, nie przy modelu.

Czwarty praktyczny obszar to przepływ zgłoszeń: awarie, reklamacje rozliczeń, wnioski o przyłączenie, pytania o taryfy. Klasyfikator potrafi posortować zgłoszenia po typie i pilności i skierować je do właściwego zespołu — awaria zasilania trafia do dyspozytora natychmiast, a pytanie o fakturę do biura obsługi.

To realnie skraca czas reakcji, ale obowiązuje ta sama dyscyplina co wyżej. Klasyfikacja jest wsparciem routingu, nie wyrokiem: przy zgłoszeniu, które może dotyczyć bezpieczeństwa (zapach gazu, ryzyko porażenia), system eskaluje do człowieka z najwyższym priorytetem, a nie próbuje „obsłużyć” sprawy sam. Mechanikę takiego routingu rozkładamy na czynniki w klasyfikacji i routingu zgłoszeń AI, a logikę przesiewania na danych z czujników poruszamy też przy AI dla logistyki i magazynu oraz AI dla produkcji przemysłowej.

Tu trzeba być precyzyjnym, bo sieci energetyczne i wodociągowe to infrastruktura krytyczna — błąd ma konsekwencje dla bezpieczeństwa ludzi i ciągłości dostaw.

Dopóki AI wspiera decyzję — prognoza dla planisty, alert anomalii dla dyspozytora, szkic sprawozdania, routing zgłoszenia — i człowiek pozostaje w pętli, ryzyko prawne i operacyjne jest ograniczone. Problem zaczyna się, gdy system sam podejmuje działanie wpływające na sieć: zmienia parametry pracy, odcina odbiorców, steruje rozdziałem mocy bez nadzoru.

AI Act wskazuje jako wysokie ryzyko między innymi systemy AI używane jako komponenty bezpieczeństwa w zarządzaniu i eksploatacji infrastruktury krytycznej, w tym dostaw energii i wody. Jeśli AI pełni taką rolę, wchodzą obowiązki: dokumentacja techniczna, ocena ryzyka, nadzór człowieka z realną możliwością interwencji, logowanie i monitoring jakości w czasie. Co to oznacza w praktyce dla polskich firm, rozpisujemy w obowiązkach z AI Act i RODO w 2026.

Trzy zasady, które stosujemy zawsze:

• Człowiek w pętli przy decyzjach krytycznych dla sieci. AI sygnalizuje i proponuje; przełączenia, odcięcia i zmiany parametrów zatwierdza dyspozytor.
• Logowanie i nadzór jakości modelu. Sezonowy dryf jest tu regułą, nie wyjątkiem — bez monitoringu skuteczność spada niezauważenie.
• Audyt przed wdrożeniem. Zanim system dotknie procesów operacyjnych, warto przejść przez audyt bezpieczeństwa asystenta AI, żeby sprawdzić uprawnienia, dostęp do danych i scenariusze nadużyć.

Uczciwa kolejność wdrożenia wygląda mniej spektakularnie, niż obiecują slajdy. Najpierw jeden, wąsko zdefiniowany problem z policzalnym kosztem — najczęściej albo krótkoterminowa prognoza obciążenia, albo detekcja anomalii na jednym typie sygnału, albo automatyzacja jednego sprawozdania. Potem weryfikacja, czy w ogóle istnieją czyste dane historyczne do nauczenia modelu. Następnie pilotaż obok obecnego procesu — AI typuje i prognozuje, człowiek nadal decyduje — żeby zmierzyć skuteczność na realnych danych, zanim cokolwiek zacznie działać samodzielnie. Dopiero gdy liczby się zgadzają, stopniowe rozszerzanie, z zachowanym nadzorem tam, gdzie w grę wchodzi stabilność sieci.

To nie jest droga na skróty. Ale to droga, która nie kończy się drogim systemem, któremu nikt nie ufa, bo raz pomylił prognozę w dniu, w którym kosztowało to najwięcej.

To zależy przede wszystkim od horyzontu i jakości danych. Prognozy krótkoterminowe (kilka–kilkanaście godzin) bywają bardzo trafne, z błędem zwykle w pojedynczych procentach; prognozy tygodniowe są obarczone większą niepewnością, bo zależą od pogody, której sama też nie znamy dokładnie. Podajemy widełki, a realny błąd mierzymy na waszej historii — nie obiecujemy jednej liczby z prezentacji.

W naszym podejściu nie. Decyzje krytyczne dla sieci — przełączenia, zmiany parametrów, odcięcia — wymagają nadzoru człowieka, bo dotyczą infrastruktury krytycznej i bezpieczeństwa. AI sygnalizuje anomalie i proponuje, ale zatwierdza dyspozytor. Pełna autonomia w takich procesach to nie tylko ryzyko operacyjne, ale i obszar twardo regulowany przez AI Act.

To zależy od architektury, którą wybierzecie — i jest to decyzja, nie konieczność. Dane wrażliwe (telemetria, dane odbiorców, parametry sieci) mogą zostać w infrastrukturze spółki dzięki modelom uruchamianym lokalnie, albo u dostawcy z gwarancją lokalizacji danych w EU i umową powierzenia. Warto tę decyzję podjąć świadomie na początku, bo determinuje cały projekt i wymogi RODO.

Czasem tak. Jeśli AI jest komponentem bezpieczeństwa w zarządzaniu lub eksploatacji infrastruktury krytycznej (dostawy energii, wody), może być systemem wysokiego ryzyka wg AI Act — z obowiązkami dokumentacji, oceny ryzyka i nadzoru człowieka. Systemy czysto administracyjne, jak generowanie sprawozdań czy OCR dokumentów, zwykle nie wchodzą w tę kategorię, ale klasyfikację warto potwierdzić dla konkretnego zastosowania.

Uczciwa odpowiedź to „zależy od danych”, a nie od modelu. Jeśli telemetria już płynie i istnieje historia zdarzeń (awarii, wycieków, fraudów), pilotaż na jednym typie sygnału to zwykle kilka tygodni do kilku miesięcy. Jeśli trzeba dopiero uporządkować dane i zebrać oznaczone przykłady, faza przygotowania potrafi trwać dłużej niż samo modelowanie — i nie da się jej skrócić obietnicą.