AI w zarządzaniu energią często traktuje się jako jeden temat. W rzeczywistości lepiej myśleć o niej jako o trzech różnych warstwach, z których każda rozwiązuje inny problem: planowaniu, prognozowaniu i interakcji z użytkownikiem.
W tym wpisie wyjaśniamy, jak patrzymy na te warstwy w Zerofy i gdzie dziś widzimy największy praktyczny efekt.
1) Planowanie: decyzja, co i kiedy ma pracować
Sednem zarządzania energią w domu jest problem planowania: jaki harmonogram pracy elastycznych urządzeń jest najlepszy przy danych ograniczeniach, cenach, prognozach i preferencjach użytkownika?
Tu właściwym fundamentem jest zwykle klasyczna optymalizacja. Jej metody służą do znajdowania optymalnych lub bliskich optimum decyzji przy jawnie zadanych ograniczeniach – a dokładnie tego ten problem wymaga.
Dlatego w praktyce nowoczesne systemy energetyczne nie opierają się „wyłącznie na LLM”. Sama warstwa harmonogramowania najwięcej zyskuje na optymalizacji z solidnymi podstawami matematycznymi.
2) Prognozowanie: lepsze dane wejściowe do planowania
Nawet najlepsza metoda planowania jest tylko tak dobra, jak jej dane wejściowe. Prognozowanie jest więc drugą główną warstwą AI.
W domowym zarządzaniu energią prognozuje się przede wszystkim cenę energii elektrycznej, zużycie domu i produkcję z fotowoltaiki. Wszystko to są problemy szeregów czasowych, które często zyskują na kontekście wielowymiarowym. Na przykład prognozy zużycia związanego z ogrzewaniem poprawiają się dzięki danym pogodowym, a prognozy produkcji z PV silnie zależą od dynamiki nasłonecznienia i zachmurzenia.
W Zerofy opracowaliśmy własne algorytmy prognozowania, oparte na najnowszych, specyficznych dla tej dziedziny podejściach z użyciem modeli podstawowych (foundation models). Więcej szczegółów technicznych o tym rozwiązaniu przedstawimy w osobnym, pogłębionym wpisie.
3) Interakcja z użytkownikiem: zrozumiała optymalizacja
Trzecia warstwa to ta, którą większość osób kojarzy dziś z „AI”: interaktywna komunikacja za pośrednictwem LLM.
To obecnie jeden z naszych głównych obszarów pracy, bo sama jakość optymalizacji nie wystarczy. Plan może być technicznie poprawny, a mimo to wydawać się użytkownikom niezrozumiały, jeśli nie widać, skąd wynika.
Dlatego zbudowaliśmy oparte na LLM narzędzie, które wyjaśnia plany Zerofy w formie rozmowy na czacie. Użytkownik może zapytać, dlaczego system zaplanował pracę urządzenia na daną godzinę, jakie ograniczenia były aktywne albo jak prognozy i ceny wpłynęły na decyzję.
To praktyczne i bardzo wartościowe zastosowanie AI: nie zastępuje silnika optymalizacji, ale sprawia, że jego działanie jest przejrzyste i łatwiej mu zaufać.
Funkcja jest już gotowa i znajduje się obecnie w fazie zamkniętych testów.
Dlaczego ten trójwarstwowy podział ma znaczenie
W dyskusjach o AI w energetyce wszystko często zlewa się w jedną ogólną debatę. W praktyce produktowej rozdzielenie tych warstw pozwala podejmować lepsze decyzje inżynieryjne.
- Planowanie wymaga rygorystycznej optymalizacji przy ograniczeniach.
- Prognozowanie wymaga solidnego modelowania szeregów czasowych.
- Interakcja wymaga jasnej i elastycznej komunikacji.
W połączeniu wszystkich trzech widzimy następną generację praktycznego zarządzania energią w domu: systemy, które są nie tylko inteligentne, ale i zrozumiałe.