Kiedy włączasz światło, uruchamiasz pompę ciepła lub podłączasz samochód elektryczny, energia elektryczna musi zostać wyprodukowana niemal dokładnie w tym samym momencie.

Sieć musi nieustannie pozostawać w równowadze: ilość mocy wpływającej do niej musi ściśle odpowiadać ilości pobieranej. Jeśli generacja i zużycie się rozchodzą, zmienia się częstotliwość sieci, a operatorzy muszą reagować, regulując elektrownie, magazyny energii, import, eksport lub elastyczny popyt.

Gdybyśmy mogli idealnie prognozować wytwarzanie i zużycie energii elektrycznej, obsługa systemu energetycznego byłaby znacznie łatwiejsza. Dostawcy energii mogliby kupować dokładnie odpowiednią ilość prądu, operatorzy sieci potrzebowaliby bardzo niewiele energii bilansującej, a baterie i elastyczne urządzenia mogłyby być zawsze sterowane w optymalnym momencie.

Idealne prognozowanie jest niemożliwe. Pogoda się zmienia, ludzie zachowują się nieprzewidywalnie, a miliony urządzeń nieustannie zmieniają swój tryb pracy. Jednak każda poprawa trafności prognoz zmniejsza niepewność, koszty i zbędne interwencje.

Dlatego niemal każdy element systemu elektroenergetycznego opiera się na prognozach.

Odnawialne źródła energii i elektryfikacja zwiększają niepewność

Prognozowanie zawsze było istotne, ale transformacja energetyczna sprawia, że staje się ono zarówno trudniejsze, jak i cenniejsze.

Produkcja z fotowoltaiki i wiatru silnie zależy od pogody. Front chmur, który nadciągnie wcześniej niż przewidywano, może zmniejszyć produkcję solarną w całym regionie. Generacja wiatrowa może podobnie gwałtownie rosnąć lub spadać wraz ze zmianą warunków.

Popyt również staje się bardziej dynamiczny.

Tradycyjne gospodarstwo domowe zużywało prąd głównie na oświetlenie, gotowanie i urządzenia AGD. Zelektryfikowany dom może dodatkowo obejmować EV, pompę ciepła, baterię, klimatyzację i elektryczny podgrzewacz wody. Każde z tych urządzeń może pobierać kilka kilowatów i znacząco zmieniać zapotrzebowanie gospodarstwa domowego.

Pogoda wpływa zatem na obie strony systemu. Determinuje generację z OZE, ale także zapotrzebowanie na ogrzewanie i chłodzenie. Inne istotne czynniki to pora dnia, dni robocze, dni wolne, ceny oraz indywidualne zachowania mieszkańców.

Międzynarodowa Agencja Energetyczna wskazuje zmienną generację z fotowoltaiki i wiatru oraz coraz bardziej skoncentrowany popyt ze strony EV, pomp ciepła i innych dużych odbiorników elektrycznych jako główne czynniki przyszłych wymagań dotyczących elastyczności.

Poza średnim gospodarstwem domowym

Historycznie zapotrzebowanie mieszkaniowe na energię elektryczną było często szacowane za pomocą standardowych profili obciążenia.

Standardowy profil obciążenia opisuje oczekiwany wzorzec zużycia typowej grupy odbiorców. Na przykład niemiecki profil gospodarstwa domowego BDEW reprezentuje typową dobową i sezonową krzywą zużycia w 15-minutowych interwałach. BDEW udostępnia wyjaśnienie i aktualne profile tutaj.

Te profile mogą działać dość dobrze w odniesieniu do tysięcy konwencjonalnych gospodarstw domowych, ponieważ różnice indywidualne częściowo się wzajemnie znoszą.

Jednak są one znacznie mniej przydatne do prognozowania dla konkretnego domu.

Jedno gospodarstwo domowe może ładować EV co wieczór. Inne może korzystać z pompy ciepła przez cały chłodny poranek. Trzecie może mieć panele słoneczne i baterię. Ich roczne zużycie może być podobne, podczas gdy zapotrzebowanie w dowolnym konkretnym momencie jest zupełnie inne.

Tradycyjne standardowe profile obciążenia stają się zatem coraz mniej reprezentatywne, zwłaszcza dla pojedynczych zelektryfikowanych domów. Nadal są przydatne jako punkt odniesienia dla dużych portfeli, gdy lepsze dane nie są dostępne, ale EV i pompy ciepła wprowadzają duże obciążenia silnie powiązane z czasem, temperaturą i zachowaniem użytkownika.

Co ciekawe, sam BDEW zaktualizował swoje standardowe profile obciążenia w 2025 r., zauważając, że zmiany społeczne i energetyczne na przestrzeni ostatnich 25 lat zmieniły wzorce zużycia.

Inteligentne liczniki nie rozwiązują wszystkiego

Nawet tam, gdzie zainstalowane są inteligentne liczniki, firmy energetyczne niekoniecznie otrzymują szczegółowe dane w czasie rzeczywistym.

Dane mogą docierać z opóźnieniem, być w posiadaniu innego uczestnika rynku lub zależeć od lokalnych regulacji, procesów technicznych i zgody klienta. Inteligentny licznik zwykle pokazuje jedynie wymianę netto domu z siecią.

Może pokazać, że gospodarstwo domowe pobrało pięć kilowatogodzin, ale nie to, czy energia ta pochodziła z ładowania EV, z pompy ciepła, czy ze zwykłego zużycia domowego. Niekoniecznie ujawnia stan naładowania baterii, termin gotowości samochodu czy elastyczność obciążenia.

Posiadanie odczytów licznika to zatem nie to samo, co posiadanie kontekstowych danych potrzebnych do trafnego prognozowania i optymalizacji.

Trwające wdrażanie bardziej granularnych systemów rozliczeniowych ilustruje to ograniczenie. Ofgem wyjaśnia, że dostęp do półgodzinnych danych z inteligentnych liczników zależał od zasad rozliczeń i zgody konsumenta, podczas gdy tradycyjne klasy profilowe szacowały zużycie na podstawie średnich zachowań klientów.

Małe błędy mogą stać się dużymi błędami systemowymi

Błąd prognozy w jednym gospodarstwie domowym jest bez znaczenia dla systemu elektroenergetycznego. Ten sam błąd powtórzony w setkach tysięcy domów może być poważny.

Błędy prognozowania solarnego są szczególnie podatne na występowanie w tym samym kierunku w wielu instalacjach. Według mapy drogowej bilansowania Swissgrid błędy w prognozach produkcji fotowoltaicznej mogą generować duże zapotrzebowanie na energię bilansującą, a częściowo niedokładne prognozy PV przyczyniły się do wyższych kosztów bilansowania w Szwajcarii w 2024 r.

Śnieg, chmury i lokalne zjawiska pogodowe sprawiają, że prognozowanie solarne jest szczególnie trudne. Szacunki satelitarne mogą w pewnych warunkach mylić pokrywę śnieżną z chmurami. System prognozowania musi zatem rozumieć nie tylko ogólną prognozę pogody, ale także to, jak lokalne warunki przekładają się na rzeczywistą produkcję z konkretnych instalacji.

Lepsze prognozowanie ma znaczenie w całym systemie energetycznym.

Dostawcy energii i podmioty odpowiedzialne za bilansowanie wykorzystują prognozy do kupowania odpowiedniej ilości prądu i zmniejszania kosztów niezbilansowania.

Operatorzy systemów dystrybucyjnych muszą przewidywać lokalne szczyty, takie jak ładowanie wielu EV na tej samej ulicy czy wysoki eksport solarny przez ten sam transformator.

Operatorzy systemów przesyłowych muszą utrzymywać ogólną równowagę systemu i rozumieć, ile generacji, popytu i elastyczności będzie dostępne.

IEA zauważa, że zasoby rozproszone, takie jak fotowoltaika dachowa, domowe baterie, EV i inteligentne urządzenia, mogą pomagać w zarządzaniu przeciążeniami sieci, pod warunkiem że dostępne są odpowiednie struktury komunikacyjne, sterowania i rynkowe.

Prognozowanie jest sercem HEMS

Prognozowanie to również jedna z kluczowych funkcji nowoczesnego systemu zarządzania energią w domu (HEMS).

Aby zdecydować, kiedy bateria powinna się ładować, system musi oszacować przyszłe zużycie gospodarstwa domowego, produkcję solarną i ceny energii elektrycznej.

Aby zaplanować ładowanie EV, musi znać przewidywane obciążenie domowe, prawdopodobną dostępność energii słonecznej, wymagany stan naładowania pojazdu i godzinę jego odjazdu.

Aby sterować pompą ciepła, musi przewidywać temperaturę zewnętrzną, zapotrzebowanie na ciepło, ceny oraz zachowanie termiczne budynku.

Bez prognoz HEMS może jedynie reagować na to, co dzieje się teraz.

Z dobrymi prognozami może się przygotować. Może naładować baterię przed drogim okresem, opóźnić elastyczne obciążenie podczas szczytu, zachować energię na później lub wykorzystać produkcję solarną, która w przeciwnym razie zostałaby wyeksportowana.

Prognozowanie przekształca zarządzanie energią ze zbioru reaktywnych reguł w optymalizację ukierunkowaną na przyszłość.

Te same prognozy mogą również wspierać szerszy system energetyczny. Dzięki odpowiednim integracjom i zgodom klientów Zerofy może dostarczać współpracującym firmom energetycznym prognozy zużycia gospodarstw domowych, generacji solarnej i planowanej wymiany z siecią.

Zagregowane z wielu domów, te prognozy mogą poprawić zakupy energii, pomóc OSD w identyfikacji prawdopodobnych lokalnych ograniczeń oraz umożliwić agregatorom lub OSP zrozumienie, ile elastycznych mocy może być dostępnych z baterii, EV i pomp ciepła.

Lepsze prognozy systemowe poprawiają optymalizację wewnątrz domu. Lepsze prognozy na poziomie gospodarstwa domowego poprawiają obraz przyszłego popytu, generacji i elastyczności w systemie energetycznym.

Od modeli statystycznych do modeli podstawowych

Prognozowanie energetyczne tradycyjnie wykorzystywało metody statystyczne, takie jak wygładzanie wykładnicze i ARIMA, a także modele fizyczne i uczenie maszynowe.

Te podejścia identyfikują powtarzające się wzorce, takie jak podobne zapotrzebowanie o tej samej porze w poprzednich dniach roboczych czy zmiany sezonowe w ciągu roku. Pozostają przydatne, szczególnie dla stabilnych szeregów czasowych i mniejszych zbiorów danych.

Nowsze sieci neuronowe potrafią uczyć się bardziej złożonych i nieliniowych zależności na dużych zbiorach danych. Najnowszym kierunkiem rozwoju jest pojawienie się modeli podstawowych (foundation models) dla szeregów czasowych.

Idea jest podobna do dużych modeli językowych.

Model językowy uczy się wielokrotnie wykorzystywalnych wzorców z dużych ilości tekstu. Model podstawowy dla szeregów czasowych uczy się wielokrotnie wykorzystywalnych wzorców z dużych zbiorów sekwencji liczbowych, w tym trendów, cykli, powtarzających się zdarzeń i zależności w różnych skalach czasowych.

Na przykład TimesFM od Google został wstępnie wytrenowany na 100 miliardach rzeczywistych punktów czasowych i zaprojektowany do prognozowania wcześniej niewidzianych szeregów czasowych. Chronos od Amazon w podobny sposób adaptuje architektury modeli językowych do sekwencji liczbowych.

Wiele wczesnych modeli podstawowych koncentrowało się na prognozowaniu jednowymiarowym: przewidywaniu jednej zmiennej głównie na podstawie jej własnej historii.

Na przykład:

Na podstawie dotychczasowego zużycia energii elektrycznej tego gospodarstwa domowego, ile zużyje jutro?

W systemach energetycznych prognozowanie staje się potężniejsze, gdy model może również wykorzystywać zmienne towarzyszące (kowariaty): dodatkowe zmienne wpływające na wynik.

Mogą to być prognozy pogody, pora dnia, dni wolne, ceny energii, typy urządzeń i wzorce obserwowane w podobnych domach lub pobliskich regionach.

Prognoza pogodowa sama w sobie jest prognozą. Model musi nauczyć się, jak przewidywana temperatura, nasłonecznienie lub zachmurzenie przekłada się na zużycie lub produkcję solarną dla konkretnego budynku.

Nowsze modele podstawowe są coraz częściej projektowane tak, aby łączyć prognozowanie jednowymiarowe, wielowymiarowe i z uwzględnieniem zmiennych towarzyszących.

Umożliwia to również transfer wiedzy między domami. Nowe gospodarstwo domowe może mieć ograniczone dane historyczne, ale model nadal może uczyć się na podstawie podobnych budynków, technologii i warunków pogodowych występujących gdzie indziej.

Nasze podejście w Zerofy

W Zerofy wytrenowaliśmy model podstawowy dla szeregów czasowych przeznaczony do prognozowania energii w sektorze mieszkaniowym. Trenujemy go od podstaw, wykorzystując strukturę i charakterystykę danych energetycznych z sektora mieszkaniowego oraz odpowiednie kowariaty.

Potrafi prognozować obie strony bilansu energetycznego gospodarstwa domowego:

• zużycie energii elektrycznej gospodarstwa domowego; oraz
• generację energii elektrycznej z fotowoltaiki.

Te prognozy zasilają bezpośrednio Zerofy Autopilot i pomagają określić, jak baterie, EV, ładowarki, pompy ciepła i inne elastyczne urządzenia powinny pracować w nadchodzących godzinach.

W naszych ewaluacjach nasze podejście przewyższyło system prognozowania zewnętrznego dostawcy wykorzystywany jako punkt porównawczy dla ponad 90% ocenianych gospodarstw domowych.

Żaden model nie jest w stanie idealnie przewidzieć każdej chmury, ludzkiej decyzji czy zachowania urządzenia. Celem nie jest pewność.

Celem jest ciągłe zmniejszanie niepewności, aktualizowanie prognoz w miarę napływu nowych informacji i podejmowanie w rezultacie lepszych decyzji.

Panele słoneczne, baterie, EV i pompy ciepła to widoczne technologie transformacji energetycznej. Prognozowanie to warstwa inteligencji, która pozwala im współpracować.

Idealne prognozy uczyniłyby system energetyczny prostym. Lepsze prognozy czynią go bardziej wydajnym, przystępnym cenowo i odpornym.