1. Czym są strategie AI Micoma

Strategie AI Micoma to zestaw inteligentnych, samouczących się algorytmów sterowania wbudowanych w system EMS (Energy Management System) Micoma. Odpowiadają za prognozowanie, optymalizację oraz autonomiczne sterowanie przepływami energii pomiędzy podłączonymi zasobami, takimi jak magazyny energii, instalacje PV, ładowarki EV oraz pompy ciepła.

Głównym celem jest optymalizacja zysków.

1.1 Podstawowe definicje

Prognoza oznacza przewidywanie przyszłych przepływów energii, w tym zużycia, produkcji PV, wykorzystania EV oraz wymiany energii z siecią. Tworzona jest na podstawie danych historycznych oraz danych zewnętrznych, takich jak warunki pogodowe, pora dnia i wzorce użytkowania.

Celem systemu jest optymalizacja momentu, w którym energia powinna być zużywana, magazynowana lub oddawana do sieci. Obejmuje to na przykład ładowanie magazynu energii w okresach niskich cen lub wysokiej produkcji PV oraz rozładowywanie w okresach wysokich cen energii. Kluczowym elementem tego procesu są ceny energii elektrycznej.

Optymalizacja działa w trybie ciągłym, w przesuwających się interwałach 15-minutowych, na bieżąco aktualizując decyzje na podstawie aktualnego stanu systemu oraz prognoz.

Strategia AI realizuje sterowanie pośrednio – poprzez wysyłanie nastaw (setpointów) do sterownika, który zarządza wszystkimi urządzeniami w czasie rzeczywistym.

System stale uczy się na podstawie nowych danych i odpowiednio aktualizuje swoje modele oraz sposób optymalizacji.

2. Wstępna konfiguracja strategii AI

2.1 Dodanie strategii AI

Strategię AI (tryb optymalizacji) dodaje się w sekcji strategii Menedżer ds. energii poprzez kliknięcie ikony „+” i wybranie Menedżer energii AI.

Następnie należy skonfigurować parametry strategii i zapisać ustawienia. Szczegółowe informacje dotyczące konfiguracji znajdują się w dalszych sekcjach opisujących konkretne urządzenia.

 

2.2 Lista warunków dla strategii AI

Aby uruchomić strategię AI, muszą zostać spełnione następujące warunki:

• musi być ustawiona strategia z trybem optymalizacji AI (w danym momencie aktywna może być tylko jedna strategia AI),
• musi być skonfigurowany cennik energii,
• musi być ustawiona geolokalizacja,
• należy określić region, kraj, strefę czasową oraz walutę,
• sterownik musi być online i połączony z chmurą Micoma,
• urządzenia muszą mieć poprawnie skonfigurowane parametry (np. SOC baterii, pojemność, limity mocy),
• lokalizacja musi posiadać co najmniej dwa tygodnie danych historycznych (PV, zużycie, sieć itd.), aby możliwe było tworzenie wiarygodnych prognoz (zobacz poniżej zachowanie systemu przy braku danych),
• musi być aktywna ważna licencja AI,
• po ustawieniu wszystkich parametrów należy odczekać co najmniej 15 minut, aż strategia AI pojawi się w aplikacji chmurowej i zacznie sterować urządzeniami,
• poprawnie skonfigurowaną strategię AI można rozpoznać po wyświetlanej prognozie po prawej stronie.

2.3 Uwagi i opcje zaawansowane

• Optymalizacja AI może działać równolegle z trybem domyślnym oraz harmonogramem (schedule). Pozwala to na różne zachowanie systemu w zależności od pory dnia, np. inne ustawienia w dzień i w nocy.
• Optymalizacja dla cen ujemnych nie wymaga osobnej konfiguracji. Jest automatycznie uwzględniona w trybie AI, o ile instalacja PV jest poprawnie skonfigurowana.
• Limity mocy z sieci muszą być ustawione realistycznie, aby system mógł osiągnąć założony cel.
  Przykład: jeśli limit wynosi 10 kW, a typowe zużycie to 100 kW, system nie będzie w stanie osiągnąć celu optymalizacji.
• Jeśli optymalizacja AI nie może zostać osiągnięta z powodu zbyt restrykcyjnych limitów sieciowych, system automatycznie przełącza się na domyślny tryb optymalizacji (np. autokonsumpcja), zgodnie z ustawieniami w interfejsie użytkownika.

Zachowanie przy ograniczonej ilości danych (pierwsze ~2 tygodnie)

• brak prognoz PV, zużycia i przepływów sieciowych,
• jeśli dozwolony jest zarówno import, jak i eksport energii – system realizuje arbitraż energetyczny,
• jeśli import lub eksport jest ograniczony – system przechodzi w tryb autokonsumpcji,
• po zebraniu odpowiedniej ilości danych historycznych system automatycznie przechodzi do standardowego trybu AI.

Ograniczenia urządzeń

Micoma może sterować urządzeniami tylko w takim zakresie, w jakim są one w stanie poprawnie reagować na sygnały sterujące.

Jeżeli urządzenie nie działa zgodnie z oczekiwaniami, jego zachowanie należy zweryfikować w trybach ręcznych.

Przykłady ograniczeń:

• niektóre instalacje PV nie mogą być ograniczane,
• niektóre magazyny energii nie realizują dokładnie zadanych mocy,
• w systemach z falownikami hybrydowymi sterowanie PV i baterią jest często sprzężone.

Micoma uwzględnia te ograniczenia w optymalizacji, jednak fizyczne ograniczenia urządzeń nadal obowiązują.

Zakres sterowania urządzeniami

Strategie AI Micoma koordynują wszystkie włączone urządzenia w celu osiągnięcia wspólnego celu optymalizacji.

Użytkownik może określić:

• które kategorie urządzeń są uwzględnione (np. magazyny energii),
• które są wyłączone (np. systemy HVAC).

Zaleca się uwzględnienie wszystkich kategorii urządzeń, ponieważ daje to największe korzyści wynikające ze wspólnej optymalizacji.

• urządzenia włączone – są aktywnie sterowane przez AI,
• urządzenia wyłączone – działają niezależnie według własnej logiki.

2.4 Częstotliwość aktualizacji

• strategia AI jest przeliczana co 15 minut,
• w tym samym interwale aktualna strategia jest wysyłana do sterownika,
• uwzględnia aktualny stan systemu, dane pogodowe i inne wejścia,
• po przesłaniu do sterownika strategia realizowana jest lokalnie w czasie rzeczywistym,
• system reaguje natychmiast na zmiany pomiarów i warunków sieciowych,
• po zmianie konfiguracji aktywacja strategii i pierwsze obliczenie prognozy może potrwać do 15 minut.

3. Prognozowanie zużycia i produkcji energii

Dokładne prognozowanie zużycia i produkcji energii jest kluczowe dla prawidłowego działania strategii AI.

Na podstawie danych geolokalizacyjnych, zachowań historycznych oraz danych pogodowych (głównie nasłonecznienia i temperatury), model prognozowania Micoma przewiduje przyszłe przepływy energii na kolejny dzień i dalszy okres.

Prognozy są prezentowane w interwałach 15-minutowych i mogą być przeglądane przez użytkownika na wykresie mocy (widok 15-minutowy).

 

3.1 Prognoza produkcji instalacji fotowoltaicznej (PV)

Produkcja energii z instalacji PV zależy od:

• danych historycznych,
• pory dnia i roku,
• warunków pogodowych, głównie nasłonecznienia i temperatury.

W celu uproszczenia konfiguracji Micoma nie wymaga podawania:

• mocy zainstalowanej,
• powierzchni instalacji,
• orientacji paneli.

Parametry te są automatycznie estymowane na podstawie historycznej produkcji PV.

Aby uzyskać dokładną prognozę, wymagane jest minimum 14 dni danych historycznych.

 

3.2 Prognoza zużycia energii (Load)

Prognoza zużycia energii również opiera się na danych historycznych oraz danych pogodowych.

Dodatkowo model uwzględnia wzorce użytkowania, takie jak:

• pora dnia (np. niższe zużycie w nocy),
• dzień tygodnia (różnice między dniami roboczymi a weekendami).

Prognozowanie zużycia jest najbardziej złożonym elementem, ponieważ musi uwzględniać mniej przewidywalne zachowania w krótkim czasie, takie jak:

• uruchamianie dużych maszyn w środowisku przemysłowym,
• rozpoczęcie ładowania pojazdu elektrycznego.

Obecnie wszystkie odbiory energii są prognozowane łącznie, w tym:

• ładowanie EV,
• systemy HVAC.

Funkcjonalność ta będzie dalej rozwijana w kolejnych wersjach systemu.

 

4. Prognoza pracy magazynu energii

Magazyn energii jest elementem systemu, który może być aktywnie sterowany.

Jego prognoza wynika z celów optymalizacji, takich jak:

• redukcja mocy szczytowej (peak shaving),
• optymalizacja kosztów energii.

Szczegółowe informacje znajdują się w kolejnych sekcjach.

 

4.1 Prognoza bazowa dla sieci (Grid Baseline)

Prognoza na poziomie sieci, obejmująca zużycie i produkcję, jest kluczowa dla efektywnego sterowania systemem.

Określa ona oczekiwaną wymianę energii z siecią i stanowi podstawę wszystkich działań optymalizacyjnych AI.

Prognoza bazowa jest istotna, ponieważ:

• odchylenia od prognozy mogą generować dodatkowe koszty,
• zużycie i produkcja muszą mieścić się w ograniczeniach sieciowych, takich jak:
  • limity importu i eksportu,
  • ograniczenia zabezpieczeń (np. bezpieczników).

Prognoza bazowa umożliwia systemowi AI:

• ograniczenie poboru energii z sieci poprzez wykorzystanie magazynu energii,
• przesuwanie zużycia w czasie w celu redukcji pików i uniknięcia przekroczeń limitów.

Znaczenie dla usług elastyczności i bilansowania

W przypadku usług takich jak elastyczność czy bilansowanie:

• prognoza bazowa stanowi punkt odniesienia,
• umożliwia realizację usług poprzez odchylenie od prognozy,
• pozwala określić potencjalne kary lub wynagrodzenia wynikające z odchyleń.

5. Opis strategii AI według kategorii urządzeń

Jak wspomniano wcześniej, strategie AI Micoma mogą sterować wszystkimi kategoriami urządzeń w celu osiągnięcia wspólnego celu optymalizacji. Poniższe sekcje opisują szczegółowo działanie dla każdej kategorii.

5.1 Strategia AI dla magazynu energii (BESS)

Magazyny energii (BESS) są wykorzystywane do maksymalizacji oszczędności i przychodów poprzez następujące tryby pracy:

Arbitraż energetyczny

Ładowanie magazynu energii w okresach niskich cen energii oraz wykorzystanie lub sprzedaż zgromadzonej energii w okresach wyższych cen.

Ładowanie z sieci, rozładowanie na potrzeby odbiorów

Jeśli oddawanie energii do sieci nie jest dozwolone, magazyn rozładowuje się na pokrycie lokalnego zużycia. W takim przypadku ładowanie następuje z sieci przy niskich cenach, a energia wykorzystywana jest później przy wyższych cenach, co pozwala na przesunięcie zużycia i redukcję kosztów.

Ładowanie z PV, rozładowanie do sieci

Jeśli ładowanie z sieci nie jest dozwolone, magazyn ładowany jest z instalacji PV, a energia może być później sprzedana przy wyższych cenach. Zwiększa to wartość produkcji energii z PV w porównaniu do bezpośredniego oddawania do sieci.

We wszystkich powyższych trybach moduł AI Micoma dla BESS wyznacza optymalne okna czasowe ładowania i rozładowania, uwzględniając:

• cenę zakupu energii (wraz z opłatami i kosztami dystrybucyjnymi),
• cenę sprzedaży energii (również z uwzględnieniem wszystkich składników),
• prognozę produkcji PV, zużycia oraz przepływów sieciowych,
• ograniczenia mocy sieci i magazynu,
• straty energii przy ładowaniu i rozładowaniu,
• koszt degradacji baterii.

Przykłady działania

• Jeśli cena energii jest niska o 12:00, a wysoka o 20:00 – magazyn ładuje się około 12:00 i rozładowuje około 20:00.
• System uwzględnia ograniczenia mocy – jeśli limit sieci jest niski, okres ładowania może zostać wydłużony (np. 11:00–15:00).
• System uwzględnia prognozę PV i preferuje ładowanie z PV zamiast z sieci lub wykorzystuje oba źródła.
• Jeśli różnica cen nie pokrywa strat energii i kosztu degradacji baterii – cykl ładowania/rozładowania nie jest realizowany.

5.1.1 Konfiguracja AI dla BESS

Tryb arbitrażu lub tryb ograniczeń sieciowych

Tryb pracy zależy od ograniczeń ładowania i rozładowania względem sieci. Za pomocą ustawień w interfejsie można wybrać:

• czysty arbitraż,
• optymalizację z uwzględnieniem ograniczeń importu i eksportu.

Minimalny zysk/oszczędność na kWh

Aby uwzględnić degradację baterii, użytkownik może określić minimalny próg opłacalności cyklu.
Jeśli przewidywana wartość jest niższa – magazyn nie zostanie użyty.

Przykładowa wartość: 0,02 EUR/kWh, wynikająca z:

koszt baterii / energia w całym cyklu życia
= 50 000 EUR / (10 000 cykli × 250 kWh) = 0,02 EUR/kWh

Rezerwa pojemności na pokrycie zużycia

Część pojemności baterii może zostać zarezerwowana na potrzeby lokalnego zużycia, aby uniknąć przekroczeń limitów sieciowych.

Rezerwa pojemności na nadwyżki PV

Podobnie można zarezerwować część pojemności na przyjęcie nadwyżek produkcji PV.

System uwzględnia również straty energii – całkowite straty cyklu ładowania i rozładowania szacowane są na około 8%.

5.2 Strategia AI dla PV

Strategia AI dla PV działa najefektywniej w połączeniu z magazynem energii, gdzie nadwyżki mogą być magazynowane i wykorzystane w okresach wysokich cen.

Jeśli magazyn energii nie jest dostępny, strategia nadal maksymalizuje zysk:

• przy dodatnich cenach energii – PV pokrywa zużycie, a nadwyżki są eksportowane do sieci (do limitu),
• przy ujemnej cenie sprzedaży i dodatniej cenie zakupu – system działa w trybie autokonsumpcji (zero eksportu),
• przy ujemnych cenach zakupu i sprzedaży – system przechodzi w tryb maksymalnej konsumpcji, czyli produkcja PV jest ograniczana, aby uniknąć strat.

5.3 Strategia AI dla ładowania EV (EVSE)

Do zdefiniowania.

5.4 Strategia AI dla pomp ciepła (HVAC)

Strategia AI dla HVAC została zaprojektowana w celu redukcji kosztów energii bez pogorszenia komfortu.

Budynki charakteryzują się dużą bezwładnością cieplną, co oznacza możliwość przesuwania ogrzewania i chłodzenia w czasie przy minimalnym wpływie na warunki wewnętrzne.

Sposób sterowania

Micoma steruje pompą ciepła poprzez dostępne tryby pracy urządzenia, takie jak:

• OFF
• ECO
• NORMAL
• BOOST

Dzięki temu urządzenie pracuje zgodnie z własną logiką sterowania, co:

• zapewnia wysoką efektywność,
• chroni falownik,
• nie wpływa negatywnie na żywotność urządzenia.

a) Optymalizacja cenowa

Ceny energii zmieniają się w ciągu dnia. Micoma wykorzystuje to poprzez:

• zwiększanie pracy pompy przy niskich cenach,
• ograniczanie pracy przy wysokich cenach.

Przykład:
Jeśli energia jest droga między 17:00 a 20:00, system może wcześniej lekko „przegrzać” budynek, a następnie ograniczyć pracę pompy w czasie wysokich cen.

Poniższy przykład pokazuje, jak pompa ciepła zwiększa zużycie energii w okresach niskich cen oraz ogranicza pobór energii w okresach wysokich cen. Przerywana szara linia przedstawia cenę energii.

b) Optymalizacja pogodowa

Pompy ciepła działają efektywniej przy wyższych temperaturach zewnętrznych (COP).

Micoma wykorzystuje prognozy pogody, aby:

• przesuwać ogrzewanie na okresy wyższej efektywności,
• obniżać koszty energii bez utraty komfortu.

Poprawia to efektywność i obniża koszty, bez wpływu na komfort.

Poniższy przykład pokazuje, jak pompa ciepła ogranicza zużycie energii w nocy oraz zwiększa moc w cieplejszych godzinach dnia, aby poprawić efektywność.

Przerywana pomarańczowa linia przedstawia prognozę temperatury.

6. Przykłady działania strategii AI w praktyce

Kluczowe informacje dla strategii AI są wizualizowane w widoku wykresów (Charts), najlepiej w formie wykresu mocy z rozdzielczością 15 minut.

Widok ten obejmuje:

Górny wykres

historyczne pomiary mocy:

• żółty – produkcja PV
• zielony – zużycie energii w obiekcie
• niebieski – moc magazynu energii
• pomarańczowa linia – wymiana energii z siecią

oraz prognozę od aktualnego momentu do końca dnia.

Dolny wykres

• czerwony – cena zakupu energii (ze wszystkimi opłatami),
• zielony – cena sprzedaży energii (ze wszystkimi opłatami),

Ceny muszą być wcześniej skonfigurowane w aplikacji chmurowej.

6.1 Przykład: Typowa instalacja z magazynem energii i PV

• A – ładowanie magazynu energii w nocy przy niskich cenach, z zachowaniem limitu mocy z sieci na poziomie 240 kW
• B – rozładowanie magazynu do sieci w okresach wysokich cen
• C – wykorzystanie produkcji PV do pokrycia lokalnego zużycia
• D – ładowanie magazynu energii z prognozowanej produkcji PV w okresie niskich cen (prognoza)
• E – rozładowanie magazynu do sieci w okresach wysokich cen (prognoza)

6.2 Przykład: Instalacja PV typu utility scale (dedykowana produkcja)

• A – rozładowanie magazynu energii do sieci przy wysokich cenach
• B – okres niskich cen – ładowanie magazynu wyłącznie z PV, przy zerowej wymianie z siecią (0 kW importu i eksportu)
• C – po pełnym naładowaniu magazynu – eksport energii PV do sieci
• D – rozładowanie magazynu do sieci w trzech okresach wysokich cen w celu maksymalizacji przychodów

6.3 Przykład: Gospodarstwo domowe z zakazem oddawania energii do sieci

• A – ładowanie magazynu z sieci przy zachowaniu limitu 6 kW
• B – rozładowanie magazynu w celu ograniczenia poboru z sieci w godzinach wysokich cen
• C – ładowanie magazynu z sieci i PV (do maksymalnej wymiany 6 kW), aby zgromadzić energię na drogie godziny wieczorne
• D – rozładowanie magazynu w drogich godzinach wieczornych – brak możliwości eksportu do sieci

6.4 Przykład: Instalacja PV typu utility

• A – okresy, w których energia PV jest eksportowana do sieci lub magazynowana – zależnie od opłacalności w interwałach 15-minutowych
• B – okres niskich cen – ładowanie magazynu energii
• C – po pełnym naładowaniu – eksport energii PV do sieci
• D – sprzedaż energii zgromadzonej w magazynie w okresach wysokich cen

6.5 Przykład: Prognoza zużycia dla zakładu produkcyjnego (godziny pracy 7:00–15:00)

Przykładowa prognoza zużycia energii dla zakładu pracującego w godzinach 7:00–15:00.

Poniżej przedstawiona jest typowa prognoza produkcji PV.

Na podstawie tych dwóch prognoz system planuje optymalne wykorzystanie energii.