Cyfrowy bliźniak procesów i AI: duet, który zmieni zarządzanie energią w elektrociepłowniach

Współczesne elektrociepłownie funkcjonują w jednym z najbardziej wymagających środowisk przemysłowych. Muszą jednocześnie integrować i bilansować różnorodne źródła ciepła – od paliw konwencjonalnych, przez biomasę, po odpady komunalne, dotrzymywać restrykcji środowiskowych oraz dostarczać energię do szerokiego spektrum odbiorców o dynamicznie zmieniającym się zapotrzebowaniu. W takich warunkach przewagę buduje się poprzez precyzyjne zarządzanie procesem – od wytwarzania i magazynowania, po dystrybucję i rozliczenia.

Coraz częściej mówi się o „cyfrowych bliźniakach procesów”, jako rozwiązaniu, które pozwala przenieść złożoność elektrociepłowni do środowiska cyfrowego i sterować nią w sposób lepszy – bezpieczny, transparentny i mierzalny. Dzięki nim możliwe jest monitorowanie, analiza i optymalizacja procesów w czasie rzeczywistym, co stanowi podstawę do skutecznego planowania i adaptacji do zmiennych warunków. Warto jednak doprecyzować, że samo pojęcie „bliźniaka cyfrowego” bywa nadużywane i uogólniane. W praktyce mówimy o różnych poziomach dojrzałości bliźniaków i zakresach ich stosowania. Podobnie – AI – sztuczna inteligencja. To nie kolejny etap w rozwoju bliźniaków, ale jedynie (i aż) warstwa automatyzacji i optymalizacji, skuteczna na tyle, na ile była dobrze wyszkolona na wiarygodnych danych i właściwie zaimplementowana w stabilny, dojrzały bliźniak. Razem stanowią świetny duet, który, jak wiemy z udanych wdrożeń, już obecnie tworzy przewagę konkurencyjną i – z dużym prawdopodobieństwem – w niedalekiej przyszłości stanie się branżowym standardem.

Digital twin – co trzeba wiedzieć

Budowa cyfrowego bliźniaka to proces wieloetapowy, obejmujący także gromadzenie danych o wysokiej jakości, ich integrację oraz precyzyjne modelowanie. Jeśli mówimy o bliźniakach procesów, kluczowe staje się wierne odwzorowanie ich przebiegu. Wiodącą notacją jest BPMN 2.0 (Business Process Model and Notation) do modelowania przejrzystych i zrozumiałych diagramów procesów, którą często uzupełnia się o DMN (Decision Model and Notation) – reguły decyzyjne. Fundamentem transformacji jest tu mapa zmian z „as-is” do „to-be” (macierz transformacji), pozwalająca prowadzić kontrolowaną optymalizację: iteracyjnie, z pomiarem efektu i zarządzaniem ryzykiem. Cennym źródłem prawdy o stanie „as-is” jest process mining (rekonstrukcja procesu na podstawie logów zdarzeń), co ogranicza ryzyko „życzeniowych” modeli.

Cyfrowe bliźniaki procesów biznesowych – od modelu do pełnego bliźniaka

Bliźniak procesów rozwija się etapami. Każdy z nich ma inny cel, zakres i kryteria gotowości. Przejście dalej ma sens dopiero po spełnieniu wymagań bieżącego etapu. Ewolucję tego podejścia można opisać w trzech krokach: model procesu → cyfrowy cień → pełny cyfrowy bliźniak.

Rys. 1. Model procesu

Na rys. 1 przedstawiono najprostszą formę odwzorowania procesu biznesowego w postaci diagramu pokazującego kolejność działań, aktorów i przepływy informacji. Ma charakter statyczny – opisuje jedynie, jak proces powinien wyglądać. Służy głównie do komunikacji, dokumentacji i projektowania usprawnień.

Rys. 2. Cyfrowy cień procesu (Digital Shadow)

Na tym etapie (rys. 2) proces zyskuje powiązanie z rzeczywistymi danymi. Dane te mogą pochodzić z wielu obszarów, dziedzin, czy systemów użytkowanych przez przedsiębiorstwo. To dane z systemów IT (np. ERP, CRM), OT, czy IoT. Ten etap modelowania umożliwia monitorowanie tego, jak proces faktycznie działa w organizacji. Wciąż jednak jest to obserwacja „po fakcie” – cień procesu odzwierciedla przeszłe zdarzenia, bez aktywnego wpływania na przebieg procesu.

Rys. 3. Cyfrowy bliźniak procesu (Digital Twin)

Na rys. 3 zaprezentowano najbardziej zaawansowany etap – aktywny model, który nie tylko odwzorowuje proces, ale także symuluje i optymalizuje jego przebieg w czasie rzeczywistym. Dzięki zbieraniu rzeczywistych, bieżących danych i przetwarzaniu oraz analizie tych danych w czasie rzeczywistym – bliźniak potrafi prognozować skutki zmian (np. przesunięcia zasobów, wprowadzenia automatyzacji), a także wspierać decyzje menedżerów lub automatycznie wprowadzać korekty. Dzięki temu cyfrowy bliźniak staje się „laboratorium symulacyjnym” dla biznesu, w którym można testować różne scenariusze i przewidywać konsekwencje decyzji.

Obecnie („AS IS”) – jak to działa obecnie?

Obecnie proces zarządzania wytwarzaniem i dystrybucją energii w wielu elektrociepłowniach przebiega w sposób dość tradycyjny. Źródła energii i jej odbiorcy wysyłają sygnały do centralnego systemu, który zbiera informacje o zapotrzebowaniu i produkcji. Dane trafiają do operatorów, którzy muszą dokonać ich analizy, a następnie podejmować decyzje o korektach parametrów produkcyjnych – np. zwiększeniu mocy jednego źródła lub ograniczeniu przepływu w określonym miejscu sieci. Model tego procesu przedstawiono na rys. 4.

Rys. 4. Proces przepływu informacji

To rozwiązanie działa, ale ma swoje ograniczenia: proces jest reaktywny, wymaga czasu i ludzkiej pracy, a każde opóźnienie zwiększa ryzyko strat lub niedopasowania podaży do popytu.

Jak może być („TO BE”) – inteligentny cyfrowy bliźniak

Wiedza o obecnym przebiegu procesu pozwala nam dokonać jego analizy i przeprowadzić optymalizację tego przebiegu. W ten sposób możemy stworzyć model, który będzie odzwierciedleniem przyszłościowej wizji procesu – TO BE. Wiemy, co zmienimy w przebiegu procesu, ale nie mamy pewności, czy zmiany te faktycznie ułatwią i przyspieszą pracę. Mamy jednak idealne pole do eksperymentowania – to cyfrowy bliźniak procesu. To w nim sprawdzamy, czy nasz pomysł jest faktycznie taki dobry, jak zakładaliśmy. Każdą opcję da się przećwiczyć w wirtualnym środowisku, nie ponosząc żadnych kosztów, nie powodując przestojów w pracy, ani jej nie dezorganizując. Cyfrowe testy można prowadzić tak długo, aż osiągnie się satysfakcjonujący wszystkich docelowy scenariusz zmiany. Podkreślmy: satysfakcjonujący wszystkich. Cyfrowy bliźniak to bowiem idealna płaszczyzna podejmowania decyzji i angażowania wszystkich osób, które będą włączone w dany proces, w jego tworzenie i realizację. Dzięki testowaniu różnych zmian przed ich wprowadzeniem w znaczący sposób zmniejsza się też ryzyko nieudanego wdrożenia. Możemy pójść jeszcze dalej i wykorzystać w cyfrowym bliźniaku mechanizmy zaawansowanej analizy danych w tym także wspierać się sztuczną inteligencją. W docelowym modelu, przepływ informacji wygląda zupełnie inaczej. Dane z czujników w źródłach i u odbiorców trafiają do szyny danych wyposażonej w algorytmy predykcyjne. System nie tylko analizuje bieżącą sytuację, ale też prognozuje przyszłe potrzeby – np. wzrost zapotrzebowania na ciepło podczas zbliżającego się ochłodzenia.

Rys. 5. Przykładowy model procesu

Tak zdefiniowany i zasilony informacyjnie proces (rys. 5), umożliwia automatyczne wprowadzanie prostych korekt (np. regulację przepływu wody sieciowej), istotne skrócenie czasu reakcji, wcześniejsze wykrywanie odchyleń i podniesienie poziomu bezpieczeństwa. Dzięki lepszemu doborowi źródeł i trafniejszym przewidywaniom popytu obniża się koszt wytwarzania, a w sytuacjach bardziej złożonych operator otrzymuje propozycje działań do akceptacji. Efekt to proaktywny sposób pracy – szybszy i wyprzedzający zdarzenia – z człowiekiem w roli nadrzędnego kontrolera i decydenta w przypadkach nietypowych.

Kiedy i dlaczego warto dołożyć warstwę AI do cyfrowych bliźniakach procesów?

„Sztuczna inteligencja” to obok „bliźniaka cyfrowego” kolejny parasol pojęciowy: obejmuje zarówno systemy regułowe i optymalizacyjne, jak i uczenie maszynowe (ML). W wąskim ujęciu AI (Artificial Intelligence) bywa utożsamiana z ML (Machine Learning), w szerszym – także modele deterministyczne i eksperckie mieszczą się w tej rodzinie, bo automatyzują wnioskowanie i decyzje. Kluczowe jest jednak nie nazewnictwo, lecz adekwatność narzędzia do problemu.

W praktyce bliźniak bez warstwy AI świetnie radzi sobie w stabilnych, przewidywalnych warunkach: monitoruje stan, wspiera decyzje regułami i sterowaniem klasycznym, korzysta z modeli matematycznych. Ograniczenia ujawniają się, gdy rośnie zmienność i złożoność, gdy źródła energii różnią się charakterystyką i ceną, popyt waha się pod wpływem pogody i zdarzeń, a ograniczenia środowiskowe i techniczne tworzą wielowymiarową przestrzeń decyzji. Wtedy rośnie ryzyko, że ręcznie utrzymywane reguły będą niekompletne, modele statyczne nie uchwycą nieliniowości, a interpolacja między punktami pomiarowymi przestanie wystarczać, zwłaszcza poza zakresem danych.

Użycie warstwy AI uzasadnione są, gdy potrzebne są rzetelne prognozy i adaptacja do zmiennych warunków. AI potrafi łączyć dane historyczne, operacyjne, pogodowe i rynkowe oraz radzi sobie z danymi nieustrukturyzowanymi i niepełnymi (np. logi, notatki serwisowe, obrazy), szacując niepewność i uzupełniając braki. Zwiększa zasięg percepcji systemu i tempo reakcji. Nie chodzi tutaj o „magiczne” zastępowanie operatora w każdej sytuacji. Nie musi zastępować operatora, lecz wspierać decyzje (także w zdefiniowanych granicach automatyzacji). W praktyce AI w takim bliźniaku może pełnić wiele ról jednocześnie: 

• Prognozować zapotrzebowanie energetyczne z wysoką precyzją na podstawie danych historycznych, pogodowych i operacyjnych, ale także kalendarza wydarzeń i sezonowych zmian potrzeb.
• Optymalizować zużycie paliwa i miks energetyczny, dobierając najefektywniejsze źródła w danym momencie reagując na zmianę cen, czy dostępność paliw lub też uwzględniając dynamikę OZE.
• Monitorować bezpieczeństwo instalacji w czasie rzeczywistym, dzięki analizie danych z sensorów i czujników temperatury, czy przepływu identyfikując nietypowe, nie pasujące do wzorców wartości sygnałów wskazując prawdopodobieństwo zakłócenia procesu zanim dojdzie do awarii, czy niepożądanego zdarzenia.
• Analizować emisję i wspierać w spełnianiu norm środowiskowych.
• Minimalizować straty energetyczne, monitorując parametry obciążenia sieci w różnych punktach i sugerując korekty w czasie rzeczywistym. 

Najlepsze wyniki daje połączenie: precyzja klasycznych modeli optymalizacyjnych i sterowania pozostaje fundamentem, a AI dostarcza prognoz, detekcji wzorców i uczenia polityk działania. Taki bliźniak przechodzi od patrzenia „co jest” do rozumienia „co będzie” i „co zrobić teraz”, pozostawiając człowieka w roli nadrzędnego decydenta w sytuacjach nietypowych.

Porównajmy, co zyskujemy w praktyce?

Zadaj sobie kilka prostych pytań:

• Czy nasze pomiary obejmują naprawdę wszystkie typowe sytuacje?
• Czy model dobrze opisuje to, co dzieje się pomiędzy punktami pomiaru?
• Jak radzimy sobie z przypadkami poza zakresem dotychczasowych danych?
• Czy opóźnienia i jakość danych są wystarczające do bezpiecznego sterowania?
• Czy liczba reguł nie rośnie tak szybko, że trudno je utrzymać i audytować?
• Czy proces „dryfuje” w czasie (sezonowość, zmiany paliw, modernizacje)?
• Czy koszt pomyłki, albo spóźnionej decyzji jest wysoki (emisje, awarie, kary)?
• Czy jednocześnie godzimy sprzeczne cele: koszt, emisje, niezawodność?
• Czy decyzje opierają się na heurystykach typu „intuicyjnie wiem…” lub „zwykle o tej porze…”?
• Czy potrzebujemy krótkoterminowych prognoz popytu/cen/pogody i wynikającej z nich korekty miksu źródeł?
• Czy chcemy wykrywać anomalie wcześniej i planować utrzymanie z wyprzedzeniem?
• Czy mamy bezpieczne środowisko testów „shadow mode” i podstawowe zasady nadzoru nad modelami?

Jeśli na część z tych pytań nie masz pewnej odpowiedzi – to dobry moment, by rozważyć warstwę AI. Najpierw jednak zbudujmy solidnego bliźniaka procesów. Taki duet – na pewno się opłaci.

Źródło: Dr inż. Filip Nowak, Lider Obszaru – Kierownik Grupy Badawczej Transformacji Procesów, Dr inż. Maciej Niemir, Lider Obszaru ds. Rozwoju Sztucznej Inteligencji, Sekcja Rozwoju Sztucznej Inteligencji, Włodzimierz Woźniak, Główny Specjalista – Programista Projektant Systemów IT, Sekcja Rozwoju Sztucznej Inteligencji, Sieć Badawcza Łukasiewicz – Poznański Instytut Technologiczny

Artykuł pochodzi z wydania 4/2025 “Nowa Energia”