MPEC: prognoza zapotrzebowania ciepła z dokładnością 96% (vs 81% wcześniej)

Sytuacja wyjściowa

Klient: spółka komunalna energetyki cieplnej w średnim mieście (180 tys. odbiorców z dostarczania energii), 240 pracowników, dwa źródła ciepła (jedna kotłownia węglowa, jeden CHP gazowy), 380 km sieci cieplnej.

Prognozowanie zapotrzebowania na ciepło robione na podstawie temperatury zewnętrznej + harmonogramu. Dokładność 81%. Konsekwencje błędów: nadprodukcja (paliwo zmarnowane), niedoprodukcja (skargi mieszkańców, mniejsze obroty), nieoptymalne mixowanie źródeł (CHP vs węgiel). Roczna strata na nieoptymalnym mixowaniu: ~3,8 mln zł.

Jakie procesy weszły na AI

• AI prognoza zapotrzebowania 72h naprzód — Model łączy: prognozę pogody (3 źródła), kalendarz (weekendy, święta), profil dzielnic (zachowania mieszkańców), wzorce historyczne (8 lat danych), ceny energii (kiedy CHP się opłaca, kiedy węgiel). Aktualizacja co 15 minut.
• Optymalizacja mixu źródeł — AI sugeruje real-time, jaki udział ma mieć CHP vs węgiel — uwzględniając aktualne ceny gazu, węgla, energii elektrycznej (sprzedaż z CHP) i marginal cost.
• Predictive maintenance — AI monitoruje 240 punktów sieci (pomp, węzłów cieplnych, regulatorów) i prognozuje awarie 7-30 dni naprzód. Pozwala na preventive maintenance zamiast pożarniczego serwisu.
• Asystent dyspozytora — Dyspozytor w nocy dostaje od AI sugerowane akcje w przypadku anomalii — czasem agent wykonuje akcję automatycznie (np. przepięcie zasilania awaryjnego), dyspozytor zatwierdza w 30s decision window.

Architektura rozwiązania

Stack RedAI: Claude Opus 4.7 do raportowania i Q&A operatorów, modele ML (LSTM + gradient boosting) do prognozy, reinforcement learning agent do optymalizacji mixu źródeł. Wszystko on-prem ze względu na wymogi NIS2 (energetyka jako podmiot kluczowy).

Dane klienta nie wychodzą poza prywatną instancję RedAI. Wszystkie wywołania modeli, retrieval z bazy wiedzy i operacje na systemach źródłowych logowane do audytu (NIS2, AI Act art. 12, RODO art. 32). Hooks Claude wymuszają deterministyczne kontrole uprawnień (ACL) przed każdym wywołaniem narzędzia.

Liczby i wyniki

Setup: 420 tys. zł. Opex: 32 tys. zł/mies. Korzyść: 3,8 mln zł rocznie oszczędności + reputacja + uniknięcie kar regulatorów. Payback w 14 miesięcy.

„Nasza praca wreszcie jest „przewidywalna" w sensie pozytywnym. Wiemy 72h naprzód, ile musimy spalić. Cała reszta to optymalizacja zamiast gaszenia pożarów."

— Główny dyspozytor

Co dalej

Kolejna faza: integracja z prosumentami (mieszkańcy z fotowoltaiką sprzedający nadwyżki do sieci), AI-driven planowanie rozbudowy sieci, modelowanie scenariuszy transformacji (odejście od węgla).

RedAI działa jako prywatna instancja w infrastrukturze klienta. Dane nie wychodzą poza firmę. Umówcie 30-minutowe demo — pokażemy analogiczne wdrożenie w Waszej branży i policzymy ROI na Waszych liczbach.