Filip Durlik, Jakub Grela, Andrzej Ożadowicz

Dynamiczny wzrost globalnego zużycia energii w domach, w połączeniu z rosnącą świadomością ekologiczną, wymusza fundamentalną transformację sektora energetycznego w celu zapewnienia odbiorcom stabilnych i ekonomicznie korzystnych usług, a wytwórcom i dystrybutorom energii narzędzia do ich świadczenia. W odpowiedzi na te wyzwania, tradycyjne, scentralizowane i jednokierunkowe sieci energetyczne ewoluują w kierunku Inteligentnych Sieci (Smart Grid), umożliwiających dwukierunkową komunikację i przepływ energii między dostawcą a konsumentem.

Home Energy Management System – idea i dostępne rozwiązania

W tym nowym paradygmacie kluczową rolę odgrywają gospodarstwa domowe, które z pasywnych konsumentów stają się aktywnymi uczestnikami rynku – prosumentami, zdolnymi do produkcji, magazynowania i aktywnej odsprzedaży energii [1]. Centralnym elementem tej zmiany jest System Zarządzania Energią w Domu (HEMS, ang. Home Energy Management System) [5]. Stanowi on zaawansowaną platformę algorytmiczną, pełniącą funkcję centralnego układu decyzyjnego budynku oraz umożliwiającą monitorowanie, sterowanie i optymalizację procesów produkcji, magazynowania i zużycia energii.

Główną ideą HEMS jest automatyzacja procesu decyzyjnego w domu w celu osiągnięcia określonych celów, takich jak minimalizacja kosztów energii, maksymalizacja autokonsumpcji z własnych źródeł odnawialnych (np. fotowoltaiki) czy zwiększenie komfortu mieszkańców [5]. Typowy system HEMS opiera się na centralnym kontrolerze, który łączy się z inteligentnymi urządzeniami i czujnikami, najczęściej za pomocą technologii Internetu Rzeczy (IoT) [5]. Całość uzupełnia interfejs dla użytkownika, taki jak aplikacja mobilna lub panel (dashboard).

Prognozowanie zużycia i rola sztucznej inteligencji

Efektywne działanie HEMS opiera się na dwóch filarach: prognozowaniu (przewidywaniu przyszłego zużycia i produkcji) oraz harmonogramowaniu (planowaniu pracy urządzeń). Prognozowanie jest kluczowe, by system mógł z wyprzedzeniem podejmować decyzje. Najprostsze modele statystyczne próbują przewidzieć przyszłość, patrząc wyłącznie na przeszłość; na przykład model autoregresyjny (AR) zakłada, że zużycie energii jutro o 8:00 będzie podobne do zużycia dziś o 8:00, podczas gdy model średniej ruchomej (MA) wygładza krótkoterminowe wahania, aby znaleźć ogólny trend. Bardziej złożone modele, jak ARIMA (Autoregresyjny Zintegrowany Model Średniej Ruchomej), łączą te podejścia, uwzględniając również sezonowość [6].

Jednak te metody często nie radzą sobie ze złożonymi zależnościami, takimi jak nagła zmiana pogody. Dlatego nowoczesne platformy HEMS wykorzystują modele oparte na sztucznej inteligencji (AI) [2, 7]. Zamiast sztywnych wzorów, uczą się one zależności z danych. Na przykład Sztuczne Sieci Neuronowe (ANN) potrafią modelować zależności między prognozą pogody, ceną energii i dniem tygodnia a jednoczesną produkcją z instalacji PV oraz zapotrzebowaniem energetycznym domu. Zaawansowane sieci, jak BiGRU-NN (Dwukierunkowa Sieć Neuronowa z Bramkowanymi Jednostkami Powtarzającymi się), analizują dane w obu kierunkach (przeszłość i przyszłość), co pozwala na jeszcze bardziej precyzyjne prognozy [7].

Harmonogramowanie i klasyfikacja obciążeń

Drugi filar, harmonogramowanie obciążenia, to proces optymalnego planowania czasu pracy urządzeń domowych. Celem jest zazwyczaj minimalizacja kosztów energii, na przykład przez przesuwanie pracy urządzeń na godziny z niską taryfą oraz redukcja szczytowego poboru mocy (PAR) [5]. Proces ten wymaga klasyfikacji urządzeń na nieprzesuwalne (np. oświetlenie, lodówka) i przesuwalne (np. pralka, zmywarka, ładowarka EV) [4, 5]. Kluczem do skuteczności tego procesu jest fakt, że algorytmy optymalizacyjne nie mogą traktować wszystkich domowych urządzeń w ten sam sposób. Muszą precyzyjnie rozumieć specyfikę i ograniczenia operacyjne każdego z nich, dlatego platformy HEMS kategoryzują urządzenia domowe na podstawie ich elastyczności i sterowalności (rysunek 1) [4].

Pierwszą i najbardziej podstawową kategorią są urządzenia niesterowalne systemowo, często określane jako obciążenia nieelastyczne lub „non-schedulable” [4, 5]. Należą do nich przede wszystkim urządzenia, których praca jest krytyczna i stała, jak lodówka, a także te, które są w pełni zależne od natychmiastowej decyzji użytkownika, jak oświetlenie czy sprzęt RTV w momencie jego aktywnego użytkowania. System HEMS musi traktować zapotrzebowanie tych urządzeń jako stały, bazowy pobór mocy, który musi być zaspokojony w każdej sekundzie.

Drugą kategorię stanowią urządzenia, które można uruchomić w dowolnym momencie, ale nie można zatrzymać aż do ukończenia cyklu. Są to tak zwane obciążenia przesuwalne lub „deferrable” (odraczalne) [4, 5]. Klasycznymi przykładami są tu pralka i zmywarka. Użytkownik nie definiuje konkretnej godziny startu, lecz okno czasowe, w jakim zadanie ma być wykonane (np. „zmywanie ma zakończyć się przed 7:00 rano”) [4]. Algorytm HEMS, znając czas trwania cyklu, samodzielnie decyduje, o której godzinie w ramach tego okna uruchomić urządzenie, wybierając moment najkorzystniejszy ekonomicznie – na przykład środek dnia, by wykorzystać szczyt produkcji z fotowoltaiki, lub godziny nocne z najniższą ceną w taryfie dynamicznej [4].

Trzecia kategoria to urządzenia, które mogą być dowolnie zarządzane, znane jako obciążenia w pełni sterowalne lub „curtailable” (podlegające ograniczeniu) [5]. Są to najbardziej elastyczne zasoby dla algorytmu HEMS. Należą do nich przede wszystkim ogrzewanie (HVAC) oraz ładowarki do samochodów elektrycznych (EV) [4, 5]. Ich pracą można nie tylko sterować (włącz/wyłącz), ale także ją modulować (zmieniać moc) lub przerywać i wznawiać. W przypadku HVAC, system nie dąży do utrzymania stałej temperatury, lecz zarządza ogrzewaniem lub chłodzeniem w taki sposób, aby utrzymać się w zdefiniowanym przez użytkownika zakresie komfortu cieplnego (np. 20–22°C) [2, 4]. Pozwala to na „przegrzanie” domu przy użyciu taniej energii (np. z PV), a następnie wyłączenie systemu w godzinach szczytu. Ładowarka EV działa podobnie – algorytm traktuje baterię pojazdu jako elastyczny zasobnik, który może ładować impulsowo, gdy energia jest tania [4].

Czwartą, kluczową kategorią, są urządzenia, które mogą gromadzić energię elektryczną, czyli dedykowane magazyny energii (ESS) [4, 5]. Stanowią one rdzeń aktywnego HEMS, ponieważ całkowicie oddzielają moment produkcji energii od momentu jej zużycia. Algorytm optymalizacyjny decyduje w czasie rzeczywistym, czy energia (z PV lub z taniej taryfy sieciowej) ma być zużyta natychmiast, zmagazynowana w baterii, czy sprzedana [4].

Piątą kategorią są urządzenia, które mogą gromadzić przetworzoną energię. Najlepszym przykładem jest tu zbiornik ciepłej wody użytkowej (CWU) z grzałką elektryczną [8]. Z perspektywy systemu HEMS jest to wysoce efektywny i tani „magazyn termiczny”. Algorytm może zdecydować o uruchomieniu grzałki w momencie nadprodukcji z fotowoltaiki, aby zmagazynować energię w postaci gorącej wody.

Inteligentne zarządzanie energią jest więc możliwe tylko dzięki precyzyjnemu skategoryzowaniu wszystkich obciążeń. Do realizacji tych zadań harmonogramowania, podobnie jak przy prognozowaniu, wykorzystuje się szereg algorytmów, od klasycznego programowania liniowego (LP) i MILP, po zaawansowane heurystyki jak PSO, algorytmy genetyczne (GA) czy logikę rozmytą (Fuzzy Logic) [2, 5].

Cyfrowa platforma integrująca i optymalizująca hybrydowe systemy OZE

Izolowany system HEMS optymalizuje zużycie jedynie w ramach jednego gospodarstwa. Prawdziwy potencjał transformacyjny tkwi w agregacji, czyli łączeniu zasobów wielu prosumentów, aby działały jak jeden, duży podmiot. Taki połączony system może stanowić istotną część tak zwanych Wirtualnych Elektrowni (VPP, ang. Virtual Power Plant) [1]. Jest to cyfrowa platforma, która integruje rozproszone zasoby (instalacje PV, domowe magazyny energii, ładowarki EV) i traktuje je jako jeden, wirtualny, w pełni sterowalny zasób energetyczny, zdolny do świadczenia usług na rzecz całej sieci.

W ramach tej koncepcji funkcjonują różne modele biznesowe. Najbardziej bezpośrednim jest właśnie model Wirtualnej Elektrowni (rysunek 2), w którym komercyjny agregator aktywnie zarządza zasobami prosumentów, aby handlować ich elastycznością na rynkach energii, np. Rynku Bilansującym [14]. Usługi takie jak „Wirtualny Prosument” są komercyjną realizacją tej idei, oferowaną klientom indywidualnym przez firmy energetyczne [9]. Innym, zyskującym na popularności modelem, są spółdzielnie energetyczne (lub klastry energii). Działają one na podobnej zasadzie agregacji zasobów, ale mają charakter lokalny i są zarządzane przez samych członków (mieszkańców). Ich głównym celem nie jest gra rynkowa, lecz maksymalizacja lokalnej autokonsumpcji i zapewnienie bezpieczeństwa energetycznego dla danej społeczności. W obu modelach cyfrowa platforma integrująca jest kluczowym narzędziem do koordynacji [10].

Wyzwania implementacyjne: niepewność i dane

Wdrożenie tak złożonych systemów HEMS i VPP w świecie rzeczywistym napotyka fundamentalne wyzwania, które są rozwiązywane przez najbardziej zaawansowane platformy cyfrowe oparte na sztucznej inteligencji. Pierwszym wyzwaniem jest niepewność i złożoność decyzyjna. System HEMS musi działać w warunkach dużej niepewności – ceny energii na rynku dynamicznym, produkcja z PV zależna od pogody oraz subiektywne odczucie komfortu cieplnego użytkownika są zmiennymi losowymi. Jednoczesne zarządzanie wieloma urządzeniami (HVAC, EV, ESS) to wielowymiarowy problem decyzyjny. W odpowiedzi na to, nowoczesne platformy buduje się jako hybrydowe systemy AI. Jak opisują to Ren et al. (2024), taka platforma może składać się z trzech wyspecjalizowanych modułów AI: modułu prognozowania (np. BiGRU-NN) do przewidywania cen i produkcji, modułu oceny komfortu (np. XGBoost) do modelowania nieliniowych odczuć użytkownika oraz modułu decyzyjnego, pełniącego funkcję centralnego komponentu sterującego systemu. Ten ostatni to najczęściej agent Głębokiego Uczenia przez Wzmacnianie (DRL, ang. Deep Reinforcement Learning), na przykład oparty na algorytmie Soft Actor-Critic (SAC) lub popularnym Q-learning [4]. Agent DRL, bazując na danych wejściowych z pozostałych modułów, uczy się optymalnej strategii działania (np. kiedy ładować magazyn, kiedy sprzedawać energię, a kiedy włączyć ogrzewanie) poprzez metodę prób i błędów, dążąc do minimalizacji całkowitego kosztu – zarówno finansowego, jak i kosztu dyskomfortu [2, 5].

Drugim poważnym wyzwaniem jest niedobór danych treningowych. Modele DRL są „głodne danych” (data-hungry) i wymagają ogromnych zbiorów do efektywnego treningu. W rzeczywistości dostęp do publicznych, szczegółowych (np. minutowych) danych o zużyciu energii w domach jest bardzo ograniczony ze względu na ochronę prywatności. Aby rozwiązać ten problem, Razghandi et al. (2024) proponują platformę, która w pierwszym kroku generuje dane syntetyczne. Wykorzystuje do tego celu zaawansowane sieci generatywne, takie jak VAE-GAN. Model ten, ucząc się statystycznych i czasowych zależności z niewielkiej ilości prawdziwych danych, potrafi wygenerować niemal dowolną ilość nowych, realistycznych profili obciążenia, produkcji PV czy ładowania EV. Następnie te syntetyczne dane są wykorzystywane do bezpiecznego i obszernego treningu offline agenta HEMS (np. Q-learning), który dzięki temu jest gotowy do działania w realnym świecie [7].

Interfejsy LLM i technologie wspierające

Najnowszą innowacją w platformach HEMS jest integracja Dużych Modeli Językowych (LLM), które rewolucjonizują interfejs użytkownika. Zamiast skomplikowanych dashboardów i wykresów, LLM umożliwia naturalną komunikację z systemem. Użytkownik może przekazywać subiektywne opinie zwrotne (np. „jest mi trochę za zimno”) lub pytać o porady („Kiedy najlepiej włączyć pranie, żeby było najtaniej?”). System, analizując prognozy cen i produkcji, może odpowiadać w prosty sposób („Najlepiej między 13:00 a 15:00”). Co więcej, platforma może proaktywnie informować użytkownika o dostępnych „nadwyżkach komfortu”, np. „Dziś mamy dużą darmową produkcję z PV, czy chcesz podnieść temperaturę w salonie o jeden stopień bez dodatkowych kosztów?” lub „Akumulator jest pełny, a ceny sprzedaży niskie – to dobry moment na relaksującą kąpiel w jacuzzi”.

Sukces tych platform zależy również od szeregu technologii wspierających, które zapewniają komunikację, bezpieczeństwo i moc obliczeniową. Internet Rzeczy (IoT) stanowi fizyczną warstwę komunikacji, łącząc inteligentne liczniki, czujniki i urządzenia w jedną sieć [13]. Blockchain oferuje zdecentralizowaną i bezpieczną księgę transakcyjną, idealną dla handlu P2P, gdzie Inteligentne Kontrakty (Smart Contracts) mogą automatycznie egzekwować umowy handlowe. Federated Learning (FL) adresuje problem prywatności, umożliwiając trening globalnego modelu AI bez centralizowania wrażliwych danych o zużyciu energii poszczególnych domów [6]. Digital Twin pozwala na tworzenie wirtualnych replik systemów HEMS lub VPP, co umożliwia bezpieczne testowanie nowych algorytmów przed ich wdrożeniem [1]. Wreszcie, Przetwarzanie w Chmurze (Cloud Computing) dostarcza niezbędną, skalowalną moc obliczeniową i przestrzeń dyskową do hostowania tych złożonych, sterowanych danymi (data-driven) platform [5].

Praktyczne wdrożenia i usługi agregatorów w Polsce

Na polskim rynku koncepcje inteligentnego zarządzania energią przechodzą do fazy wdrożeń komercyjnych i publicznych [8, 11, 12]. Obserwujemy dwa główne, równoległe nurty: wewnętrzne systemy zarządzania energią w budynkach publicznych oraz rynkowe usługi agregacji dla prosumentów.

Pierwszy nurt to Zintegrowane Systemy Zarządzania Energią (ZSZE), znane też jako Systemy Monitoringu i Sterowania (SMIS), wdrażane przez jednostki samorządu terytorialnego, takie jak urzędy miast w Poznaniu czy Katowicach [8, 11, 12]. Celem tych platform nie jest handel, lecz maksymalizacja efektów ekonomicznych i ekologicznych poprzez centralną kontrolę nad energetycznym wpływem setek budynków publicznych (szkół, przedszkoli, biur) [8, 11]. Standard rynkowy dla tej klasy systemów zakłada zaawansowane funkcjonalności oparte na skalowalności i szerokiej kompatybilności [8]. Platforma musi być zdolna do integracji istniejącej automatyki budynkowej (BMS) i urządzeń AKPiA od różnych producentów, wykorzystując otwarte protokoły jak M-BUS, MODBUS czy OPC UA [8]. System taki zapewnia nie tylko pasywny monitoring wszystkich nośników energii (ciepło, prąd, woda, gaz), w tym OZE (fotowoltaika, kolektory słoneczne), ale również aktywne, zdalne sterowanie kluczowymi instalacjami, zwłaszcza ogrzewaniem i wentylacją [8, 11]. Niezbędna jest zaawansowana analityka, obejmująca automatyczne raportowanie, analizę zużycia w oparciu o stopniodni oraz kluczową funkcję benchmarkingu, czyli możliwość wskaźnikowego porównywania zużycia energii między obiektami o podobnej charakterystyce [8]. Krytycznym wymaganiem jest bezpieczeństwo danych; systemy te zazwyczaj wymagają przechowywania danych na serwerach należących do właściciela (miasta), a nie w publicznej chmurze, co jest wyraźnym zastrzeżeniem wobec modeli SaaS (Software as a Service) [8]. Platformy te pełnią też funkcję prewencyjną, automatycznie generując alarmy o awariach lub nietypowym zużyciu, np. wycieku wody poza godzinami pracy obiektu [8, 11].

Drugi nurt to rynkowe usługi agregacji oferowane prosumentom, możliwe dzięki stworzeniu przez Polskie Sieci Elektroenergetyczne (PSE) ram rynkowych dla Wirtualnych Elektrowni (VPP), głównie poprzez Rynek Bilansujący oraz programy Demand Side Response (DSR) [14]. Największe grupy energetyczne w kraju, takie jak Tauron, Energa, PGE, Enea czy E.ON, aktywnie rozwijają te usługi [9, 10, 14].

Agregacja w tym kontekście to usługa polegająca na łączeniu (agregowaniu) potencjału wielu mniejszych, rozproszonych zasobów – takich jak domowe magazyny energii, ładowarki EV czy nawet elastyczne odbiorniki (np. ogrzewanie) – w jeden, duży, wirtualny pakiet [14] (rysunek 3). Taki pakiet, zarządzany przez firmę (agregatora), ma wystarczającą moc, aby móc oferować usługi na hurtowych rynkach energii (np. na Rynku Bilansującym PSE) [14], co byłoby niemożliwe dla pojedynczego gospodarstwa domowego. W zamian za udostępnienie swojej elastyczności (np. zgody na zdalne wstrzymanie ładowania EV na 15 minut), właściciel zasobu otrzymuje od agregatora wynagrodzenie [14].

Kluczową rolę techniczną odgrywają tu spółki dystrybucyjne (OSD), które realizują masowy program wymiany liczników na Liczniki Zdalnego Odczytu, dostarczające niezbędnych danych [13].

Jednym z najbardziej zaawansowanych projektów jest „Wirtualny Prosument” firmy Tauron [9]. Usługa ta, skierowana do właścicieli PV i domowych magazynów energii, jest modelowym przykładem zastosowania HEMS w ramach VPP [1, 2]. Klient przekazuje agregatorowi (Tauron) zdalną kontrolę nad swoim magazynem energii. Platforma agregatora realizuje dwa cele: po pierwsze, optymalizuje zużycie własne prosumenta, inteligentnie ładując magazyn w okresach nadprodukcji PV lub niskich cen giełdowych (na taryfach dynamicznych) i rozładowując go w okresach szczytowego zapotrzebowania lub wysokich cen [1, 2]. Ten proces nazywany jest arbitrażem cenowym [1]. Po drugie, i co najważniejsze z perspektywy VPP, system agreguje elastyczność (dostępną pojemność) setek takich magazynów i oferuje ją jako jeden, wirtualny zasób na Rynku Bilansującym PSE [14]. Pozwala to na świadczenie usług systemowych, za co agregator otrzymuje wynagrodzenie [14]. Prosument, w zamian za udostępnienie swojego zasobu, otrzymuje udział w zyskach [9, 14].

Równie aktywnie działa Grupa Orlen poprzez spółkę Enspirion, która jest jednym z największych agregatorów mocy w Polsce [10]. Historycznie skupiona na przemyśle (DSR), Enspirion intensywnie rozwija swoją platformę VPP, by integrować mniejsze, rozproszone zasoby, w tym stacje ładowania EV i domowe magazyny [10]. Pozostali główni gracze, jak PGE, Enea czy E.ON, również rozwijają własne platformy agregacji i projekty pilotażowe, przygotowując się do aktywnego zarządzania rozproszonymi zasobami swoich klientów [14].

Korzyści i wyzwania platform HEMS w ramach VPP

Analiza obecnych trendów rynkowych i technologicznych wyraźnie wskazuje na zasadność implementacji platform do zarządzania domowymi systemami OZE [1, 5]. W erze transformacji energetycznej i rosnącej liczby prosumentów, przejście od pasywnego poboru energii do aktywnego zarządzania popytem i podażą nie jest już tylko opcją, ale koniecznością dla stabilności całego systemu [1, 5]. Platformy HEMS, a w szczególności ich zagregowane formy jak VPP i P2P, stanowią niezbędne narzędzie cyfrowe do zarządzania tą nową, rozproszoną rzeczywistością energetyczną [1, 5].

Korzyści płynące z ich wdrożenia są wielopoziomowe. Dla prosumenta oznacza to wymierne korzyści finansowe – system HEMS pozwala na maksymalizację autokonsumpcji oraz inteligentne zarządzanie energią w oparciu o taryfy dynamiczne, minimalizując koszty zakupu [1, 2]. Agregacja w VPP otwiera dodatkowo możliwość generowania pasywnego przychodu ze sprzedaży usług systemowych na Rynku Bilansującym, na czym zarabia zarówno właściciel magazynu, jak i agregator [9, 14]. Badania modelowe wykazują potencjał redukcji kosztów energii dla użytkownika VPP nawet o 41% [1]. Dla systemu energetycznego i dystrybutorów, Wirtualne Elektrownie stanowią kluczowe źródło elastyczności [1, 14]. Zamiast budować drogie, konwencjonalne elektrownie szczytowe, operatorzy mogą kontraktować moc z zagregowanych zasobów prosumenckich, stabilizując sieć, redukując obciążenia szczytowe i umożliwiając integrację znacznie większej ilości niestabilnych źródeł OZE [1, 14]. Wreszcie, dla społeczeństwa, jest to krok w kierunku dekarbonizacji, zwiększenia bezpieczeństwa energetycznego oraz demokratyzacji rynku energii, zwłaszcza w modelach P2P, gdzie lokalne społeczności mogą handlować zieloną energią między sobą [1, 5].

Jednakże, implementacja tych platform niesie ze sobą również znaczące wyzwania i potencjalne negatywne skutki. Najpoważniejszym jest kwestia prywatności i bezpieczeństwa danych. System HEMS, aby działać efektywnie, musi zbierać bardzo szczegółowe dane o zużyciu energii w domu. Jak wykazano w badaniach [3], analiza danych o zużyciu energii, nawet w 30-minutowych odstępach, pozwala z dużą dokładnością na rozpoznawanie codziennych aktywności domowników, takich jak gotowanie, pranie, kąpiel, a nawet sen. W rękach niepowołanych podmiotów, dane te stanowią poważne zagrożenie dla prywatności. Co więcej, scentralizowana platforma VPP, zarządzająca tysiącami domowych magazynów, staje się atrakcyjnym celem dla cyberataków. Udany atak mógłby prowadzić do destabilizacji znacznej części sieci energetycznej [14].

Kolejnym wyzwaniem jest złożoność technologiczna i koszt. Efektywny HEMS opiera się na zaawansowanych algorytmach AI, które są „głodne danych” [2, 4, 7]. Ich skuteczność zależy od dostępności wysokiej jakości danych treningowych, co często wymaga stosowania skomplikowanych technik generowania danych syntetycznych, np. przy użyciu sieci VAE-GAN [7]. Ponadto, wysoki koszt początkowy instalacji (magazyn energii, zaawansowany falownik, HEMS) może stworzyć nową formę „cyfrowego wykluczenia”, gdzie korzyści z aktywnego udziału w rynku energii będą zarezerwowane tylko dla najzamożniejszej części społeczeństwa [1, 5].

Mimo opisanego ryzyka i wyzwań, zasadność wdrażania platform HEMS i VPP wydaje się niepodważalna [1, 5]. Korzyści systemowe w postaci stabilności sieci i efektywnej integracji OZE są zbyt duże, by je zignorować [1, 5]. Kluczem będzie aktywne zarządzanie ryzykiem, głównie poprzez rozwój technologii zapewniających prywatność (jak Federated Learning czy Blockchain) [7] oraz tworzenie takich modeli rynkowych i regulacji, które zapewnią sprawiedliwy podział korzyści i kosztów transformacji [1, 5].

Literatura

1. Yuxuan Zhou, et al. (2025). Research on interaction between HEMS-VPP and power system with high renewable energy penetration under net zero emissions: Operation strategy and economy viability boundary. Applied Energy 390.
2. Benjohn Koodakatt Varghese, et al. (2025). Optimisation algorithms used in home energy management systems: A review. Energy & Buildings 347.
3. Fukuharu Tanaka, et al. (2025). Home activity recognition using infrequently-monitored HEMS Data. Pervasive and Mobile Computing 114.
4. Kezheng Ren, et al. (2024). A data-driven DRL-based home energy management system optimization framework considering uncertain household parameters. Applied Energy 355.
5. Ali Raza, et al. (2024). Smart home energy management systems: Research challenges and survey. Alexandria Engineering Journal 92.
6. Ali Raza, et al. (2024). Optimal load forecasting and scheduling strategies for smart homes peer-to-peer energy networks: A comprehensive survey with critical simulation analysis. Results in Engineering 22.
7. Mina Razghandi, et al. (2024). Smart Home Energy Management: VAE-GAN Synthetic Dataset Generator and Q-Learning. IEEE Transactions on Smart Grid, VOL. 15, NO. 2.
8. Urząd Miasta Katowice. (2020). Program Funkcjonalno – Użytkowy System monitoringu nośników energii i wody wraz z możliwością sterowania w obiektach użyteczności publicznej miasta Katowice – SMIS. Nr sprawy BZP.271.1.135.2020.
9. tauron.pl. Informacje o usłudze –Wirtualny Prosument” firmy Tauron. Dostęp: 15.11.2025.
10. enspirion.pl. Informacje o działalności firmy Enspirion (Grupa Orlen) jako agregatora DSR i VPP. Dostęp: 15.11.2025.
11. promar.com.pl. Raport z wdrożenia Zintegrowanego Systemu Zarządzania Energią (ZSZE) w Poznaniu. Dostęp: 15.11.2025.
12. miasta.pl. Aktualności: „Katowice: system monitoringu zużycia nośników energii w budynkach publicznych”. Dostęp: 15.11.2025.
13. pgedystrybucja.pl. Informacje o wdrożeniu Liczników Zdalnego Odczytu (LZO). Dostęp: 15.11.2025.
14. pse.pl. Informacje o Rynku Bilansującym i roli agregatorów. Dostęp: 15.11.2025.

Filip Durlik, e-mail: fdurlik@agh.edu.pl
Jakub Grela e-mail: jgrela@agh.edu.pl
Andrzej Ożadowicz e-mail: ozadow@agh.edu.pl

AGH Akademia Górniczo-Hutnicza
Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej