Radzenie sobie z niepewnością wywołaną piorunami i rynkiem przy samodzielnym planowaniu: podejście fuzzy-Markowa dla sieci inteligentnych

Dlaczego utrzymanie zasilania staje się trudniejsze

Prąd nie płynie już jednokierunkowo z wielkich elektrowni do domów. Nowoczesne „sieci inteligentne” łączą panele fotowoltaiczne na dachach, farmy wiatrowe, baterie i zmieniające się potrzeby odbiorców, a jednocześnie rynki i pogoda zmieniają się z godziny na godzinę. W artykule przedstawiono nowe podejście pomagające operatorom sieci planować przyszłość w warunkach, gdy zarówno ceny energii, jak i gwałtowne burze — w szczególności wyładowania piorunowe — czynią ją niepewną, wykorzystujące połączenie rozmytego i probabilistycznego spojrzenia na możliwe scenariusze.

Sieci energetyczne w świecie burz i gwałtownych wahań cen

Sieci inteligentne obiecują czystszą energię i większą efektywność, lecz muszą nieustannie podejmować decyzje, kiedy kupować, sprzedawać lub wytwarzać elektryczność. Warunki rynkowe — takie jak ceny, popyt i przychody — mogą gwałtownie się zmieniać pod wpływem informacji gospodarczych, regulacji czy zachowań konsumentów. Jednocześnie pioruny i ekstremalna pogoda mogą uszkadzać linie, powodować wyłączenia lub wymuszać ograniczenia u odbiorców. Tradycyjne narzędzia planistyczne zwykle radzą sobie albo z częścią „numeryczną” (np. ceny), albo z nieostrymi zdarzeniami (np. ryzyko pioruna), rzadko łącząc oba podejścia. Autorzy twierdzą, że taki podział naraża operatorów, gdy wstrząsy fizyczne i wahania finansowe występują jednocześnie.

Łączenie ludzkiego osądu z matematyczną precyzją

Aby zniwelować tę lukę, badanie wprowadza hybrydowy framework łączący logikę rozmytą z łańcuchami Markowa. Logika rozmyta naśladuje sposób, w jaki ludzie opisują niepewne wielkości — używając określeń typu „niska cena”, „średnia sprzedaż” czy „wysokie przychody” zamiast ostrych progów. Metoda przekształca trzy kluczowe wskaźniki finansowe — cenę, przychody i sprzedaż — zamieniając każdą godzinową wartość na takie jakościowe kategorie. Chwilę czasu opisuje się wówczas prostą trójką, np. (wysoka cena, niskie przychody, niska sprzedaż), uchwycając ogólny „nastrój” rynku w etykietach zbliżonych do potocznego języka, które jednocześnie mogą być przetwarzane komputerowo.

Śledzenie zmian nastroju sieci w czasie

Gdy każda godzina zostanie tak oznaczona, podejście traktuje sieć inteligentną jako przechodzącą przez skończony zbiór rozmytych „stanów”. W tym miejscu wkraczają łańcuchy Markowa: oceniają, jak prawdopodobne jest przejście systemu z jednego stanu do drugiego w kolejnej godzinie. Licząc, jak często na przykład stan spokojny przechodzi w stan zestresowany — z wysoką ceną i niską sprzedażą — zwłaszcza w dniach z symulowanymi wyładowaniami piorunowymi, model buduje macierz przejść, swego rodzaju mapę typowych ścieżek rynkowych. Badacze obliczają też statystyki przesuwne, takie jak średnie kroczące i zmienność cen i przychodów, aby wyeksponować okresy nadzwyczaj spokojne lub wyjątkowo burzliwe.

Testowanie pomysłu w bezpiecznym piaskownicy

Ponieważ szczegółowe dane rzeczywiste łączące zapisy rynkowe i wyładowania piorunowe są trudne do zdobycia, autorzy tworzą syntetyczny zestaw danych obejmujący rok. Symulują godzinowe ceny, przychody i sprzedaż z realistycznymi trendami i szumem, a następnie „posypują” je sztucznymi zdarzeniami piorunowymi, które generują skoki cen i obniżają sprzedaż, naśladując uszkodzenia spowodowane burzą oraz zapobiegawcze wyłączenia. Pierwsze dziewięć miesięcy danych służy do uczenia kategorii rozmytych i prawdopodobieństw przejść; ostatnie trzy miesiące testują, jak dobrze model potrafi przewidzieć następny rozmyty stan na podstawie stanu obecnego. Framework poprawnie przewiduje następny stan w około 56% przypadków — znacznie powyżej losowego zgadywania przy sześciu możliwych stanach — jednocześnie ujawniając, które wzorce zwykle się utrzymują, a które szybko się zmieniają.

Od prognoz do praktycznych działań

Autorzy pokazują, jak narzędzie prognostyczne może kierować konkretnymi decyzjami dla hipotetycznej mikroświatowej sieci miejskiej o mocy 100 MW. Jeśli model sugeruje, że normalny stan prawdopodobnie przejdzie w sytuację z wysokimi cenami i niską sprzedażą podczas burzliwego popołudnia, operatorzy mogą wcześnie kupić rezerwową moc, prewencyjnie przełączyć wrażliwe obciążenia na zapasowe zasilanie lub dostosować strategie składania ofert na rynku energii. Wszechobecne wskaźniki ryzyka kroczącego pomagają ocenić, ile można zaufać prognozie i jak agresywnie reagować, przekształcając abstrakcyjne prawdopodobieństwa w ukierunkowane działania finansowe i techniczne.

Znaczenie dla przyszłych systemów energetycznych

W prostych słowach sedno artykułu jest takie, że traktowanie przyszłości sieci jako częściowo nieostrej i częściowo rządzonej regułami daje praktyczniejsze wskazówki niż poleganie na jednym podejściu. Łącząc kategorie przypominające ludzki język z matematyką śledzącą ewolucję stanów, framework Fuzzy-Markov dostarcza operatorom czytelniejszy, choć nie idealny, obraz tego, jak może wyglądać jutrzejsze zestawienie cen, popytu i skutków burz. Nawet przy umiarkowanej dokładności takie spojrzenie pomaga przygotować się na niekorzystne kombinacje — np. wysokie ceny i niską sprzedaż — zanim wystąpią. W miarę jak sieci inteligentne będą się komplikować, a ekstremalne zjawiska pogodowe nasilać, tego typu hybrydowe narzędzia mogą stać się niezbędne do utrzymania zasilania w sposób niezawodny, niedrogi i odporny na zakłócenia.

Cytowanie: Benistan, I.S., Shahbazzadeh, M.J. & Eslami, M. Addressing lightning and market uncertainties in self-scheduling: A fuzzy-markov approach for smart grids. Sci Rep 16, 12904 (2026). https://doi.org/10.1038/s41598-026-42588-8

Słowa kluczowe: sieci inteligentne, rynki energii, zarządzanie ryzykiem, energia odnawialna, niezawodność systemu elektroenergetycznego