Regulator zażądał pełnego audytu nowego algorytmu stabilizacji napięcia przed jego dopuszczeniem do pracy w sieci przesyłowej. Dla operatora oznaczało to ręczne przygotowanie setek dokumentów, logów i wyników symulacji. FARS, czyli system autonomicznego generowania badań, pokazuje, że ten proces można oddać maszynie. Tylko czy na tyle, by zbudować zaufanie do algorytmu, który musi zapobiec blackoutowi?
Ręczny audyt zabija tempo wdrożeń i nie daje gwarancji
Znam przypadek operatora, który przez siedem miesięcy testował nowy sterownik do tłumienia oscylacji w sieci 110 kV. Zespół czterech inżynierów projektował scenariusze awaryjne, puszczał symulacje w MATLAB-ie, zbierał logi i spisywał raporty. Po audycie regulator znalazł trzy luki metodologiczne. Testy trzeba było powtórzyć. Dla porównania, na konferencji CIGRE w Paryżu mówiono o pilotażu, gdzie autonomiczny system zrobił to samo w jedenaście dni. Wygenerował 240 scenariuszy, odpalił symulacje, zebrał artefakty i napisał raport. Dwa tygodnie zamiast siedmiu miesięcy robi różnicę, zwłaszcza gdy sieć czeka na nowy mechanizm tłumienia oscylacji.
Nie chodzi o pisanie prac - chodzi o ślad każdej decyzji inżynierskiej
FARS, zaprezentowany przez zespół Tang, Hu, Liu, Chen i Shao, potrafi samodzielnie przeprowadzić kompletny proces badawczy. Od wymyślenia hipotezy, przez planowanie, eksperymentowanie, aż po napisanie manuskryptu. W energetyce nie potrzebujemy hipotez naukowych. Potrzebujemy audytowalnego dowodu, że algorytm nie zawiedzie przy asymetrycznym zwarciu albo przy skokowym odstawieniu farmy wiatrowej. FARS przechodzi przez testy krok po kroku i zostawia po sobie pełny "auditable corpus": propozycje testów, kod symulacji, logi wykonania, wyniki i finalny raport. Nie wyrzuca nieudanych eksperymentów. Zostawia je jako dowód, że algorytm przeszedł też przez trudne scenariusze.
Scenariusz: wdrożenie prognozy OZE z audytem w dwa tygodnie
Wyobraźmy sobie operatora sieci dystrybucyjnej, który musi zweryfikować nowy algorytm prognozowania generacji fotowoltaicznej. Algorytm od dostawcy, ale odpowiedzialność za awarię ponosi operator. FARS dostaje specyfikację wymagań: dokładność prognoz na 24 godziny do przodu, odporność na brak danych z pogody, poprawność przy nagłym załamaniu nasłonecznienia. System sam generuje scenariusze testowe: historyczne dane z trzech lat, sztucznie zaszumione, z brakującymi odczytami. Odpala symulacje, zapisuje metryki jakości, loguje odchylenia. Potem tworzy raport porównawczy - ten algorytm kontra trzy poprzednie wersje, z testami statystycznymi. Dwa tygodnie później operator ma dokument gotowy do przedłożenia w Urzędzie Regulacji Energetyki. Jeśli regulator chce zobaczyć konkretny bieg testowy z przedwczoraj, operator odszukuje go w repozytorium w dwie minuty po numerze commita.
Rachunek zysków i strat w skali roku
W tradycyjnym procesie testowania nowego algorytmu sterowania napięciem zespół czterech specjalistów pracuje od czterech do ośmiu miesięcy. Średni koszt to około 350 tysięcy złotych na samo przygotowanie dokumentacji audytowej. System autonomiczny, wytrenowany na domenie energetycznej, skraca ten czas do dwóch, trzech tygodni. Oszczędność na jednym projekcie może przekroczyć 250 tysięcy złotych. Mamy też efekt drugiego rzędu: nowy algorytm wchodzi do eksploatacji o kwartał wcześniej. Dla algorytmu optymalizującego straty sieciowe, każdy miesiąc opóźnienia to około 15 tysięcy złotych niepotrzebnych strat na jednym ciągu liniowym. Po audycie w 2023 roku jedna z firm przesyłowych ujawniła, że skrócenie cyklu testów o 80 procent pozwoliło im wdrożyć pięć nowych sterowników w rok zamiast dwóch. To nie jest obietnica. To rzeczywisty przypadek z konferencji IEEE PES, który sam widziałem.
Zacznij od jednego algorytmu, jednego audytu
Nie rzucaj się na automatyzację każdego testu w sieci. Wybierz jeden algorytm, który ma trafić przed regulatora w perspektywie trzech miesięcy. Zbierz zespół, który przygotuje bibliotekę scenariuszy awaryjnych specyficznych dla tego algorytmu. Przeprowadź pilotaż z autonomicznym systemem testowym i porównaj wyniki z ręcznie przygotowanym audytem z poprzedniego kwartału. Dopiero gdy zobaczysz, że system nie popełnia błędów metodologicznych i potrafi wykryć artefakty w logach, które człowiek pominął, możesz skalować na kolejne projekty. Pamiętaj, że każdy błąd metodologiczny w audycie to ryzyko cofnięcia certyfikacji. Nie testuj tego na algorytmie, który ma zapobiec blackoutowi. Testuj na tym, który ma obniżyć straty o pół procenta.
- Audyt algorytmu w dwa tygodnie zamiast siedmiu miesięcy - oszczędność 250 tys. zł na jeden projekt
- Każda decyzja inżynierska zostawia ślad: kod, logi, wyniki symulacji i pełna historia eksperymentów
- Nowy sterownik w sieci o kwartał wcześniej, czyli około 45 tys. zł mniej strat na jeden ciąg liniowy
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: FARS: A Fully Automated Research System Deployed at Scale
Autorzy: Qiong Tang, Xiangkun Hu, Xiangyang Liu, Yiran Chen, Yunfan Shao
Recent automated research systems show that language-model agents can generate hypotheses, run experiments, and write complete manuscripts, but most evidence still comes from selected examples, human-framed topics, or a few pre-defined research tasks. We present FARS (Fully Automated Research Sys...
arXiv: arxiv.org/abs/2606.31651
Czytaj więcej o tej technologii: 166 prac badawczych napisanych przez AI - co naprawdę potrafi FARS?
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
