Nowe regulacje emisyjne, zmienne ceny paliw i rosnący udział OZE sprawiają, że planiści w energetyce toną w arkuszach Excela i skomplikowanych modelach optymalizacyjnych. Każda zmiana polityki wymaga ręcznego przepisywania formuł i tygodni testów. System PEARL obiecuje skrócić ten proces do godziny – wystarczy opisać ograniczenia zwykłym językiem, a resztę zrobi za nas.
Jak działa PEARL i dlaczego mały model wygrywa
PEARL to interaktywny system, który tłumaczy opisy problemów optymalizacyjnych na kod wykonywalny dla solverów matematycznych. Zamiast jednego strzału – jak robią to typowe duże modele językowe – PEARL działa w pętli: generuje model, uruchamia solver, analizuje komunikaty o błędach (brak rozwiązania, nieograniczoność) i poprawia formułę, aż znajdzie wykonalne i optymalne rozwiązanie. To dokładnie tak, jak pracuje doświadczony analityk: testuje, debuguje, poprawia.
Największe zaskoczenie? Wersja PEARL oparta na modelu Qwen3 o 4 miliardach parametrów osiąga lepszą dokładność niż ogromny DeepSeek-V3.2 z 685 miliardami parametrów. Dla energetyki oznacza to tyle, że nie potrzeba klastrów GPU za miliony – wystarczy serwer, który już macie w firmie. Mały model to także niższe koszty chmury i większa kontrola nad danymi, co przy wrażliwych informacjach o miksie energetycznym ma znaczenie.
Scenariusz: Nowa polityka klimatyczna UE w kilka chwil
Wyobraźmy sobie planistę w dużej polskiej grupie energetycznej. Firma musi ocenić wpływ pakietu Fit for 55 na swój portfel wytwórczy. Zamiast zlecać modelowanie zespołowi specjalistów od GAMS-a czy Pyomo, analityk otwiera PEARL i pisze w języku naturalnym:
'Mamy elektrownie węglowe, gazowe, wiatrowe, słoneczne i jądrową. Roczne zapotrzebowanie 180 TWh. Do 2030 roku emisja CO2 nie może przekroczyć 80 mln ton, udział OZE minimum 40%, a rezerwa mocy co najmniej 15%. Węgiel wygaszamy stopniowo – ostatni blok zamykamy w 2035. Znajdź najtańszy miks.'
PEARL w ciągu kilku sekund generuje program liniowy mieszany całkowitoliczbowy, uruchamia solver i dostaje sygnał: 'infeasible'. Rezerwa mocy zimą spada do 11%. System automatycznie proponuje rewizję: dodanie magazynów energii lub zwiększenie mocy w szczycie z gazu. Analityk dopisuje: 'Dopuszczamy magazyny bateryjne do 5 GWh, koszt 250 zł/kWh'. Po trzech iteracjach PEARL znajduje wykonalny plan: więcej gazu, baterie i programy DSR, koszt o 8% wyższy od obecnego, ale zgodny z regulacjami. Całość zajmuje 40 minut. Ten sam scenariusz ręcznie zajmowałby zespołowi dwa tygodnie, a i tak ryzyko błędu w formule byłoby spore.
Korzyści i zwrot z inwestycji
Widziałem, jak analitycy w jednej z polskich grup energetycznych spędzali trzy tygodnie na dostosowaniu modelu do nowych limitów CO2. Z PEARL-em mogliby zrobić to w jedno popołudnie. Oszczędność czasu to nie tylko niższe koszty pracy – to szybsza reakcja na konsultacje regulacyjne i możliwość przetestowania dziesiątek wariantów w ciągu dnia.
Koszty sprzętowe są minimalne: model Qwen3-4B działa płynnie na pojedynczej karcie GPU z 16 GB RAM, którą można postawić lokalnie. Nie ma potrzeby wysyłania wrażliwych danych o strukturze wytwarzania do zewnętrznych API. Dodatkowo iteracyjna pętla z solverem daje gwarancję, że końcowy model jest matematycznie poprawny – nie dostaniecie 'optymalnego' miksu, który łamie ograniczenia techniczne.
Dla średniej wielkości firmy energetycznej szacuję, że wdrożenie PEARL do analiz scenariuszowych może przynieść oszczędności rzędu 200-400 tysięcy złotych rocznie, głównie dzięki redukcji czasu konsultantów i uniknięciu kosztownych błędów w planowaniu inwestycji.
Od czego zacząć
PEARL jest dostępny na otwartej licencji, więc możecie go przetestować na własnych danych bez podpisywania umów. Proponuję prosty pilotaż: wybierzcie jeden scenariusz regulacyjny, który ostatnio analizowaliście ręcznie, opiszcie go w kilku zdaniach i sprawdźcie, czy PEARL wygeneruje działający model. Może się okazać, że pierwsza iteracja wymaga doprecyzowania – na przykład trzeba jawnie podać, że elektrownie wiatrowe mają współczynnik wykorzystania mocy 25%. Ale po dwóch, trzech rundach dialogu z systemem powinniście dostać wynik zbliżony do tego, nad którym ślęczeliście tygodniami.
Jeśli obawiacie się o jakość, pamiętajcie: mały model PEARL bije na głowę gigantyczne LLM-y właśnie dlatego, że nie próbuje być wyrocznią – uczy się na błędach solvera. To podejście, które ma ręce i nogi w energetyce.
- Redukcja czasu modelowania z tygodni do godzin
- Niższe koszty – model 4B działa na lokalnym serwerze
- Gwarancja wykonalności dzięki iteracyjnej weryfikacji z solverem
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: PEARL: Solver-in-the-Loop Interactive Optimization Modeling from Natural Language
Autorzy: Hongliang Lu, Zhong Li, Yuxuan Chen, Yuan Lan, Fan Zhang i in.
Optimization modeling is the process of translating real-world decision problems, often described in natural language, into formal mathematical formulations and executable solver code. While recent advances in large language models have shown promise in automating this process, most existing appr...
arXiv: arxiv.org/abs/2607.18256
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
