System AI do optymalizacji przemysłowych akumulatorów baterii

Opracowano inteligentny system zarządzania przemysłowymi akumulatorami (400 kW·h) z wykorzystaniem sztucznej inteligencji Google Gemini w celu maksymalizacji zysku z arbitrażu energii elektrycznej na rynku "dzień przed" (RDN).

Zadanie biznesowe
Klient miał przemysłową baterię SmartLogger 3000C01 o mocy 400 kW·h, ale zarządzał nią ręcznie. Należało stworzyć zautomatyzowany system, który:

Analizuje godzinowe ceny energii elektrycznej na RDN (rynek "dzień przed")
Uwzględnia rzeczywiste zużycie przedsiębiorstwa
Tworzy optymalny harmonogram ładowania/rozładowania
Maksymalizuje zysk ze sprzedaży energii elektrycznej
Realizacja techniczna
Stos technologii:

Python 3.x (Flask, SQLite)
Google Gemini AI API (gemini-2.0-flash-exp)
Integracja API SOAP (SmartLogger)
REST API (OREE - rynek energii elektrycznej)
Cron do automatyzacji
Parsowanie Excela (dane historyczne zużycia)
Architektura systemu:

Moduł zbierania danych:

Integracja z OREE API w celu uzyskania cen RDN na następny dzień
Parsowanie danych historycznych zużycia z Excela (KWT.xls)
Odczyt bieżącego stanu baterii przez SOAP API SmartLogger
AI-optymalizator (rdzeń systemu):

Opracowanie specjalizowanego promptu dla Gemini z krokowym algorytmem
Analiza 24-godzinnego okna z uwzględnieniem:
Godzinowych cen energii elektrycznej (zł/kW·h)
Prognozowanego zużycia przedsiębiorstwa
Technicznych ograniczeń baterii (szybkość ładowania/rozładowania)
Progu ROI (minimalna marża 3 zł/kW·h)
Wsparcie dla optymalizacji multi-cycle (szczyty poranne + wieczorne)
Adaptacyjne rozładowanie zgodnie z rzeczywistym zużyciem
Moduł wykonawczy:

Automatyczne wykonywanie harmonogramu przez SOAP API
Godzinowy monitoring i korekty
Logowanie wszystkich operacji
Powiadomienia Telegram o statusie
Interfejs webowy (Flask):

Dashboard z wizualizacją wykresów pracy
Historia operacji i zysków
Ustawienia parametrów systemu
Uwierzytelnianie i kontrola dostępu
Wyniki
Osiągnięcia techniczne:

Zwiększenie godzin rozładowania z 2 do 10 na dobę
Wzrost zysku o 11% (z 2,874 do 3,198 zł/dzień)
Automatyzacja 100% rutynowych operacji
Dokładność prognoz zużycia 95%+
Efekt ekonomiczny:

Prognozowany miesięczny zysk: ~96,000 zł
ROI systemu: zwrot z inwestycji w 2-3 miesiące
Oszczędność czasu klienta: 2-3 godziny dziennie
Kluczowe rozwiązania techniczne
Integracja z AI:

Opracowanie specjalizowanego promptu z krokowym algorytmem
Tryb JSON dla gwarantowanej struktury odpowiedzi
Mechanizm zapasowy w przypadku niedostępności AI
Optymalizacja zużycia:

Analiza danych historycznych z poprzedniego tygodnia
Uwzględnienie dziennego harmonogramu pracy przedsiębiorstwa
Dynamiczna adaptacja mocy rozładowania
Niezawodność:

Mechanizm ponownego próbowania dla zapytań API (do 10 prób)
Scenariusze zapasowe w przypadku awarii połączenia
Szczegółowe logowanie wszystkich operacji
Automatyzacja:

Zadanie Cron do codziennej prognozy (00:00)
Godzinowe zbieranie statystyk i wykonywanie poleceń
Nieprzerwana praca 24/7
Złożoność realizacji
Integracja API: SOAP (SmartLogger), REST (OREE), AI (Gemini)
Algorytmy: optymalizacja multi-cycle, programowanie dynamiczne
Wdrożenie: serwer produkcyjny z SSH, ustawienia cron
Testowanie: testy lokalne, walidacja produkcji, porównania A/B
Unikalność projektu
Hybrydowe podejście: AI + zasady logiki biznesowej
Adaptacyjność: system uwzględnia rzeczywiste zużycie, a nie teoretyczne maksima
Optymalizacja multi-cycle: częściowe cykle w celu maksymalizacji zysku
Gotowość do produkcji: pełna automatyzacja z minimalnym zaangażowaniem operatora
Umiejętności zastosowane w projekcie
Integracja Python AI/ML Google Gemini API SOAP/REST API Flask SQLite Automatyzacja Cron Parsowanie Excela Wdrożenie produkcyjne Administracja Linux Optymalizacja algorytmów Analiza danych Przemysłowy IoT

Czas trwania projektu: 2 tygodnie
Rola: programista full-stack + integracja AI
Status: uruchomiono w produkcji, działa autonomicznie