Transformacja sektora energetycznego przyspiesza, a wraz z nią rośnie znaczenie inteligentnego zarządzania popytem na energię. Demand Side Response (DSR), czyli elastyczne sterowanie zapotrzebowaniem odbiorców, staje się kluczowym narzędziem stabilizacji sieci elektroenergetycznej, integracji OZE i redukcji kosztów. Coraz wyraźniej widać, że prawdziwy potencjał DSR uwalnia się dopiero wtedy, gdy połączy się je z sztuczną inteligencją, uczeniem maszynowym i analityką predykcyjną. Połączenie AI i energetyki zmienia sposób funkcjonowania rynku mocy, operatorów systemów dystrybucyjnych (DSO), sprzedawców energii, agregatorów oraz samych odbiorców przemysłowych i komercyjnych.

AI w zarządzaniu popytem na energię – definicje i kontekst rynkowy

Pod pojęciem Demand Side Response rozumiemy mechanizmy, w których odbiorcy energii – bezpośrednio lub przez agregatorów – czasowo zmieniają swoje zużycie energii elektrycznej w odpowiedzi na sygnały cenowe, techniczne lub regulacyjne z rynku. Celem może być ograniczenie poboru mocy w szczycie, przesunięcie zużycia poza okresy krytyczne, zwiększenie zużycia w godzinach nadpodaży produkcji z OZE lub świadczenie usług systemowych na rzecz operatora sieci. AI w energetyce pozwala zautomatyzować te decyzje, minimalizując wpływ na procesy produkcyjne i komfort użytkowników, a maksymalizując wartość ekonomiczną i systemową.

Sztuczna inteligencja w DSR obejmuje m.in. algorytmy uczenia maszynowego do prognozowania obciążenia, modeli zużycia energii w budynkach, sterowania portfelem odbiorców oraz dynamicznej optymalizacji reakcji popytu w czasie rzeczywistym. Dzięki temu można wykorzystać tysiące rozproszonych zasobów – od dużych zakładów przemysłowych, przez chłodnie i centra danych, po magazyny energii i ładowarki pojazdów elektrycznych – jako elastyczne źródło mocy, współpracujące z inteligentną siecią elektroenergetyczną.

Rola sztucznej inteligencji w Demand Side Response

Największym wyzwaniem w zarządzaniu popytem jest złożoność i zmienność zachowań odbiorców. Klasyczne podejścia oparte na prostych regułach lub statycznych taryfach dynamicznych nie są w stanie w pełni wykorzystać potencjału elastyczności. AI w energetyce pozwala przejść od ręcznego, reaktywnego sterowania do systemu, w którym decyzje są podejmowane automatycznie, w oparciu o dane historyczne, prognozy i sygnały rynkowe.

Algorytmy sztucznej inteligencji analizują dane z liczników inteligentnych, systemów SCADA, BMS (Building Management System), systemów produkcyjnych oraz rynków hurtowych i bilansujących. Na tej podstawie budują modele zachowania odbiorców, uczą się ich profili zużycia oraz identyfikują dostępny potencjał redukcji lub przesunięcia obciążenia. Dzięki temu możliwe jest budowanie portfeli DSR o wysokiej przewidywalności reakcji i niskim ryzyku niedostarczenia zakontraktowanej mocy redukcyjnej.

Kluczowe funkcje AI w systemach DSR

• Prognozowanie krótkoterminowe zużycia energii (short-term load forecasting) na poziomie pojedynczego obiektu i całego portfela.
• Detekcja anomalii, np. niespodziewanych wzrostów zużycia utrudniających realizację redukcji.
• Optymalizacja sterowania urządzeniami: HVAC, systemami chłodzenia, pompami, liniami technologicznymi, magazynami energii.
• Dynamiczne zarządzanie ryzykiem portfela DSR oraz udziałem w rynku mocy i usługach bilansujących.
• Personalizacja strategii dla różnych grup odbiorców, w tym odbiorców przemysłowych, usługowych i prosumentów.

Modele AI stosowane w zarządzaniu popytem na energię

W Demand Side Response wykorzystuje się szerokie spektrum metod sztucznej inteligencji: od klasycznych algorytmów uczenia nadzorowanego po złożone modele reinforcement learning (uczenia ze wzmocnieniem). Wybór modelu zależy od typu obiektu, charakterystyki obciążenia, dostępności danych oraz rodzaju usługi systemowej.

Uczenie nadzorowane do prognozowania obciążenia

Podstawą efektywnego DSR są wiarygodne prognozy krótkoterminowe zapotrzebowania na energię. W tym celu stosuje się m.in. metody regresji liniowej rozszerzone o dane pogodowe, gradient boosting, lasy losowe, sieci neuronowe LSTM i modele hybrydowe łączące cechy statystyczne z uczeniem głębokim. Dla budynków komercyjnych i zakładów przemysłowych modele te uwzględniają czynniki takie jak harmonogram pracy, typ dni (robocze, weekendy), parametry procesów technologicznych i dane o temperaturze zewnętrznej.

AI potrafi tworzyć indywidualne modele prognoz zużycia dla setek obiektów jednocześnie, co jest nieosiągalne przy podejściu manualnym. Prognoza pozwala z wyprzedzeniem określić, jaki jest realny potencjał redukcji mocy w danym oknie czasowym oraz jaką część portfela można zaoferować na rynku mocy lub w ramach usług bilansujących, minimalizując ryzyko kar za niewykonanie.

Uczenie nienadzorowane i segmentacja odbiorców

Odbiorcy energii różnią się nie tylko wielkością zużycia, ale też elastycznością i wrażliwością na zmiany cen. Algorytmy uczenia nienadzorowanego (np. k-means, DBSCAN, modele mieszane Gaussa) służą do automatycznej segmentacji portfela: identyfikują grupy o podobnym profilu obciążenia, zachowaniu w czasie, sezonowości oraz reakcjach na wcześniejsze wezwania DSR.

Taka segmentacja umożliwia tworzenie spersonalizowanych strategii sterowania: inne dla obiektów o przewadze obciążeń chłodniczych, inne dla procesów wsadowych, jeszcze inne dla budynków biurowych z systemami HVAC. Z punktu widzenia SEO, tego typu rozwiązania są często wyszukiwane jako “segmentacja odbiorców energii z wykorzystaniem AI” czy “klasteryzacja profili zużycia energii w DSR”.

Reinforcement learning w optymalizacji reakcji popytu

Dla zaawansowanych programów DSR, w których istotne jest dynamiczne sterowanie wieloma urządzeniami przy różnych ograniczeniach, szczególnie obiecujące jest uczenie ze wzmocnieniem. Agent RL uczy się poprzez interakcję z otoczeniem – np. systemem HVAC w budynku – jakie akcje (zmiana nastawy temperatury, włączenie/wyłączenie agregatów, wykorzystanie magazynu energii) przynoszą najwyższą skumulowaną nagrodę, uwzględniając komfort użytkowników, koszty energii i wynagrodzenie za udział w DSR.

Modele RL, często w połączeniu z symulacjami cyfrowych bliźniaków (digital twins), pozwalają osiągnąć znaczące oszczędności i wyższy poziom automatyzacji w porównaniu z tradycyjnymi regulatorami. Tego typu podejście jest kluczowe dla inteligentnych budynków i kampusów energetycznych, w których wiele systemów (ogrzewanie, chłodzenie, wentylacja, ładowanie EV, fotowoltaika, magazyny) musi być skoordynowane w czasie rzeczywistym.

Architektura systemu DSR z wykorzystaniem sztucznej inteligencji

Skuteczny system Demand Side Response oparty na AI wymaga nie tylko odpowiednich algorytmów, ale też dopasowanej architektury IT/OT oraz integracji z infrastrukturą sieciową. W ujęciu wysokopoziomowym można wyróżnić kilka kluczowych warstw takiego rozwiązania.

Warstwa pozyskiwania danych i integracji

Podstawą są dane pomiarowe z liczników inteligentnych (AMI), sterowników PLC, systemów SCADA, systemów BMS, a także danych zewnętrznych, takich jak prognozy pogody, ceny na rynku giełdowym, informacje o pracy farm wiatrowych i fotowoltaicznych. Dane te muszą być zbierane w sposób ciągły, z odpowiednią rozdzielczością czasową, a następnie standaryzowane i oczyszczane. Rosnące znaczenie ma architektura edge computing, umożliwiająca wstępną analizę i sterowanie lokalne, co zmniejsza opóźnienia i obciążenie sieci.

Warstwa analityki i modeli AI

Na poziomie centralnym lub chmurowym działają moduły analityczne, które uczą i aktualizują modele predykcyjne oraz optymalizacyjne. Dane historyczne służą do treningu i walidacji modeli, natomiast strumienie danych bieżących – do wnioskowania w czasie rzeczywistym. Szczególnie istotne jest tu zarządzanie cyklem życia modeli (MLOps), monitoring ich jakości i odporność na zmiany warunków (drift danych).

Warstwa sterowania i interfejsów rynkowych

Wyniki działania modeli AI są następnie przekładane na konkretne decyzje sterujące: wysyłanie sygnałów do urządzeń, ustalanie poziomu redukcji mocy, składanie ofert na rynku mocy, rynku dnia bieżącego czy rynku usług bilansujących. System DSR z AI musi być zintegrowany zarówno z urządzeniami fizycznymi (przez protokoły przemysłowe), jak i z platformami rynkowymi operatorów oraz sprzedawców energii. Kluczowa jest też przejrzystość dla użytkownika końcowego – interfejsy raportujące oszczędności, poziom redukcji i wpływ na procesy.

Praktyczne zastosowania AI w programach Demand Side Response

Połączenie AI i DSR ma bardzo szerokie spektrum zastosowań w różnych segmentach rynku. Największy potencjał widoczny jest w sektorze przemysłowym, komercyjnym, w dużych budynkach użyteczności publicznej oraz w rozwijających się klastrach energii i mikrosieciach.

Przemysłowe zarządzanie popytem z wykorzystaniem AI

Zakłady przemysłowe dysponują dużymi mocami przyłączeniowymi oraz wieloma procesami, które mają różny poziom elastyczności. AI pomaga automatycznie identyfikować, które urządzenia i linie technologiczne można czasowo wyłączyć lub przestawić w czasie, minimalizując wpływ na produkcję. Modele predykcyjne określają, ile mocy redukcyjnej można wygenerować w określonym oknie czasowym, biorąc pod uwagę stan magazynów, harmonogramy zleceń i ograniczenia jakościowe.

Dla działów utrzymania ruchu i energetyków kluczowe jest, aby system DSR nie wprowadzał ryzyka awarii czy pogorszenia parametrów produktów. Dzięki AI można w sposób ciągły uczyć się wpływu poszczególnych scenariuszy DSR na KPI procesu i automatycznie wykluczać działania, które generują nadmierne ryzyko. W dłuższej perspektywie pozwala to połączyć cele efektywności energetycznej, bezpieczeństwa dostaw i przewidywalności produkcji.

Inteligentne budynki i HVAC jako źródło elastyczności

W budynkach komercyjnych, biurowych i centrach handlowych głównym źródłem elastyczności są systemy ogrzewania, wentylacji i klimatyzacji (HVAC), oświetlenie oraz ładowarki pojazdów elektrycznych. AI pozwala modelować zachowanie budynku jako systemu termicznego – uwzględniając bezwładność cieplną, zyski od słońca, liczbę użytkowników – i na tej podstawie sterować mocą urządzeń tak, aby zmniejszyć pobór w godzinach szczytu, utrzymując komfort w akceptowalnych granicach.

Rozwiązania te często występują w wyszukiwarkach jako “AI w zarządzaniu energią w budynkach”, “inteligentne sterowanie HVAC w DSR” czy “smart building demand response”. Platformy te integrują się z BMS i systemami zarządzania obiektem, a poprzez interfejsy zewnętrzne – z ofertami dynamicznych cen energii, co pozwala automatycznie wykorzystywać okresy taniej energii do chłodzenia wstępnego, ładowania magazynów czy pojazdów.

Agregatorzy DSR i zarządzanie portfelem z AI

Agregator DSR pełni rolę pośrednika między wieloma odbiorcami końcowymi a rynkami energii i operatorem systemu. Sztuczna inteligencja staje się dla nich narzędziem krytycznym – umożliwia prognozowanie zachowania całego portfela, ocenę wiarygodności poszczególnych uczestników, optymalizację ofert oraz redukcję ryzyka niewykonania. Dzięki AI agregator może dynamicznie bilansować portfel, kompensując słabszą reakcję jednych odbiorców większą redukcją u innych.

W praktyce oznacza to wdrożenie zaawansowanych systemów klasy VPP (Virtual Power Plant), gdzie wiele rozproszonych zasobów – odbiór, magazyny energii, generacja rozproszona – są sterowane jak jedna wirtualna elektrownia. AI koordynuje decyzje, uwzględniając nie tylko ceny i sygnały techniczne z sieci, ale również indywidualne ograniczenia obiektów, umowy SLA oraz preferencje klienta.

Korzyści biznesowe i systemowe z wykorzystania AI w DSR

Wdrożenie sztucznej inteligencji w programach Demand Side Response przynosi wymierne korzyści zarówno uczestnikom rynku, jak i całemu systemowi elektroenergetycznemu. Z punktu widzenia E-E-A-T ważne jest, aby mówić o tych korzyściach w sposób oparty na danych i doświadczeniach branżowych.

Redukcja kosztów energii i przychody z rynku mocy

Dzięki AI odbiorcy mogą lepiej wykorzystywać taryfy dynamiczne, unikając pracy w godzinach najwyższych cen i maksymalizując zużycie w okresach taniej energii. Zautomatyzowane DSR pozwala obniżyć opłaty za moc szczytową (peak demand charges) oraz generować przychody z tytułu udziału w rynku mocy, usługach redukcji zapotrzebowania i usługach regulacyjnych. Modele AI zwiększają wiarygodność realizacji redukcji, co przekłada się na wyższe wynagrodzenie i mniejsze ryzyko kar.

Stabilizacja sieci i integracja odnawialnych źródeł energii

Dla operatorów systemu przesyłowego i dystrybucyjnego DSR jest elastycznym zasobem, który może zastąpić lub uzupełnić klasyczne źródła szczytowe (np. elektrownie gazowe). AI umożliwia precyzyjne prognozowanie i aktywację tego zasobu w czasie, gdy np. spada generacja z wiatru lub fotowoltaiki, albo gdy lokalne obciążenia zbliżają się do granic wydolności sieci. Dzięki temu można ograniczyć potrzebę kosztownych inwestycji sieciowych oraz redukcji generacji OZE (curtailment).

Lepsza efektywność energetyczna i dekarbonizacja

Automatyzacja i optymalizacja zużycia energii z użyciem AI często prowadzi do ujawnienia nieefektywności, które wcześniej pozostawały niezauważone – np. nadmiernego chłodzenia, jednoczesnej pracy ogrzewania i klimatyzacji, pracy urządzeń poza godzinami produkcji. Wprowadzenie systemów DSR staje się impulsem do ciągłej poprawy efektywności energetycznej, co bezpośrednio przekłada się na redukcję emisji CO₂ i wspiera realizację celów ESG oraz taksonomii UE.

Wyzwania i bariery wdrożenia AI w Demand Side Response

Mimo rosnącego potencjału, wykorzystanie sztucznej inteligencji w zarządzaniu popytem na energię wiąże się z szeregiem wyzwań technicznych, organizacyjnych i regulacyjnych. Zrozumienie tych barier jest kluczowe zarówno dla dostawców technologii, jak i dla odbiorców planujących udział w programach DSR.

Jakość danych i integracja systemów

Modele AI są tak dobre, jak dane, na których się uczą. W wielu obiektach infrastruktura pomiarowa jest niepełna, dane są niespójne, a integracja systemów IT i OT pozostawia wiele do życzenia. Wymaga to inwestycji w modernizację liczników, sensorów i systemów sterowania, a także w platformy integracyjne umożliwiające bezpieczną wymianę danych. Szczególnie trudne jest łączenie starszych urządzeń (legacy) z nowoczesnymi systemami chmurowymi, co wymaga stosowania bramek komunikacyjnych i warstw pośrednich.

Akceptacja użytkowników i zarządzanie komfortem

Automatyzacja DSR nie może odbywać się kosztem komfortu użytkowników budynków czy stabilności procesów produkcyjnych. Niezbędne jest transparentne pokazanie, jakie działania podejmuje system AI, jakie są ich ograniczenia oraz zapewnienie możliwości ręcznej ingerencji. W praktyce oznacza to konieczność tworzenia czytelnych polityk sterowania, progów komfortu oraz mechanizmów nadpisywania decyzji przez użytkownika. Tylko wtedy rośnie zaufanie do systemów AI i chęć oddania części kontroli nad zużyciem energii.

Regulacje, bezpieczeństwo i odpowiedzialność

W wielu krajach przepisy dotyczące rynku mocy, usług systemowych i udziału agregatorów wciąż się rozwijają. Systemy DSR z AI muszą być zgodne z regulacjami dotyczącymi bezpieczeństwa systemu elektroenergetycznego, ochrony danych (np. RODO), cyberbezpieczeństwa i odpowiedzialności za niewykonanie usług. Pojawia się też pytanie o odpowiedzialność za decyzje podejmowane autonomicznie przez algorytmy – czy odpowiada dostawca systemu, operator czy odbiorca końcowy. To obszar, w którym regulacje będą się dalej doprecyzowywać, a dostawcy AI muszą dbać o przejrzystość i audytowalność swoich modeli.

Trendy rozwojowe: od predykcji do autonomicznych systemów energetycznych

Rozwój AI w energetyce i w obszarze Demand Side Response zmierza w kierunku coraz większej autonomii i integracji z innymi elementami systemu energetycznego. Można wyróżnić kilka kluczowych trendów, które będą kształtować rynek w nadchodzących latach.

Cyfrowe bliźniaki i symulacja scenariuszy DSR

Cyfrowe bliźniaki (digital twins) obiektów energetycznych i procesów przemysłowych umożliwiają tworzenie realistycznych modeli symulacyjnych, w których można testować różne strategie DSR bez ryzyka dla rzeczywistej produkcji. Połączenie digital twins z AI pozwala uczyć algorytmy sterujące w środowisku wirtualnym, zanim zostaną wdrożone w rzeczywistym obiekcie. Wyszukiwane są tu m.in. frazy typu “digital twin w energetyce”, “symulacja DSR z użyciem AI”.

Integracja DSR z magazynami energii i elektromobilnością

Rosnąca liczba magazynów energii (BESS) oraz pojazdów elektrycznych stwarza nowy poziom elastyczności po stronie popytu. AI koordynuje ładowanie i rozładowywanie magazynów oraz pojazdów tak, aby wspierać sieć, realizować strategie arbitrażu cenowego i zapewniać wysoki poziom usług dla użytkowników. Modele te uwzględniają prognozy generacji z OZE, obłożenie sieci i indywidualne potrzeby mobilności. Demand Side Response przestaje dotyczyć tylko redukcji, a staje się aktywnym zarządzaniem wieloma typami zasobów.

Systemy multi-agentowe i lokalne rynki energii

Wraz z rozwojem klastrów energii, mikrosieci i lokalnych rynków powstaje potrzeba zdecentralizowanych mechanizmów koordynacji. Systemy multi-agentowe z AI mogą realizować lokalne aukcje, negocjacje i optymalizację wymiany energii między prosumentami, magazynami i odbiorcami. DSR staje się wówczas częścią szerszego ekosystemu, w którym popyt i podaż energii są zarządzane w sposób rozproszony, a rola centralnych operatorów ulega transformacji.

Jak przygotować organizację do wdrożenia AI w DSR

Dla przedsiębiorstw zainteresowanych wykorzystaniem Demand Side Response z użyciem AI kluczowe jest odpowiednie przygotowanie techniczne i organizacyjne. Wymaga to zarówno inwestycji w infrastrukturę, jak i zmiany podejścia do danych i procesów decyzyjnych.

Audyt potencjału elastyczności i infrastruktury

Pierwszym krokiem jest identyfikacja procesów i urządzeń, które mogą stać się źródłem elastyczności: linie produkcyjne, systemy HVAC, chłodnie, pompy, magazyny ciepła i chłodu, magazyny energii, ładowarki EV. Następnie należy ocenić stan istniejącej infrastruktury pomiarowej i sterującej – jakie dane są dostępne, z jaką rozdzielczością, jakie protokoły są używane. Na tej podstawie definiuje się zakres modernizacji i integracji niezbędnych do wdrożenia systemu DSR z AI.

Budowa kompetencji danych i współpraca z partnerami technologicznymi

AI w energetyce wymaga kompetencji w zakresie analityki danych, uczenia maszynowego i cyberbezpieczeństwa. W praktyce wiele firm przemysłowych i komercyjnych decyduje się na współpracę z wyspecjalizowanymi dostawcami technologii lub agregatorami DSR, którzy dostarczają gotowe platformy i know-how. Kluczowe jest jednak, aby organizacja posiadała wewnętrzne zespoły zdolne do świadomego nadzoru nad rozwiązaniem, oceny ryzyka i integracji z istniejącymi procesami biznesowymi.

FAQ

Jak sztuczna inteligencja poprawia skuteczność programów Demand Side Response?

AI poprawia skuteczność Demand Side Response, ponieważ potrafi precyzyjnie prognozować zużycie energii, identyfikować realny potencjał redukcji mocy i automatycznie sterować urządzeniami w odpowiedzi na sygnały rynkowe. Dzięki uczeniu maszynowemu system uczy się zachowania konkretnych obiektów, uwzględnia warunki pogodowe, harmonogram pracy i ograniczenia technologiczne. W efekcie redukcje są bardziej przewidywalne, a ryzyko kar za niewykonanie usług DSR spada. AI pozwala też łączyć wiele rozproszonych odbiorców w stabilny portfel zarządzany jak wirtualna elektrownia.

Jakie dane są potrzebne, aby wdrożyć AI w zarządzaniu popytem na energię?

Do skutecznego wdrożenia AI w Demand Side Response potrzebne są przede wszystkim dane pomiarowe wysokiej jakości: profile zużycia energii z liczników inteligentnych, dane z systemów BMS, SCADA i PLC, a także informacje o pracy urządzeń HVAC, chłodniczych, produkcyjnych czy magazynów energii. Uzupełniająco wykorzystuje się prognozy pogody, dane cenowe z rynków energii i informacje operacyjne (harmonogramy zmian, plany produkcji). Im bardziej szczegółowe i kompletne dane, tym lepsze modele AI można zbudować, co przekłada się na wyższe zyski z uczestnictwa w programach DSR i niższe ryzyko operacyjne.

Czy AI w DSR nadaje się tylko dla dużych zakładów przemysłowych?

Sztuczna inteligencja w zarządzaniu popytem na energię była początkowo rozwijana głównie dla dużych odbiorców przemysłowych, ale obecnie coraz częściej stosuje się ją także w budynkach komercyjnych, biurowcach, centrach danych i nawet w segmencie małych i średnich przedsiębiorstw. Dzięki roli agregatorów DSR wiele mniejszych obiektów może zostać połączonych w jeden portfel i traktowanych jak duży odbiorca. AI pomaga wtedy zautomatyzować sterowanie HVAC, oświetleniem czy ładowaniem pojazdów elektrycznych bez konieczności ciągłego nadzoru. Tym samym nie tylko duży przemysł, ale też sektor usług korzysta z elastyczności popytu.

Jakie są główne ryzyka związane z wykorzystaniem AI w Demand Side Response?

Najważniejsze ryzyka dotyczą jakości danych, błędnej konfiguracji modeli oraz wpływu automatycznych decyzji na procesy użytkownika. Jeśli dane z liczników lub systemów sterowania są niekompletne lub błędne, algorytmy AI mogą niewłaściwie oszacować potencjał redukcji, co prowadzi do niewykonania usług DSR i kar umownych. Ryzykiem jest także nadmierne obniżanie komfortu w budynkach lub zakłócenia w produkcji, jeśli nie zostaną jasno zdefiniowane granice działania systemu. Kluczowe jest monitorowanie pracy modeli, możliwość ingerencji człowieka oraz spełnienie wymogów bezpieczeństwa i regulacji rynku energii.

Od czego zacząć, jeśli firma chce wykorzystać AI do zarządzania popytem na energię?

Pierwszy krok to wykonanie audytu energetycznego z naciskiem na potencjał elastyczności: identyfikacja procesów i urządzeń, które można czasowo ograniczyć lub przesunąć w czasie. Następnie warto sprawdzić stan infrastruktury pomiarowej i sterującej – czy są liczniki inteligentne, system BMS, jak wygląda integracja IT/OT. Kolejny etap to wybór partnera technologicznego lub agregatora DSR, który dostarczy platformę AI, pomoże zbudować modele i włączy obiekt do programów rynku mocy czy usług bilansujących. Równolegle trzeba zadbać o procedury wewnętrzne, politykę komfortu i szkolenie personelu, aby wdrożenie DSR z AI było bezpieczne i opłacalne.