Rozwój sztucznej inteligencji oraz gwałtowny wzrost udziału odnawialnych źródeł energii wymuszają głęboką modernizację i cyfryzację sieci elektroenergetycznych. Klasyczny model scentralizowanej energetyki przestaje wystarczać: rośnie zapotrzebowanie na elastyczność, zdolność szybkiego reagowania i przetwarzania ogromnych wolumenów danych w czasie zbliżonym do rzeczywistego. Sztuczna inteligencja (AI) staje się kluczowym elementem transformacji sektora – od planowania rozwoju infrastruktury, przez sterowanie pracą systemu, aż po predykcyjne utrzymanie ruchu i zaawansowane mechanizmy zarządzania popytem. Poniższy artykuł omawia w sposób ekspercki rolę AI w zarządzaniu siecią elektroenergetyczną, ze szczególnym uwzględnieniem modernizacji oraz cyfryzacji sieci energetycznych.

Cyfryzacja sieci elektroenergetycznych jako fundament dla AI

Wdrożenie sztucznej inteligencji w zarządzaniu siecią elektroenergetyczną jest możliwe tylko na bazie zcyfryzowanej, odpowiednio opomiarowanej infrastruktury. Inteligentne sieci energetyczne (smart grids) wykorzystują zaawansowane systemy pomiarowe, komunikacyjne i obliczeniowe, które generują spójny strumień danych z poziomu wytwarzania, przesyłu, dystrybucji oraz odbioru energii.

Cyfryzacja obejmuje m.in. wdrażanie liczników zdalnego odczytu (AMI), automatyzację stacji SN/nn, integrację systemów SCADA/EMS/DMS, a także wdrożenie platform danych czasu rzeczywistego. Dzięki temu powstają warunki do zastosowania algorytmów uczenia maszynowego w takich obszarach jak predykcja obciążenia, lokalizacja awarii, optymalizacja przepływów i zarządzanie rozproszonymi źródłami energii (DER). Bez zintegrowanej warstwy danych, AI pozostaje wyłącznie koncepcją, a nie realnym narzędziem operacyjnym.

Kluczowe zastosowania sztucznej inteligencji w sieciach elektroenergetycznych

Sztuczna inteligencja w sektorze elektroenergetycznym znajduje zastosowanie na wielu poziomach – od pracy pojedynczych urządzeń, przez automatyzację stacji elektroenergetycznych, aż po zarządzanie całym systemem elektroenergetycznym na poziomie krajowym. Najważniejsze obszary to:

• prognozowanie zapotrzebowania i generacji energii, w tym z OZE,
• planowanie i optymalizacja pracy sieci przesyłowej i dystrybucyjnej,
• predykcyjne utrzymanie ruchu i monitoring stanu sieci,
• lokalizacja, klasyfikacja i samonaprawa po awariach,
• zarządzanie magazynami energii i elastycznością po stronie odbiorcy,
• optymalizacja inwestycji w infrastrukturę sieciową,
• cyberbezpieczeństwo systemów energetycznych.

Każdy z tych obszarów może być obsługiwany przez inne klasy algorytmów AI – od prostych modeli regresyjnych, po głębokie sieci neuronowe i metody uczenia ze wzmocnieniem, które uczą się optymalnego sterowania siecią w sposób iteracyjny, w oparciu o dane historyczne i symulacje.

Prognozowanie obciążenia i generacji z OZE z wykorzystaniem AI

Rosnący udział niestabilnych źródeł odnawialnych (wiatr, fotowoltaika) powoduje, że tradycyjne metody prognozowania obciążenia i generacji stają się niewystarczające. Modele statystyczne, oparte głównie na danych historycznych, nie są w stanie uchwycić złożonych zależności między warunkami pogodowymi, zachowaniem odbiorców i sytuacją w systemie.

W tym kontekście szczególnego znaczenia nabiera uczenie maszynowe i głębokie sieci neuronowe, które pozwalają budować krótkoterminowe (intra-day), średnioterminowe oraz długoterminowe prognozy zapotrzebowania i generacji. Modele AI integrują dane z wielu źródeł:

• dane pomiarowe z liczników AMI i systemów SCADA,
• prognozy pogody wysokiej rozdzielczości,
• informacje o zachowaniach prosumentów i profilach zużycia,
• dane rynkowe (ceny energii, ograniczenia przesyłowe).

W praktyce operatorzy systemów dystrybucyjnych i przesyłowych wdrażają hybrydowe rozwiązania, łączące modele fizyczne (np. modele generacji wiatrowej) z modelami AI. Takie podejście umożliwia redukcję kosztów bilansowania, ograniczenie konieczności rezerwowania mocy konwencjonalnej i lepsze wykorzystanie istniejącej infrastruktury. Dzięki precyzyjnym prognozom z użyciem AI łatwiej jest również wyznaczać optymalne profile ładowania pojazdów elektrycznych czy sterować magazynami energii.

Prognozowanie na poziomie lokalnym i mikrosieci

Szczególnym wyzwaniem staje się prognozowanie na poziomie lokalnym – dla stacji SN/nn, osiedli, parków przemysłowych czy mikrosieci energetycznych. Tu kluczowe są prognozy niezwykle krótkoterminowe, pozwalające reagować na gwałtowne zmiany generacji z PV lub obciążenia przemysłowego. Algorytmy AI uczą się specyficznych wzorców zachowań użytkowników, pór pracy zakładów czy lokalnej topologii sieci, co umożliwia dynamiczne sterowanie przepływami mocy i napięciem.

Optymalizacja pracy i planowania rozwoju sieci dzięki AI

Tradycyjne planowanie rozwoju sieci opierało się na scenariuszach wzrostu zapotrzebowania i projekcjach makroekonomicznych. W warunkach rosnącej decentralizacji wytwarzania, rozwoju energetyki prosumenckiej i e-mobilności, takie podejście staje się zbyt uproszczone. Sztuczna inteligencja pozwala projektować i eksploatować sieć w sposób znacznie bardziej elastyczny i zorientowany na dane.

Algorytmy optymalizacji oparte na AI analizują:

• obecne i prognozowane obciążenia poszczególnych linii i transformatorów,
• lokalne generatory OZE oraz ich zmienność,
• możliwości sterowania popytem i generacją,
• ograniczenia techniczne (napięcia, prądy zwarciowe, marginesy bezpieczeństwa),
• scenariusze awaryjne i wymagania regulacyjne.

Na tej podstawie tworzone są rekomendacje modernizacji: wymiany transformatorów, dobudowy linii, instalacji magazynów energii lub wdrożenia rozwiązań demand response. To podejście pozwala maksymalizować tzw. hosting capacity, czyli zdolność sieci do przyjmowania nowych źródeł OZE i przyłączeń odbiorców bez ryzyka przekroczenia parametrów pracy.

AI w systemach DMS/ADMS

Zaawansowane systemy zarządzania siecią dystrybucyjną (DMS/ADMS) coraz częściej wyposażane są w moduły AI, które pełnią rolę wirtualnego operatora w czasie rzeczywistym. Systemy te, korzystając z modeli uczenia maszynowego, mogą automatycznie dobierać nastawy urządzeń regulacyjnych, optymalizować topologię sieci (przełączenia łączników) oraz minimalizować straty sieciowe. W rezultacie możliwe jest zwiększenie efektywności wykorzystania istniejącej infrastruktury bez kosztownych, nadmiarowych inwestycji sieciowych.

Predykcyjne utrzymanie ruchu i monitoring stanu sieci

Jednym z najbardziej namacalnych efektów cyfryzacji i zastosowania AI w sieciach energetycznych jest przejście od reakcyjnego do predykcyjnego modelu utrzymania infrastruktury. Zamiast planować przeglądy i remonty wyłącznie według harmonogramu czasowego, operatorzy mogą podejmować decyzje na podstawie rzeczywistego stanu urządzeń i analiz predykcyjnych.

Predykcyjne utrzymanie ruchu wykorzystuje dane z:

• pomiarów on-line (prądy, napięcia, temperatury, drgania),
• systemów monitoringu jakości energii,
• czujników IoT zainstalowanych na liniach i transformatorach,
• analizy obrazów (np. termowizja, inspekcje dronami),
• danych historycznych o awariach i naprawach.

Algorytmy AI identyfikują niestandardowe wzorce zachowań urządzeń, które mogą świadczyć o zbliżającej się awarii, np. wzrost temperatury uzwojeń transformatora w określonych warunkach obciążenia, nienaturalne wahania napięcia lub pojawiające się okresowe przetężenia. Dzięki temu możliwe jest zaplanowanie interwencji w dogodnym momencie, przed wystąpieniem poważnej usterki, co przekłada się na redukcję czasu przestojów, kosztów napraw i liczby przerw w zasilaniu u odbiorców.

Analiza obrazów i dźwięku w diagnostyce sieci

Nowym trendem jest wykorzystanie metod komputerowego rozpoznawania obrazów i dźwięku w diagnostyce infrastruktury. Sieci neuronowe analizują zdjęcia i nagrania z dronów, kamer stacjonarnych oraz rejestratorów akustycznych, aby wykrywać:

• uszkodzenia izolatorów, przewodów i konstrukcji wsporczych,
• niewłaściwe naprężenia mechaniczne linii,
• zarastanie linii przez roślinność,
• charakterystyczne odgłosy wyładowań niezupełnych.

Takie rozwiązania znacząco przyspieszają proces oceny stanu sieci i umożliwiają optymalizację harmonogramów wycinki drzew czy planowania wyłączeń konserwacyjnych. Jednocześnie poprawiają bezpieczeństwo pracy ekip terenowych, które mogą koncentrować się na najbardziej krytycznych punktach infrastruktury.

Zarządzanie awariami i samonaprawiające się sieci

W dobie częstszych ekstremalnych zjawisk pogodowych kluczowe staje się szybkie wykrywanie, lokalizowanie i izolowanie uszkodzeń w sieci. Sztuczna inteligencja wspiera automatyzację całego cyklu zarządzania awariami – od detekcji, przez diagnozę, po przywrócenie zasilania.

Systemy FDIR (Fault Detection, Isolation and Restoration) wykorzystujące AI są w stanie w sposób autonomiczny:

• analizować sygnały z zabezpieczeń, rejestratorów zakłóceń i czujników prądowych,
• identyfikować charakter i lokalizację zwarcia z dużą dokładnością,
• dobierać optymalną sekwencję przełączeń w celu izolacji uszkodzonego odcinka,
• automatycznie rekonfigurować sieć, przywracając zasilanie jak największej liczbie odbiorców.

Takie rozwiązania tworzą de facto samonaprawiające się sieci, w których rola człowieka sprowadza się do nadzoru i obsługi sytuacji nietypowych. Ogranicza to wskaźniki SAIDI/SAIFI, poprawia jakość dostaw energii i zwiększa odporność systemu na zakłócenia. AI jest również wykorzystywana do analizy historii awarii, co pozwala zidentyfikować „wąskie gardła” i obszary wymagające priorytetowych modernizacji.

Integracja OZE, magazynów energii i elastyczności popytu

Transformacja energetyczna prowadzi do powstania systemu, w którym znaczną część mocy zainstalowanej stanowią niesterowalne źródła odnawialne oraz zasoby rozproszone – instalacje prosumenckie, magazyny energii, źródła kogeneracyjne. Zarządzanie tak złożonym, dynamicznym ekosystemem bez wsparcia AI jest niezwykle trudne.

Algorytmy sztucznej inteligencji pozwalają w szczególności na:

• koordynację pracy tysięcy małych instalacji PV, pomp ciepła i magazynów energii,
• wyznaczanie optymalnych sygnałów cenowych i sterujących dla programów demand response,
• bilansowanie lokalne w obrębie mikrosieci i klastrów energii,
• zarządzanie obciążeniem stacji ładowania pojazdów elektrycznych.

Dzięki AI możliwe jest tworzenie zaawansowanych modeli prosumentów, którzy jednocześnie zużywają, wytwarzają i magazynują energię. Modele te uwzględniają nie tylko parametry techniczne, ale również aspekty behawioralne – skłonność do reagowania na sygnały cenowe, preferencje komfortu czy harmonogramy pracy. W rezultacie system staje się bardziej elastyczny i odporny na wahania generacji z OZE.

AI w zarządzaniu magazynami energii

Magazyny energii – zarówno duże instalacje bateryjne przy sieci, jak i rozproszone zasoby przy prosumentach – wymagają zaawansowanych strategii sterowania. Sztuczna inteligencja umożliwia:

• optymalne ładowanie i rozładowywanie w zależności od prognoz cen energii i obciążenia,
• minimalizację degradacji baterii poprzez odpowiedni dobór cykli pracy,
• wsparcie usług systemowych, takich jak regulacja częstotliwości i napięcia.

Modele AI uwzględniają niepewność prognoz i potrafią uczyć się optymalnych strategii w zmiennym otoczeniu rynkowym i technicznym, co ma kluczowe znaczenie dla rentowności inwestycji w magazyny energii.

AI a bezpieczeństwo i stabilność systemu elektroenergetycznego

Stabilność sieci elektroenergetycznej wymaga ciągłego utrzymania równowagi między generacją a zapotrzebowaniem oraz zachowania parametrów jakości energii (częstotliwość, napięcie, harmoniczne). Wraz z rosnącą złożonością systemu tradycyjne narzędzia analizy stanów przejściowych i stabilności mogą nie nadążać za skalą i tempem zmian.

Systemy wspomagania decyzji oparte na AI analizują w czasie rzeczywistym ogromne wolumeny danych pomiarowych i potrafią przewidywać sytuacje zagrażające stabilności – np. przeciążenie linii, ryzyko zapadów napięcia czy oscylacje międzyobszarowe. Uczenie maszynowe, oparte na danych z rejestratorów synchronicznych (PMU), umożliwia identyfikację subtelnych sygnałów ostrzegawczych, które są trudne do uchwycenia klasycznymi metodami. Dzięki temu operator może wcześniej podjąć działania zapobiegawcze – zmienić konfigurację sieci, uruchomić rezerwy lub czasowo ograniczyć generację w newralgicznym obszarze.

Cyberbezpieczeństwo wspierane przez sztuczną inteligencję

Cyfryzacja sieci energetycznych zwiększa powierzchnię ataku cybernetycznego. Systemy SCADA, urządzenia IoT, komunikacja z licznikami i stacjami ładowania – wszystkie te elementy mogą stać się celem ataków. Sztuczna inteligencja, a zwłaszcza metody wykrywania anomalii, stanowią obecnie jeden z filarów cyberbezpieczeństwa w energetyce.

Algorytmy analizują ruch sieciowy, logi systemowe oraz przebiegi pomiarowe pod kątem nietypowych wzorców, które mogą wskazywać na próbę ataku, manipulację danymi czy nieautoryzowane sterowanie. Zaletą AI jest zdolność adaptacji do zmieniającego się krajobrazu zagrożeń oraz możliwość uczenia się na podstawie nowych incydentów, co pozwala na szybsze wykrywanie i neutralizowanie zaawansowanych, wcześniej nieznanych wektorów ataku.

Wymagania dotyczące danych i architektury systemów dla AI

Skuteczne wykorzystanie sztucznej inteligencji w zarządzaniu siecią elektroenergetyczną wymaga zaprojektowania odpowiedniej architektury danych. Kluczowe zagadnienia to:

• standaryzacja formatów danych i protokołów komunikacyjnych,
• zapewnienie jakości danych (data quality) – spójność, kompletność, brak duplikatów,
• możliwość strumieniowego przetwarzania danych czasu rzeczywistego,
• bezpieczne mechanizmy wymiany danych między operatorami i uczestnikami rynku,
• implementacja mechanizmów anonimizacji i ochrony prywatności odbiorców.

Coraz częściej stosuje się architektury oparte na platformach danych czasu rzeczywistego (data hubs) oraz koncepcji edge computing, która pozwala przetwarzać dane bliżej źródła (np. w stacjach transformatorowych), redukując opóźnienia i obciążenie łączy komunikacyjnych. AI może działać zarówno w chmurze (np. zaawansowane analizy, uczenie modeli), jak i na brzegu sieci (lokalne decyzje operacyjne).

Jakość i etyka danych w energetyce

Wraz z rosnącą ilością danych pomiarowych pojawiają się kwestie etyczne i regulacyjne. Dane z liczników inteligentnych pozwalają bardzo dokładnie odwzorować profil życia odbiorców, co wymaga szczególnej staranności w zakresie ochrony prywatności. Modele AI muszą być projektowane w sposób transparentny (explainable AI), aby umożliwić audyt decyzji – zwłaszcza gdy wpływają na taryfy, rozliczenia lub przydział mocy. Regulacje prawne, takie jak RODO i wytyczne regulatorów energetycznych, wymuszają budowę zaufanych, dobrze udokumentowanych procesów przetwarzania danych.

Wyzwania wdrożeniowe i kompetencyjne

Choć potencjał sztucznej inteligencji w zarządzaniu siecią elektroenergetyczną jest ogromny, wdrożenia na dużą skalę napotykają na szereg wyzwań. Należą do nich:

• złożoność integracji nowych rozwiązań z istniejącymi systemami SCADA/EMS/DMS,
• brak standardów dla wymiany modeli AI i ich walidacji,
• konieczność zapewnienia wysokiej niezawodności i odporności na błędy modeli,
• ograniczenia regulacyjne i odpowiedzialność za decyzje podejmowane automatycznie,
• deficyt specjalistów łączących wiedzę energetyczną z data science.

Operatorzy systemów elektroenergetycznych coraz częściej budują zespoły multidyscyplinarne, w których inżynierowie systemów elektroenergetycznych współpracują z ekspertami AI i analitykami danych. Niezbędne jest również tworzenie środowisk testowych i symulacyjnych (tzw. digital twins), pozwalających bezpiecznie weryfikować działanie nowych algorytmów przed ich wdrożeniem w systemie rzeczywistym.

Rola regulacji i standardów

Regulatorzy i organizacje normalizacyjne mają kluczowy wpływ na tempo rozwoju AI w energetyce. Potrzebne są jasne wytyczne dotyczące:

• wymogów niezawodności i bezpieczeństwa dla systemów wykorzystujących AI,
• zasad odpowiedzialności za decyzje podejmowane automatycznie,
• standardów interoperacyjności danych i modeli,
• mechanizmów certyfikacji i audytu rozwiązań AI w sektorze elektroenergetycznym.

Takie ramy regulacyjne zwiększają zaufanie operatorów, inwestorów i odbiorców końcowych do rozwiązań opartych na sztucznej inteligencji oraz ułatwiają skalowanie udanych wdrożeń na poziomie krajowym i międzynarodowym.

Perspektywy rozwoju: cyfrowy bliźniak systemu elektroenergetycznego

Jednym z najbardziej obiecujących kierunków rozwoju jest tworzenie cyfrowych bliźniaków sieci elektroenergetycznych (grid digital twins). Są to zaawansowane modele numeryczne, zasilane danymi w czasie rzeczywistym, odwzorowujące stan techniczny i operacyjny systemu. Sztuczna inteligencja odgrywa w nich podwójną rolę:

• jako narzędzie do kalibracji i aktualizacji modeli na podstawie danych pomiarowych,
• jako mechanizm do symulowania skutków różnych scenariuszy sterowania i inwestycji.

Dzięki cyfrowym bliźniakom operatorzy mogą testować strategie zarządzania ruchem sieciowym, analizować odporność na awarie i planować rozwój infrastruktury w warunkach kontrolowanych. AI pomaga automatycznie identyfikować słabe punkty, proponować działania korygujące i optymalizować bilans między kosztami inwestycji a ryzykiem zakłóceń.

Integracja AI z rynkami energii

W miarę jak systemy energetyczne stają się coraz bardziej elastyczne i zdecentralizowane, rośnie znaczenie lokalnych i regionalnych rynków energii oraz usług systemowych. Sztuczna inteligencja umożliwia inteligentne uczestnictwo w tych rynkach zarówno dużym wytwórcom, jak i małym prosumentom. Algorytmy planowania i optymalizacji portfeli mogą automatycznie podejmować decyzje o ofertach na rynku dnia następnego, rynku bilansującym czy w programach DSR, uwzględniając ograniczenia sieciowe.

Powstaje w ten sposób spójny ekosystem, w którym AI łączy świat fizyczny infrastruktury sieciowej z rynkiem energii i zachowaniami użytkowników, wspierając bardziej efektywne, niskoemisyjne i odporne systemy elektroenergetyczne.

FAQ

Jakie są najważniejsze korzyści z zastosowania sztucznej inteligencji w sieciach elektroenergetycznych?

Zastosowanie sztucznej inteligencji w sieciach elektroenergetycznych przynosi szereg wymiernych korzyści biznesowych i technicznych. Najistotniejsze to poprawa niezawodności dostaw energii dzięki szybszemu wykrywaniu awarii i krótszemu czasowi przywracania zasilania, a także lepsza optymalizacja pracy infrastruktury, co ogranicza konieczność kosztownych inwestycji sieciowych. AI umożliwia też dokładniejsze prognozowanie obciążenia i generacji z OZE, co zmniejsza koszty bilansowania systemu. Dodatkową korzyścią jest rozwój predykcyjnego utrzymania ruchu, który redukuje liczbę awarii sprzętu oraz wydłuża jego żywotność, a także większa elastyczność systemu dzięki integracji magazynów energii i programów demand response.

W jaki sposób sztuczna inteligencja wspiera integrację odnawialnych źródeł energii z siecią?

Sztuczna inteligencja wspiera integrację OZE przede wszystkim poprzez zaawansowane prognozowanie generacji z farm wiatrowych i instalacji fotowoltaicznych, co pozwala operatorom lepiej planować pracę jednostek konwencjonalnych i ograniczać konieczność utrzymywania dużych rezerw mocy. AI umożliwia też dynamiczne zarządzanie przepływami mocy w sieci dystrybucyjnej, minimalizując ryzyko przekroczeń napięciowych i przeciążeń linii przy dużej lokalnej generacji prosumenckiej. Dodatkowo algorytmy sterują magazynami energii i elastycznym popytem, tak aby kompensować wahania produkcji z OZE. W efekcie rośnie tzw. hosting capacity sieci, czyli zdolność do przyjmowania nowych instalacji odnawialnych bez konieczności kosztownych rozbudów infrastruktury.

Co jest potrzebne, aby wdrożyć AI w zarządzaniu siecią elektroenergetyczną?

Skuteczne wdrożenie AI w sieci elektroenergetycznej wymaga przede wszystkim odpowiedniej infrastruktury danych: gęstej sieci pomiarowej (liczniki AMI, czujniki, rejestratory), niezawodnej komunikacji oraz centralnych lub rozproszonych platform gromadzenia i przetwarzania informacji w czasie zbliżonym do rzeczywistego. Konieczna jest również standaryzacja formatów danych i wysokie standardy cyberbezpieczeństwa. Kluczowym elementem są kompetencje – zespoły łączące wiedzę z zakresu elektroenergetyki, analizy danych i tworzenia modeli AI. Ostatnim filarem są regulacje oraz procedury operacyjne, które jasno określają zakres automatyzacji, zasady nadzoru nad algorytmami i odpowiedzialność za decyzje podejmowane na ich podstawie.

Czy sztuczna inteligencja może całkowicie zastąpić operatorów systemu elektroenergetycznego?

Sztuczna inteligencja nie jest projektowana jako pełny substytut operatorów, lecz jako zaawansowane narzędzie wspomagania decyzji. Algorytmy są szczególnie skuteczne w analizie ogromnych wolumenów danych, wykrywaniu subtelnych wzorców oraz sugerowaniu optymalnych działań w rutynowych sytuacjach operacyjnych. Jednak odpowiedzialność za podejmowanie decyzji strategicznych, zarządzanie sytuacjami nietypowymi oraz ocenę ryzyka pozostaje po stronie człowieka. W praktyce mówimy o modelu współpracy human-in-the-loop, gdzie operatorzy nadzorują działanie systemów AI, mają możliwość ich korygowania i zatwierdzania kluczowych decyzji. Taki układ zwiększa bezpieczeństwo i zaufanie do automatyzacji w krytycznej infrastrukturze energetycznej.

Jakie są największe zagrożenia związane z wykorzystaniem AI w energetyce?

Największe zagrożenia to przede wszystkim ryzyko błędnych decyzji algorytmów wynikające z niewłaściwej jakości danych, źle zaprojektowanych modeli lub zmian w warunkach pracy, do których system nie został przystosowany. Istotnym wyzwaniem jest również cyberbezpieczeństwo – ataki mogą być wymierzone nie tylko w infrastrukturę sieciową, ale także w modele AI i wykorzystywane przez nie dane, prowadząc do manipulacji decyzjami sterującymi. Kolejne ryzyko dotyczy braku transparentności działania niektórych modeli, co utrudnia audyt i przypisanie odpowiedzialności. Z tego powodu kluczowe jest stosowanie rygorystycznych procedur walidacji modeli, monitorowanie ich działania w czasie rzeczywistym oraz wykorzystywanie metod explainable AI w krytycznych zastosowaniach sieci elektroenergetycznych.