Podcast

Dobrý den, moje jméno je Jirka Vicherek a vítám vás u dalšího dílu Data Talku, podcastu pro datové profesionály, kde si zvu datové profesionály a bavíme se o tématech, která rezonují a zajímají českou datovou scénu. Dneska tedy mám Honzu Šimberu z NanoEnergies. Ahoj Honzo.
Ahoj.

My se tady dneska budeme bavit o energetice, o chytrých řešeních, která energetika potřebuje, taky o datové vědě, kterou v té energetice a při řízení flexibility vlastně stavíte. Než se dostaneme k těm věcem, rád bych tě poprosil, abys se našim posluchačům představil, aby věděli, s kým mají tu čest a vlastně z jaké části datové scény přicházíš.

Máš takový zajímavý začátek, vlastně netradiční.
Je to tak. Já jsem k data science přišel trochu jako slepý k houslím tím, že jsem vystudoval geografii a geoinformatiku. A přestože jsem uměl programovat, tak jsem se dostal k analýze prostorových dat na magisterském studiu a tam to bylo vlastně už kousek k analýze dat jako celku. Takže je to vlastně ústřice toho, jak člověku řídí život náhoda. Že jsem si prostě přes reklamu na Facebooku našel přihlášku do PricewaterhouseCoopers, kde jsem pak čtyři roky dělal konzultanta v datové vědě, a potom jsem ještě rok a půl pracoval ve Vodafonu jako tech lead v oddělení, které mimo jiné dělalo monetizaci geografických dat. No a od těchto korporátů jsem před více než rokem utekl právě do NanoEnergies, do malé nebo střední české firmy, která dělá řešení v energetice. A protože mě vždycky jednak zajímalo víc tým a jednak to, co děláme, mi přijde obrovsky smysluplné. Vlastně to, že potřebujeme jako společnost přejít na bezemisní energetiku, sebou nese velkou potřebu chytrého řízení, a pracovat osm hodin denně na něčem takovém mi prostě přijde daleko zajímavější, než vytřískat nějaké procento přesnosti navíc z modelu, který prodává digitální televizi.

Já mám pocit, že brand NanoEnergies je v naší bublině relativně známý díky Petru Rokůskovi a jeho mediálním výstupům a atraktivitě toho tématu. Abych pravdu řekl, ani já se úplně přesně neorientuju, kterou část Nano pokrývá, abyste tam měli i nějaké tradice, mergery a prodeje. Co vlastně teď NanoEnergies je, nebo tvoje část?

NanoEnergies se v zásadě do Petrových vizí pořád úplně nepřeměnila. My se prostě snažíme posunout energetiku do 21. století, což znamená umožnit decentralizaci, digitalizaci a dekarbonizaci jakýmkoliv způsobem. Ve chvíli, kdy to znamenalo dělat obchodování na energetických burzách, tak jsme to dělali, ale to jsme nedávno prodali. Máme NanoGreen, což je asi naše nejznámější divize, která je dodavatelem zelené elektřiny a zároveň výkupcem zelené elektřiny. Ale hlavní teď, co nám přijde úplně zásadní pro posun energetiky, je právě ta energetická flexibilita. To znamená schopnost vyrovnávat výkyvy trhu, které sebou nese přechod od energetiky 19. století, kdy jsme tupě spalovali určité zdroje – uhlí, plyn, ropu – které ale měly tu výhodu, že se daly celkem dobře řídit, tak vlastně…

Zde je opravený text:

Musíme přejít k těm zdrojům, které jsou obnovitelné, ale které se tak snadno řídit nedají. Jádro, fotovoltaika, vítr, vlastně i když se nám podaří do komerčního provozu dotáhnout jadernou fúzi, tak ta taky nebude příliš dobře řiditelná. To znamená, že abychom nakompensovali ten nedostatek flexibility, musíme řídit něco jiného, menšího než elektrárny. To se vlastně v naší divizi, která se jmenuje Digital Energy Services, snažíme dělat – propojovat na jedné straně ty, kdo nějakou…

energetickou flexibilitu mají a mohou ji nabídnout tomu trhu, který ji potřebuje. No a kde jsou ty dvě části toho trhu tedy? Kdo jsou vaši klienti na dvou částech marketplace – dodavatelé a odběratelé? Jsme B2B, to znamená, že na jedné straně to jsou převážně nějaké průmyslové zdroje. Energetická flexibilita se dá najít na spoustě míst v průmyslu – na straně výroby, kdekoliv, kde je elektřina jen jako doplňková výroba, nebo kde dochází k nějaké akumulaci, ať už do tepla, kde máme třeba nějakou výtopnu nebo kotelnu na sídlišti jako generátor, na straně druhé třeba mrazáky, které mají akumulaci do chladu, nebo na spotřebě elektřiny kdekoliv, kde máme nějaké úzké hrdlo. To znamená, máme nějaký proces, který spotřebuje elektřinu, ale potřebuje prostě 8 hodin ze 24 stát, tak jsme schopní říct, které těch 8 hodin to má být, a využít to tak, abychom zákazníkům buď zvýšili zisk, nebo snížili náklady na elektřinu.

Jaký jsou typičtí zákazníci? Jako u mrazáků jsou to třeba mrazáky Tesco, drůbežárny nebo obrovské komplexy nekonečných řad mrazáků? Jo, typickým případem jsou specializované skladovací společnosti, které třeba prodávají svoji kapacitu supermarketům. Další příklad jsou zemědělská družstva, která mají třeba skleníky nebo jakoukoliv takovou výrobu, kde potřebují topit nebo svítit. Z pravidla tam mají třeba zároveň bioplynovou stanici nebo elektrárnu na biomasu. To znamená, že mají obě strany té rovnice, jak výrobní, tak spotřební, a chtějí to nějak optimalizovat, protože logicky se chtějí soustředit na svůj core business. To jsou takové dva naše základní use casy.

Třetí, spíše doplňkový, samozřejmě je, že můžeme poskytovat službu flexibility někomu, kdo má výrobu nebo spotřebu, kterou nedokáže řídit, a my mu tou flexibilitou pomáháme vyrovnávat výkyvy. Typický příklad může být někdo, kdo má velké fotovoltaické parky. Ty se do značné míry dají predikovat, kolik vyrobí, ale počasí je tak chaotické a komplexní, že to nikdy nejde přesně. To znamená, pokud mám opravdu velkou kapacitu fotovoltaik, je potřeba k ní mít nějaké dorovnávání flexibility, protože je levnější v danou chvíli vyrovnat přebytky nebo nedostatky oproti tomu, co jsem si napředikoval a prodal nebo nakoupil.

Super. A na té druhé straně, komu flexibilitu prodáváte? Kdo ji musí nebo má kupovat na tom trhu? Z jedné strany je to samotný trh. To znamená, m…

(Další část textu chybí.)

Opravený text:

Prodáváme elektřinu na denním trhu a řídíme si ji sami. To znamená, že ve chvíli, kdy je na trhu v daném momentě nedostatek, můžeme zapnout něco navíc oproti tomu, co jsme původně měli dodat, abychom to vyrovnali. Naopak, pokud vidíme přebytek, můžeme vypnout něco, co jsme plánovali mít běžící. Částečně se totiž obě strany našeho zákaznického portfolia balancují, protože máme jak výrobu, tak spotřebu, což se do určité míry vzájemně kompenzuje.

Důležití zákazníci jsou pro nás také operátoři sítě. V Česku je to ČEPS, Česká přenosová soustava, která má za úkol vyrovnávat síť a udržovat její stabilitu. V každém okamžiku musí být v energetické síti rovnováha mezi výrobou a spotřebou. ČEPS proto nasmlouvává kapacitu tzv. podpůrných služeb, což znamená, že určité zdroje stojí na definovaném výkonu (například vypnuté), ale jsou připraveny se zapnout. Za tuto kapacitu nám ČEPS platí a pokud ji potřebuje, pošle nám signál s požadavkem na určitý výkon. My mu pak dodáme tzv. regulační energii a dostaneme za ni zaplaceno.

To jsou tedy dva základní use cases naší činnosti. Třetí, doplňkový, je poskytování služby flexibility někomu, kdo má výrobu nebo spotřebu, kterou nedokáže řídit, a my touto flexibilitou vyrovnáváme výkyvy. Typickým příkladem může být někdo, kdo vlastní velký fotovoltaický park. Výrobu z fotovoltaiky lze do značné míry predikovat, ale počasí je chaotické, a celý systém tak nelze předpovědět přesně. Pokud tedy mám opravdu velkou kapacitu fotovoltaiky, potřebuji ji dorovnávat flexibilitou, protože je levnější v danou chvíli vyrovnat přebytky nebo nedostatky oproti napředikovanému množství elektřiny, které jsem prodal nebo nakoupil.

Super, teď už asi chápu, co děláte byznysově. Co to znamená technologicky?

Technologicky to znamená, že potřebujeme řešit chytré rozhodování – vyhodnocovat provoz a možnosti našich zařízení, vyhodnocovat stav trhu a snažit se najít model provozu, který bude optimální a co nejvíce vydělá – tedy zprostředkovaně i zákazníkům. Velká část naší přidané hodnoty spočívá v technickém zajištění komunikační infrastruktury. Pokud má například náš zákazník kogenerační jednotku, instalujeme mu tam řídicí systém, kterému říkáme Nanobox, schopný přijímat příkazy přes internet. Na druhé straně máme komunikační infrastrukturu směrem k operátorovi sítě, takže jsme schopni přijímat jeho signály ohledně požadované kapacity.

O tuto oblast se stará naše IT, my do toho dodáváme rozhodovací složku, což znamená, že predikujeme, zda bude v daném momentě na trhu nedostatek nebo přebytek elektřiny – tedy vytváříme predikční model. A po…

(Pokud chcete, mohu text doplnit či upravit dále.)

Tady je opravený a stylisticky vylepšený text:

Tom se podíváme na naše portfolio, tam také potřebujeme predikovat například to, jestli daný mrazák, když ho na dvě hodiny vypneme, nepřekročí své operační meze, jestli se mu nerozteče to, co má zrovna uložené. A tohle propojit dohromady v nějaké optimalizaci, aby z toho vznikl co největší přínos. To je to, co mě na tom fascinuje nejvíc – že ovládáte fyzický svět, že tam je infrastruktura, že tam jsou stroje, které se otočí a začnou vyrábět ocel na základě algoritmu, který jste poslali do produkce před deseti minutami. Tohle mě fascinuje ve světě SaaS a softwaru, ve kterém se pohybuji. Musí to být velmi zajímavé, ale na druhou stranu i nebezpečné, ne?

Bavili jsme se o tom před začátkem nahrávání, co tě na tom fascinuje – ten dopad, jak se tam peníze mění každým rozhodnutím týmu. Vidím to jako otevírání přehrad. Přehrady jsou většinou dost velké na to, aby si to dělaly samy, ale ano, je to vysoko-stakes produkce. Zatímco v korporátech jsem vždycky dělal něco, co firmě přinášelo hodnotu, ale když se něco nepovedlo, tak se nic zásadního nestalo, tady, když selže proces kotací na denním trhu, firma za ten den prodělá několik milionů. Je tedy potřeba být opravdu opatrný. Ale zároveň, pokud nasadím změnu, okamžitě vidím: „Tyjo, tím, že jsem vytvořil ten model, ušetřil jsem firmě tolik a tolik peněz.“ Má to reálný dopad – jsme schopni nabídnout lepší výkupní cenu na fotovoltaiku, protože ji dokážeme lépe predikovat, takže jich může být víc. Ten pocit, že pomáhám posunout svět nějakým způsobem kupředu, je pro mě daleko hmatatelnější. Ale zároveň to může být velmi stresující.

Prostředí ve firmě je náročné a já se vždy ptám kolegů, kteří přicházejí, jestli mají tendenci k workoholizmu, a velmi si to hlídám u svých lidí. Je totiž strašně snadné propadnout tomu pocitu, že když něco nepřevedu na 100 %, tak firmě tečou obrovské peníze a kvůli tomu úplně vyhořet a po roce odejít. To riziko tam prostě je a je potřeba s tím pracovat. Znamená to umět si užít, že máte reálný dopad, ale zároveň se tím nenechat semlít. Jedním ze způsobů, jak tomu předcházet, je budovat věci systematicky, ne operativně a ad hoc. Situace, kdy analytická infrastruktura běží na Jupyter notebookech, které musí někdo vždy ručně spustit, je totiž nerealistická.

Hodně se nám vyplatilo investovat nejen do analytických schopností lidí, ale i do jejich programátorských dovedností – aby byli schopni psát kvalitní kód, který bude fungovat robustně, s…

Pokud chceš, mohu pokračovat v opravě a přeformulování do konce.

Zde je opravený text s lepší srozumitelností a jazykovou úpravou:

Spolehlivě, dobře zdokumentovaně, snadnou nasaditelností do produkce a možností snadné výměny verzí v produkci. To znamená CI/CD. Pokud jde o Airflow, mám zpětnou vazbu od většiny lidí, kteří k nám do týmu přišli – říkali, že jsme v této technické úrovni opravdu napřed.

Ale než úplně vstoupíme do toho technologického stacku, rád bych se vrátil o úroveň výš, úplně na ten první krok – na energetickou flexibilitu. Vím, co to je, chápu, jak se vaše práce promítá do reálného života firem a jak jste enablerem pro celou rostoucí ekonomiku. Nicméně jsou zde věci, které možná nevidíme, proč je flexibilita tak zásadní součástí energetiky budoucnosti. Jsou to zdroje? Nebo bez ní nemůžeme digitalizovat? Nebo jde o současný proces? Chápu, že existuje volný trh s energií, který nabízí příležitosti na obou stranách rovnice, což je super. Ten systém je jako burza, ale zároveň fyzická, protože energie se musí sdílet ve fyzickém světě, což je zajímavé.

Proč tedy flexibilita hraje tak zásadní roli? Asi nejzásadnější odpověď je v tom, že energetický systém, který řídí celou energetiku, je v podstatě základem fungování celé naší společnosti. Téměř všechno, co děláme, vyžaduje spotřebu nebo výrobu energie. A systém je neuvěřitelně komplexní a nikdy ho nebudeme schopni plně předvídat. Potřebujeme tedy flexibilní kapacitu, abychom mohli v reálném čase vyrovnávat aktuální potřeby.

Zatímco dříve v klasické fosilní energetice bylo řízení relativně jednoduché díky velkým řiditelným zdrojům – například velké uhelné elektrárny dodávaly velkou část podpůrných balančních služeb. ČEPS si doslova „natáhl drát“ do elektrárny a analogovým signálem řídil množství páry do turbíny. Bylo to pohodlné a poměrně jednoduché. Ale když chceme tyto elektrárny z logických důvodů odstavit, potřebujeme jiný způsob, jak do sítě dodat flexibilitu.

Proto, že se už nemůžeme spolehnout na velké zdroje, musíme tuto flexibilitu agregovat z menších zdrojů. A právě toto je naše know-how – propojit spoustu menších zdrojů a uspořádat je do něčeho, čemu ČEPS říká agregační blok. ČEPS na nás nahlíží jako na schopné doručit flexibilitu 400 MW výkonu, aniž by viděl jednotlivé složky – například 15 kogenerací, 4 bioplynky, 2 mrazáky a jeden kryptoměnový miner.

Tento trh tu původně byl, ale nebyl zapojený, nebo vzniká a roste? Ten teď vzniká a roste, protože dříve se kapacita elektráren zajišťovala ad hoc pomocí kontraktů, které ČEPS sjednával přímo se zdroji. Dnes se ale trh liberalizuje, objevují se aukce na podpůrné služby a výrazně roste i možnost, že si flexibilitu řídíme sami, pokud se bavíme o moderních formách flexibility.

Pokud budete chtít, můžu text dále upravit pro konkrétní účel.

Zde je opravený text s úpravou pravopisu, interpunkce a plynulosti vyjadřování:

La likvidita na trzích, na těch energetických burzách, je možná vlastně fungovat daleko dynamičtěji, daleko flexibilněji, než to bylo možné dřív. A tím se celý proces vlastně zrychluje tím, že i ti aktéři, energetické regulační úřady a všichni, si uvědomují, že pokud nemají za tu flexibilitu platit obrovský majlant. Konec konců, když se podíváte do své faktury za elektřinu, tak tam ve vyúčtování v té regulované složce uvidíte řádek, který se jmenuje systémové služby – a to není nic jiného než právě tahle flexibilita, kterou ČEPS potřebuje pro vyrovnávání sítě, jejíž náklady jsou rozpočítávány na každého jednotlivého zákazníka.

My jsme teď v situaci, kdy vlivem toho, že velká, nebo poměrně podstatná část té flexibility byla stejně jako výroba založená na plynu, protože plynové zdroje je možné relativně rychle řídit, tak i ceny podpůrných služeb vyletěly poměrně rychle nahoru. Státní regulátoři se snaží dělat všechno pro to, aby za dva roky v téhle kolonce svých vyúčtování lidé nenašli najednou regulovanou částku, která bude čtyřikrát větší než teď. To znamená, že trhy na západ od nás už tenhle přechod víceméně udělaly, tam už agregátoři flexibility normálně fungují. U nás, a zvlášť na východ od nás, se trh teprve začíná liberalizovat, je to záležitost posledních dvou, tří let, a my se snažíme hodně rychle naskočit na ten vlak – například v Chorvatsku, Maďarsku, na Slovensku, v Rumunsku regulátoři umožňují nebo usnadňují fungování i malým zdrojům flexibility a jejich agregátorům.

Chceme toho využít, abychom tam také mohli pomoci s transformací energetiky. Když se například podíváte na to, kolik chce Rumunsko postavit fotovoltaických elektráren v příštích deseti letech, je to opravdu velmi zajímavé číslo. A my chceme pomoci, aby bylo technicky vůbec možné řídit síť a neměli jsme blackouty. Protože pokud ta flexibilita přestane fungovat, přestane se potkávat výroba se spotřebou, rozjede se frekvence a v tu chvíli nastane blackout. A systémový blackout není jen otázkou, že vyhoří nějaká rozvodna – skutečně může v celé zemi na základě toho vypadnout proud. Tomu chceme předcházet a chceme na tom samozřejmě i dobře vydělat.

Super, pojďme k tvojí práci, k práci tvého týmu. Kolik vás teď je? Na to, že jsme stohlavá firma, jsme vlastně nečekaně velký datový tým – asi patnáct lidí. To proto, že patříme ke core modelu firmy. Rozhodování je alfa a omega. Zatímco když jsem pracoval ve Vodafonu, kdyby tam datascience tým ze dne na den zmizel, firma by bez problémů fungovala dál – pár věcí by někde nahradili a problém by nebyl. My, když z firmy zmizíme, tak firma půjde hledat jiný cíl. A co je na tom z technického, respektive datového pohledu zajímavé, je právě to, že řešíme docela širokou škálu problémů, které sahají až od…

Pokud chcete, mohu pokračovat v opravě dalších úseků textu.

Jasně, tady je opravený text:

Nějaké klasické predikce, kdy se snažíme právě predikovat stav trhu, až k optimalizacím nějakého chytrého řízení, které je navíc potřeba propojovat jak ty predikce, tak ty optimalizace na různých časových úrovních. Potřebujeme predikovat a optimalizovat jak dlouhodobě. Ve chvíli, kdy máme u nějakého zákazníka závazek, že mu za rok projedeme tři tisíce hodin, tedy že bude jeho kogenerace například zapnutá tři tisíce hodin, pak se musíme rozhodnout, kdy to udělat, kolik kapacity schovat na zimu, kdy je energie dražší. Na druhé straně to potřebujeme řídit v reálném čase, protože když zrovna vypadne mlýn, je jasné, že chceme zapnout cokoliv, co máme po ruce, protože na tom získáme velmi zajímavé peníze. To znamená, chceme, aby na to infrastruktura zareagovala velmi rychle, ale zároveň, aby to spolu pořád fungovalo dohromady – od dlouhodobé optimalizace až po úplně instantní rozhodování. No, to zní jako velká škála velice komplexních problémů.

Kdyby jsi to přirovnal třeba k tomu, co řeší jiné firmy, tak vy v té první části máte kvalitní data, protože jste součástí nějaké sítě, a zároveň máte svoje vlastní data z těch zařízení. To jsou vaše vstupy?

Je to tak. Data, která máme, jsou spíš dlouhá a úzká v tom smyslu, že nemáme mnoho parametrů, ale pokud je máme, můžeme se na ně relativně spolehnout. Jsou to reálná fyzikální měření, která mají svůj jasný význam. Pokud máme nějaké problémy s kvalitou dat, tak si je způsobujeme sami, například špatně nastaveným procesem onboardingu zákazníka, nebo podobně. Ale to je z oblasti dat.

Spíš menší, no.

No, a jak si to mám představit konkrétně? Zapnutá, vypnutá, kolik má stupňů, jestli teď topím, teď netopím, něco jako IoT data, jo?

Ano, přesně tak. A promiň, vytváříte model pro každý konkrétní stroj, nebo je to součást celku a je vám vlastně jedno, co to je za zařízení – jestli sekačka, nebo cokoli jiného – a jen se na to díváte jako na vstupní data a model ví, že tenhle stroj se chová takhle?

Řešíme to na různých úrovních. Většinou, pokud máme nějaký typ zdroje, tak spousta věcí se řeší na úrovni typu zdroje. Například ke všem kogeneračkám přistupujeme velmi podobně, ale zároveň tam jsou určitá specifika jednotlivých zdrojů, která musíme zohlednit. Občas děláme kalibraci na míru konkrétního zařízení – systém je napsaný obecně, ale kalibruje se podle hodnot z dané kogeneračky. Například proto, že v některých případech je hned před tou kogeneračkou ještě navíc nějaká spotřeba, než energie dojde do sítě.

Můj oblíbený příklad je vytápění městského bazénu v Mladé Boleslavi, kde musíme zohledňovat nejen teplo, ale i část elektřiny, která jde do provozu samotného bazénu.

Pokud chceš, můžu ještě text upravit, aby byl více formální, srozumitelný, nebo naopak volnější. Dej vědět!

Opravený text:

Výhoda je, že se to promění v nějakou elektřinu, kterou můžeme zpeněžit. To znamená, že jsou to data, na která se můžeme spolehnout, pokud je máme. Většinou je problém v tom, že je občas nemáme. Měření ze spousty zařízení nám například chodí až měsíc zpětně. Pokud tam není dostatečně kvalitní nebo dostatečně vysokourovňový elektroměr, může se stát, že třeba dostaneme data za měsíc srpen, ale co se děje s tím zařízením během září, nevíme. Jsme vlastně „slepí“. Musíme se tedy domýšlet, co se tam asi děje. Některá zařízení máme on-line měřená a jsme schopni přesně změřit jejich provoz, jinde měření nemáme a pak nás čeká poměrně komplikované modelování.

Když si představím váš „šelmostroj“, tak tohle jsou vstupy. Co je ten šelmostroj? Je to vlastně trading algoritmus, který nakupuje a prodává, nebo je to spojené ještě s těmi zdroji a tvoří tzv. „double feedback loop“, což je nejtěžší část. Nemáme automatický trading, vždycky jde o to, že při obchodování počítáme a dáváme doporučení. Například: „Teďka udělej tenhle obchod,“ nebo „Teďka zapni tuhle kogeneraci.“ Máme svůj dispatching, kde sedí dispečeři, kteří zároveň fungují jako tradeři a vyhodnocují naše signály. Naším úkolem je poskytnout jim informace „předkousané“ tak, aby s nimi dokázali rychle pracovat, vyhodnotit je a na jejich základě se rozhodnout.

Není to tedy tak, že bychom nesli veškeré riziko provozu, ale zároveň se už nemůžeme úplně schovávat, protože naše doporučení jsou často velmi jasná. Někdy to, co počítáme, přímo překládáme do příkazů pro zařízení, například v případě podpůrných služeb. Když přijde aktivační signál z ČEPSu a my víme, že za pět minut musíme dosáhnout stanoveného výkonu, máme API, které je opravdu kritické, které jsme napsali, a které dostane vstup – příkaz a stav těchto zařízení – a musí do minuty zajistit, aby zařízení dosáhla požadovaného výkonu na základě optimalizace, aby se co nejvíc přiblížila nominálnímu výkonu, za který dostáváme zaplaceno. Když toto selže, dostaneme velkou pokutu, protože pomáháme destabilizovat celý systém.

Tyto příkazy se pak přímo překládají do nějaké enterprise sběrnice, která fyzicky…

skrze náš nanobox vyšle sériový signál na zapnutí. Byl to zvláštní pocit, když jsme byli na exkurzi v jednom z našich zařízení a opravdu jsme vzali náš dispečerský systém, zapnuli ten stroj a bylo vidět, že na to reaguje. Že protéká přes deset rozhodovacích systémů a doputuje tam správný příkaz – to je věc, která se mi dřív třeba v modelování pojistného rizika vůbec nestávala.

Mám chuť se zeptat, jestli se ten systém nezneužíval třeba na prvních rande, nerozváděl náhodně věci… On je totiž docela problém dostat se na rande.

Jako nikdy do nějakého takového zařízení. Ale je pravda, že když jsme testovali třeba nový systém — to se nám stalo před pár dny — tak opravdu ve chvíli, kdy jsme dostali aktivaci, byla atmosféra v týmu nebo na dispečinku připomínající něco, co se děje v NASA při vypouštění raketoplánu. Všichni pozorovali svoje systémy, které měli na starost, a zjišťovali, jestli je všechno v pořádku při těch reálných ostrých testech. V tomhle si myslím, že to může být podobně náročné.

Chtěl bych se vrátit k vašim traderům a dispečinkům, protože to je jedna z věcí, která mě na tom celém fascinovala. Na jednu stranu jste taková klíčová kompetence, prostě rodinné stříbro firmy, a na druhou stranu cílem není kompletně automatizovaný systém, ale že tradeři tam mají vysokou pozici v systému a vy jste pro ně spíš podpůrnou organizací. To mi přišlo opravdu zajímavé.

Mám pocit, že data science jde dvěma směry: buď jde o lepší doporučení, lepší BI story — proč něco dělat a jak zvýšit třeba 3 % — nebo o úplně automatická produkční algoritmy, které třeba vyhodnocují modely a mění reklamní prostory programaticky. Zdá se, že vy stavíte něco, co je pro mě zajímavá budoucnost, a to je spolupráce AI, resp. velmi inteligentních agentů, s lidmi, která funguje obousměrně. To znamená, že lidé umí vyhodnotit, když problém lépe vyřeší stroj, a pošlou ho tam, a naopak. Jak vy nad tím přemýšlíte? Je to něco specifického právě pro energetický trading, protože tam jde opravdu o miliony? Nebo je to obecnější? Je to jako pojistka proti chybám, aby se něco nikdy nespustilo bez člověka? Nebo jak na to nahlížíte?

Já nad tím přemýšlím tak, že každý článek toho man-machine systému je na něco dobrý a snažíme se využít to, v čem jsou jednotlivé složky silné, a kombinovat je. Stroj je dobrý v tom, že vezme strukturovaná data a dokáže je syntetizovat způsobem, který člověk není schopen zvládnout v hlavě. Když máme portfolio asi 30 strojů, z nichž každý má trochu jiné omezení, jak může běžet, a my chceme poskytovat konstantní 20megawattové flexibilní pásmo, musíme je tak poskládat, aby to všechno fungovalo — což je úkol na složitou mixed integer optimalizaci, a v tom je silný stroj.

Zároveň když nám zavolá pracovník z nějaké elektrárny nebo provozu a uvede, že se děje něco neočekávaného, co model prostě neumí popsat, tak člověk dokáže mnohem lépe a efektivněji zareagovat na situaci, kterou stroj nepočítá. A to už nemluvím o tom, že některé systémy, které vstupují do energetického trhu, což je vlastně, jak jsme říkali, celá společnost, jsou tak k… (text pokračuje).

Samozřejmě, tady je opravený text s lepší gramatikou, interpunkcí a stylistikou:

Komplexní systém není v podstatě možné spolehlivě modelovat. Velkým vstupem je předpověď počasí, zejména proto, že jeden z největších zdrojů výkyvů v síti v současnosti představuje produkce větrných nebo fotovoltaických elektráren, která závisí na tom, jak právě fouká na konkrétním kopci a jestli tam zrovna není mrak. Každý meteorolog vám řekne, že predikovat to na takové mikrourovni je velmi obtížné a pravděpodobně se k tomu ani nikdy plně nedostaneme.

Tudíž je člověk schopen způsobem, který je velmi těžké konceptualizovat do AI, se rozhodnout nebo vyhodnotit situaci třeba na základě zkušenosti. Vývoj takového systému nebo komponenty by byl natolik náročný, že se do toho nechceme pouštět, a proto tam prostě vložíme vstup v podobě lidské predikce nebo lidské korekce. Člověk je totiž schopen, i když máme nějakou automatickou predikci, podívat se na její výsledek, říct, že je to nesmysl, a opravit to.

Snažíme se tedy kombinovat lidské vstupy dvěma způsoby: jednak tím, že člověk potvrzuje akce, které systém doporučuje nebo vyhodnocuje jako nejlepší, a jednak tím, že poskytuje řídicímu systému vstupy, které korigují jeho rozhodování. To znamená odhady situace, jak se bude vyvíjet, nebo i operativní data – proto se tomu říká dispatching. Protože nám například z bioplynky občas zavolají, že se jim porouchala škrticí klapka a že to má ne úplně triviální dopad na provoz zařízení.

Z toho vyplývá, že čím chaotičtější a méně předvídatelný systém je, tím větší smysl dává zapojit člověka, který je dostatečně univerzálně zkušený a je takový univerzální algoritmus sám o sobě. Souhlasíte s tím?

Je to také proto, že ze stejných důvodů, kvůli kterým je zajímavé pracovat s fyzickými věcmi, se v systémů objevuje mnoho neočekávaných situací z fyzického analogového prostoru. To znamená, že tam potřebujete člověka.

Kdybyste byli čistě v tradingu na burze, vstupy a výstupy máte nějakým způsobem uzavřené v blackboxu. Tady ale musíte řídit elektrárnu, kam reálně Karel a Mařenka přihazují uhlí, nebo naopak ekologicky spalují odpad ze zemědělství a družstev. Do značné míry je tak potřeba, aby byl člověk schopen adaptovat se na situaci, kdy se nemění jen stav systému, ale i zákonitosti, podle kterých funguje.

Když se podíváme na to, co se s energetikou stalo v posledních měsících – po vypuknutí války na Ukrajině – modely, které jsme měli dříve, jsme mohli pokud ne úplně zahodit, tak alespoň výrazně upravit. A to samozřejmě nějakou dobu trvá a nikdy to není stoprocentní. Lidský vstup ale dokáže mnohem lépe vyhodnotit, jakým směrem se situace bude pravděpodobně vyvíjet, zejména když i ostatní aktéři na trhu se nechovají zcela racionálně nebo podle pravidel.

Také je třeba vzít v potaz, že ani algotradingové systémy, kdybychom se o nich bavili,…

Pokud chcete, mohu vám pomoci s dalším pokračováním nebo úpravou textu!

Zde je opravený text s úpravou stylu, gramatiky a interpunkce pro lepší srozumitelnost:

O algotradingu, ale i ten má své limity. To znamená, že má třeba nějakou strategii, kterou je nutné neustále monitorovat a ověřovat, zda je stále relevantní, protože se může stát, že nezachytí nějaký datový vstup a v tu chvíli může během velmi krátké doby způsobit velkou ztrátu. Proto se snažíme vždy vyhodnocovat, která část systému potřebuje nějakou lidskou korekci. A ono to také přirozeně vyplývá z toho, jak se adaptujeme na různé situace — většinou začínáme s nějakým manuálním systémem a postupně nahrazujeme člověka tam, kde už není potřeba. Nakonec dorůstáme k jakémusi man-machine systému.

Pokud jde o nějaký nedávný příklad, který jste spustili, asi nejzajímavější je aktivace podpůrných služeb. Tam mluvíme o takzvané terciární regulaci, která funguje stylem on-off. V dřívějších dobách, nebo i dnes v některých zemích, to funguje tak, že dispečer obdrží pokyn z kontrolní instituce, například „připojte tam 15 MW“, a on si s sebou nosí papír, kde má napsané, koho má kontaktovat s pokyny k uvolnění daného výkonu. Tento proces je prakticky zcela založen na předem definovaných pravidlech. Význam člověka zde je téměř nulový, protože jakmile vstup přichází automaticky a je přesně definován regulací, systém může fungovat plně automaticky a člověk pouze monitoruje průběh.

Nasadili jsme tedy systém, který je plně automatický, ale zároveň má dostatečný interface pro člověka, který mu umožňuje vidět aktuální stav, monitorovat systém a v případě nějaké anomálie provést korekci. Například zařízení mělo naběhnout na výkon, ale kvůli špatnému vyčištění nebo přetopení, které senzor nezaznamenal, nenaběhlo. V takovém případě musí operátor ručně přidat toto zařízení, protože automatický systém nemá dostatek dat, aby situaci správně vyhodnotil.

Rád bych se nyní dostal k tomu, jak to vypadá po technické stránce. O Pythonu a Airflow jsi už mluvil a také o tom, jak stavíte ty pipeline. Jak si to mám představit jako celek? Máte celou produkci on-premises, nebo děláte všechno v cloudu? Co je u vás to „rodinné stříbro“, když o něm mluvíme?

Naše infrastruktura je hybridní, což znamená, že část máme v cloudu, hlavně ty věci, které potřebujeme škálovat. Většinou jsou to API, například v případu, který jsme zde diskutovali, kdy potřebujeme rychle reagovat na aktivační signál. To API píšeme jako Azure Function v Pythonu, která je zapojená do IT infrastruktury, má definovaný API kontrakt a sedí na určeném místě…

Pokud chcete, mohu pokračovat s opravou a úpravami zbytku textu.

Tady je opravený text:

Tranu vlastně spoustu těch náročnějších, složitějších výpočtů, které běhají dlouho, počítáme na on-premu, tedy na vlastním serveru, kde máme rozběhnutý Airflow jako orchestrátor a píšeme to v Pythonu nad relační databází. To znamená, že typicky ten proces načte nějaká data z databáze, provede kalkulaci a buď uloží data, která si pak načítá třeba nějaký řídící proces, nebo přímo zavolá nějaké API toho řídícího procesu a sdělí mu informace – například výsledek predikce nebo optimalizace.

Teď začínám chápat, proč si nemůžeš vynachválit, že tvůj datový tým má coding skills. Takže vy to vlastně takto pipeline stavíte a díky tomu vzniká ten produkt.

Nebo kolik věcí používáte open source a cizí a kolik je čistě pro vás?

No, z větší části je ta infrastruktura vyvinutá in-house. Samozřejmě používáme open source knihovny, to je úplně jasné, celý systém stojí na Pandasu, nemáme big data řešení, takže nepotřebujeme žádné Sparkové klastry. Tam, kde jsou dobré open source knihovny, třeba PVlib pro predikci fotovoltaiky, tak je samozřejmě moc rádi používáme.

To mě zajímalo – jestli jsou vlastně takhle specifické řešení pro energetický trh už dostupná a pro podobné typy problémů, nebo jestli je to unikát?

Pro počasí existuje neskutečně moc řešení. Obecně tam, kde je možné věci dělat v malém, „na koleně“ – což je případ, když má někdo třeba 10 fotovoltaických panelů – tam to existuje, protože je tam dostatečně velká uživatelská základna. Ale tam, kde je doménou několik velkých hráčů, což do značné míry byl doteď trh s flexibilitou, většina existujících řešení je téměř čistě proprietární.

To znamená, že i náš systém je sice založený na open source technologiích, ale samotné řízení, ty proprietární modely a podobně jsou vyvinuté in-house. Má to i výhodu v tom, že si udržujeme tu hodnotu u sebe. Nespoléháme na nějakého third-party vendora, který, kdyby zanikl, zanikne i naše hodnota.

Zároveň jsme zajímaví i pro potenciální budoucí investory, protože si nekoupí jenom lidi, kteří něco umějí, ale že tam je reálný produkt. Totiž vybudovaná infrastruktura, kterou je možné poměrně snadno přenést do jiné země, což je věc, na které teď hodně pracujeme, a do které je poměrně jednoduché připojovat další zákazníky.

To je skvělé. Dostáváme se tím i k robustnímu kódu. Říkala jsi, že vás je 15, máte nějaké rozdělení rolí? Jsou nějací čistě data scientisté, kteří řeší jen data, nebo by každý měl umět trochu od každého, aby byla větší nahraditelnost? Protože to musí fungovat 24/7, protože elektrárny taky fungují nonstop.

Já se na tu nahraditelnost snažím hodně klást důraz, právě z důvodu, který jsi zmínila. Nemůže se stát, že když kolega odjede na tři týdny na dovolenou, tak na tři týdny zahodíme nějaký zákaznický segment, kterému třeba rozumí. Nebo když se náhodou něco rozbije v nějakém segmentu našeho systému, musí existovat někdo další, kdo to umí vyřešit.

Zde je opravený text s úpravou gramatiky, interpunkce a stylu pro lepší plynulost a srozumitelnost:

který je schopný to opravit. A proto se snažím, aby každý člen toho týmu měl nějaké minimální programátorské dovednosti, ale zároveň třeba i minimální modelovací schopnosti, aby nebyl jenom čistý datový inženýr. Přitom je zcela samozřejmé, že v takovém týmu musí být specializace. Ta specializace se týká jednak skillů – řekněme datových. To znamená, že někdo je lepší na rychlou analýzu dat, vizualizaci, chápání problémů a jejich rozpadávání. Někdo je zase lepší na implementaci složitých optimalizérů. Ale k tomu přistupuje ještě druhá dimenze, která je tématická, protože máme spoustu různých typů zařízení, jednotlivé use cases a služby, které poskytujeme, a každá z nich je určitým způsobem specifická. Snažím se, aby v matici těchto dvou dimenzí vždy existoval v každém tom „chlívečku“ aspoň jeden člověk a alespoň jeden další, který tomu rozumí alespoň povrchově, aby ho byl schopný základně zastoupit. I když úplná nahraditelnost je samozřejmě nemožná a koneckonců i lidé neradi vidí, že ve všem, co dělají, jim někdo rozumí stejně jako oni sami – chtějí mít svůj status, to chápu.

Je tady spousta problémů, příležitostí a témat, ale když si představím práci vašeho týmu, tak kolik procent času vlastně zabírá engineering, protože musíte zase pečovat o ty pipelines. Je to produkční velká záležitost, říkáš robustní kód, což znamená jinou úroveň testování, nasazování do produkce, bezpečnost a další aspekty. Z toho by mi vyplynulo, že to bude spíše engineering-heavy. Na druhou stranu z toho, co říkáš, mám pocit, že to je také velmi data science-heavy. Řešíte nové, unikátní věci, děláte průzkum, vlastně nevíte, který model bude fungovat, zkoušíte různé přístupy a to je právě ta zajímavá, taková krémová práce, creme de la creme. Když se podívám na tvůj týden a priority, dá se to tam najít, nebo je to každý měsíc něco jiného, protože jste trochu jiná firma každý měsíc, když je tady Putin a globální výkyvy?

Oboje, co jsi popisoval, tam máme, a různí lidé v našem týmu mají různou chuť. Někdo je spokojený s tím, že má třeba 75 % práce věnované inženýringu, a někdo zase spíš díky svému skillsetu a zájmům dělá více čisté data science.

Já sám, když mám větší znalosti těch inženýrských věcí, ten krém rád přenechám někomu, kdo si ho víc užije, i když bych ho třeba zvládl udělat. Když to vezmu přes celý tým, tak inženýringu bude o něco více než polovina. To je významná část. Jinak o tom mluvím jako o „datařině“ a ne „data science“ záměrně, protože naše pozice se jmenují data analyst engineer, protože tam ten inženýring opravdu je. Jsem si vědomý toho, že na takovou práci se nehodí každý z data science světa, a snažil jsem se to všem, které jsem kdy nabíral, poměrně jasně komunikovat. Na druhou stranu si myslím, že tým tak, jak je…

Pokud chceš, můžu ti text opravit ještě do formálnější nebo stručnější podoby. Stačí říct.

K ho máme postavený, tak se skládá z lidí, kteří je baví nejen to, že nevyrobí jenom tu část, kde jim to vyjde hezky na papíře, ale že opravdu vidí, že to běží v produkci a reálně to ovlivňuje svět. Že můžou být u toho, ne jenom přidat něco inženýrovi na implementaci a pak se na to bezmocně koukat, ale že jsou schopni do těch věcí zasáhnout a vyladit je. To znamená neudělat jenom těch 80 %, ale skutečně těch 100 %, včetně potřeby vymyslet a napsat unit testy, promyslet, kdy se to bude spouštět, zvažovat, jestli implementace nebude zabírat moc paměti, aby to neskolabovalo, například když načítám čtyřelky minutových dat celého zákaznického portfolia — to prostě v produkci nemůže fungovat. A myslím si, že to není úplně pro každého, protože znám bývalé kolegy, data scientisty, kteří by do něčeho takového asi neradi šli. Ale mě osobně to baví a myslím si, že pro spoustu lidí je to ohromně naplňující.

Když se na to podíváme z čistě datového pohledu, co je na té práci fascinující — když zapomeneme na to, že opravdu spouštíš fyzické věci ve světě jako kód a měníš svět k lepšímu, snižuješ naši závislost na plynu — tak co jsou ta témata, která tě baví z pozice datového profesionála? Baví mě na tom to, že většina zákonitostí, které objevíme modelováním, má reálné vysvětlení. Když vidím nějakou závislost v modelu, má to reálný důvod. A když pak mluvím s člověkem, který má zkušenost s tím, jak zařízení opravdu funguje, vysvětlí mi, že je to proto nebo proto. Díky tomu jsem schopný modelem tuto věc zachytit automaticky, takže není potřeba každou půl hodinu tomu člověku volat — model funguje sám.

Na druhou stranu to znamená, že jakmile v reálném světě nastane nějaká anomálie, může to model narušit nebo dokonce zcela znehodnotit. Proto se snažíme modely stavět robustní, aby bylo dobře vidět, co dělají, a aby byly neustále měřené, měly sledovatelnou přesnost, byly zpětně vysledovatelné z hlediska rozhodování a interpretovatelné. Málo kde máme model striktně jako black box. Vždycky se snažíme, i za cenu menší výkonnosti nebo o pár procent nižší prediktivní přesnosti, preferovat model, který je vysvětlitelný. Protože zákonitosti se mohou příští měsíc změnit, a v tu chvíli black box zahodíš. Naproti tomu u vysvětlitelného modelu můžeš říct: jasně, to nás nějak neovlivní, nebo ovlivní nás to tímhle způsobem a tady potřebujeme přidat něco dalšího.

To říkáš teď obecně. Co to znamená v reálném světě? Jakože na jednu stranu každý tady můj host řekne, jo, mě…

Jistě, tady je opravený text:

Chtěli byste měřit modely co nejčastěji a mít continuous delivery.

To je hezké, chápu, že u vás je to důležitější, ale co jsou ty věci, které máš dělat, a které vlastně nemusíš, přestože se říká, že je máš dělat? Co jsou pro tebe ty důležité části, aby tohle fungovalo? Když říkáš robustní kód, jak se staví robustní kód? Robustní infrastruktura. Neřežete zkratky, takže neděláte nic po lopatě, ale pořád to děláte opravdu správně a akademicky, nebo to vlastně není ono? Kde je to, co hledáš? Řezat rohy můžeš asi, když víš, kde, když si vědom toho, že děláš nějaké zjednodušení, a jsi si poměrně jistý, že ti to bude fungovat, že je to smysluplná aproximace. To samozřejmě děláme, protože jinak bychom se nikdy nedobrali konce. Jsou věci, které z toho, co jsem jmenoval, nám nejdou úplně dobře. Třeba co se týče měření přesnosti modelů, tak máme pořád co zlepšovat.

Na druhou stranu jsem hrdý na to, že máme modely, které se kontinuálně retrainují, což byl doteď často velký problém, ale my to od začátku stavíme tak, aby se ty modely v rámci produkční pipeline natrenovaly a rovnou vyrobily predikci. Takhle se to snažíme stavět i za cenu toho, že to trvá o něco déle vytvořit a je o něco složitější sledovat, co se tam děje. Hlavní ukazatel, který sleduji, je, jak moc manuální práce to lidem ušetří. Protože firma je teď v momentě, kdy potřebujeme hodně rychle škálovat. Tým před rokem, kdy jsem nastupoval, měl čtyři lidi, teď má asi patnáct. Před rokem jsme měli jednu zemi a jeden produkt, teď máme tři produkty a čtyři země. Chceme, aby to dál takhle dynamicky rostlo.

Podle mě je důležité, když se bavím se svým týmem, říct: „Proč tohle děláš ručně, když to tam nezahrneš do systému?“ Není to v pohodě, že něco zadáváme jednou za týden? Ne, není, protože dřív nebo později to povede k pěti různým věcem, které je potřeba řešit, a k nějaké operativě, která ti vezme čas a nezbude ti čas posouvat systém dál.

To znamená, že hodně hodnotím, aby systém sám byl schopný se do značné míry diagnostikovat, aby neměl potřebu neustálého dozoru, ale aby sám řekl, když narazí na nějakou podivnou věc – ať už podivnou predikci nebo podivný vstup.

A co to znamená v praxi? Vždycky, když spouštím nový model, mám benchmarking a podobné kontroly nastavené. Či je tam seznam věcí, které se kontrolují, nebo to prostě děláš pořádně? Jsou čtyři věci, které ví každý a je potřeba na ně nezapomenout. Nejde o žádnou raketovou vědu.

První je pořádná kontrola vstupních dat a kontrola integrity. A jak to děláš? Co pro tebe znamená? Je to nějaký proces? Když píšu třeba nějakou optimalizaci, mám ji napsanou třeba ve 40 řádcích kódu, ale předtím je 80 řádků, které jen kontrolují…

Pokud chceš, můžu text ještě více upravit, zpřehlednit nebo rozdělit do odstavců. Stačí říct.

Jestli do té optimalizace opravdu vstupují data, která vyhovují daným podmínkám. A v případě, že ne, tak se zobrazí nějaký warning, který analytikovi třeba přijde e-mailem. Ten si může najít dočasné řešení, které umožní, aby systém neklesl okamžitě, protože když se problém objeví o víkendu, je to problém. Ale systém by měl být schopný se z toho zotavit, upozornit na problém a nahlásit ho, zároveň ale nesmí hlásit varování neustále kvůli každé maličkosti. Je potřeba dobře nastavit detekční práh, tedy co je relativně normální, i když třeba momentálně těm pravidlům úplně nevyhovuje — například v případě, že se nedodržuje nějaká operační podmínka typu zařízení, kterou máme zadanou v datech, ale víme, že ji můžeme v určitých případech tolerovat. Takže nebuďme líní a zapišme to tam i za cenu toho, že to bude stát další den práce navíc, abychom v produkci nedostávali každý den e-mail s desítkami problémů, ale fakt jen jeden, který skutečně vyžaduje řešení.

To je super, a líbí se mi, jak velká část vaší práce se týká dodavatelů energie. Řešíte problémy i na druhé straně, například v oblasti predikce poptávky a trhu? Nebo se spíš soustředíte na to, kde máte svou specializaci, tedy na nový trh energetické flexibility, energetický trh? Na trhu jsou velcí hráči, kteří investují hodně peněz do predikování a modelování, berete některé služby od nich?

V některých případech ano. Některé segmenty našeho portfolia děláme jednoduše a spoléháme se na externí služby. Tam, kde je nutné dělat věci v menším rozsahu, třeba kvůli řízení rizik, musíme mít v portfoliu nějaký systém…

Jako příklad třeba těžbu kryptoměn?

No tak…

Vlastně tedy nemáte vlastní monitoring trhu s kryptoměnami, ale považujete to za přenesenou funkci a zjistili jste, že kurzy kryptoměn jsou dobrým vstupem do vašeho modelu?

Ano, přesně tohle je příklad, kde je to na straně zákazníka a my se od toho odizolujeme tím, že zákazník nám posílá informaci, že za hodinu provozu je schopen vytěžit určitou částku.

Takže to řeší oni a vy už jen optimalizujete spotřebu elektřiny s ohledem na to, kolik je možné na těžbě kryptoměn vydělat, pokud vezmeme konkrétně tento případ. Obecně, když se bavíme o zařízeních, která máme, většinou jsou to výrobní zařízení. To znamená, že pokud zákazníkovi dáte na rok fixní cenu, což je typický způsob fungování v energetice, resp. alespoň donedávna, teď ale dochází k výraznému posunu právě ke spotovému nacenění, protože cenové pohyby jsou tak výrazné, že je systém začíná těžko zvládat. Typickým způsobem, jak se proti pohybům cen bránit, bylo například v kombinaci s výrobou… (text pokračuje).

Zasmluvit nějakou spotřebu, takže ve chvíli, kdy ceny jdou nahoru, nebo když začínáš výrobu, tě hlavně zajímá, že ve chvíli, kdy ceny jdou dolů, sice tratíš na výrobě tím, že prodáváš elektřinu levněji, než jsi nabídl zákazníkovi, ale na druhé straně máš spotřebu, kde jsi schopný elektřinu pro své zákazníky nakoupit levněji, takže si vyrovnáváš rizika.

To je věc, kterou má zvláštní riskový tým, kde je i nějaká datařina, ale spíš jako malá část, a oni to dělají. Takže je tam určitá součinnost, ale není to něco, co by se vymykalo běžným standardům. Určitě tam máme kolegy, kteří dělají obrovsky důležitou práci.

Super, chápu. Jaké vidíš další datové věci v energetice nebo technologické příležitosti kromě flexibility? Kdybyste teď nedělali tohle, tedy řízení dodavatelů z velké části, kde jsou další technologické příležitosti? Mluvil jsi hodně o blackoutech. Mám pocit, že dlouho to nebyla obava, ale poslední dva roky tu máme blackout z Německa jako téma a skutečnou přípravu na něj. Dá se s tím něco dělat? Kde jsou ještě další témata?

Chápu, děláte jednu část. Co se s energetikou bude dít dál? Smart gridy a další věci. Mám pocit, že i kdybychom měli fyzickou infrastrukturu (což zatím nemáme), tak právě softwarová řídicí, organizační, domlouvací a politická stránka věci představuje obrovské množství práce, která zatím není vyřešená. Je to tak? Tady je opravdu obrovský prostor.

Setkáváme se s tím, že regulace jde jednoduše dvě míle za technickými možnostmi, ale vlastně to je to, co určuje možnosti pokroku. Důvod, proč se teď rozvíjíme, je právě ten, že v některých oblastech regulace trochu chytla dech a udělaly se věci, které byly potřeba. Otevřely trh tak, aby se na něm mohli racionální aktéři podílet na stabilizaci, místo aby to byla úloha nějaké centrální autority, která by to nedělala efektivně, protože třeba nemůže získat dostatečný talent.

Kromě řízení flexibility na úrovni celé sítě a její stabilizace vidím jako velkou výzvu také lokální sdílení elektřiny. To znamená například komunitní energetiku – v nějaké vesnici mají kotel na biomasu, protože tam mají zemědělské družstvo a biomasy produkují hodně. K tomu mají sousedé tři čtyři solární panely na střeše a chtějí si elektřinu navzájem sdílet a koordinovat to v lokální síti tak, aby byli méně závislí na výkyvech celé sítě a třeba i na dovozu surovin ze zahraničí, což je téma, které aktuálně výrazně řešíme.

Tahle komunitní energetika je podle mě další velká výzva. Naše přidružená sesterská společnost Nanogreen se tímto směrem hodně snaží jít tím, že vytváří platformu pro sdílení energetických zdrojů a na úrovni domácností… [text pokračuje].

Zde je opravený text:

Cností my to řešíme na úrovni, řekněme, průmyslových zdrojů, které poskytují nějakou velkou kapacitu pro nás – zdroje, které dávají smysl, jsou například jako 100 kW a víc, což běžná domácnost prostě nemá, ani co se spotřeby, ani výroby týče. Ty špičky fotovoltaiky na baráku mají několik kW, ale právě budoucnost potřebuje natáhnout tu flexibilitu i na tuto úroveň. To znamená, že mám třeba za sousedem zapojené elektroauto, které můžu dobíjet, když zrovna svítí slunce. A všechny tyto systémy se mezi sebou musí nějak domluvit decentralizovaně, což je podle mě další velká výzva energetiky do budoucna.

Tak děkujeme, že na ní s tvými kolegy pracujete a posouváte nás k lepším zítřkům. Nakonec hledáš někoho do týmu, jak to teď máte? Obvykle takové věci neříkám, ale teď jsem zamilovaný. Pořád máme otevřené pozice pro lidi, kteří jsou seniorní a kteří umějí pracovat s kódem – Pythonisty pořád hledáme. Nejraději bychom ale měli někoho, kdo už má nějaké zkušenosti s energetickými trhy. Problém je, že takoví lidé jsou jako jednorožci. Tím, jak je trh specifický, nebo vlastně my jsme takový zvláštní subjekt na energetickém trhu, tak lidí, kteří tomu rozumí, je opravdu málo. Po krátkém období, kdy jsme se snažili takové lidi najít nebo přetáhnout, jsme pochopili, že jich rozhodně nebude tolik, abychom je mohli škálovat, takže potřebujeme znát věci vlastními silami. Jdeme primárně cestou vytrénovat vlastní talenty – vlastně vzít lidi, kteří jsou dobří dataři, a naučit je energetiku. Ale stále platí, že pokud někdo přijde zvenku s uživatelskými zkušenostmi z této oblasti, je to pro nás velké plus. Takže pokud jsi energetik a slyšíš to, lze říct, že máme zájem.

Poslední otázka: co vás teď čeká? Co je další velká věc? Nebo je to zatím byznys jako obvykle, tedy jen opravovat, co se letos stalo, a obnovovat modely, které máme?

Teď jsme ve fázi velkého rozšiřování toho, co děláme. Výzvou pro náš tým je naučit se odhadovat odchylky některých neflexibilních zařízení, třeba fotovoltaik, v reálném čase. Ne dopředu, ale přímo v reálném čase, třeba na základě měření z pyranometru. Pak je tu flexibilita – to znamená, že tam musí být predikční model, který se musí promítnout do určitého místa v našem optimalizačním enginu.

Dále probíhá expanze napříč zeměmi; každá země má trochu jiné produkty a odlišná omezení, co se týče toho, jaké služby lze poskytovat, jak funguje odměňování a sankcionování za odchylky.

Třetí věc, do které chceme proniknout, je segment trhu s podpůrnými službami. Dosud poskytujeme tzv. službu MFRR (Manual Frequency Restoration Reserve), což funguje stylem zapnout a vypnout: třeba „dej mi teď 20 MW“, což znamená, že podle nějaké rampy navýšíme výkon z nuly na 20 MW a pak to zase vypneme. Chtěli bychom se naučit poskytovat službu dynamického, plynulého řízení výkonu, kdy musíme predikovat zařízení a…

Pokud budete chtít, mohu pomoci text i dále upravit nebo rozdělit na odstavce.

Tady je opravený text:

ení, jak bude vypadat jeho výkon za dvě minuty. To znamená, že ještě půjdeme výrazně hlouběji do toho real-time, a budeme potřebovat něco, co bude vlastně jednoduché, ale ne „blbé“, a bude schopné reagovat na vývoj v reálném čase, protože to je produkt, který je na trhu s podpůrnými službami daleko zajímavější a daleko výnosnější. Tak držím moc palce. Ještě jednou děkuju, Jan Šimbera. Díky moc. Díky, že jste doposlouchali Data Talk až sem. Jak se vám tahle epizoda líbila? Co byste na našem podcastu zlepšili? Koho pozvat příště? Dejte mi prosím vědět, co si myslíte. A to můžete buď osobně na příštím Data Mesh Meetupu, nebo hned teď na mail jirka@datatalk.cz. A pokud se vám tahle epizoda líbila, doporučte ji prosím dál. Klikajte na srdíčka, na hvězdičky, dávejte subscriby, ať nám svítí dashboardy zeleně, křivky dělají hokejku a všichni stakeholderi schvalují extra budget. Ještě jednou vám děkuju. Poděkování patří také mým kolegům, Nikovi a Iris, stejně jako členům našeho partnerského klubu – Big Hubu, Deep Note, Atakamě a Mantě. Pokud máte návrhy, nějaké tipy na hosty či témata, děláte vlastní event nebo byste chtěli datovou komunitu podpořit jinak, určitě mi dejte vědět. Díky. Nechť vás provází data.

Pokud chcete, mohu vám ještě pomoci s úpravou stylu nebo další korekturou.