Pompy ciepła i sztuczna inteligencja: para idealna? Stara potrzeba, nowe narzędzia
Pompy ciepła i sztuczna inteligencja: para idealna? Stara potrzeba, nowe narzędzia
Potrzeba ciepła zimą i chłodu latem towarzyszy ludziom od tysięcy lat. Pompa ciepła zapewnia jedno i drugie, korzystając z dojrzałej, sprawdzonej technologii. Sztuczna inteligencja (ang. artificial intelligence, AI) jest natomiast dziedziną młodą i w wielu obszarach wciąż eksperymentalną. Czy te dwa światy mogą się sensownie połączyć?
Data publikacji: 2026-11-10
Data aktualizacji: 2026-11-10
Odpowiedź na to pytanie brzmi „tak”, choć wymaga kilku zastrzeżeń. Pompa ciepła przechodzi długą drogę: od zaprojektowania i produkcji, przez dobór i montaż w budynku, aż po uruchomienie, wieloletnią pracę i serwis. Na każdym z tych etapów można coś usprawnić, także za pomocą różnych form sztucznej inteligencji. Często jednak pod hasłem „AI” kryją się zupełnie inne rozwiązania, a samo pojęcie służy jako modne hasło marketingowe. Ten artykuł pokazuje, gdzie rzeczywiście stosuje się AI i jak bardzo różni się stopień dojrzałości rynkowej poszczególnych zastosowań.
Co właściwie oznacza „inteligencja”
O prawdziwej sztucznej inteligencji można mówić wtedy, gdy system uczy się na podstawie doświadczenia, rozpoznaje wzorce, których nikt wprost nie zaprogramował, i potrafi dostosować się do nowych sytuacji. Większość takich systemów opiera się dziś na uczeniu maszynowym (ang. machine learning), czyli metodach, dzięki którym komputer sam uczy się na podstawie danych. Uczenie maszynowe nie jest więc synonimem AI, ale jej najważniejszą dziś odmianą.
Wiele systemów reklamowanych jako „inteligentne” działa jednak według sztywnych reguł. Wykonują one z góry zaprogramowane polecenia, na przykład podnoszą o stałą wartość temperaturę zasilania (czyli temperaturę wody płynącej do grzejników lub ogrzewania podłogowego), gdy temperatura zewnętrzna spadnie poniżej określonego progu. Takie sterowanie to automatyka, a nie uczenie maszynowe.
Różnica między tymi podejściami jest zasadnicza. Systemy oparte na regułach działają według z góry określonej logiki. Systemy uczące się same wychwytują zależności w danych i mieniają swoje działanie bez programowania każdego kroku.
Od projektu do serwisu
Kolejne części artykułu omawiają tę drogę krok po kroku, od producenta aż po wieloletnią pracę urządzenia w budynku. Przy każdym z etapów widać, jakie zastosowania AI już istnieją, które dopiero powstają w ośrodkach badawczych, a gdzie to pojęcie służy wyłącznie marketingowi.
1. Projektowanie i produkcja
Zanim pompa ciepła opuści fabrykę, przechodzi wiele kroków: od zaprojektowania komponentów, przez produkcję poszczególnych części, aż po złożenie urządzenia i kontrolę końcową. Na każdym z nich można coś poprawić, czy to dzięki lepszej konstrukcji, wydajniejszej produkcji, czy bardziej niezawodnej kontroli jakości.
Przy projektowaniu urządzenia chodzi o to, by wydobyć z komponentów jak najwięcej. Zwłaszcza w przypadku wymienników ciepła i sprężarek konstruktorzy szukają idealnego kształtu. Wymienniki powinny przekazywać jak najwięcej ciepła, a jednocześnie stawiać jak najmniejszy opór przepływającemu powietrzu lub wodzie. Sprężarki z kolei powinny sprężać czynnik chłodniczy z jak najmniejszymi stratami. Tylko wtedy pompa ciepła pracuje z najwyższą efektywnością i zużywa mało prądu. Aby zbliżyć się do tego ideału, inżynierowie muszą sprawdzić niezliczone kombinacje kształtów i kątów. Tradycyjnie opierają się przy tym na wieloletnim doświadczeniu i krok po kroku sprawdzają kolejne warianty w symulacjach komputerowych, aż uzyskają zadowalający wynik.
Pomocne mogą być tu metody uczenia maszynowego. Algorytmy analizują wyniki setek tysięcy symulacji i szukają w nich zależności, na które człowiek, kierując się intuicją, mógłby nie wpaść. Potrafią też zamienić wyniki tak wielu obliczeń w jeden prosty wzór, który potem pozwala błyskawicznie oszacować wynik dla nowego przypadku. Fachowo nazywa się to regresją symboliczną. Naukowcy z Politechniki Federalnej w Lozannie (EPFL) wykorzystali to podejście do szybkiego doboru wymiarów nowego rodzaju bardzo małych, wydajnych sprężarek do pomp ciepła. Uzyskane wzory dają wynik około 1500 razy szybciej niż szczegółowe obliczenia. Zastosowanie tych sprężarek zamiast dzisiejszych rozwiązań może natomiast obniżyć zapotrzebowanie pompy ciepła na energię elektryczną o 20–25 procent. Opisane metody coraz częściej trafiają do prac badawczo-rozwojowych.
W produkcji AI wykorzystuje się przede wszystkim do kontroli jakości. Mikropęknięcia w połączeniach lutowanych, odchylenia w położeniu czujników czy nieregularności w wymiennikach ciepła trudno dostrzec gołym okiem, a mogą skrócić żywotność urządzenia. Systemy rozpoznawania obrazu, wytrenowane na tysiącach opisanych przykładów, wykrywają takie wady skuteczniej niż pracownicy kontroli jakości. W nowoczesnej produkcji przemysłowej to już standard.
Fot. Materiały Prasowe Groupe Atlantic Polska
2. Dobór urządzenia
Zanim pompa ciepła zostanie zamontowana, trzeba dobrać jej moc. Ile ciepła potrzebuje dany budynek? Od odpowiedzi na to pytanie zależy powodzenie całej instalacji.
Badania terenowe pokazują (zob. odcinek 2), że dobór zbyt dużej pompy ciepła (przewymiarowanie) jest częstym problemem. Gdy zainstalowana moc wyraźnie przekracza rzeczywiste potrzeby, urządzenie często pracuje tylko z niewielką częścią swojej mocy albo co chwilę się włącza i wyłącza (fachowo nazywa się to taktowaniem). Może to obniżać efektywność i przyspieszać zużycie.
Przyczyn takiego stanu rzeczy jest kilka. Obliczenia według norm zakładają warunki, które występują tylko przez kilka godzin w roku. Do tego trudno przewidzieć, jak mieszkańcy będą faktycznie korzystać z ogrzewania. W efekcie obliczone zapotrzebowanie na ciepło rozmija się z rzeczywistym. W Polsce dochodzi jeszcze jeden czynnik, ponieważ wartości temperatury zewnętrznej przyjmowane do obliczeń mają około pół wieku i nie odpowiadają już obecnemu klimatowi.
Pomóc mogłyby tu systemy uczące się na doświadczeniach z tysięcy działających instalacji. Mogłyby one trafniej wskazywać, jaka moc i konfiguracja pompy ciepła sprawdziły się najlepiej w podobnych budynkach. Modele oparte na danych z praktyki uzupełniałyby obliczenia według norm, a nie je zastępowały.
Fot. Materiały Prasowe Bosch
Co jest sprzedawane jako AI, choć nią nie jest
Większość „konfiguratorów AI” na stronach producentów to w rzeczywistości cyfrowe narzędzia doboru oparte na normach i bazach danych. Są przydatne i oszczędzają czas, ale niczego się nie uczą. Użytkownik wprowadza dane, system wyszukuje pasujące informacje i na tym proces się kończy. To cyfrowy katalog produktów z wygodną wyszukiwarką, a nie sztuczna inteligencja.
3. Montaż
Na etapie montażu wciąż zdarzają się błędy, które obniżają późniejszą efektywność i powodują niepotrzebne koszty.
Prawdziwe zastosowania AI na tym etapie są rzadkie. Większość „inteligentnych” narzędzi wspierających montaż ogranicza się do cyfrowych list kontrolnych albo instrukcji w rozszerzonej rzeczywistości (technice, w której cyfrowe wskazówki pojawiają się na ekranie tabletu lub w specjalnych okularach, bezpośrednio na tle montowanego urządzenia). To systemy oparte na regułach, które nie potrafią się uczyć.
Projekty badawcze sprawdzają rozwiązania samouczące się. W duńskim projekcie CEDAR powstaje system, który na podstawie danych pomiarowych tworzy wirtualny model instalacji, tak zwanego cyfrowego bliźniaka. Następnie sam, metodą prób i oceny skutków, szuka najlepszych ustawień pompy ciepła. Fachowo nazywa się to uczeniem przez wzmacnianie (ang. reinforcement learning). Celem jest rozwiązanie typu „zainstaluj i zapomnij”, przy którym po montażu nie trzeba niczego ręcznie dostrajać, także w już działających instalacjach. Zuryski Uniwersytet Nauk Stosowanych (ZHAW) prowadził z kolei projekt dotyczący automatyzacji uruchamiania pomp ciepła.
Obecnie o jakości instalacji wciąż decyduje przede wszystkim staranna praca dobrze przeszkolonych instalatorów.
4. Uruchomienie
Po montażu trzeba odpowiednio skonfigurować regulację pompy ciepła. Najważniejszym parametrem jest tak zwana krzywa grzewcza. Określa ona, jaka powinna być temperatura zasilania przy danej temperaturze zewnętrznej. W praktyce krzywą ustawia się zwykle raz, przy uruchomieniu, i później już się jej nie zmienia, choć powinno się ją sprawdzać i w razie potrzeby korygować.
Problem polega na tym, że krzywa grzewcza często już od początku nie jest ustawiona optymalnie, najczęściej zbyt wysoko i zbyt stromo. Oznacza to, że temperatura zasilania jest wyższa, niż wymaga tego budynek, a przy spadku temperatury na zewnątrz ta różnica jeszcze rośnie. Instalatorzy ustawiają bowiem krzywą zwykle z zapasem, aby mieszkańcom na pewno nie było zimno. W efekcie pompa ciepła przez większą część sezonu pracuje z zawyżoną temperaturą zasilania, co obniża jej efektywność.
Do tego budynki się zmieniają. Nowe okna wpływają na zapotrzebowanie na ciepło, kolejni mieszkańcy mają inne przyzwyczajenia, a materiały budowlane z czasem się starzeją. Raz ustawiona krzywa grzewcza nie dostosowuje się do tych zmian automatycznie.
W tym przypadku badania pokazują, że „prawdziwa” AI może realnie pomóc. Sieć neuronowa (rodzaj programu, który uczy się na podstawie danych) obserwuje budynek przez kilka dni. Rejestruje, jak szybko wychładzają się pomieszczenia, jak mocno nagrzewa je słońce i kiedy pracuje ogrzewanie. Na tej podstawie uczy się, jak budynek zachowuje się pod względem cieplnym, bez potrzeby wprowadzania do niej wzorów z fizyki budowli.
Dzięki temu system może sterować z wyprzedzeniem. Przewiduje popołudniowe zyski ciepła od słońca, rozpoznaje powtarzające się schematy korzystania z budynku i odpowiednio dostosowuje ogrzewanie.
W projekcie AI4HP niemiecki instytut Fraunhofer ISE wraz z partnerami z przemysłu i nauki stworzył i przetestował taki samouczący się regulator. W symulacjach pozwolił on zaoszczędzić od 5 do 13 procent energii w porównaniu ze standardową krzywą grzewczą, a jednocześnie poprawił komfort. Pierwszy, tygodniowy test w rzeczywistym budynku potwierdził działanie regulatora.
Wiele systemów określanych jako „samouczące się” opiera się jednak wyłącznie na przyzwyczajeniach użytkownika. System zapamiętuje, kiedy użytkownik ręcznie zmienia temperaturę, i powtarza ten harmonogram. To funkcja znana z programowalnych termostatów, a nie wykorzystanie sztucznej inteligencji.
5. Eksploatacja
W codziennej pracy pompy ciepła coraz częściej stosuje się sterowanie, które korzysta z matematycznego modelu budynku. Na jego podstawie system z wyprzedzeniem oblicza, jak zmiany w pracy ogrzewania wpłyną na temperaturę w pomieszczeniach. Fachowo takie podejście nazywa się sterowaniem predykcyjnym opartym na modelu (ang. Model Predictive Control, MPC).
MPC pozwala optymalizować pracę pompy ciepła, na przykład uwzględniać ceny energii elektrycznej i lepiej wykorzystywać prąd z własnej instalacji fotowoltaicznej. To jednak dopiero najprostsze zastosowanie. Znaczenie tej metody będzie rosło w miarę, jak pompa ciepła będzie coraz ściślej współpracować z innymi urządzeniami w domu, takimi jak magazyny energii czy samochody elektryczne. Trzeba będzie wtedy zgrać ze sobą pracę wielu urządzeń, ceny prądu i potrzeby mieszkańców, a do tego MPC nadaje się szczególnie dobrze.
W badaniu przeprowadzonym w niskoenergetycznym budynku biurowym w Niemczech takie sterowanie obniżyło w tygodniowym teście koszty energii o 40 procent. Pompa ciepła pracowała głównie wtedy, gdy prąd był tani, a ciepło gromadziła na zapas w zbiorniku. Według przyjętego w badaniu wskaźnika jej praca była przy tym o 13 procent korzystniejsza dla sieci elektroenergetycznej. Efektywność samej pompy ciepła (COP) spadła natomiast z 7,6 do 6,0, bo ciepło trzeba było magazynować w wyższej temperaturze. Opłaca się to wyłącznie przy taryfie, w której cena prądu zmienia się w ciągu doby.
Nie jest to jednak sztuczna inteligencja w ścisłym znaczeniu, lecz optymalizacja matematyczna. System nie „uczy się” na podstawie doświadczenia. Oblicza najlepsze rozwiązanie na podstawie równań, które wcześniej ustalił inżynier. Metoda ta jest stosowana w przemyśle od lat 80. XX wieku i od dawna się sprawdza.
Nie umniejsza to jej przydatności. Kto chce zrozumieć, gdzie prawdziwa AI ma realne znaczenie, powinien znać tę granicę. Optymalizacja wyznacza najlepsze rozwiązanie w ramach znanych reguł. AI z definicji ma odkrywać reguły, których wcześniej nikt nie znał.
W przyszłości granica ta będzie się jednak zacierać. Przygotowanie dokładnego modelu każdego budynku jest pracochłonne, dlatego badacze pracują nad tym, aby zastąpić go modelem, którego system uczy się sam na podstawie danych pomiarowych. Na tej zasadzie działa opisany wcześniej regulator z projektu AI4HP. Połączenie sterowania predykcyjnego z uczeniem maszynowym jest już wykorzystaniem AI, a jego znaczenie będzie rosło wraz z liczbą urządzeń, które trzeba ze sobą zgrać.
Skomentuj
