Każdy procent w BESS ma znaczenie. Jak dane pomagają wykorzystać potencjał magazynów energii?

Dane z magazynów energii BESS

W poprzednich artykułach – jednym nakreślającym działanie i rynek magazynów BESS oraz drugim o usługach sieciowych i handlu energią – przyglądaliśmy się budowie magazynów energii, rynkom, na których mogą pracować, oraz platformom potrzebnym do zarządzania takimi instalacjami. Tym razem warto przyjrzeć się nieco mniej widocznym elementem całego przedsięwzięcia – czyli danym. Na pierwszy rzut oka sprawa wydaje się prosta: skoro magazyn BESS ma określoną moc i pojemność, a jego system sterowania pokazuje przykładowo stan naładowania baterii, to przecież wiadomo, ile energii mamy jeszcze do dyspozycji. No właśnie – niekoniecznie.

Z punktu widzenia właściciela magazynu najważniejsze nie jest to, ile energii zapisano na tabliczce znamionowej, lecz ile można jej rzeczywiście dostarczyć do sieci w określonym czasie, z jaką mocą przy zachowaniu warunków gwarancyjnych. Dla operatora systemu ważne zaś będzie, czy energia pojawi się dokładnie wtedy, gdy jest potrzebna. Te dwie perspektywy spojrzenia spotykają się przy analizie danych: pomiarowych, operacyjnych, historycznych i rynkowych. Od ich jakości zależy, czy będziemy wykorzystywali realne możliwości BESS, czy tylko zarządzali ich mniej lub bardziej dokładnym przybliżeniem.

Stan naładowania baterii – wskaźnik prosty tylko z pozoru

Zacznijmy od najbardziej znanego parametru, czyli SoC (State of Charge). W uproszczeniu określa on stan naładowania baterii w procentach względem przyjętej pojemności odniesienia. Gdy na kokpicie operatora pojawia się wartość 60%, intuicyjnie odczytujemy ją tak, jak stan poziomu paliwa w samochodzie czy stanu baterii w telefonie: mamy jeszcze 60% zapasu. Nie jest to jednak do końca tak samo jednoznaczne – w baterii nie da się po prostu włożyć sondy i zmierzyć ilości pozostałej energii tak, jak mierzy się poziom cieczy w zbiorniku. Dodatkowo, z puntu widzenia np. usług sieciowych znacznie bardziej wartościowa jest rzeczywista wartość energii, którą magazyn może przyjąć lub oddać (w MWh, a nie w %).

Typowy BMS (Battery Management System) wyznacza SoC na podstawie pomiarów napięć, prądów i temperatur oraz odpowiednich modeli. Jedną z metod jest tzw. zliczanie ładunku (coulomb counting), czyli sumowanie prądu wpływającego do baterii i wypływającego z niej. Działa to całkiem dobrze, ale pomiary mają swoje błędy, a te potrafią się kumulować. Korekta na podstawie napięcia również ma ograniczenia – szczególnie w popularnych dziś ogniwach litowo-żelazowo-fosforanowych (LFP), dla których charakterystyka napięcia w szerokim zakresie naładowania jest stosunkowo płaska i łatwo o błąd. Niewielka różnica napięcia nie daje więc zawsze jednoznacznej odpowiedzi, ile energii pozostało w ogniwie.

Firma ACCURE, zajmująca się niezależną analityką baterii, wskazuje na bazie zebranych danych, że błędy estymacji stanu baterii w instalacjach LFP mogą osiągać około ±15%., a w wybranych przypadkach są jeszcze większe. Istnieją modele fizyczne i zaawansowana analiza danych pozwalające ograniczyć ten błąd do poziomu poniżej ±2%. Często jednak wiąże się to z procedurą „resetu BMS” wymagającą pełnego cyklu rozładowania i ładowania baterii, nie zawsze możliwej w kontekście planu pracy baterii.

SoC, SoH i energia rzeczywiście dostępna

Pora na następny element tej układanki. Stan baterii (SoC) nie pokazuje nam jeszcze pojemności, którą mamy do dyspozycji. Z czasem ogniwa się starzeją i ich zdolność do magazynowania energii ulega zmianie; wielkość tę opisuje między innymi wskaźnik SoH (State of Health) – czyli stan zdrowia baterii. Wartość tej degradacji stanowi często element podpisanej umowy z dostawcą. Nawet jeżeli dwa moduły pokazują identyczne 60% SoC, nie musi to oznaczać, że zawierają taką samą ilość energii. Jeden może mieć niższą pojemność rzeczywistą, inny pracować w niekorzystnej temperaturze albo mieć ograniczoną moc wynikającą z zabezpieczeń lub nadchodzącego cyklu balansowania.

Do tego dochodzą ograniczenia całego systemu: dopuszczalne okno pracy SoC, sprawność przekształtników PCS, potrzeby własne chłodzenia i ogrzewania, ograniczenia transformatorów oraz dostępność poszczególnych kontenerów i modułów. W konsekwencji coraz częściej obok SoC pojawia się SoE (State of Energy), czyli estymacja energii możliwej do rzeczywistego dostarczenia. Z punktu widzenia handlu energią interesuje nas przede wszystkim odpowiedź na pytanie: ile MWh, w danym przedziale czasu i z określoną mocą, magazyn potrafi oddać do punktu przyłączenia – czyli ile trader może zadeklarować na rynku energii lub usług bilansujących.

Oczywiście SoE nie jest jednym uniwersalnym odczytem z urządzenia. Wskaźnik ten trzeba obliczyć z uwzględnieniem stanu baterii, sprawności, ograniczeń technicznych i aktualnego planu pracy BESS. Inaczej będzie wyglądała dostępność magazynu przygotowanego do jednogodzinnego rozładowania, inaczej zasobu, który ma jeszcze zapewnić rezerwę dla usług bilansujących – przy jednoczesnym pamiętaniu, że nie można przekroczyć warunków gwarancji dotyczących liczby cykli czy temperatur. Właśnie dlatego dane o energii, mocy i ograniczeniach powinny tworzyć jeden, spójny model zasobu zamiast funkcjonować w odrębnych aplikacjach i arkuszach. Często ta właśnie dostępność jest definiowana w umowie gwarancyjnej wzorem takim jak np.:

Utracone godziny: (postoje_nieplanowane + postoje_planowane + postoje_serwisowe + godziny_z_ograniczeniem_zewnętrznym) 

Rolą platformy zarządzania BESS powinno być monitorowanie tej wartości zgodnie z definicją i raportowanie przygotowane pod dyskusję z dostawcą w razie, gdyby rzeczywiście zmierzona według wzoru dostępność mocno odbiegała od deklarowanej. A te deklaracje dostępności rzeczywistej (czyli czasu pracy w roku bez ograniczeń technicznych) często przekraczają 99%.

Ile warte jest pięć punktów procentowych w BESS?

Załóżmy, że dysponujemy parkiem BESS o mocy 100 MW i pojemności referencyjnej 200 MWh. Przyjmijmy też, że system pokazuje SoC 50%, ale z powodu błędu estymacji rzeczywisty stan naładowania jest o pięć punktów procentowych wyższy. Na potrzeby tego przykładu upraszczamy zależność między SoC a energią do postaci liniowej, pomijając zmienność pojemności i ograniczenia minimalnego SoC. Różnica wynosi wtedy 200 MWh × 5% = 10 MWh energii zgromadzonej w bateriach.

To jeszcze nie jest 10 MWh, które będziemy mogli sprzedać. Jeżeli do przykładu przyjmiemy 85% sprawności przekazania tej dodatkowej energii z baterii do punktu rozliczeniowego, pozostanie nam około 8,5 MWh. Przy hipotetycznej cenie 400 zł/MWh odpowiada to wartości sprzedaży brutto około 3 400 zł w jednym zdarzeniu. Nie jest to oczywiście zysk, raczej utracona szansa: nie uwzględniliśmy kosztu wcześniejszego ładowania, kosztów degradacji, opłat, ograniczeń rynkowych ani tego, czy w ogóle pojawi się możliwość sprzedaży energii w takiej cenie. Ale dobrze pokazuje, dlaczego warto walczyć o wiarygodną estymację zasobów.

Sytuacja działa również w drugą stronę. Jeśli BMS zawyża SoC, a my wystawimy na rynek ofertę przekraczającą rzeczywistą zdolność dostawy energii, pojawia się ryzyko niedotrzymania planu pracy, konieczności pokrycia w brakach energii lub poniesienia kar wynikających z zawartych umów. Rozsądny operator zabezpieczy się wtedy większym marginesem bezpieczeństwa innej jednostki. Problem w tym, że szeroki margines chroni przed błędem, ale równocześnie może pozostawiać część sprawnego zasobu bez wykorzystania. Lepsze dane nie usuwają ograniczeń fizycznych baterii – pozwalają dokładniej określić, gdzie te ograniczenia rzeczywiście się znajdują. 

Dostępność: czy magazyn BESS jest gotowy, czy tylko zgłasza gotowość?

Dokładność SoC to jeden problem, a dostępność techniczna całego parku BESS – drugi. W opracowaniu ACCURE opublikowanym we wrześniu 2026 r., obejmującym ponad 50 działających projektów, mediana dostępności (a więc wartość leżąca na środku przedziału wszystkich zmierzonych wartości) raportowanej przez instalacje wynosiła 96,7%, podczas gdy mediana dostępności mierzonej faktyczną reakcją komponentów na polecenia wynosiła 94,1%. Różnica wynosi 2,6 punktu procentowego, przy czym są to wyniki badanej próby i zastosowanej w niej metodologii, a nie parametr, który można przypisać dowolnemu magazynowi.

Skąd taka rozbieżność? Urządzenie może być widoczne w sieci komunikacyjnej, nie mieć aktywnego alarmu krytycznego, a mimo to nie osiągnąć zadanej mocy lub nie wykonać polecenia w wymaganym czasie. Trzeba więc odróżnić status „online” od zdolności do wykonania konkretnego zadania. Do tego dochodzi pytanie, czy cały park BESS jest dostępny, gdy wyłączono jeden z kontenerów, ale pozostałe mogą nadal świadczyć część usług. Poprawna odpowiedź nie jest prosta: potrzebujemy wiedzieć, jaka moc i energia są dostępne, na jak długo i pod jakimi warunkami. W naszej platformie GridConnect nazywamy to planowaniem dyspozycyjności.

Podobnie na warstwie operacyjnej nie wystarczy zbierać alarmów i pokazywać ich na ekranie. Należy rejestrować historię poleceń, reakcje urządzeń, odchylenia od planu, ograniczenia mocy, przestoje i zdarzenia serwisowe. Dobrze jest, jeśli zarządzanie alarmami da się połączyć z zewnętrznym systemem obsługi „ticketów” serwisowych, jeszcze lepiej jeżeli serwisant ma podpowiedź co zrobić (na podstawie poprzednich usterek podobnego typu). Dopiero takie zestawienie pozwala ocenić, czy utracona dostępność wynika z awarii urządzenia, pracy ochronnej BMS, problemu z komunikacją czy błędnej estymacji możliwości instalacji.

Od kilku tysięcy sygnałów do jednej decyzji operatora

Jak łatwo sobie wyobrazić, w dużym parku BESS liczba zmiennych jest ogromna. Mamy temperatury i napięcia ogniw, pomiary prądów, stany modułów i kontenerów, parametry PCS, liczniki energii, zabezpieczenia, układy HVAC, aparaturę średniego i wysokiego napięcia, a także sygnały z lokalnego systemu SCADA. Samo zgromadzenie tych danych w jednym miejscu nie oznacza jeszcze, że można na ich podstawie podejmować lepsze decyzje. Potrzebna jest architektura, która zapewni ich właściwą jakość, znacznik czasu i powiązanie z konkretnym urządzeniem.

W architekturze naszej, nowoczesnej platformy zarządzania BESS GridConnect możemy wyróżnić trzy podstawowe obszary. Pierwszy to warstwa lokalna (BMS, PCS, automatyka, SCADA i urządzenie brzegowe), gdzie pozyskujemy pomiary oraz gdzie realizowane są krytyczne zadania sterowania. Drugi to warstwa operacyjna EMS, w której operator otrzymuje spójny obraz jednej lub wielu instalacji, rejestr zdarzeń, dostępności oraz planów pracy. Trzeci obszar to analityka i dane historyczne, umożliwiające estymację pojemności, sprawności, stanu technicznego, prognozowanie dostępności i przekazanie wiarygodnych informacji do systemów handlowych.

Tabela 1. Od danych technicznych do decyzji biznesowej – przykładowy podział zadań platformy BESS. 

Nasza koncepcja GridConnect, którą analizowaliśmy w ConnectPoint przy pracach nad platformami dla dużych magazynów, przewiduje właśnie rozdzielenie tych odpowiedzialności. W warstwie urządzeń i integracji pojawiają się m.in. lokalne SCADA, urządzenia brzegowe oraz protokoły IEC 60870-5-104, MQTT i OPC UA; w centrum działa model zasobów, platforma operacyjna i infrastruktura wymiany danych, a wyżej repozytorium historyczne typu Data Lakehouse oraz integracja z aplikacjami odpowiedzialnymi za handel i optymalizację. To opis kierunku architektonicznego i przypadków użycia, nie twierdzenie, że wszystkie wymienione funkcje są już wdrożone w każdym takim systemie.

Co ważne, w tej architekturze nie powinniśmy przenosić funkcji bezpieczeństwa lub szybkiego sterowania ze sterowników lokalnych do analityki bazodanowej tylko dlatego, że w bazie danych mamy wygodniejsze środowisko obliczeniowe. Platforma nadrzędna może dostarczać estymacje i plany, ale miejscowe układy zabezpieczeń muszą zachować swoją autonomię. Niemniej ważna jest jakość samej komunikacji: brakujące sygnały, niejasne znaczniki czasu czy przerwa w łączności z jednym z zasobów mogą szybko zamienić dobry model analityczny w model operujący nieaktualnym obrazem sytuacji. Na takie scenariusze też trzeba mieć plan.

Prognoza możliwości, a nie tylko historia zdarzeń

Pora przejść od bieżącego monitoringu do przyszłości. W przypadku świadczenia usług na rynku energii i rynku bilansującym nie wystarczy wiedzieć, ile mocy magazyn energii ma dostępnej w danej sekundzie. Trzeba jeszcze oszacować, ile będzie jej dostępne za godzinę, jutro i w kolejnych dniach, uwzględniając aktualny SoC, planowane cykle, temperatury, wyłączenia serwisowe oraz już przyjęte zobowiązania. W materiałach architektonicznych GridConnect jednym z rozpatrywanych przypadków użycia jest estymacja dyspozycyjności w dłuższym horyzoncie – dobry przykład tego, jak daleko wychodzi się dziś poza prosty ekran z parametrami baterii. Biorąc pod uwagę model rynków energii i usług bilansujących kluczowa jest dobra estymacja na co najmniej 2 dni.

Przy takiej analizie pojawiają się co najmniej dwa rodzaje danych. Pierwsze pochodzą z samego magazynu i opisują jego ograniczenia techniczne. Drugie pochodzą z zewnątrz: polecenia operatora, prognozy warunków pracy, wymagane rezerwy. Dopiero połączenie obu zestawów pozwala odpowiedzieć na praktyczne pytanie: czy mogę zaoferować na określony przedział czasu 80 MW i 100MWh, nie narażając się na konflikt z innym zobowiązaniem lub z limitem pracy baterii?

Ważnym elementem jest też porównywanie planu z realizacją. Jeżeli trader zaplanował określony profil rozładowania, a park w rzeczywistości dostarczył mniej energii, sama informacja o różnicy niewiele wyjaśnia. Potrzebujemy historii wartości zadanych i rzeczywistych, stanu zasobów w chwili zdarzenia oraz przyczyny ograniczenia. Taki materiał jest przydatny nie tylko do rozliczenia pracy magazynu, ale również do doskonalenia kolejnych estymacji i weryfikacji parametrów deklarowanych przez dostawców urządzeń.

Co ciekawe, prognozowanie dostępności magazynu nie jest jedynie pomysłem jego właściciela na skuteczniejszy handel energią – w Polsce odpowiednich danych wymaga również PSE. W przypadku jednostek grafikowych typu JGM (jednostka grafikowa – magazyn) operator oczekuje między innymi estymacji minimalnej i maksymalnej mocy w kierunku generacji oraz poboru (Pmax_gen_est, Pmin_gen_est, Pmax_pob_est, Pmin_pob_est), a także maksymalnej energii, którą magazyn może oddać do systemu lub z niego pobrać (E_max_dysp_up i E_max_dysp_down). To ważne rozróżnienie, bo magazyn może w danej chwili dysponować odpowiednio dużą mocą, ale ze względu na aktualny SoC, temperaturę czy ograniczenia techniczne nie będzie w stanie utrzymać jej przez cały planowany okres. Dodajmy, że plany BPKD-DB (IntraDay) mają rozdzielczość 15 minut, a BPKD-CR (RealTime) – 5 minut, więc prognoza musi odnosić się do konkretnych punktów czasowych, a nie tylko do ogólnej dostępności całego parku. Co więcej, kluczowe pomiary i sygnały dotyczące bieżącej pracy JGM przekazywane są do systemu LFC co 1–2 sekundy, co pozwala stale weryfikować nasze szacunki, wychwytywać odchylenia i korygować kolejne prognozy.

Dane historyczne, degradacja i koszty pracy

Pozostaje nam jeszcze jedna kwestia – bardzo ważna, choć jej konsekwencje najczęściej widać dopiero po pewnym czasie. Magazyny energii to baterie – i są zasobem eksploatacyjnym. Każdy cykl ładowania i rozładowania ma swoje konsekwencje, zależne między innymi od głębokości rozładowania, temperatur, mocy pracy i rodzaju chemii ogniw. Jeżeli chcemy rzetelnie analizować opłacalność kolejnych transakcji, nie możemy ograniczyć się do ceny kupna i sprzedaży energii. Dostawca w ramach gwarancji deklaruje, o ile może spadać pojemność baterii w kolejnych latach, zakładając prawidłową eksploatację z strony użytkownika.

Dane historyczne pozwalają śledzić spadek pojemności, rozbieżności między modułami, rzeczywistą sprawność cyklu (round-trip efficiency), liczbę i charakter cykli oraz czas pracy w określonych warunkach. Dzięki temu można próbować oszacować koszt zużycia zasobu związany z konkretną strategią pracy i porównać go z dodatkowymi przychodami. Trzeba oczywiście uważać, aby nie zamieniać takiej estymacji w pozornie dokładną liczbę – degradacja zależy od wielu czynników, a modele wymagają okresowej kalibracji i weryfikacji w danych pomiarowych.

Przykładowo dwie strategie handlu mogą przynosić zbliżony przychód brutto, ale jedna wymaga częstszych i głębszych cykli baterii. Jeśli w modelu ekonomicznym uwzględnimy wyłącznie rozliczenia energii, uznamy je za równorzędne; gdy dodamy sprawność, warunki gwarancji i estymowany koszt zużycia, wynik może już wyglądać inaczej. Właśnie w tym miejscu analityka historyczna, system serwisowy i planowanie pracy powinny korzystać z tej samej bazy wiarygodnych informacji. Możemy wyznaczać „rzeczywisty koszt cyklu”.

Jak wykorzystać każdy procent baterii w BESS? Najpierw trzeba go wiarygodnie policzyć

Nie ma jednej metody, która zagwarantuje maksymalne wykorzystanie dowolnego systemu BESS. Inaczej będzie pracował magazyn baterii realizujący arbitraż cenowy i usługi na rynku bilansującym, inaczej instalacja utrzymująca rezerwy dla operatora, a jeszcze inaczej BESS za licznikiem dużego zakładu przemysłowego. W każdym przypadku punktem wyjścia powinna być jednak identyczna zasada: od danych zbieranych w instalacji przechodzimy do modelu jej realnych możliwości, a dopiero później do decyzji operacyjnej i biznesowej.

Jeśli nie wiemy, gdzie kończą się możliwości techniczne naszego magazynu, będziemy albo podejmować nadmierne ryzyko, albo stale utrzymywać kosztowny margines bezpieczeństwa. I to jest chyba najważniejszy argument za inwestowaniem w porządną platformę danych i analitykę BESS: nie zastąpi ona ogniw, przekształtników ani operatora, lecz pozwoli znacznie lepiej wykorzystać to, za co inwestor już zapłacił.