AI și bateriile de 400 MWh de la Florești: viitorul energiei

Nova Power & Gas tocmai a pus în funcțiune la Florești cea mai mare instalație de stocare a energiei în baterii din România: 200 MW putere, 400 MWh capacitate. În paralel, a început lucrările la centrala pe gaz în ciclu combinat de 160 MW de la Câmpia Turzii, cu finalizare estimată la sfârșit de 2026. Valoarea totală a investițiilor depășește 350 mil. euro.

Aceste două proiecte nu sunt doar știri de infrastructură. Sunt un semnal clar: sistemul energetic românesc intră într-o etapă în care fără AI, automatizare și analiză avansată de date, randamentul investițiilor va fi pur și simplu prea mic.

În seria „AI în Industria Energetică din România: Tranziția Verde”, proiectul Nova Power & Gas e un studiu de caz excelent ca să vedem foarte concret cum poate fi folosită inteligența artificială într-o companie energetică – și ce pot învăța din asta și alte businessuri din România.

1. De ce bateriile de la Florești au nevoie de AI, nu doar de cabluri și containere

Instalația de la Florești dublează practic capacitatea actuală de stocare a României. 400 MWh în baterii nu înseamnă doar metal, electronice și software industrial.

Fără AI și algoritmi de optimizare, aceste baterii riscă să fie folosite subpotențial:

• pot încărca în momente nepotrivite,
• pot rata cele mai profitabile ore de descărcare în piață,
• pot avea o durată de viață mai scurtă din cauza ciclurilor de încărcare/descărcare prost gestionate.

Cum ajută concret AI un sistem de stocare a energiei

1. Optimizarea încărcării și descărcării (trading algoritmic de energie)
   Algoritmi de machine learning pot prezice:

   • prețurile din piața de energie pe intervale de 15–60 de minute,
   • producția din surse regenerabile (solar, eolian),
   • nivelul de consum din rețea.

   Pe baza acestor predicții, AI poate decide automat:

   • când să încarce bateriile (de exemplu, la prânz, când parcurile fotovoltaice produc în exces),
   • când să descarce (de exemplu, vârful de seară, când consumul urban explodează).

   Pentru un sistem de 400 MWh, diferența dintre o strategie „manuală” vs. una algoritmică poate însemna zeci de milioane de euro în plus sau în minus pe durata de viață a proiectului.

2. Protejarea duratei de viață a bateriilor (battery health management)
   Bateriile litiu-ion sunt sensibile la:

   • numărul de cicluri,
   • adâncimea de descărcare (DoD),
   • temperatură,
   • viteza de încărcare.

   Un sistem AI poate analiza în timp real mii de parametri de la fiecare modul de baterie și poate ajusta:

   • curbele de încărcare,
   • limitele de operare,
   • modul în care sunt echilibrate celulele.

   Rezultatul: mai puține defecțiuni, viață mai lungă a bateriilor și cost LCOE mai mic. Pentru un operator ca Nova Power & Gas, asta se traduce direct în marjă de profit.

3. Reacție ultra-rapidă în sistemul energetic
   Bateriile sunt ideale pentru servicii de echilibrare de frecvență și rezerve rapide. Dar pentru asta, trebuie să „simtă” sistemul.

   Un modul AI conectat la datele din SEN și la SCADA poate:

   • detecta abateri de frecvență în milisecunde,
   • declanșa comenzi automate de încărcare/descărcare,
   • prioritiza stabilitatea sistemului versus optimizarea financiară.

   Asta înseamnă flexibilitate mult mai mare pentru Transelectrica și mai multă siguranță energetică, exact ce sublinia și Banca Transilvania când vorbea de impactul acestui proiect.

2. Centrala pe gaz de 160 MW: de la „fier” la „software-first” cu AI

Centrala în ciclu combinat de la Câmpia Turzii (160 MW) va intra în operare la sfârșit de 2026. Din perspectiva tranziției verzi, gazul e văzut adesea ca o soluție de tranziție. Dar din perspectiva businessului, întrebarea cheie este: cum o operezi ca să scoți fiecare procent de eficiență și fiecare leu în plus din piață?

Răspunsul: cu sisteme AI integrate în mentenanță, operare și planificare.

Mentenanță predictivă bazată pe AI

Într-o centrală în ciclu combinat, fiecare oră de nefuncționare neplanificată costă mult:

• pierderi de venit din energie neprodusă,
• costuri suplimentare cu porniri/opririi,
• penalități potențiale din contracte.

Un sistem de mentenanță predictivă AI poate:

• colecta date din senzori (vibrații, temperatură, presiune, zgomot),
• detecta „pattern-uri” care prevestesc o defecțiune,
• recomanda opriri scurte și ieftine, înainte de avarii mari și costisitoare.

Rezultatul: mai puține opriri neplanificate, utilizare mai bună a echipei tehnice, costuri de mentenanță mai mici.

Optimizarea continuă a randamentului

Centralele în ciclu combinat au randamente ridicate, dar acestea variază în funcție de:

• condițiile meteo (temperatura aerului),
• calitatea gazului,
• modul de operare (parțial load vs. full load).

Modele AI pot învăța, din date istorice, configurațiile optime de operare pentru fiecare context și pot recomanda în timp real ajustări:

• cum să fie reglat raportul aer–combustibil,
• cum să fie programată funcționarea în funcție de prețurile din piață,
• când merită să rulezi în „baseload” sau „pe vârf”.

Într-o piață tot mai volatilă, aceste optimizări pot adăuga 2–5 puncte procentuale de randament economic, ceea ce, la nivel de sute de milioane de euro investiții, se simte puternic în EBITDA.

3. Cum arată o arhitectură AI pentru un portofoliu energetic ca al Nova Power & Gas

Grupul E-INFRA, prin Nova Power & Gas, acoperă „cap-coadă” lanțul energetic: producție (clasică + regenerabilă), furnizare, stocare, infrastructură. Asta e terenul perfect pentru o platformă AI de management energetic integrat.

În practică, o astfel de platformă ar include cel puțin patru niveluri:

3.1. Nivelul de date (data foundation)

• colectare de date din toate centralele (gaz, regenerabile),
• integrare cu sistemele de stocare (baterii, eventual viitoare soluții hidrogen),
• date din piața de energie (DAM, IDM, servicii de sistem),
• date despre clienți (profiluri de consum, istorice, contracte).

Fără această fundație de date curată și bine structurată, AI rămâne doar un buzzword.

3.2. Modele AI pentru prognoză și optimizare

• prognoza consumului pe portofoliu de clienți,
• prognoza producției din parcurile fotovoltaice și eoliene,
• modele de optimizare a portofoliului (imaginați-vă un „Waze” al energiei: unde produci, ce stochezi, ce vinzi, când și cui),
• algoritmi de prețuri dinamice pentru clienți mari.

3.3. Automatizare operațională

• integrarea algoritmilor cu SCADA/EMS/DMS,
• execuția automată a comenzilor (în limite predefinite de risc),
• sisteme de alertare inteligentă pentru dispeceri.

3.4. Interfețe pentru echipele de business

• tablouri de bord pentru management (KPIs în timp real),
• instrumente de simulare („ce se întâmplă dacă…?”),
• rapoarte automate pentru bancă și investitori (de ex. Banca Transilvania, partener financiar tradițional al proiectelor Nova).

Aici intervine partea interesantă pentru orice companie din România, nu doar pentru jucătorii din energie: aceeași logică de platformă de date + modele AI + automatizare + dashboard-uri se poate adapta aproape oricărui sector.

4. Ce pot învăța alte companii românești din acest caz

Chiar dacă nu construiești un parc de baterii de 400 MWh, lecțiile din acest tip de proiect se aplică la scară mai mică în aproape orice business:

4.1. Investești în infrastructură? Fă-ți de la început planul de AI

Fie că ridici:

• un depozit logistic,
• o fabrică,
• un parc fotovoltaic mai mic,
• o rețea de magazine,

planul de investiții trebuie să includă și componenta de date + AI + automatizare, nu doar clădire, echipamente și utilități.

Ce am văzut că funcționează bine la companii care merg în direcția bună:

• definirea clară a datelor critice care trebuie colectate,
• alegerea timpurie a unei platforme de date (nu fișiere Excel împrăștiate),
• pilotarea unor modele AI simple (prognoză, optimizare, detecție de anomalii) încă din primul an de operare.

4.2. AI nu înlocuiește echipele tehnice, le face mai valoroase

În energie, nimeni serios nu își dorește o centrală sau un sistem de baterii lăsate singure „pe mâna AI”. Dispecerii, inginerii, operatorii rămân critici. Diferența este că:

• nu mai pierd timp cu monitorizare manuală repetitivă,
• primesc recomandări și alerte inteligente,
• pot lua decizii pe baza unor simulări și scenarii, nu pe „feeling”.

Același principiu se aplică și în producție, logistică, retail, agricultură. AI-ul bine implementat întărește echipele bune, nu le înlocuiește.

4.3. Băncile încep să se uite la proiecte prin „lentila digitală”

Faptul că un jucător ca Banca Transilvania e partener financiar cheie pentru proiectele Nova Power & Gas arată ceva important: instituțiile financiare se simt mai confortabil cu proiecte care au:

• date bune,
• transparență operațională,
• predictibilitate.

Un proiect energetic sau industrial care vine la bancă cu:

• scenarii simulate AI,
• analize de risc bazate pe date,
• mecanisme automate de control și raportare,

are șanse mai mari să fie finanțat mai repede și în condiții mai bune.

5. Pași concreți pentru companiile care vor să aducă AI în infrastructura lor

Dacă lucrezi într-o companie din energie, producție sau infrastructură și vrei să profiți de momentul creat de proiecte ca cel de la Florești, un traseu rezonabil arată așa:

1. Audit de date și infrastructură

   • ce colectezi acum,
   • ce îți lipsește,
   • cât de curate și structurate sunt datele.

2. Definirea a 2–3 cazuri de utilizare AI cu impact mare
   Exemple:

   • mentenanță predictivă pentru echipamente critice,
   • prognoza consumului sau producției,
   • optimizarea orarului de funcționare.

3. Pilot rapid (3–6 luni)

   • pe o singură linie de producție,
   • pe un singur punct de consum mare,
   • pe o instalație critică (de ex. un transformator, un boiler, un compresor).

4. Scalare și integrare

   • integrare cu sisteme existente (ERP, SCADA, CRM),
   • training pentru echipe,
   • guvernanță clară a datelor.

5. Parteneriat strategic pe AI

   • fie cu un integrator IT,
   • fie cu un vendor specializat în AI industrial,
   • fie cu un centru intern de competență AI (la companiile mari).

Seria „Implementarea AI în Business: Ghid Complet pentru Companii din România” exact asta urmărește: să ajute companiile să facă acest traseu structurat, cu riscuri controlate și ROI clar.

Concluzie: Proiectele energetice mari sunt laboratorul perfect pentru AI în business

Instalația de stocare de 400 MWh de la Florești și centrala pe gaz de 160 MW de la Câmpia Turzii sunt mai mult decât investiții de infrastructură de peste 350 mil. euro. Sunt platforme ideale pentru a demonstra cum AI, automatizarea și analiza de date pot schimba economia unui proiect energetic: de la modul în care este operat, până la felul în care este finanțat.

Același tip de gândire – date + AI + automatizare – poate fi aplicat în fabrici, lanțuri logistice, rețele de magazine, parcuri industriale sau agricole. Diferența dintre companiile care prind valul și cele care îl ratează se va vedea în următorii 3–5 ani.

Dacă vrei să înțelegi cum poate arăta concret un plan de AI pentru infrastructura sau businessul tău, următorul pas logic este să începi cu un audit simplu de date și câteva cazuri de utilizare pilot. De acolo, drumul către un model operațional „data-driven” devine mult mai clar.

Seria „AI în Industria Energetică din România: Tranziția Verde” va continua cu exemple de folosire a AI pentru optimizarea rețelelor, a parcurilor fotovoltaice și a turbinelor eoliene. Întrebarea este: când vrei ca și compania ta să intre în această poveste – acum, când încă mai ai timp să testezi, sau peste câțiva ani, când va fi deja standardul minim?