Proč má robotika co říct fotovoltaice a elektromobilům

Elektromobil může stát přes noc v garáži a tiše pálit peníze. Ne proto, že by žral elektřinu. Protože ji bere ve špatnou chvíli. V poledne teče z fotovoltaiky přebytek za směšnou výkupní cenu, večer se auto nabíjí ze sítě za násobek. Klasika. Digitální groteska za stovky tisíc korun.

Jenže stejný princip, kterým dnes vývojáři učí robotickou ruku sbírat kostku ze stolu, lze použít i na domácí energetiku. Zaznamenat chování. Uložit data. Natrénovat politiku řízení. Nasadit ji zpět. A opakovat. Přesně to ukazuje kombinace Strands Agents, LeRobot a Hugging Face Storage Buckets. Na první pohled robotika. Ve skutečnosti docela dobrý návod, jak přemýšlet o chytrém řízení fotovoltaiky, baterie, wallboxu a sdílení elektřiny.

Proč má robotika co říct fotovoltaice a elektromobilům

LeRobot od Hugging Face řeší jednoduchou, ale otravnou věc. Jak sjednotit celý cyklus „teleoperuj, nahraj, trénuj, nasaď“ pro různé roboty. Robotická ruka, mobilní základna, humanoid. Data se ukládají ve standardizovaném formátu LeRobotDataset, kde vedle sebe sedí video, stav zařízení a akce. Tedy přesně to, co v energetice často chybí: čistá časová osa příčin a následků.

U domácí nebo firemní FVE nepotřebujete kameru sledující červenou kostku. Potřebujete časové řady. Výroba panelů po patnácti minutách. Spotřeba domu. Stav baterie. Cena na denním trhu OTE. Příkon wallboxu. Teplota bojleru. Přetoky. Stav distribučního omezení. A ideálně i záznam, proč řídicí systém udělal konkrétní rozhodnutí.

Tady se potkává robotika s elektromobilitou. Agent není kouzelný mozek v cloudu. Je to koordinátor. Zavolá API střídače, přečte MQTT z elektroměru, stáhne spotovou cenu, zkontroluje plán cesty v kalendáři a rozhodne: teď nabíjet auto, teď držet baterii, teď poslat přebytek do sdílení. Pokud řešíte komunitní energetiku, dobrý vstupní přehled má SmartEnergyShare na stránce sdílení elektřiny. Pro vlastníky FVE dává smysl také část pro výrobce.

Zní to trochu jako sci-fi. Ve skutečnosti je to hlavně datová disciplína. A pár skriptů, které nikdo nesmí napsat v pátek večer po třetí kávě.

Jeden pracovní prostor: záznam, trénink, nasazení

Hugging Face v srpnu 2026 ukázal workflow „Record, train, and deploy from one place“ se Strands Agents, LeRobot a Storage Buckets. Pointa je praktická. Agent nahraje demonstrace, uloží je do bucketu, trénuje přímo streamováním z Hubu a nasadí checkpoint zpět na hardware. Bez převodu formátů. Bez ručního kopírování složek. Bez „final_v7_really_final.parquet“.

Storage Buckets jsou S3-like úložiště na Hugging Face Hubu. Nejsou verzované jako modelové nebo datasetové repozitáře. Jsou mutovatelné. To je u pracovních dat výhoda. Tréninkové checkpointy, logy, mezivýsledky a nové dávky záznamů se mění pořád. Verzovat každý kus šumu je drahé a nepraktické.

Minimální kostra vypadá takto:

```bash pip install -U huggingface_hub hf auth login hf buckets create moje-org/fve-agent --private hf sync ./data/fve-run-001 hf://buckets/moje-org/fve-agent/runs/fve-run-001 ```

U robota by v adresáři ležely MP4 a Parquet soubory. U FVE tam budou spíš Parquet, JSONL nebo CSV. Například `measurements.parquet`, `actions.jsonl`, `prices.parquet`, `events.jsonl`. Důležité je, že agent zapisuje všechno do stejného běhu. Když se později ptáte, proč se elektromobil nenabíjel mezi 11:30 a 12:15, odpověď neleží v jednom grafu. Leží v datech, akci a kontextu.

Na straně energetiky do toho můžete napojit i energetická platforma SES, zejména pokud chcete řešit nejen vlastní spotřebu, ale i přebytky, odběratele a skupiny sdílení.

Kolik paměti agent skutečně potřebuje

Velká chyba u AI agentů je představa, že paměť znamená „nacpeme všechno do promptu“. Tak vznikají systémy, které po týdnu provozu stojí víc než wallbox. Agent pro FVE nepotřebuje znát každou sekundu historie od instalace panelů. Potřebuje správný kontext ve správný okamžik.

Rozumné vrstvy jsou čtyři. Krátkodobý buffer pro aktuální rozhodnutí. Souhrn dne. Databáze událostí. A dlouhodobé znalosti, třeba pravidla domu, limity baterie, distribuční tarif nebo preference řidiče. V praxi stačí na začátek SQLite, TimescaleDB nebo obyčejný PostgreSQL. Vektorová databáze dává smysl až ve chvíli, kdy máte hodně textových záznamů: servisní protokoly, komunikaci s instalační firmou, návody ke střídači, rozhodnutí energetického manažera.

Pro lokální inference je zajímavý LFM2.5-DSpark od Liquid AI. U modelu LFM2.5-2.6B uvádí průměrné zrychlení propustnosti na GPU zhruba 2,67× a na MacBooku M4 Max asi 2,27×. U některých měření šel LFM2.5-8B-A1B na H100 až na 3,18×. Důvod není magie, ale spekulativní dekódování. Malý návrhový model navrhne tokeny a hlavní model je ověří najednou.

Pro energetického agenta je důležitější latence než básnický výkon. Když wallbox, baterie a spotová cena volají po akci, nechcete čekat osm sekund na odpověď. Malý lokální model přes Ollama, llama.cpp nebo SGLang často stačí. Velký cloudový model si nechte na analýzy, reporty a složitější plánování. LoRA doladění použijte až ve chvíli, kdy máte vlastní kvalitní data. Doladit model na špatných datech je jako namontovat turbo na rozbitou dodávku.

Praktický prototyp pro garáž, firmu nebo obec

Začněte nudně. To je kompliment. Vezměte Raspberry Pi 5, mini PC s N100, nebo starší notebook. Připojte data ze střídače přes Modbus TCP, MQTT nebo API výrobce. Přidejte wallbox přes OCPP, pokud to umí. Ceny stáhněte z OTE. Stav baterie berte ze střídače. Výstupem agenta nebude filozofie, ale akce: nabíjet 6 A, nabíjet 16 A, nenabíjet, ohřát vodu, držet baterii, povolit přetok.

Jednoduchý záznam může vypadat takto:

```json { "ts": "2026-08-24T12:15:00Z", "pv_kw": 7.4, "house_kw": 1.2, "battery_soc": 68, "ev_soc": 41, "spot_eur_mwh": 38.5, "action": "charge_ev_11kw", "reason": "přebytek FVE, nízká cena, odjezd v 18:00" } ```

Po týdnu máte tisíce řádků. Po měsíci už vidíte vzory. Po sezóně máte materiál pro pravidlový systém, jednoduchý prediktor nebo imitaci rozhodování. Nemusíte hned trénovat neuronovou síť. Často stačí LightGBM, scikit-learn nebo ručně psaný optimalizátor. Agent může být jen dispečer, který volá nástroje a hlídá pravidla.

Pro firmy je zajímavá stránka SmartEnergyShare pro firmy, protože firemní nabíjení elektromobilů má jiný profil než domácnost. Ranní příjezdy, flotila dodávek, rezervovaná kapacita, sankce za špičky. Obce mohou řešit veřejné budovy, nabíječky a komunitní projekty, viz pro obce a města. Technický detail k měření a provozním datům pak patří na IoT monitoring.

Dotace, sdílení elektřiny a tvrdá realita přetoků

Fotovoltaická dotace zní v letáku krásně. Reálná ekonomika začíná až za střídačem. Kolik vyrobíte, kdy to spotřebujete, co uložíte, co pošlete do sítě a za kolik. Elektromobil je v tomhle velká baterie na kolech, jen s jednou vadou. Občas odjede. AI agent musí vědět, kdy auto opravdu potřebujete. Jinak vám levně optimalizuje prázdnou garáž.

Sdílení elektřiny v Česku stojí na patnáctiminutovém vyhodnocení. Přebytek má hodnotu jen tehdy, když ho někdo ve stejné čtvrthodině spotřebuje. To je přesně úloha pro software. Ručně to nikdo normální hlídat nebude. Agent může predikovat přebytky, doporučit alokační klíč, upozornit na slabého odběratele ve skupině nebo navrhnout posun nabíjení aut.

ERÚ popisuje aktivního zákazníka jako jednodušší režim sdílení. Mimo bytový dům může mít skupina až 11 členů, v bytovém domě až 1000 členů za hlavní domovní pojistkovou skříní. To není drobnost. Pro bytový dům s FVE, několika wallboxy a baterií je datové řízení skoro povinnost. Jinak rozhoduje náhoda a soused s největším bojlerem.

Více k praktické komunitní energetice najdete také na sdilenienergie.info a k technickému pohledu na chytré sítě na smartenergyshare.info. Bez datového modelu se ale ani nejlepší komunita nepohne. Nadšení na schůzi SVJ nevypočítá optimální nabíjecí proud.

Bezpečnost: když agent ovládá kilowatty, nestačí hezký prompt

Agent, který píše e-maily, může udělat ostudu. Agent, který ovládá baterii, wallbox a přetoky, může udělat drahou ostudu. Proto musí mít tvrdé mantinely mimo jazykový model. Maximální proud, minimální stav baterie, zákaz vybíjení před plánovaným odjezdem, limity rezervovaného příkonu, nouzové vypnutí. To vše má být v kódu nebo PLC vrstvě, ne v promptu.

Model nesmí přímo sahat na relé. Správná architektura je: agent navrhne akci, validační vrstva ji zkontroluje, řídicí modul ji provede. Každý krok se loguje. Každá změna konfigurace má autora a čas. Přístupové tokeny do Hugging Face bucketu mají být omezené. Soukromý bucket je minimum, protože energetická data prozrazují, kdy jste doma, kdy nabíjíte auto a jak velkou máte technologii.

Storage Buckets jsou užitečné pro pracovní data, ale nejsou verzované. Smazání je smazání. Pro finální dataset nebo model použijte klasický Hugging Face repozitář. Pracovní běhy držte v bucketu, publikované artefakty verzujte. Tady se vyplatí nudná zásada: co řídí peníze nebo bezpečnost, musí být auditovatelné.

U firem navíc vstupuje do hry agregace flexibility a služby výkonové rovnováhy. ERÚ uvádí, že od 1. září 2026 má být možné vykonávat činnost nezávislého agregátora. To otevírá prostor pro baterie, nabíjení flotil a řízenou spotřebu. Ale také pro chyby. Špatný algoritmus může z dobrého úložiště udělat drahé topení.

Kolik to stojí a kde začít bez ostudy

Domácí prototyp se dá postavit levně. Mini PC s N100 pořídíte zhruba v řádu tisíců korun. Raspberry Pi 5 s příslušenstvím také. Měřicí elektroměr s Modbus výstupem stojí další jednotky tisíc. Pokud už máte chytrý střídač a wallbox s API, nejdražší položkou bude čas. A ten, jak známo, v rozpočtu domácí FVE nikdy neexistuje.

Software může být kompletně open-source. Ollama pro lokální modely. llama.cpp pro efektivní inference. Hugging Face pro modely, datasety a buckety. PostgreSQL nebo SQLite pro stav. Grafana pro vizualizaci. Home Assistant jako integrační vrstva. LoRA pro levnější doladění menších modelů. Na robotické straně LeRobot. Na agentní orchestrace Strands Agents.

Rozumný první milník není „autonomní energetická inteligence“. Rozumný první milník je report: agent každý večer vysvětlí, kdy se auto nabíjelo, kolik šlo z FVE, kolik ze sítě a co by změnil zítra. Druhý milník je doporučení bez automatického zásahu. Třetí je řízení s limity. Až čtvrtý je adaptivní trénink z vlastních dat.

Kdo začne opačně, skončí u magické krabičky, které nikdo nevěří. Energetika je konzervativní z dobrého důvodu. Když se něco pokazí, nejde jen restartovat kontejner.

Závěr: elektromobilita nebude o větších bateriích, ale o lepších rozhodnutích

Příští velký skok v domácí a firemní energetice nebude další panel na střeše. Bude to software, který konečně pochopí čas. Kdy vyrábíte. Kdy nabíjíte. Kdy sdílíte. Kdy se vyplatí držet baterii. Kdy je lepší pustit elektřinu dál.

Strands Agents, LeRobot a Hugging Face Storage Buckets ukazují užitečný vzor: jeden uzavřený cyklus od záznamu přes trénink po nasazení. V robotice sbírá ruka kostky. V elektromobilitě může stejný princip sbírat koruny, kilowatthodiny a data pro lepší rozhodnutí.

Kontroverzní předpověď? Do několika let nebude otázka, kdo má na střeše FVE. Otázka bude, kdo má dost chytrý systém, aby z ní neudělal drahou dekoraci.

Zdroje

Obchodujete s batteriovými úložišti nebo hledáte partnera pro flexibilitu a day trading elektřiny? SmartEnergyShare nabízí kompletní řešení pro BESS projekty od 50 do 250 kW — obchodování flexibility, SVR služby a IoT monitoring. Zjistěte víc →

Další články na toto téma najdete na: ShareElectric.cz Datová centra pro AI do roku 2030 zdvojnásobí spotřebu el... Vice o sdílení elektřiny