Andrzej Bielecki

The rapid expansion of electric vehicles (EVs) introduces highly dynamic, unpredictable load profiles that threaten power grid stability and complicate operation across distribution systems and battery swapping facilities. Accurately forecasting EV charging demand is critical for dynamic load management, infrastructure planning, and risk mitigation. This paper presents a comprehensive, systematic review of the operational pipeline and predictive methodologies for EV charging power and energy demand. We analyze the complete data processing workflow, including examining data sources, spatial–temporal resolution trade-offs, advanced imputation, denoising, and anomaly detection techniques. Furthermore, we establish a structured taxonomy of forecasting methods, critically evaluating classical time-series models, machine learning, deep architectures, graph spatiotemporal networks, large language models (LLMs), hybrid ensembles, and fuzzy-logic systems. By offering detailed comparative syntheses across methodologies, this review provides a solid foundational framework for risk assessment, smart grid management, and operational decision-making in evolving electromobility ecosystems.

DEFINICJA POJĘCIA: Cybernetyka jest nauką interdyscyplinarną o sterowaniu w systemach, które działają w pewnym środowisku. System poprzez swoje moduły wejściowe odbiera ze środowiska sygnały oraz – w przypadku niektórych typów systemów – pobiera energię i materię, a także oddziałuje na środowisko przy pomocy swoich modułów wyjścia. U podstaw cybernetyki leży założenie, że niezależnie od tego, czy system jest maszyną, organizmem żywym czy strukturą społeczną, procesy związane ze sterowaniem i, co za tym idzie, przesyłaniem i przetwarzaniem w systemie sygnałów, informacji i energii w kontekście sterowania, mają wspólne cechy. Szczególną uwagę poświęca się w cybernetyce systemom autonomicznym, czyli takim, które same wyznaczają sobie cele, opracowują algorytmy ich realizacji oraz zapewniają sobie stabilność funkcjonalną. ANALIZA HISTORYCZNA POJĘCIA: Rozwój cybernetyki jest ściśle związany z rozwojem matematyki, informatyki, robotyki i biologii, gdyż cybernetyka posiada ze wszystkimi tymi naukami wspólne i niezwykle ważne obszary badawcze. Począwszy od lat 30. XX wieku powstały teoretyczne podstawy cybernetyki stworzone przez matematyków (koncepcja maszyny Turinga) i lekarzy (pojęcie homeostazy). Istotny wpływ na cybernetykę miał rozwój techniki obliczeniowej – wprowadzenie komputerów i ich systematyczne ulepszanie. Współcześnie główne nurty badań cybernetycznych związane są ze sztuczną inteligencją, robotyką i cybernetyką układów biologicznych. UJĘCIE PROBLEMOWE POJĘCIA: Ze względu na uniwersalność narzędzi badawczych, m.in. uniwersalność koncepcji systemu cybernetycznego, cybernetyka jest obecnie stosowana w różnych dziedzinach. Posługując się metodami cybernetycznymi, analizuje się systemy ekonomiczne, społeczne, techniczne, biologiczne, polityczne, a nawet kulturowe. Cybernetyka dostarcza metod do analizy struktury i dynamiki systemu niezależnie od jego nośnika, stąd możliwości zastosowań w tak różnorodnych obszarach. REFLEKSJA SYSTEMATYCZNA Z WNIOSKAMI I REKOMENDACJAMI: Cybernetyka wnosi istotny wkład do modelowania i analizy złożonych zjawisk. Zarówno w aspekcie historycznym, jak i współcześnie polscy naukowcy istotnie wpływają na rozwój cybernetyki.

DEFINICJA POJĘCIA: Sztuczna sieć neuronowa jest systemem, którego struktura i działanie są wzorowane na układzie nerwowym. Podstawowa jednostka funkcjonalna sztucznej sieci neuronowej to sztuczny neuron, będący modelem neuronu biologicznego. Sieć jest zbudowana w ten sposób, że wyjścia jednych neuronów są połączone z wejściami innych ­neuronów. W zależności od schematu połączeń otrzymujemy różne ­struktury sieci. ANALIZA HISTORYCZNA POJĘCIA: U podstaw modelowania układów neuronalnych leżą wyniki badań neurofizjologów uzyskiwane od drugiej połowy XIX wieku. Założenie, że neuron jest podstawową jednostką funkcjonalną układu nerwowego, pozwoliło w 1943 roku opracować pierwszy teoretyczny model neuronu oraz zaimplementować pierwszą sztuczną sieć neuronową w roku 1957, która była siecią warstwową. Opracowanie teoretycznych podstaw nauki takich sieci, zaproponowanie nowych rodzajów zarówno samych sieci, jak i metod ich nauki w latach 80. XX wieku oraz postępy w matematycznej analizie ich działania spowodowały ich szybki rozwój pod koniec XX wieku oraz w wieku XXI. UJĘCIE PROBLEMOWE POJĘCIA: Sztuczna sieć neuronowa może być zaimplementowana zarówno jako oprogramowanie, jak również jako układ elektroniczny, analogowy lub cyfrowy. Istotnym zagadnieniem jest nauka sieci, czyli ustawienie jej parametrów. Na ogół nauka jest realizowana przy pomocy algorytmu iteracyjnego, który wykorzystuje przygotowane przez programistę przykłady sygnałów wejściowych. Sztuczne sieci neuronowe są wykorzystywane do modelowania różnych aspektów układu nerwowego i procesów psychicznych. REFLEKSJA SYSTEMATYCZNA Z WNIOSKAMI I REKOMENDACJAMI: Niezależnie od biologicznych inspiracji sztuczne sieci neuronowe są używane jako pewien typ systemu sztucznej inteligencji, który skutecznie rozwiązuje szeroką gamę zadań. Należą do nich problemy optymalizacji, klasteryzacji, sterowania, rozpoznawania wzorców, diagnostyki i predykcji.

The energy consumption of buildings is a significant contributor to overall energy consumption in developed countries. Therefore, there is great demand for intelligent buildings in which energy consumption is optimized. Online control is a crucial aspect of such optimization. The implementation of modern algorithms that take advantage of developments in information technology, artificial intelligence, machine learning, sensors, and the Internet of Things (IoT) is used in this context. In this paper, an architecture for testing central heating control algorithms as well as the control algorithms of the heating system of the building is presented. In particular, evaluation metrics, the method for seamless integration, and the mechanism for real-time performance monitoring and control are put forward. The proposed tools have been successfully tested in a residential building, and the conducted tests confirmed the efficiency of the proposed solution.

Contemporary risk management is based on statistical analysis. Such an approach has a few crucial disadvantages. First of all, it has limited applicability to new technological solutions. In this paper, a new idea for risk evaluation and management is put forward. The proposed approach is based on the autonomous systems theory. The theoretical foundation of the proposed idea is described and its prospective applications are discussed. The proposed measures of risk are based on the idea of the controllability of the system—the greater the level of controllability, the lower the risk. Various aspects of controllability are analyzed—economic, technological, and industrial. For each aspect of controllability, the problem of defining adequate measures for the level of risk is discussed. The proposed approach allows the risk assessor to analyze the system deeply. As a consequence, the analyst can assess the risk based not only on a posteriori statistics but also on an analysis of the crucial properties of the system. This allows the investigator to predict a priori possibilities of critical events. The proposed methodology is applied to the power industry.

Theoretical frames for analyzing information in biological and molecular multicomponent structures are proposed. The mathematical foundations of the proposal are presented. Both the information encoded in structures is defined and the method of calculating the amount of this information is introduced. The proposed approach is applied to the operation of a molecular multicomponent machine.