Разработка AI-системы для энергетики

Разработка AI-системы для энергетики

Энергетика переживает фундаментальную трансформацию: рост ВИЭ (ветер, солнце), Battery Energy Storage, электромобили создают новые паттерны генерации и потребления. AI управляет этой сложной системой в реальном времени.

Прогнозирование генерации ВИЭ

Прогноз солнечной генерации:

Ключевой фактор: солнечная радиация на поверхности панелей зависит от:

• Глобальная горизонтальная радиация (GHI) из прогноза погоды
• Соотношение прямой/рассеянной (Direct Normal Irradiance vs. Diffuse)
• Температура панелей (при >25°C — снижение КПД ~0.4%/°C)
• Загрязнение панелей (gradual drift)

import pandas as pd
import numpy as np
from sklearn.ensemble import GradientBoostingRegressor

class SolarPowerPredictor:
    """Прогноз выработки солнечной электростанции"""

    def build_features(self, weather_forecast, panel_specs, timestamp):
        """Преобразование прогноза погоды в признаки для ML"""
        features = {
            'ghi': weather_forecast['global_horizontal_irradiance'],
            'dni': weather_forecast['direct_normal_irradiance'],
            'dhi': weather_forecast['diffuse_horizontal_irradiance'],
            'temp_air': weather_forecast['temperature'],
            'wind_speed': weather_forecast['wind_speed'],
            'cloud_cover': weather_forecast['cloud_cover_pct'],

            # Временны́е признаки (влияние угла солнца)
            'hour_sin': np.sin(2 * np.pi * timestamp.hour / 24),
            'hour_cos': np.cos(2 * np.pi * timestamp.hour / 24),
            'day_of_year_sin': np.sin(2 * np.pi * timestamp.dayofyear / 365),
            'day_of_year_cos': np.cos(2 * np.pi * timestamp.dayofyear / 365),

            # Панельные характеристики
            'panel_azimuth': panel_specs['azimuth'],
            'panel_tilt': panel_specs['tilt'],
            'installed_capacity_kw': panel_specs['capacity_kw'],

            # Лаговые признаки из актуальных измерений
            'actual_power_lag_1h': weather_forecast.get('actual_power_1h_ago', np.nan),
        }
        return features

    def predict_day_ahead(self, location, date, panel_specs):
        """Почасовой прогноз выработки на завтра"""
        forecast_hours = pd.date_range(date, periods=24, freq='H')
        weather = self._get_weather_forecast(location, forecast_hours)
        features = [self.build_features(weather.iloc[i], panel_specs, h)
                    for i, h in enumerate(forecast_hours)]
        X = pd.DataFrame(features).fillna(0)
        return self.model.predict(X)  # кВт/ч по часам

Прогноз ветровой генерации:

LSTM на NWP (Numerical Weather Prediction) данных: скорость и направление ветра на высоте ступицы. Особенность: кривая мощности ветротурбины нелинейна (cut-in ~3 м/с, rated ~12–15 м/с, cut-out ~25 м/с).

Балансировка энергосистемы

Load Forecasting:

Прогноз потребления на системном уровне — основа балансировки. Признаки:

• Температура воздуха (нелинейная зависимость: и жара, и мороз → пики)
• День недели, праздники
• Экономическая активность (промышленное потребление)
• Циркулярные паттерны: утренний/вечерний пики

Transformer-based модели (Informer, Autoformer) — новый стандарт для долгосрочного прогноза нагрузки. MAPE на краткосрочном прогнозе (1–6ч): 1–3%.

Real-time балансировка:

Dispatch optimization: при прогнозируемом дефиците/излишке — как распределить нагрузку между:

• Тепловые станции (гибкая генерация)
• BESS (Battery Energy Storage Systems)
• Demand Response (управляемые нагрузки)
• Межсистемные перетоки

Stochastic MPC: оптимизация с учётом неопределённости прогноза ВИЭ.

Predictive Maintenance энергетики

Предиктивное обслуживание турбин:

Газотурбинная установка (ГТУ) — высокотемпературное оборудование с дорогим ТО:

• Вибродиагностика: акселерометры на подшипниках → FFT-анализ → деградация подшипника/дисбаланс
• Термодинамические параметры: КПД турбины по измерениям → постепенное загрязнение компрессора
• Erosion/corrosion prediction: по химическому составу топлива и истории

Высоковольтные трансформаторы:

Мониторинг по растворённым газам в масле (DGA — Dissolved Gas Analysis):

• H₂, CH₄, C₂H₂, CO — индикаторы разных типов дефектов
• Дюваль треугольник + ML для классификации типа неисправности
• Онлайн DGA датчики → непрерывный мониторинг без отбора проб

Smart Grid и управление распределёнными ресурсами

Virtual Power Plant (VPP):

Объединение распределённых ресурсов (BESS, ДГУ, управляемые нагрузки) в единый диспетчерский ресурс:

• Агрегация ≥1 МВт → участие в балансирующем рынке
• ML-управление: когда заряжать/разряжать BESS для максимального дохода
• Прогноз цены на ОРЭМ (Оптовый рынок электроэнергии и мощности) → оптимальный bid

EV Smart Charging:

Десятки тысяч электромобилей = управляемая нагрузка:

• Прогноз времени подключения и отъезда (по истории и профилю пользователя)
• V2G (Vehicle-to-Grid): разряд EV в пиковые часы → доход владельцу
• Зарядка в ночные часы (дешёвый тариф) без превышения трансформаторных мощностей

Срок разработки: 6–12 месяцев для комплексной Energy AI платформы с прогнозированием, балансировкой и predictive maintenance.