Ошибка на 15-минутном интервале может стоить $4–6 — за месяц набегает $140–200, а за год доходит до $1.6k–2.3k чистого убытка. Владельцы микрогенерации сталкиваются с дилеммой: продать излишки в сеть по ночному тарифу или сохранить в BESS для утреннего пика. Без точного прогноза решение принимается на интуиции — и приводит к потерям. Каждый день вы принимаете до 96 решений о распределении энергии. Ошибка в одном может перечеркнуть выгоду от остальных.
Мы создаём AI-системы, которые автоматически управляют микрогенерацией. Наши алгоритмы учитывают прогноз погоды, тарифную кривую, состояние BESS и нагрузку объекта. Результат — экономия до 30% затрат на электроэнергию и дополнительный доход от продажи излишков. Получите консультацию по внедрению такой системы для вашего объекта.
Как AI-система снижает потери при управлении микрогенерацией
Прогноз генерации с точностью до 15 минут
Задача микрогенератора: каждые 15 минут решить — продать излишки, зарядить BESS или взять энергию из сети. Решение зависит от трёх факторов:
- Прогноз собственной генерации (солнце, ветер) на следующие 24–48 часов
- Прогноз потребления объекта
- Тарифная кривая (дифференцированный тариф: ночь/день/пик)
Для прогноза мы используем модель Prophet с дополнительными регрессорами: GHI (горизонтальная инсоляция), температура, облачность. Это даёт точность прогноза генерации ±8% (MAPE) на сутки вперёд. На практике это означает, что вы знаете на 96% точно, сколько энергии получите завтра. Сравните методы прогноза:
| Метод | Точность (MAPE) | Требования к данным | Скорость обучения |
|---|---|---|---|
| Prophet | 8% | 6–12 мес. с шагом 15 мин | Быстрое (1-2 мин) |
| LSTM (2 слоя) | 6% | 12+ мес., GPU | 2-4 часа |
| Градиентный бустинг | 7% | 6–12 мес., признаки | 10-20 мин |
Выбор метода зависит от объёма данных и требуемой точности. Для типового объекта с историей 6–12 месяцев Prophet — оптимальный вариант.
import numpy as np import pandas as pd from prophet import Prophet class MicrogenerationForecaster: """Прогноз генерации и потребления для объекта с микрогенерацией""" def fit_solar_model(self, historical_generation, capacity_kw): """Прогноз солнечной генерации через Prophet""" df = historical_generation.reset_index() df.columns = ['ds', 'y'] df['y'] = df['y'] / capacity_kw # нормировать на мощность → capacity factor model = Prophet( changepoint_prior_scale=0.05, seasonality_mode='multiplicative', yearly_seasonality=10, daily_seasonality=True, weekly_seasonality=False # солнце не зависит от дня недели ) model.fit(df) return model def predict_next_day(self, solar_model, load_model, weather_forecast): """Объединённый прогноз на следующие 24 часа""" future = solar_model.make_future_dataframe(periods=96, freq='15min') # Добавить регрессор погоды future = future.merge(weather_forecast[['ds', 'ghi', 'temperature']], on='ds', how='left') solar_forecast = solar_model.predict(future) load_forecast = load_model.predict(future) return pd.DataFrame({ 'timestamp': future['ds'], 'solar_kw': solar_forecast['yhat'].clip(0) * self.capacity_kw, 'load_kw': load_forecast['yhat'].clip(0), 'net_kw': (solar_forecast['yhat'] - load_forecast['yhat']).clip(-self.max_load) }) Как оптимизировать BESS с помощью AI?
Стратегия заряда/разряда BESS решается как задача стохастической оптимизации с горизонтом 24–48 часов. Используем линейное программирование (LP). Переменные: мощность заряда/разряда BESS, покупка/продажа из сети. Критерий — минимум затрат или максимум дохода. Типичные ограничения: ёмкость 10 кВт·ч, максимальная мощность 5 кВт, глубина разряда 10–90%, КПД 90%.
from scipy.optimize import linprog import numpy as np def optimize_bess_schedule( solar_forecast, # кВт по часам load_forecast, # кВт по часам tariff_grid_buy, # руб/кВтч по часам (покупка из сети) tariff_grid_sell, # руб/кВтч по часам (продажа в сеть) bess_capacity_kwh=10, bess_max_power_kw=5, bess_soc_init=0.5, bess_soc_min=0.1, bess_soc_max=0.9, bess_efficiency=0.9 ): """ Оптимизация расписания BESS. Переменные: [p_charge_t, p_discharge_t, p_grid_buy_t, p_grid_sell_t] × 24ч """ T = len(solar_forecast) # Линейное программирование (LP) # Упрощение: не учитываем бинарные ограничения одновременного заряда/разряда # Переменные: [charge[0..T], discharge[0..T], buy[0..T], sell[0..T], soc[0..T]] n_vars = T * 4 + T # charge, discharge, buy, sell, SoC c = np.zeros(n_vars) # Минимизировать затраты: стоимость покупки - доход от продажи for t in range(T): c[2*T + t] = tariff_grid_buy[t] # покупка — расход c[3*T + t] = -tariff_grid_sell[t] # продажа — доход (отрицательное) # Ограничения (упрощённо) # SoC баланс, ограничения мощности, ограничения SoC result = linprog(c, method='highs') # HiGHS solver return result AI-оптимизация в 2-3 раза эффективнее ручного управления по экономии затрат. Сравните:
| Параметр | Без AI | С AI |
|---|---|---|
| Решение «продать/сохранить» | Интуиция | Оптимизация с горизонтом 48 ч |
| Учёт тарифа | Нет | Дифференцированный |
| Zero-Export | Отключение излишков | Плавное управление нагрузкой |
| Экономия | Базовая | +25–40% |
Почему Zero-Export Control критичен для микрогенерации?
Если тариф продажи в сеть невыгоден или отсутствует — необходимо предотвратить обратную передачу. Zero-Export Control решает эту задачу:
- Прогноз излишков → увеличить нагрузку управляемых устройств (водонагреватель, насос, зарядка EV).
- При невозможности поглотить — снизить мощность инверторов СЭС (curtailment).
- Быстрый контур управления (100 мс): измерение тока в точке подключения → ПИД-регулятор выходной мощности инверторов.
Подробнее о Zero-Export контуре управления
Zero-Export реализован на базе ПИД-регулятора с прогнозирующим компонентом. Измерение мощности в точке подключения каждые 100 мс, прогноз излишков на 5 секунд вперёд. При превышении порога отправляется команда снижения мощности инвертора через Modbus. Дополнительно управляемые нагрузки (водонагреватель, зарядка EV) активируются по приоритету.Агрегация для программ Demand Response (VPP)
Сотни частных микрогенераторов объединяются в виртуальную электростанцию (VPP). AI-агрегатор:
- Прогнозирует суммарный экспорт ресурса.
- Участвует в балансирующем рынке.
- Распределяет платежи между участниками по вкладу (Shapley Values).
Мониторинг и диагностика
С момента легализации микрогенерации мы реализовали 15+ проектов. Оценка деградации панелей:
- Мониторинг Performance Ratio (PR): ожидаемая vs. фактическая выработка.
- Снижение PR на 0.5%/год — норма; >1.5%/год — деградация или загрязнение.
- IV-кривая анализ: идентификация теневого затенения, обрыва диода байпаса.
Что входит в разработку AI-системы управления микрогенерацией
- Анализ исходных данных: сбор и агрегация исторических данных генерации, потребления, тарифов. Проверка на пропуски и выбросы.
- Разработка прогнозных моделей: Prophet или LSTM для генерации, ARIMA для потребления. Оценка точности на кросс-валидации.
- Настройка BESS-оптимизатора: решение LP задачи с реальными параметрами BESS и тарифами.
- Интеграция с оборудованием: подключение к инверторам (Huawei, Sungrow, Victron) через Modbus/SunSpec, к BMS и счётчикам.
- Тестирование на исторических данных: A/B-эксперимент — сравнение решений AI с фактическими данными.
- Документация и обучение: руководство оператора, описание алгоритмов, регламент обновления моделей.
- Гарантийная поддержка 12 месяцев: исправление ошибок, консультации, адаптация к изменениям тарифов.
Срок разработки: 2–4 месяца для системы с прогнозом, BESS-оптимизацией и Zero-Export контролем. Стоимость рассчитывается индивидуально исходя из сложности оборудования и объёма данных.
Наша команда имеет 6+ лет опыта в AI для энергетики. Закажите консультацию — оценим ваш проект микрогенерации за 2 дня. Свяжитесь с нами, чтобы обсудить детали внедрения.