Мы проектируем AI-системы, которые снижают затраты на теплоснабжение на 8–15% за счёт интеллектуального прогноза нагрузок, автоматической корректировки температурного графика и ранней детекции утечек. Разберём технический кейс: как превратить тепловую сеть из реактивного контура в проактивный, самообучающийся организм. За 5 лет работы мы внедрили такие решения в 30+ проектах — от одиночных котельных до районных сетей. Средняя экономия тепла составляет $10k–20k. за отопительный сезон, а окупаемость системы не превышает 2 лет.
Почему традиционное регулирование не справляется?
Классический температурный график ЦТ — фиксированная кривая: температура подачи зависит только от текущей температуры наружного воздуха. Это игнорирует тепловую инерцию зданий (1–6 часов в зависимости от массы) и приводит к перетопам при потеплении или переохлаждению при резком похолодании. AI-подход учитывает прогноз погоды на 6 часов вперёд, солнечную радиацию, ветер и историю потребления каждого здания.
Тепловой баланс здания — основа физической модели:
Q_loss = U_building × A × (T_indoor - T_outdoor) + Q_ventilation Q_needed = Q_loss - Q_solar_gain - Q_internal_gain U-value (тепловая проводимость) определяется из данных теплосчётчика и исторических температур с помощью регрессии. Это позволяет модели адаптироваться к реальным характеристикам здания.
Как прогнозируется тепловая нагрузка?
Входные данные:
heating_features = { # Погода (основной драйвер) 'temp_outside': outdoor_temperature, 'temp_forecast_6h': temperature_6h_ahead, 'wind_speed': wind_speed, # конвективные потери 'solar_radiation': ghi, # пассивный солнечный нагрев # Здание/сеть 'temp_indoor_setpoint': 22.0, 'building_heat_loss_coeff': U_building, 'thermal_mass': building_thermal_mass, # Исторические 'heat_demand_lag_1h': heat_demand_1h_ago, 'heat_demand_lag_24h': heat_demand_24h_ago, # Контекст 'hour': hour_of_day, 'is_occupied': occupancy_schedule, # рабочие часы vs. ночь 'day_type': encode(workday_weekend_holiday) } Модели:
- RC-model (Resistance-Capacitance): физическая модель теплового баланса. Параметры идентифицируются из данных АСКУЭТ.
- ML (LightGBM): лучше захватывает аномалии (ветер в трещины, неожиданные отказы изоляции).
- Hybrid: RC-model + ML-коррекция остатков.
| Метод | MAPE (24h) | Сложность внедрения | Область применения |
|---|---|---|---|
| Простая регрессия | 10-15% | Низкая | Оценки, не требующие точности |
| RC-model | 5-8% | Средняя | Типовые здания, стабильная сеть |
| Hybrid (RC+ML) | 3-6% | Высокая | Сложные сети, аномалии, оптимизация |
Точность: MAPE 3-6% для почасового прогноза на 24 часа.
Оптимизация температурного графика
Традиционный температурный график ЦТ — фиксированная кривая в регуляторе ИТП. AI заменяет его динамическим расчётом:
def optimal_supply_temperature(T_outdoor, T_indoor_target, Q_predicted, hydraulic_state, network_losses): """ Минимизируем: gas_consumption(T_supply) При ограничении: T_indoor >= T_target для всех потребителей """ # Гидравлическая модель сети → температура у каждого потребителя # как функция от T_supply и расходов T_consumer = hydraulic_model(T_supply, flow_rates) constraint = T_consumer.min() >= T_indoor_target # Оптимизируем result = minimize_gas(T_supply, constraints=[constraint]) return result.x Погодное регулирование с прогнозом:
- Классика: регулировка по текущей T_наружной
- AI: регулировка по T_наружной через 2-3 часа (с учётом тепловой инерции здания)
Это предотвращает перетоп при потеплении и переохлаждение при резком похолодании.
Что делает наш подход unique?
| Параметр | Традиционное управление | AI-управление |
|---|---|---|
| Температурный график | Фиксированный, по текущей T_outdoor | Динамический, с прогнозом на 6 ч |
| Учёт тепловой инерции | Нет | Явно моделируется (RC-модель) |
| Адаптация к зданию | Только через ручную настройку | Автоматическая идентификация параметров |
| Реакция на аномалии | Диспетчер видит через 2–4 часа | ML-детектор за 15 минут |
Автоматический контроль ИТП
ИТП (Индивидуальный Тепловой Пункт) — точка регулирования для здания: Управляемые параметры:
- Температура подачи теплоносителя
- Расход (через регулирующий клапан)
- Режим ГВС (горячее водоснабжение)
SCADA/АСУ ТП:
- Контроллеры ИТП: Siemens PLC / Овен ПЛК
- Протоколы: Modbus TCP, MQTT для IoT-датчиков
- SCADA: ZENON, ИнтеграTOOL
ML-модель принятия решений для ИТП: RL-агент управляет клапаном, получая observation: T_indoor, T_supply, T_outdoor_forecast. Reward: -energy_consumed при T_indoor >= setpoint.
Детекция потерь и аварий
Анализ тепловых потерь: Сравнение: тепло подано источником vs. тепло принято потребителями. Разница = потери в сети. Аномальный рост потерь → возможная авария трубопровода.
def detect_network_leak(supply_heat, return_heat, consumer_receipts): theoretical_losses = supply_heat - consumer_receipts actual_losses = supply_heat - return_heat # по приборам учёта unexplained_loss = actual_losses - theoretical_losses if unexplained_loss / supply_heat > 0.05: # >5% внезапные потери alert("Возможная авария в сети, локализовать по участку") Сегментация сети: Гидравлическая модель сети + детекция аномалий → локализация участка с потерями до 200-500 м.
Интеграция с ГИС: QGIS / ArcGIS + база данных трубопроводов → визуализация аномалий на карте → диспетчер видит конкретный участок.
Как мы это делаем: процесс работы
- Аналитика (1–2 недели): сбор данных теплосчётчиков, погодных архивов, схемы сети. Определяем ключевые узлы.
- Проектирование (1–2 недели): создаём физическую модель сети, подбираем архитектуру ML (LightGBM + RC). Настраиваем пайплайн MLOps.
- Реализация (3–4 недели): разрабатываем модели прогноза, оптимизатор температурного графика, RL-агент. Интегрируем с SCADA.
- Тест (1 неделя): запускаем в режиме shadow (модель советует, но не управляет). Сравниваем с реальными данными.
- Деплой (1 неделя): вводим в промышленную эксплуатацию, обучаем диспетчеров.
Что входит в работу
- Документация: архитектура решения, модель данных, API-спецификация.
- Доступы: к серверам с моделями, к Grafana-дашбордам (все метрики в реальном времени).
- Обучение: workshop для диспетчеров и инженеров (4 часа).
- Поддержка: 3 месяца пост-продакшн мониторинга и донастройки моделей.
Метрики системы
- Экономия газа: 8-15% при AI-управлении vs. фиксированный график
- Жалобы на перегрев/переохлаждение: снижение на 50-70%
- MAPE прогноза тепловой нагрузки: < 5%
- Время локализации аварии: с 4-8 часов до 30-60 минут
Почему выбирают нас
- 5 лет на рынке AI-оптимизации, 30+ успешных проектов в теплоснабжении.
- Сертифицированные инженеры по SCADA и ML (Siemens, PyTorch).
- Гарантируем экономию 8–15% — если не достигаем, дорабатываем бесплатно.
Согласно тепловой комфорт, поддержание температуры ±1°C критично для зданий. Наша система удерживает её в этих пределах, экономя ресурсы.
Подробнее о RC-модели
RC-модель представляет здание как электрическую цепь: тепловое сопротивление (R) оболочки и тепловую ёмкость (C) внутренней массы. Дифференциальное уравнение: C * dT/dt = (T_out - T_in)/R + Q_heating. Решение даёт температуру внутри в зависимости от времени и подачи тепла.Свяжитесь с нами для предварительной оценки вашего проекта. Закажите демонстрацию системы на ваших данных — мы покажем потенциал экономии на реальных цифрах.
Сроки: базовая прогнозная система + автоматический температурный график — 6-8 недель. Полноценная система с RL-управлением ИТП и аварийным детектором — 4-5 месяцев.