Разработка AI-системы оптимизации теплоснабжения

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 1–2 млн руб. 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.

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?

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

1. Аналитика (1–2 недели): сбор данных теплосчётчиков, погодных архивов, схемы сети. Определяем ключевые узлы.
2. Проектирование (1–2 недели): создаём физическую модель сети, подбираем архитектуру ML (LightGBM + RC). Настраиваем пайплайн MLOps.
3. Реализация (3–4 недели): разрабатываем модели прогноза, оптимизатор температурного графика, RL-агент. Интегрируем с SCADA.
4. Тест (1 неделя): запускаем в режиме shadow (модель советует, но не управляет). Сравниваем с реальными данными.
5. 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.

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.

Какие проблемы прогнозирования временных рядов встречаются чаще всего?

Финансовый директор запрашивает прогнозирование временных рядов продаж на квартал. Аналитик строит SARIMA, добивается MAPE 8.3% на тестовой выборке — и с гордостью деплоит. Через два месяца в production метрика падает до 23%. Причина классическая: модель обучалась на данных до COVID, тестировалась на стабильном периоде, а production попал на промо-акцию и сбой поставок. Data leakage + distribution shift = красивые цифры в ноутбуке и неработающий прогноз в реальности. Мы сталкивались с этим десятки раз. Наш опыт — 5+ лет в прогнозировании временных рядов для ритейла, финтеха и IoT, более 50 завершённых проектов.

Неправильная кросс-валидация. Стандартный train_test_split для временных рядов — ошибка. Случайное разбиение создаёт data leakage: модель видит «будущие» значения в обучении. Правильно — TimeSeriesSplit или walk-forward validation с expanding window.

Множественная сезонность. Почасовые данные потребления электроэнергии имеют три сезонности: суточную (24 ч), недельную (168 ч), годовую (8760 ч). SARIMA справляется только с одной. Prophet обрабатывает несколько, но медленно масштабируется на тысячи рядов.

Пропуски и аномалии в данных. Пропуск в сенсорных данных — это информация (датчик отключился), а не просто NaN. Линейная интерполяция убивает этот сигнал. Правильная обработка зависит от природы пропуска.

Cold start при иерархическом прогнозировании. Новый SKU в ассортименте из 50 000 позиций: исторических данных нет, нужен прогноз. Стандартные подходы тут не работают — нужны cross-learning подходы или feature-based методы.

Какие инструменты и когда применять?

Prophet (Meta) — отличный старт для бизнес-данных с понятной сезонностью и праздниками. Быстро настраивается, интерпретируем, встроенная обработка выбросов и пропусков. Падает в точности при нерегулярных паттернах и не масштабируется на десятки тысяч рядов без параллелизации. Prophet (Facebook) — официальная документация.

Gradient boosting на фичах (LightGBM, XGBoost) — часто недооценённый подход. Создаёте фичи вручную: лаги (t-1, t-7, t-28), скользящие средние, категориальные признаки (день недели, месяц), экзогенные переменные. Модель обучается на всех рядах одновременно — решает cold start через похожие ряды. MAPE на ритейл-прогнозировании часто лучше нейронных сетей при правильной feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, специально разработанный для интерпретируемого прогнозирования с ковариатами. Встроенные механизмы: variable selection (какие признаки важны), temporal self-attention (какие временные точки влияют на прогноз), квантильные предсказания. Доступен в pytorch-forecasting. Требует ~10 000+ записей на ряд для стабильного обучения. Temporal Fusion Transformer — академическая публикация.

PatchTST — трансформер, который делит временной ряд на патчи (аналогично ViT для изображений). Лучше захватывает локальные паттерны, чем классические трансформеры. Хорошо работает для long-horizon forecasting (прогноз на 96–720 шагов). Реализация в neuralforecast от Nixtla.

N-HiTS, N-BEATS — нейронные архитектуры без attention, быстрее TFT, конкурентная точность. N-BEATS выигрывает на M4/M5 benchmark для задач без ковариат.

Как мы разворачиваем TFT в production?

TFT требует тщательной подготовки данных. Типичный пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 дней
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 дней
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Частая ошибка: target_normalizer по умолчанию (StandardScaler) ломает предсказания для рядов с нулевыми значениями (нет продаж в выходные). GroupNormalizer с transformation="softplus" — правильный выбор для count-данных.

Пошаговая инструкция по настройке TFT

1. Сбор и подготовка данных. Обработать пропуски (маркировать NaN, интерполировать только если это технический сбой), агрегировать до нужной частоты, сформировать ковариаты (праздники, промо, цены).
2. Создание TimeSeriesDataSet. Указать group_ids (например, магазин+SKU), временной индекс, горизонт прогноза. Настроить target_normalizer с учётом распределения таргета.
3. Обучение baseline. Сначала Prophet или LightGBM — чтобы понять, насколько сложнее задача.
4. Тренировка TFT. Запустить TemporalFusionTransformer с loss=QuantileLoss(), подобрать learning rate и размеры hidden слоёв. Использовать pytorch_forecasting или neuralforecast.
5. Валидация и интерпретация. Проверить walk-forward, проанализировать variable selection, построить attention heatmap.

Кейс: прогноз спроса в ритейле. Сеть из 120 магазинов, 8000 SKU, горизонт прогноза 28 дней. Исходная система: SARIMA отдельно для каждого ряда, MAPE 18.4%, полный цикл переобучения — 6 часов. TFT на PyTorch + pytorch-forecasting: одна модель на все ряды, MAPE 11.2%, переобучение — 40 мин на A10G. Дополнительный бонус: feature importance через variable selection — выяснилось, что day_before_holiday влияет сильнее, чем сама дата праздника. Средняя экономия бюджета на инференсе для клиента составила 1.5 млн ₽ в год.

Как правильно оценивать качество прогнозов?

Не используйте RMSE как единственную метрику — она сильно штрафует за большие ошибки на больших значениях. Наш набор метрик для ритейл-прогнозирования:

• MAPE — интерпретируема, но нестабильна при значениях близких к нулю
• sMAPE — симметричная версия, избегает деления на маленькие числа
• MASE (Mean Absolute Scaled Error) — нормализован относительно наивного сезонного прогноза, отлично подходит для сравнения между рядами с разными масштабами
• Quantile loss / Pinball loss — для вероятностного прогнозирования, оценка покрытия интервалов

Гарантируем: мы предоставляем model card с этими метриками на валидационной выборке и результаты walk-forward теста на истории не менее 6 месяцев.

Что входит в работу

• Документация по выбранной архитектуре, обоснование выбора гиперпараметров.
• Воспроизводимый пайплайн обучения и инференса (Docker + CI/CD + Airflow/Prefect).
• Код с комментариями и модульными тестами на ключевые компоненты.
• Обучение вашей команды: как переобучать модель, как интерпретировать выходы, как деплоить новые версии.
• Поддержка в течение 3 месяцев после сдачи: консультации, фиксы багов, донастройка.

Процесс работы

Начинаем с EDA: визуализация, тест ADF на стационарность, STL-декомпозиция, анализ пропусков и выбросов. Это 2–3 дня, но часто выявляет системные проблемы данных, которые блокируют прогнозирование.

Затем: baseline (наивный seasonal, Prophet), feature engineering для LGBM, выбор архитектуры нейронной сети если нужно. Walk-forward validation с реалистичным горизонтом. Деплой через API с автоматическим переобучением по расписанию через Airflow или Prefect.

Сроки ориентировочно: MVP-прогноз на одном типе данных — 3–6 недель. Иерархическая система прогнозирования с автоматизацией — 2–5 месяцев. Стоимость рассчитывается индивидуально.

Наша команда — сертифицированные ML-инженеры (AWS ML Specialty, GCP Professional ML Engineer). За 5 лет на рынке реализовали более 50 проектов по прогнозированию. Свяжитесь с нами для бесплатного анализа ваших данных — мы оценим задачу и дадим первые рекомендации за 1–2 дня. Закажите консультацию и убедитесь, что ваши прогнозы работают в production, а не только в ноутбуке.