AI-система управления возобновляемыми источниками энергии

Сетевые операторы платят миллионы за небаланс. Солнечные и ветровые электростанции теряют до 15% выручки из-за неточных прогнозов. AI-система управления ВИЭ решает эту проблему: прогнозирует выработку с MAPE менее 8%, управляет накопителями энергии (BESS) через RL-агентов и автоматизирует торговлю на рынке электроэнергии. За 5+ лет мы реализовали 15+ проектов для ВЭС и СЭС общей мощностью более 1 ГВт. В основе — гибридные модели прогноза, LightGBM для коррекции и виртуальная электростанция (VPP) для агрегации ресурсов.

Согласно исследованию NREL Solar Forecasting 2.0, чистые физические модели дают ошибку 10-15%, а гибрид с ML-коррекцией снижает её до 5-8%. Такой подход позволяет эффективно участвовать в рынке электроэнергии и ancillary services. Результат — снижение небаланса на 30-50% и дополнительная выручка до 15%.

Какие AI-модели прогнозируют выработку солнечных панелей?

Гибридная модель сочетает физику и машинное обучение.

Физическая модель

P_solar = G_poa × η × A × (1 - β × (T_module - T_ref))

G_poa — облучённость в плоскости панели, η — КПД, β — температурный коэффициент. Облучённость получаем из NWP-моделей (ECMWF/GFS) через преобразование GHI в POA с учётом наклона и ориентации.

ML-коррекция residuals

LightGBM учится на облачности (Cloud Cover Index из спутника EUMETSAT MSG), аэрозолях (AOD), температуре панели и факторе деградации. Результат — MAPE 5-8%.

Прогнозирование ветровой генерации

Мощность ветрогенератора ∝ V³ в рабочем диапазоне. 10% ошибка в скорости ветра → 30% ошибка в мощности. Ensemble NWP (ICON, GFS, ECMWF) объединяем через Bayesian Model Averaging (BMA).

def wind_power_ml(wind_speed, wind_direction, temperature, air_density, turbulence_intensity):
    features = np.array([wind_speed, np.sin(np.deg2rad(wind_direction)),
                         np.cos(np.deg2rad(wind_direction)), temperature,
                         air_density, turbulence_intensity])
    return power_curve_model.predict(features.reshape(1, -1))[0]

Почему RL-агент лучше rule-based контроллера для BESS?

Rule-based контроллеры не адаптируются к изменениям рынка и деградации. RL-агент (PPO или SAC) работает в непрерывном пространстве действий: состояние — SOC, прогнозы, цены, сигналы системного оператора; награда — revenue от арбитража минус cost деградации и штрафы за небаланс. Результат — до 20% дополнительной выручки.

Задачи BESS:

• Energy arbitrage: заряжать при низкой цене, разряжать при высокой
• Peak shaving: срезать пики нагрузки (снижение сетевой мощности)
• Frequency regulation: FCR/aFRR
• Smoothing: сглаживание нестационарности ВИЭ

Как мы это делаем: кейс внедрения на СЭС 50 МВт

Для одной из СЭС мы разработали гибридный прогноз и RL-агента для BESS. Первые две недели — сбор данных и аудит SCADA. Затем — калибровка физической модели и обучение LightGBM на исторических residuals. Параллельно развернули симулятор BESS для обучения RL-агента. Через 6 недель система была готова к A/B-тесту: две недели RL-агент показывал на 12% больше revenue по сравнению с rule-based контроллером. После интеграции с BMS и рынком внедрили пилот на месяц. Результат — снижение небаланса на 35%, дополнительная выручка от арбитража 8%.

Что входит в работу

• ML-модели прогноза (с документацией и версионированием в MLflow)
• Интеграция с SCADA и BMS (Modbus/IEC 61850)
• Дашборд мониторинга и управления
• Обучение операторов
• Техническая поддержка 3 месяца

VPP и участие в рынке

Агрегируем крышные панели, BESS, EV (V2G) и тепловые насосы в виртуальную электростанцию. Диспетчеризация через MILP (Gurobi/CPLEX) в реальном времени. Участие в Day-Ahead, Intraday и рынке резервов (FCR, aFRR, mFRR). Гарантируем точность прогнозов и соответствие требованиям системного оператора.

Сроки и стоимость

Прогноз + базовое управление BESS — 6-8 недель. VPP с RL и рыночной торговлей — 5-7 месяцев. Стоимость рассчитывается индивидуально после аудита объекта. Получите консультацию по внедрению AI-системы для вашего объекта — оцените потенциал экономии.

Закажите пилотный прогноз на ваших данных за 2 недели — мы покажем реальную точность на вашем объекте. Свяжитесь с нами для аудита и оценки потенциала вашей ВИЭ.

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.