Розробка AI-системи для енергетики
Енергетика переживає фундаментальну трансформацію: зростання ВДЕ (вітер, сонце), Battery Energy Storage, електромобілі створюють нові патерни генерації та споживання. AI управляє цією складною системою у реальному часі.
Прогнозування генерації ВДЕ
Прогноз сонячної генерації:
Ключовий фактор: сонячна радіація на поверхні панелей залежить від: - Глобальна горизонтальна радіація (GHI) з прогнозу погоди - Співвідношення прямої/розсіяної (Direct Normal Irradiance vs. Diffuse) - Температура панелей (при >25°C - зниження ККД ~0.4%/°C) - Забруднення панелей
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 вітрової генерації:
LSTM на NWP (Numerical Weather Prediction) даних: швидкість та напрямок вітру на висоті маточини. Особливість: крива потужності вітротурбіни нелінійна (cut-in ~3 м/с, rated ~12-15 м/с, cut-out ~25 м/с).
Балансування енергосистеми
Load Forecasting:
Прогноз споживання на системному рівні – основа балансування. Ознаки: - Температура повітря (нелінійна залежність: і спека, і мороз → піки) - День тижня, свята - Економічна активність (промислове споживання) - Циркулярні патерни: ранковий/вечірній піки
Transformer-based моделі (Informer, Autoformer) – новий стандарт для довгострокового прогнозу навантаження. MAPE на короткостроковому прогнозі (1-6 год): 1-3%.
Real-time балансування:
Dispatch optimization: при прогнозованому дефіциті/надлишку — як розподілити навантаження між: - Теплові станції (гнучка генерація) - BESS (Battery Energy Storage Systems) - Demand Response (керовані навантаження) - Міжсистемні перетікання
Stochastic MPC: оптимізація з урахуванням невизначеності прогнозу ВІЕ.
Predictive Maintenance енергетики
Предиктивне обслуговування турбін:
Газотурбінная установка (ГТУ) - високотемпературне обладнання з дорогим ТО: - Вібродіагностика: акселерометри на підшипниках → FFT-аналіз → деградація підшипника/дисбаланс - Термодинамічні параметри: ККД турбіни за вимірюванням → поступове забруднення компресора - Erosion/corrosion
Високовольтні трансформатори:
Моніторинг по розчинених газах в маслі (DGA - Dissolved Gas Analysis): - H₂, CH₄, C₂H₂, CO - індикатори різних типів дефектів - Дюваль трикутник + ML для класифікації типу несправності - Онлайн DGA датчики безперервний моніторинг без відбору моніторингу
Smart Grid та управління розподіленими ресурсами
Virtual Power Plant (VPP):
Об'єднання розподілених ресурсів (BESS, ДГУ, керовані навантаження) в єдиний диспетчерський ресурс: - Агрегація ≥1 МВт → участь у балансувальному ринку - ML-управління: коли заряджати/розряджати BESS для максимального доходу - Прогноз ціни на ОРЕМ (Оптовий ринок електроенергії та потужності)
EV Smart Charging:
Десятки тисяч електромобілів = кероване навантаження: - Прогноз часу підключення та від'їзду (з історії та профілю користувача) - V2G (Vehicle-to-Grid): розряд EV в піковий годинник → дохід власнику - Зарядка в нічний годинник (дешевий тариф) без перевищення трансформаторних потужностей
Термін розробки: 6-12 місяців для комплексної Energy AI платформи з прогнозуванням, балансуванням та predictive maintenance.