AI-система керування мікрогенерацією: прогноз та оптимізація
Помилка на 15-хвилинному інтервалі може коштувати $4–6ів — за місяць набігає $140–200ів, а за рік сягає $1.6k–2.3kів чистого збитку. Власники мікрогенерації стикаються з дилемою: продати надлишки в мережу за нічним тарифом чи зберегти в BESS для ранкового піку. Без точного прогнозу рішення приймається на інтуїції — і призводить до втрат. Щодня ви приймаєте до 96 рішень про розподіл енергії. Помилка в одному може перекреслити вигоду від інших.
Ми створюємо AI-системи, які автоматично керують мікрогенерацією. Наші алгоритми враховують прогноз погоди, тарифну криву, стан BESS та навантаження об'єкта. Результат — економія до 30% витрат на електроенергію та додатковий дохід від продажу надлишків. Отримайте консультацію щодо впровадження такої системи для вашого об'єкта.
Як AI-система знижує втрати при керуванні мікрогенерацією
Прогноз генерації з точністю до 15 хвилин
Завдання мікрогенератора: кожні 15 хвилин вирішувати — продати надлишки, зарядити BESS чи взяти енергію з мережі. Рішення залежить від трьох факторів:
- Прогноз власної генерації (сонце, вітер) на наступні 24–48 годин
- Прогноз споживання об'єкта
- Тарифна крива (диференційований тариф: ніч/день/пік)
Для прогнозу ми використовуємо модель Prophet з додатковими регресорами: GHI (горизонтальна інсоляція), температура, хмарність. Це дає точність прогнозу генерації ±8% (MAPE) на добу вперед. На практиці це означає, що ви знаєте на 96% точно, скільки енергії отримаєте завтра. Порівняйте методи прогнозу:
| Метод | Точність (MAPE) | Вимоги до даних | Швидкість навчання |
|---|---|---|---|
| Prophet | 8% | 6–12 міс. з кроком 15 хв | Швидке (1-2 хв) |
| LSTM (2 шари) | 6% | 12+ міс., GPU | 2-4 години |
| Градієнтний бустинг | 7% | 6–12 міс., ознаки | 10-20 хв |
Вибір методу залежить від обсягу даних та необхідної точності. Для типового об'єкта з історією 6–12 місяців Prophet — оптимальний варіант.
import numpy as np import pandas as pd from prophet import Prophet class MicrogenerationForecaster: """Прогноз генерації та споживання для об'єкта з мікрогенерацією""" def fit_solar_model(self, historical_generation, capacity_kw): """Прогноз сонячної генерації через Prophet""" df = historical_generation.reset_index() df.columns = ['ds', 'y'] df['y'] = df['y'] / capacity_kw # нормувати на потужність → capacity factor model = Prophet( changepoint_prior_scale=0.05, seasonality_mode='multiplicative', yearly_seasonality=10, daily_seasonality=True, weekly_seasonality=False # сонце не залежить від дня тижня ) model.fit(df) return model def predict_next_day(self, solar_model, load_model, weather_forecast): """Об'єднаний прогноз на наступні 24 години""" future = solar_model.make_future_dataframe(periods=96, freq='15min') # Додати регресор погоди 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) }) Як оптимізувати BESS за допомогою AI?
Стратегія заряду/розряду BESS вирішується як задача стохастичної оптимізації з горизонтом 24–48 годин. Використовуємо лінійне програмування (LP). Змінні: потужність заряду/розряду BESS, купівля/продаж з мережі. Критерій — мінімум витрат або максимум доходу. Типові обмеження: ємність 10 кВт·год, максимальна потужність 5 кВт, глибина розряду 10–90%, ККД 90%.
from scipy.optimize import linprog import numpy as np def optimize_bess_schedule( solar_forecast, # кВт по годинах load_forecast, # кВт по годинах tariff_grid_buy, # руб/кВтгод по годинах (купівля з мережі) tariff_grid_sell, # руб/кВтгод по годинах (продаж в мережу) 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 ): """ Оптимізація розкладу BESS. Змінні: [p_charge_t, p_discharge_t, p_grid_buy_t, p_grid_sell_t] × 24год """ T = len(solar_forecast) # Лінійне програмування (LP) # Спрощення: не враховуємо бінарні обмеження одночасного заряду/розряду # Змінні: [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) # Мінімізувати витрати: вартість купівлі - дохід від продажу for t in range(T): c[2*T + t] = tariff_grid_buy[t] # купівля — витрата c[3*T + t] = -tariff_grid_sell[t] # продаж — дохід (від'ємне) # Обмеження (спрощено) # SoC баланс, обмеження потужності, обмеження SoC result = linprog(c, method='highs') # HiGHS solver return result AI-оптимізація у 2-3 рази ефективніша за ручне керування з точки зору економії витрат. Порівняйте:
| Параметр | Без AI | З AI |
|---|---|---|
| Рішення «продати/зберегти» | Інтуїція | Оптимізація з горизонтом 48 год |
| Врахування тарифу | Ні | Диференційований |
| Zero-Export | Відключення надлишків | Плавне керування навантаженням |
| Економія | Базова | +25–40% |
Чому Zero-Export Control критичний для мікрогенерації?
Якщо тариф продажу в мережу невигідний або відсутній — необхідно запобігти зворотній передачі. Zero-Export Control вирішує це завдання:
- Прогноз надлишків → збільшити навантаження керованих пристроїв (водонагрівач, насос, зарядка EV).
- При неможливості поглинути — знизити потужність інверторів СЕС (curtailment).
- Швидкий контур керування (100 мс): вимірювання струму в точці підключення → ПІД-регулятор вихідної потужності інверторів.
Докладніше про Zero-Export контур керування
Zero-Export реалізовано на базі ПІД-регулятора з прогнозуючим компонентом. Вимірювання потужності в точці підключення кожні 100 мс, прогноз надлишків на 5 секунд вперед. При перевищенні порогу надсилається команда зниження потужності інвертора через Modbus. Додатково керовані навантаження (водонагрівач, зарядка EV) активуються за пріоритетом.Агрегація для програм Demand Response (VPP)
Сотні приватних мікрогенераторів об'єднуються у віртуальну електростанцію (VPP). AI-агрегатор:
- Прогнозує сумарний експорт ресурсу.
- Бере участь у балансуючому ринку.
- Розподіляє платежі між учасниками за внеском (Shapley Values).
Моніторинг та діагностика
З моменту легалізації мікрогенерації ми реалізували 15+ проектів. Оцінка деградації панелей:
- Моніторинг Performance Ratio (PR): очікувана vs. фактична виробітка.
- Зниження PR на 0.5%/рік — норма; >1.5%/рік — деградація або забруднення.
- IV-крива аналіз: ідентифікація тіньового затінення, обриву діода байпаса.
Що входить у розробку AI-системи керування мікрогенерацією
- Аналіз вихідних даних: збір та агрегація історичних даних генерації, споживання, тарифів. Перевірка на пропуски та викиди.
- Розробка прогнозних моделей: Prophet або LSTM для генерації, ARIMA для споживання. Оцінка точності на крос-валідації.
- Налаштування BESS-оптимізатора: розв'язання LP задачі з реальними параметрами BESS та тарифами.
- Інтеграція з обладнанням: підключення до інверторів (Huawei, Sungrow, Victron) через Modbus/SunSpec, до BMS та лічильників.
- Тестування на історичних даних: A/B-експеримент — порівняння рішень AI з фактичними даними.
- Документація та навчання: посібник оператора, опис алгоритмів, регламент оновлення моделей.
- Гарантійна підтримка 12 місяців: виправлення помилок, консультації, адаптація до змін тарифів.
Термін розробки: 2–4 місяці для системи з прогнозом, BESS-оптимізацією та Zero-Export контролем. Вартість розраховується індивідуально залежно від складності обладнання та обсягу даних.
Наша команда має 6+ років досвіду в AI для енергетики. Замовте консультацію — оцінимо ваш проект мікрогенерації за 2 дні. Зв'яжіться з нами, щоб обговорити деталі впровадження.