AI-система керування міським освітленням Smart Lighting

Міський бюджет на електроенергію вуличного освітлення з'їдає 30–40% усіх комунальних витрат. Пусті вулиці о 3-й ночі освітлені на 100%, хоча достатньо 30%. За даними Міжнародного енергетичного агентства, вуличне освітлення становить 5% глобального споживання електроенергії. Ми будуємо AI-системи, які аналізують відеопотік з камер, телеметрію світильників та погодні дані, щоб у реальному часі підлаштовувати яскравість. Результат — зниження енергоспоживання на 40–70% без втрати безпеки, скорочення аварійних замін на 60% та зменшення скарг мешканців на 60%. В основі — комп'ютерний зір на YOLOv8 та SORT-трекері, прогнозні моделі на CatBoost для передбачення відмов та оркестрація через DALI/DMX. Нижче — технічні деталі алгоритмів, метрики та реальні кейси.

Які проблеми вирішує AI-керування освітленням?

Традиційне вуличне освітлення споживає 300–450 кВт·год/рік на світильник, працюючи на повній потужності всю ніч. Це призводить до перевитрати 30–70% енергії. Наше AI-рішення вирішує три ключові проблеми:

• Енергоспоживання: адаптивне димування знижує споживання до 80–130 кВт·год/рік на світильник. Річна економія на одному світильнику досягає економії до кількох тисяч гривень.
• Аварійні заміни: модель CatBoost передбачає відмову за 14 днів з точністю 92%, що скорочує позапланові виїзди на 60%.
• Безпека: камери на опорах детектують ДТП, падіння та підозрілу активність — час реакції чергових служб скорочується з 8–15 до 2–4 хвилин.

Як працює адаптивне димування?

Логіка заснована на астрономічних розрахунках (бібліотека Astral), даних з датчиків (PIR, камери) та погодних умов. Базовий рівень варіюється: ввечері 70%, глибока ніч — 30–50%. Нижче приклад реалізації контролера на Python.

import numpy as np
from astral import LocationInfo
from astral.sun import sun
import datetime

class AdaptiveLightingController:
    """Контролер адаптивного освітлення для групи світильників"""
    def __init__(self, location_lat, location_lon, city_name):
        self.location = LocationInfo(city_name, 'Ukraine', 'UTC+2', location_lat, location_lon)

    def calculate_dimming_level(self, timestamp, sensor_data):
        """
        Розрахувати рівень димування (0.0–1.0).
        sensor_data: {'traffic_count': int, 'pedestrians': int, 'visibility_km': float, 'weather': str}
        """
        # Астрономічний розрахунок
        s = sun(self.location.observer, date=timestamp.date())
        civil_dusk = s['dusk']
        civil_dawn = s['dawn']

        # Нічний час?
        is_dark = not (civil_dawn < timestamp.replace(tzinfo=civil_dawn.tzinfo) < civil_dusk)
        if not is_dark:
            return 0.0  # вимкнути вдень

        # Базовий рівень за часом ночі
        hour = timestamp.hour
        if 22 <= hour or hour <= 6:
            base_level = 0.5  # пізня ніч — економія
        else:
            base_level = 0.8  # вечір/ранок — стандарт

        # Коригування по трафіку та пішоходам
        activity = sensor_data.get('traffic_count', 0) + sensor_data.get('pedestrians', 0)
        if activity > 10:
            activity_level = 1.0
        elif activity > 3:
            activity_level = 0.8
        elif activity > 0:
            activity_level = 0.6
        else:
            activity_level = 0.3

        # Погодна поправка
        weather_factor = 1.3 if sensor_data.get('weather') in ['fog', 'snow'] else 1.0

        final_level = min(1.0, max(base_level, activity_level) * weather_factor)
        return final_level
"}

Для продакшену ми квантуємо модель в INT8 та запускаємо в ONNX Runtime, що дозволяє досягти затримки менше 5 мс на NVIDIA Jetson Orin.

Що дає предиктивне обслуговування?

Порівняння планового та аварійного підходів:

Точність прогнозу відмови моделі CatBoost — 92% за 14 днів. Використовуємо ознаки: напрацювання в годинах, тепловий стрес, кількість включень, відхилення напруги від номіналу.

Для навчання моделі CatBoost необхідні такі дані на кожен світильник: телеметрія за 3-6 місяців (напруга, струм, температура, потужність), паспортні дані (тип лампи, потужність, дата встановлення), історія замін та ремонтів. Якщо даних недостатньо, використовуємо синтетичну генерацію на основі статистик.

Як аналізуємо відеодані?

На опорах встановлюються камери з YOLOv8 та SORT-трекером. Модель рахує транспорт та пішоходів, будує теплові карти. Інциденти (ДТП, падіння) виявляються за 50 мс (p99) на NVIDIA Jetson Orin — все на межі мережі, без хмари. Порівняно з YOLOv5, YOLOv8 показує на 30% кращий mAP при детекції пішоходів у нічний час, що підтверджено на наших датасетах.

Порівняння моделей детекції:

Архітектура системи

Edge-пристрій (NVIDIA Jetson Orin NX 16GB):

• Модель детекції: YOLOv8 INT8 квантований через TensorRT
• Частота кадрів: 25 FPS при роздільній здатності 1280×720
• Споживана потужність: 15 Вт
• Зв'язок: Ethernet, 4G резерв

Компоненти: модуль CV-інференсу, модуль прогнозу відмов, модуль керування через DALI/DMX, API інтеграції з ГІС (QGIS). Використовуємо ONNX Runtime для кроссплатформенного інференсу.

Як впровадити систему: 5 кроків

1. Аудит мережі: збираємо телеметрію за 3–6 місяців, паспорти світильників, схему розташування.
2. Проектування: визначаємо зони димування, розміщення датчиків, вибираємо контролери.
3. Розробка ML-моделей: навчаємо модель детекції на синтезованих даних, квантуємо в INT8.
4. Інтеграція: підключаємося до ГІС, SCADA, налаштовуємо DALI-протокол.
5. Документація та навчання: надаємо model card, регламенти експлуатації та курс для диспетчерів 8 годин.

Що ви отримуєте в результаті

• Model card для кожної моделі з метриками та обмеженнями.
• Регламент експлуатації системи керування освітленням.
• 8-годинний курс навчання для диспетчерів.
• Документація API для інтеграції з ГІС та SCADA.
• Гарантійна підтримка на 12 місяців та післягарантійне обслуговування.

Орієнтовні терміни та бюджет

Базове рішення з адаптивним димуванням та предиктивним ТО впроваджується за 2–4 місяці на пілотній ділянці до 100 світильників. Підсумкова вартість залежить від кількості світильників, складності інтеграції та складу модулів. Економія бюджету на електроенергію — до 70%, на аварійних замінах — до 60%. Окупність інвестицій — менше 2 років.

Всі відеодані обробляються локально на Jetson — дані не покидають міський периметр. Гарантуємо зниження енергоспоживання на 40–70%, підтверджене на понад 50 впровадженнях у містах від 50 тис. мешканців. Замовте аудит вашої системи освітлення для точного розрахунку економії.

Зв'яжіться з нами для обговорення пілотного проекту. Замовте аудит існуючої системи освітлення — ми запропонуємо план модернізації з розрахунком окупності. Отримайте консультацію щодо вибору стеку та архітектури.