Розробка AI-системи прогнозування споживання енергії

Розробка AI-системи прогнозування споживання енергії

Прогнозування електроспоживання необхідно усім рівнях енергосистеми: об'єкт (промислове підприємство, будинок), розподільна мережу, системний оператор. Точність прогнозу безпосередньо впливає вартість балансування: кожен відсоток помилки обходиться мережевим компаніям мільйонами рублів на рік.

Ієрархія завдань прогнозування

Рівень об'єкта:

• Прогноз споживання будівлі/підприємства для управління піковим навантаженням
• BEMS (Building Energy Management System): оптимізація режиму роботи HVAC, освітлення
• Обрій: 15 хвилин - 24 години

Рівень розподільчої мережі:

• прогноз навантаження на трансформаторних підстанціях
• Балансування навантаження між фідерами
• Обрій: 1-7 днів

Системний рівень (СО ЄЕС):

• прогноз споживання по ОЕС (об'єднаним енергосистемам)
• Планування dispatch електростанцій
• Горизонт: 1-7 днів, квартальний та річний

Ключові фактори

Погода (40-60% варіабельності споживання):

• Температура: головний драйвер. Heating Degree Days (HDD) та Cooling Degree Days (CDD).
• Крива Temperature-Load: U-подібна для житлового сектора (обігрів + кондиціювання)
• Вологість: температура, що здається, впливає на кондиціювання
• Сонячна радіація: прямий вплив на охолодження будівель

Тимчасові патерни:

• добовий профіль: будні (офісний пік), вихідні (житловий пік)
• сезонний: літо vs. зима vs. перехідний період
• Свята: промисловість стоїть, житловий сектор споживає інакше

Структурні зміни:

• Введення нових підприємств/торгових центрів
• Електрифікація транспорту: EV charging створює нові пікові профілі
• Теплові насоси: зростання споживання взимку

Моделі для різних горизонтів

Дуже короткостроковий (15 хв - 4 год):

• LSTM із послідовністю останніх 24-48 годин
• Feature: недавнє навантаження, погода (факт + прогноз)
• Показники: MAPE < 3%

Short-Term (1-7 днів):

імпортувати lightgbm як lgb

функції = {
    'load_lag_24h': завантаження_вчора_за_тією ж_годиною,
    'load_lag_168h': load_last_week_same_hour,
    'temp_forecast': прогноз_температури,
    'hdd': max(0, 18 - temp_forecast), # Базова температура градо-днів опалення 18°C
    'cdd': max(0, temp_forecast - 22), # Дні з похолоданням
    'година': година_дня,
    'dow': день_тижня,
    'is_holiday': прапорець_свята,
    'годин_сходу_сонця': астрономічний_схід_сонця,
    'ghi_forecast': глобальна_горизонтальна_освітленість
}

модель = lgb.LGBMРегресор(n_оцінювачів=500)

Medium-Term (місяць - рік):

• Сезонна декомпозиція + модель тренду
• Macro-economic indicators (ВВП → промислове виробництво → енергоспоживання)
• MAPE 3-7%

Детекція аномалій споживання

Базовий рівень + аномалія:

def detect_consumption_anomaly(фактичне, прогнозоване, вікно=168):
    # Нормалізований residual
    залишки = фактичні - прогнозовані
    baseline_std = residuals.rolling(window).std()
    z_score = залишки / базовий_стандарт
    повернути z_score.abs() > 3.0

# Високий z-score → можливий витік, обладнання працює некоректно
# Низький z-score → обладнання зупинено (свято, поломка)

Аномальне споживання → автоматичне сповіщення енергоменеджера підприємства.

Інтеграція реагування на попит

Прогноз дозволяє автоматизувати demand response:

При очікуваному дефіциті в мережі:

1. СО ЄЕС оголошує ціновий сигнал у DAM (Day Ahead Market)
2. BEMS об'єкта отримує сигнал
3. Автоматично: зсув гнучкого навантаження (заряджання EV, нагрівання теплоакумулятора)
4. Зниження піку на 10-20%

Для промислових споживачів (RTE / КОМ): Контракт DR: Ви зобов'язуєтесь знизити навантаження на X МВт при сигналі → отримуєте премію. ML-система точно визначає гнучке навантаження (можна перенести без шкоди для виробництва).

Інтеграція із системами управління

• SCADA АСУ ТП: одержання фактичних даних навантаження у реальному часі
• АСКУЕ (Автоматизована Система Комерційного Обліку Електроенергії): дані приладів обліку
• BI-системи: Power BI / Tableau дашборди для енергоменеджерів
• ERP SAP IS-U: інтеграція для енергозбутових компаній

Метрики:

• MAPE добового прогнозу: < 5% для системного оператора, < 3% для об'єкта
• Peak Load Accuracy: помилка у прогнозі піку < 2%
• Cost savings: зниження небалансової вартості

Строки: базова модель короткострокового прогнозу для одного об'єкта - 3-4 тижні. Ієрархічна система рівня мережі з anomaly detection та demand response - 3-4 місяці.