Ми проєктуємо AI-системи, які знижують витрати на теплопостачання на 8–15% за рахунок інтелектуального прогнозу навантажень, автоматичного коригування температурного графіка та ранньої детекції витоків. Розберемо технічний кейс: як перетворити теплову мережу з реактивного контуру в проактивний, самонавчальний організм. Ми маємо 5-річний досвід та реалізували 30+ успішних проєктів — від одиночних котелень до районних мереж.
Чому традиційне регулювання не справляється?
Класичний температурний графік ЦТ — фіксована крива: температура подачі залежить тільки від поточної температури зовнішнього повітря. Це ігнорує теплову інерцію будівель (1–6 годин залежно від маси) і призводить до перетопів при потеплінні або переохолодженню при різкому похолоданні. AI-підхід враховує прогноз погоди на 6 годин вперед, сонячну радіацію, вітер та історію споживання кожної будівлі.
Тепловий баланс будівлі — основа фізичної моделі:
Q_loss = U_building × A × (T_indoor - T_outdoor) + Q_ventilation Q_needed = Q_loss - Q_solar_gain - Q_internal_gain U-value (теплова провідність) визначається з даних теплолічильника та історичних температур за допомогою регресії. Це дозволяє моделі адаптуватися до реальних характеристик будівлі.
Як прогнозується теплове навантаження?
Вхідні дані:
heating_features = { # Погода (основний драйвер) 'temp_outside': outdoor_temperature, 'temp_forecast_6h': temperature_6h_ahead, 'wind_speed': wind_speed, # конвективні втрати 'solar_radiation': ghi, # пасивний сонячний нагрів # Будівля/мережа 'temp_indoor_setpoint': 22.0, 'building_heat_loss_coeff': U_building, 'thermal_mass': building_thermal_mass, # Історичні 'heat_demand_lag_1h': heat_demand_1h_ago, 'heat_demand_lag_24h': heat_demand_24h_ago, # Контекст 'hour': hour_of_day, 'is_occupied': occupancy_schedule, # робочі години vs. ніч 'day_type': encode(workday_weekend_holiday) } Моделі:
- RC-model (Resistance-Capacitance): фізична модель теплового балансу. Параметри ідентифікуються з даних АСКУЕТ.
- ML (LightGBM): краще захоплює аномалії (вітер у щілини, несподівані відмови ізоляції).
- Hybrid: RC-model + ML-корекція залишків.
| Метод | MAPE (24h) | Складність впровадження | Область застосування |
|---|---|---|---|
| Проста регресія | 10-15% | Низька | Оцінки, що не потребують точності |
| RC-model | 5-8% | Середня | Типові будівлі, стабільна мережа |
| Hybrid (RC+ML) | 3-6% | Висока | Складні мережі, аномалії, оптимізація |
Точність: MAPE 3-6% для погодинного прогнозу на 24 години. Це в 2-3 рази краще, ніж традиційна регресія.
Оптимізація температурного графіка
Традиційний температурний графік ЦТ — фіксована крива в регуляторі ІТП. AI замінює його динамічним розрахунком:
def optimal_supply_temperature(T_outdoor, T_indoor_target, Q_predicted, hydraulic_state, network_losses): """ Мінімізуємо: gas_consumption(T_supply) При обмеженні: T_indoor >= T_target для всіх споживачів """ # Гідравлічна модель мережі → температура у кожного споживача # як функція від T_supply та витрат T_consumer = hydraulic_model(T_supply, flow_rates) constraint = T_consumer.min() >= T_indoor_target # Оптимізуємо result = minimize_gas(T_supply, constraints=[constraint]) return result.x Погодне регулювання з прогнозом:
- Класика: регулювання за поточною T_зовнішньою
- AI: регулювання за T_зовнішньою через 2-3 години (з урахуванням теплової інерції будівлі)
Це запобігає перетопу при потеплінні та переохолодженню при різкому похолоданні.
Що робить наш підхід унікальним?
| Параметр | Традиційне керування | AI-керування |
|---|---|---|
| Температурний графік | Фіксований, за поточною T_outdoor | Динамічний, з прогнозом на 6 год |
| Врахування теплової інерції | Ні | Явно моделюється (RC-модель) |
| Адаптація до будівлі | Тільки через ручне налаштування | Автоматична ідентифікація параметрів |
| Реакція на аномалії | Диспетчер бачить через 2–4 години | ML-детектор за 15 хвилин |
Автоматичний контроль ІТП
ІТП (Індивідуальний Тепловий Пункт) — точка регулювання для будівлі: Керовані параметри:
- Температура подачі теплоносія
- Витрата (через регулюючий клапан)
- Режим ГВП (гаряче водопостачання)
SCADA/АСУ ТП:
- Контролери ІТП: Siemens PLC / Овен ПЛК
- Протоколи: Modbus TCP, MQTT для IoT-датчиків
- SCADA: ZENON, ІнтеграTOOL
ML-модель прийняття рішень для ІТП: RL-агент керує клапаном, отримуючи observation: T_indoor, T_supply, T_outdoor_forecast. Reward: -energy_consumed при T_indoor >= setpoint.
Детекція втрат та аварій
Аналіз теплових втрат: Порівняння: тепло подане джерелом vs. тепло прийняте споживачами. Різниця = втрати в мережі. Аномальне зростання втрат → можлива аварія трубопроводу.
def detect_network_leak(supply_heat, return_heat, consumer_receipts): theoretical_losses = supply_heat - consumer_receipts actual_losses = supply_heat - return_heat # за приладами обліку unexplained_loss = actual_losses - theoretical_losses if unexplained_loss / supply_heat > 0.05: # >5% раптові втрати alert("Можлива аварія в мережі, локалізувати за ділянкою") Сегментація мережі: Гідравлічна модель мережі + детекція аномалій → локалізація ділянки з втратами до 200-500 м.
Інтеграція з ГІС: QGIS / ArcGIS + база даних трубопроводів → візуалізація аномалій на карті → диспетчер бачить конкретну ділянку.
Як ми це робимо: процес роботи
- Аналітика (1–2 тижні): збір даних теплолічильників, погодних архівів, схеми мережі. Визначаємо ключові вузли.
- Проєктування (1–2 тижні): створюємо фізичну модель мережі, підбираємо архітектуру ML (LightGBM + RC). Налаштовуємо пайплайн MLOps.
- Реалізація (3–4 тижні): розробляємо моделі прогнозу, оптимізатор температурного графіка, RL-агент. Інтегруємо з SCADA.
- Тест (1 тиждень): запускаємо в режимі shadow (модель радить, але не керує). Порівнюємо з реальними даними.
- Деплой (1 тиждень): вводимо в промислову експлуатацію, навчаємо диспетчерів.
Що входить в роботу
- Документація: архітектура рішення, модель даних, API-специфікація.
- Доступи: до серверів з моделями, до Grafana-дашбордів (всі метрики в реальному часі).
- Навчання: workshop для диспетчерів та інженерів (4 години).
- Підтримка: 3 місяці пост-продакшн моніторингу та доналаштування моделей.
Метрики системи
- Економія газу: 8-15% при AI-керуванні vs. фіксований графік. Для об'єкта з бюджетом 1 млн грн на тепло це 80-150 тис. грн на рік.
- Скарги на перегрів/переохолодження: зниження на 50-70%
- MAPE прогнозу теплового навантаження: < 5%
- Час локалізації аварії: з 4-8 годин до 30-60 хвилин (у 5-8 разів швидше)
Чому обирають нас
- 5+ років на ринку AI-оптимізації, 30+ успішних проєктів у теплопостачанні.
- Сертифіковані інженери з SCADA та ML (Siemens, PyTorch).
- Гарантуємо економію 8–15% — якщо не досягаємо, доопрацьовуємо безкоштовно.
Згідно тепловий комфорт, підтримання температури ±1°C критичне для будівель. Наша система утримує її в цих межах, економлячи ресурси.
RC-модель представляє будівлю як електричне коло: тепловий опір (R) оболонки та теплову ємність (C) внутрішньої маси. Диференціальне рівняння: C * dT/dt = (T_out - T_in)/R + Q_heating. Розв'язок дає температуру всередині залежно від часу та подачі тепла.
Зв'яжіться з нами для попередньої оцінки вашого проєкту. Замовте демонстрацію системи на ваших даних — ми покажемо потенціал економії на реальних цифрах. Оцінка проєкту безкоштовна — просто напишіть нам.
Терміни: базова прогнозна система + автоматичний температурний графік — 6-8 тижнів під ключ. Повноцінна система з RL-керуванням ІТП та аварійним детектором — 4-5 місяців.