Розробка AI-системи оптимізації теплозабезпечення
Теплозабезпечення — найбільша стаття витрат ЖКГ у Росії. AI-система оптимізує режим роботи теплових мереж: прогнозує теплове навантаження, автоматично регулює температурний графік та знижує споживання газу/тепла на 8-15%.
Тепловий баланс будівлі
Фізична модель:
Q_loss = U_building × A × (T_indoor - T_outdoor) + Q_ventilation
Q_needed = Q_loss - Q_solar_gain - Q_internal_gain
U-value будівлі (теплова провідність) — ключовий параметр. Визначається з даних теплолічильника + історичних температур (regression).
Теплова інерція: Будівля не миттєво реагує на зміну температури зовні. Часовий лаг: 1-6 годин залежно від маси будівлі. ML-модель явно враховує цей лаг.
Прогнозування теплового 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, # пасивне сонячне опалення
# 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, неочікувані відмови ізоляції)
- Hybrid: RC-model + ML-корекція залишків
Точність: MAPE 3-6% для годинного прогнозу на 24 години.
Оптимізація температурного графіку
Традиційний температурний графік ЦТ: залежність температури подачі від температури зовнішнього повітря — фіксована крива в регуляторі ІТП.
AI-оптимізація:
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 по поточній T_зовнішній
- AI: регулювання по T_зовнішній через 2-3 години (з урахуванням теплової інерції будівлі)
Це запобігає перегріву при потеплінню та переохолодженню при раптовому похолоданню.
Автоматичний контроль ІТП
ІТП (Індивідуальна Теплова Точка) — точка регулювання для будівлі:
Керовані параметри:
- Температура подачі теплоносія
- Витрата (через регулюючий клапан)
- Режим ГВС (гарячого водопостачання)
SCADA/АСУ ТП:
- Контролери ІТП: Siemens PLC / Овен ПЛК
- Протоколи: Modbus TCP, MQTT для IoT-датчиків
- SCADA: ZENON, IntegraTooll
ML-модель прийняття рішень для ІТП: RL-агент управляє клапаном, отримуючи спостереження: T_indoor, T_supply, T_outdoor_forecast. Награда: -energy_consumed при T_indoor >= setpoint.
Виявлення втрат та аварій
Аналіз теплових втрат: Порівняння: тепло подане джерелом vs. тепло отримане 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 участком")
Сегментація мережі: Гідравлічна модель мережі + виявлення аномалій → локалізація участку з втратами до 200-500 м.
Інтеграція з ГІС: QGIS / ArcGIS + база даних трубопроводів → візуалізація аномалій на карті → диспетчер бачить конкретний участок.
Метрики системи:
- Економія газу: 8-15% при AI-управлінні vs. фіксований графік
- Скарги на перегрів/переохолодження: зниження на 50-70%
- MAPE прогнозу теплового навантаження: < 5%
- Час локалізації аварії: з 4-8 годин до 30-60 хвилин
Графіки: базова прогнозна система + автоматичний температурний графік — 6-8 тижнів. Повнофункціональна система з RL-управлінням ІТП та аварійним детектором — 4-5 місяців.