Розробка AI-системи оптимізації теплопостачання

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.

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?

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

1. Аналітика (1–2 тижні): збір даних теплолічильників, погодних архівів, схеми мережі. Визначаємо ключові вузли.
2. Проєктування (1–2 тижні): створюємо фізичну модель мережі, підбираємо архітектуру ML (LightGBM + RC). Налаштовуємо пайплайн MLOps.
3. Реалізація (3–4 тижні): розробляємо моделі прогнозу, оптимізатор температурного графіка, RL-агент. Інтегруємо з SCADA.
4. Тест (1 тиждень): запускаємо в режимі shadow (модель радить, але не керує). Порівнюємо з реальними даними.
5. 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.

Які проблеми прогнозування часових рядів зустрічаються найчастіше?

Фінансовий директор запитує прогнозування часових рядів продажів на квартал. Аналітик будує SARIMA, досягає MAPE 8.3% на тестовій вибірці — і з гордістю деплоїть. Через два місяці в production метрика падає до 23%. Причина класична: модель навчалася на даних до COVID, тестувалася на стабільному періоді, а production потрапив на промо-акцію та збій поставок. Data leakage + distribution shift = гарні цифри в ноутбуці та непрацюючий прогноз в реальності. Ми стикалися з цим десятки разів. Наш досвід — 5+ років у прогнозуванні часових рядів для рітейлу, фінтеху та IoT, більше 50 завершених проєктів.

Неправильна крос-валідація. Стандартний train_test_split для часових рядів — помилка. Випадкове розбиття створює data leakage: модель бачить «майбутні» значення в навчанні. Правильно — TimeSeriesSplit або walk-forward validation з expanding window.

Множинна сезонність. Погодинні дані споживання електроенергії мають три сезонності: добову (24 год), тижневу (168 год), річну (8760 год). SARIMA справляється лише з однією. Prophet обробляє кілька, але повільно масштабується на тисячі рядів.

Пропуски та аномалії в даних. Пропуск у сенсорних даних — це інформація (датчик відключився), а не просто NaN. Лінійна інтерполяція вбиває цей сигнал. Правильна обробка залежить від природи пропуску.

Cold start при ієрархічному прогнозуванні. Новий SKU в асортименті з 50 000 позицій: історичних даних немає, потрібен прогноз. Стандартні підходи тут не працюють — потрібні cross-learning підходи або feature-based методи.

Які інструменти і коли застосовувати?

Prophet (Meta) — чудовий старт для бізнес-даних із зрозумілою сезонністю та святами. Швидко налаштовується, інтерпретований, вбудована обробка викидів і пропусків. Падає в точності при нерегулярних патернах і не масштабується на десятки тисяч рядів без паралелізації. Prophet (Facebook) — офіційна документація.

Gradient boosting на фічах (LightGBM, XGBoost) — часто недооцінений підхід. Створюєте фічі вручну: лаги (t-1, t-7, t-28), ковзні середні, категоріальні ознаки (день тижня, місяць), екзогенні змінні. Модель навчається на всіх рядах одночасно — вирішує cold start через схожі ряди. MAPE на рітейл-прогнозуванні часто кращий за нейронні мережі при правильній feature engineering.

TFT (Temporal Fusion Transformer) — трансформер, спеціально розроблений для інтерпретованого прогнозування з коваріатами. Вбудовані механізми: variable selection (які ознаки важливі), temporal self-attention (які часові точки впливають на прогноз), квантильні передбачення. Доступний у pytorch-forecasting. Вимагає ~10 000+ записів на ряд для стабільного навчання. Temporal Fusion Transformer — академічна публікація.

PatchTST — трансформер, який ділить часовий ряд на патчі (аналогічно ViT для зображень). Краще захоплює локальні патерни, ніж класичні трансформери. Добре працює для long-horizon forecasting (прогноз на 96–720 кроків). Реалізація в neuralforecast від Nixtla.

N-HiTS, N-BEATS — нейронні архітектури без attention, швидші за TFT, конкурентна точність. N-BEATS виграє на M4/M5 benchmark для задач без коваріат.

Як ми розгортаємо TFT в production?

TFT потребує ретельної підготовки даних. Типовий пайплайн через pytorch-forecasting:

training = TimeSeriesDataSet(
    data,
    time_idx="time_idx",
    target="sales",
    group_ids=["store", "sku"],
    min_encoder_length=max_encoder_length // 2,
    max_encoder_length=max_encoder_length,  # 120 днів
    min_prediction_length=1,
    max_prediction_length=max_prediction_length,  # 28 днів
    static_categoricals=["store_type", "category"],
    time_varying_known_reals=["price", "promo_flag"],
    time_varying_unknown_reals=["sales"],
    target_normalizer=GroupNormalizer(groups=["store", "sku"], transformation="softplus"),
)

Часта помилка: target_normalizer за замовчуванням (StandardScaler) ламає передбачення для рядів з нульовими значеннями (немає продажів у вихідні). GroupNormalizer з transformation="softplus" — правильний вибір для count-даних.

Покрокова інструкція з налаштування TFT

1. Збір та підготовка даних. Обробити пропуски (маркувати NaN, інтерполювати лише якщо це технічний збій), агрегувати до потрібної частоти, сформувати коваріати (свята, промо, ціни).
2. Створення TimeSeriesDataSet. Вказати group_ids (наприклад, магазин+SKU), часовий індекс, горизонт прогнозу. Налаштувати target_normalizer з урахуванням розподілу таргета.
3. Навчання baseline. Спочатку Prophet або LightGBM — щоб зрозуміти, наскільки складніше завдання.
4. Тренування TFT. Запустити TemporalFusionTransformer з loss=QuantileLoss(), підібрати learning rate та розміри hidden шарів. Використовувати pytorch_forecasting або neuralforecast.
5. Валідація та інтерпретація. Перевірити walk-forward, проаналізувати variable selection, побудувати attention heatmap.

Кейс: прогноз попиту в рітейлі. Мережа з 120 магазинів, 8000 SKU, горизонт прогнозу 28 днів. Вихідна система: SARIMA окремо для кожного ряду, MAPE 18.4%, повний цикл перенавчання — 6 годин. TFT на PyTorch + pytorch-forecasting: одна модель на всі ряди, MAPE 11.2%, перенавчання — 40 хв на A10G. Додатковий бонус: feature importance через variable selection — з'ясувалося, що day_before_holiday впливає сильніше, ніж сама дата свята. Середня економія бюджету на інференсі для клієнта склала значну суму.

Як правильно оцінювати якість прогнозів?

Не використовуйте RMSE як єдину метрику — вона сильно штрафує за великі помилки на великих значеннях. Наш набір метрик для рітейл-прогнозування:

• MAPE — інтерпретована, але нестабільна при значеннях близьких до нуля
• sMAPE — симетрична версія, уникає ділення на маленькі числа
• MASE (Mean Absolute Scaled Error) — нормалізована відносно наївного сезонного прогнозу, чудово підходить для порівняння між рядами з різними масштабами
• Quantile loss / Pinball loss — для ймовірнісного прогнозування, оцінка покриття інтервалів

Гарантуємо: ми надаємо model card з цими метриками на валідаційній вибірці та результати walk-forward тесту на історії не менше 6 місяців.

Що входить в роботу

• Документація щодо обраної архітектури, обґрунтування вибору гіперпараметрів.
• Відтворюваний пайплайн навчання та інференсу (Docker + CI/CD + Airflow/Prefect).
• Код з коментарями та модульними тестами на ключові компоненти.
• Навчання вашої команди: як перенавчати модель, як інтерпретувати виходи, як деплоїти нові версії.
• Підтримка протягом 3 місяців після здачі: консультації, виправлення багів, доналаштування.

Процес роботи

Починаємо з EDA: візуалізація, тест ADF на стаціонарність, STL-декомпозиція, аналіз пропусків та викидів. Це 2–3 дні, але часто виявляє системні проблеми даних, які блокують прогнозування.

Потім: baseline (наївний seasonal, Prophet), feature engineering для LGBM, вибір архітектури нейронної мережі якщо потрібно. Walk-forward validation з реалістичним горизонтом. Деплой через API з автоматичним перенавчанням за розкладом через Airflow або Prefect.

Строки орієнтовно: MVP-прогноз на одному типі даних — 3–6 тижнів. Ієрархічна система прогнозування з автоматизацією — 2–5 місяців. Вартість розраховується індивідуально.

Наша команда — сертифіковані ML-інженери (AWS ML Specialty, GCP Professional ML Engineer). За 5 років на ринку реалізували понад 50 проєктів з прогнозування. Зв'яжіться з нами для безкоштовного аналізу ваших даних — ми оцінимо завдання та дамо перші рекомендації за 1–2 дні. Замовте консультацію і переконайтеся, що ваші прогнози працюють в production, а не тільки в ноутбуці.