AI-оптимізація HVAC: знижуємо енергоспоживання на 15–30%

Розглянемо типовий офісний центр площею 10 000 м². Його HVAC споживає 40–60% загальнобудинкової енергії. Стандартні PID-регулятори працюють за принципом зворотного зв'язку: вимірюють поточну температуру та корегують подачу тепла/холоду. Через інерцію системи вони постійно перерегульовують, втрачаючи енергію на коливання. AI-оптимізація з MPC замінює реактивну логіку на предиктивну: ми будуємо теплову модель будівлі та плануємо керування на 24 години вперед. Результат — зниження енергоспоживання на 15–30% без заміни обладнання. Ми реалізували такі проекти в 50+ будівлях, і нижче розберемо ключові компоненти — від математики RC-моделі до реалізації MPC на Python.

Згідно з даними U.S. Energy Information Administration, комерційні будівлі витрачають до 40% енергії на HVAC. Наша технологія дозволяє скоротити ці втрати вдвічі.

Чому AI кращий за традиційні PID-регулятори?

PID-регулятори підтримують температуру, але роблять це реактивно: спочатку відхилення, потім корекція. MPC (Model Predictive Control) прогнозує теплові процеси на 24 години вперед і задає уставки упереджувально. Результат — у 3–5 разів менше енергоспоживання при тому ж рівні комфорту.

Завдяки Model Predictive Control ми домагаємося кращого результату з мінімальними витратами.

Як ми моделюємо теплові процеси?

Використовуємо RC-модель будівлі — кожен поверх або зону представляємо як один тепловий вузол з ємністю C та опором R. Тепловий баланс:

Q_hvac = Q_transmission + Q_solar + Q_occupants + Q_lighting + Q_equipment - Q_ventilation

Калібруємо параметри за історичними даними BMS за 1 рік методом найменших квадратів (scipy.optimize.curve_fit). Kalman Filter адаптує модель при змінах — ремонт, заміна вікон, зміна occupancy.

class ThermalZone:
    def __init__(self, C_kJ_per_K, R_wall_K_per_kW, volume_m3):
        self.C = C_kJ_per_K
        self.R = R_wall_K_per_kW
        self.V = volume_m3

    def predict_temperature(self, T0, T_outdoor, Q_hvac, Q_internal, dt_minutes):
        Q_loss = (T0 - T_outdoor) / self.R
        Q_net = Q_hvac + Q_internal - Q_loss
        dT = Q_net * dt_minutes * 60 / (self.C * 1000)
        return T0 + dT

Що дає прогнозування навантаження?

Точний прогноз occupancy та теплового навантаження на 24 години — основа енергоефективного керування. Ми використовуємо дані BMS (температура, витрата повітря, потужність чилерів), прогноз погоди та календар бронювання. Модель LSTM прогнозує occupancy з точністю 92%.

BMS/BACnet дані:

bms_points = {
    'zone_temp_actual': bacnet.read('AI:101'),
    'zone_temp_setpoint': bacnet.read('AO:201'),
    'supply_air_temp': bacnet.read('AI:105'),
    'return_air_temp': bacnet.read('AI:106'),
    'ahu_supply_flow_cfm': bacnet.read('AI:110'),
    'vav_damper_position_pct': bacnet.read('AO:210'),
    'chiller_power_kw': bacnet.read('AI:120'),
    'ahu_fan_power_kw': bacnet.read('AI:121'),
    'heating_coil_kbtu': bacnet.read('AI:122')
}

Model Predictive Control (MPC) використовує цей прогноз для оптимізації уставок на кожній годині з урахуванням тарифу та комфорту. Pre-cooling стратегія: вночі за дешевим тарифом охолоджуємо нижче норми, вдень навантаження на чилер мінімальне.

from scipy.optimize import minimize
import numpy as np

def optimize_hvac_setpoints(zone_model, weather_forecast_24h, occupancy_forecast, tariff_schedule, comfort_min=20, comfort_max=24):
    n_hours = 24

    def total_energy_cost(setpoints):
        T_zone = zone_model.current_temp
        total_cost = 0
        for h in range(n_hours):
            Q_required = zone_model.compute_hvac_power(T_zone, setpoints[h], weather_forecast_24h[h], occupancy_forecast[h])
            energy_kwh = Q_required / 3.5 / 1000
            total_cost += energy_kwh * tariff_schedule[h]
            T_zone = zone_model.predict_temperature(T_zone, weather_forecast_24h[h], Q_required, occupancy_forecast[h] * 100, 60)
        return total_cost

    def comfort_violation(setpoints):
        violations = []
        T_zone = zone_model.current_temp
        for h in range(n_hours):
            if occupancy_forecast[h] > 0.1:
                violations.append(max(0, comfort_min - setpoints[h]))
                violations.append(max(0, setpoints[h] - comfort_max))
        return -sum(violations)

    result = minimize(total_energy_cost, x0=np.ones(n_hours) * 22, bounds=[(18, 26)] * n_hours, constraints={'type': 'ineq', 'fun': comfort_violation}, method='SLSQP')
    return result.x

Demand Control Ventilation (DCV): вентиляція тільки для людей

Замість фіксованого об'єму подачі повітря Demand Control Ventilation (DCV) регулює вентиляцію по CO₂. Датчики CO₂ стоять у кожній зоні — якщо людей немає, вентилятор працює на 30%. Економія 10–20% від споживання вентиляції без втрати якості повітря.

def compute_ventilation_setpoint(co2_ppm, target_co2=1000):
    if co2_ppm < 600:
        return 0.3
    elif co2_ppm > 1200:
        return 1.0
    else:
        return 0.3 + (co2_ppm - 600) / (1200 - 600) * 0.7

Діагностика несправностей (FDD): запобігаємо поломкам

Fault Detection and Diagnostics (FDD) виявляє аномалії до того, як вони призведуть до відмови обладнання. Isolation Forest на нормалізованих даних BMS відмічає відхилення — замерзання змійовика, заклинювання заслінки, дрейф сенсора. Ефект: зниження витрат на ремонт на 10–15% за рахунок раннього виявлення.

Скільки економить AI-оптимізація на практиці?

Для великого офісного центру річні витрати на клімат-контроль значні. AI-оптимізація з MPC, DCV та FDD скорочує цю суму на 15–30%. Окупність — 2–3 роки.

Хочете дізнатися потенціал економії для вашої будівлі? Зв'яжіться з нами для попередньої оцінки.

Як впровадити AI-оптимізацію за 4 кроки

1. Аудит: збір даних BMS, калібрування RC-моделі (1–2 тижні)
2. Розробка ML: прогноз occupancy & навантаження, MPC (4–6 тижнів)
3. Інтеграція: BACnet/IP gateway, запис setpoints, дашборди (1–2 тижні)
4. Тестування: A/B-тест 2 тижні, доналаштування, документація

Що входить в роботу

• Звіт з енергоаудиту з каліброваною моделлю будівлі
• ML-модулі для прогнозу навантаження та MPC
• Інтеграція з BACnet та готові дашборди
• Документація для експлуатації
• Навчання персоналу (2 дні)
• Гарантія на 12 місяців

Терміни та вартість

Термін — від 5 тижнів для базового рішення до 4 місяців для повного комплексу з MPC, DCV та FDD. Вартість розраховується індивідуально, типова окупність — 2–3 роки за рахунок економії енергії.

Ми — команда сертифікованих інженерів з досвідом та 50+ реалізованими проектами. Зв'яжіться з нами — оцінимо ваш проект безкоштовно. Отримайте консультацію інженера: надішліть дані BMS — ми скажемо, який потенціал економії у вашій будівлі.

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.