AI-система керування відновлюваними джерелами енергії

Мережеві оператори платять мільйони за небаланс. Сонячні та вітрові електростанції втрачають до 15% виручки через неточні прогнози — що для СЕС потужністю 50 МВт становить до 15 млн грн на рік. Компанія має 5+ років досвіду та 15+ успішних проєктів для об'єктів ВДЕ загальною потужністю понад 1 ГВт. AI-система керування ВДЕ вирішує цю проблему: прогнозує виробіток з MAPE менше 8% — у 2 рази точніше ніж чисті фізичні моделі, керує накопичувачами енергії (BESS) через RL-агентів та автоматизує торгівлю на ринку електроенергії. Застосовуємо стохастичне прогнозування з ансамблем NWP та байєсівське усереднення моделей для мінімізації невизначеності. Гібридна модель точніша за чисті фізичні моделі в 2 рази, а RL-агент перевершує rule-based контролери у 2-3 рази за додатковим виторгом. За понад 5 років ми реалізували 15+ проєктів для ВЕС та СЕС загальною потужністю понад 1 ГВт. В основі — гібридні моделі прогнозу, LightGBM для корекції та віртуальна електростанція (VPP) для агрегації ресурсів.

Згідно з дослідженням NREL Solar Forecasting 2.0, чисті фізичні моделі дають похибку 10-15%, а гібрид з ML-корекцією знижує її до 5-8%. Такий підхід дозволяє ефективно брати участь у ринку електроенергії та ancillary services. Результат — зниження небалансу на 30-50% та додатковий виторг до 15%, що еквівалентно економії до 15 млн грн на рік для об'єктів потужністю 50 МВт.

Які AI-моделі прогнозують виробіток сонячних панелей?

Гібридна модель поєднує фізику та машинне навчання.

Фізична модель

P_solar = G_poa × η × A × (1 - β × (T_module - T_ref))

G_poa — опроміненість у площині панелі, η — ККД, β — температурний коефіцієнт. Опроміненість отримуємо з NWP-моделей (ECMWF/GFS) через перетворення GHI в POA з урахуванням нахилу та орієнтації.

ML-корекція residuals

LightGBM навчається на хмарності (Cloud Cover Index із супутника EUMETSAT MSG), аерозолях (AOD), температурі панелі та факторі деградації. Результат — MAPE 5-8%.

Прогнозування вітрової генерації

Потужність вітрогенератора ∝ V³ у робочому діапазоні. 10% похибка у швидкості вітру → 30% похибка у потужності. Ensemble NWP (ICON, GFS, ECMWF) об'єднуємо через Bayesian Model Averaging (BMA), що дозволяє знизити похибку прогнозу вітру на 15% відносно найкращої окремої моделі.

def wind_power_ml(wind_speed, wind_direction, temperature, air_density, turbulence_intensity):
    features = np.array([wind_speed, np.sin(np.deg2rad(wind_direction)),
                         np.cos(np.deg2rad(wind_direction)), temperature,
                         air_density, turbulence_intensity])
    return power_curve_model.predict(features.reshape(1, -1))[0]

Чому RL-агент кращий за rule-based контролер для BESS?

Rule-based контролери не адаптуються до змін ринку та деградації. RL-агент (PPO або SAC) працює в неперервному просторі дій: стан — SOC, прогнози, ціни, сигнали системного оператора; винагорода — revenue від арбітражу мінус cost деградації та штрафи за небаланс. Результат — до 20% додаткового виторгу, що у 2-3 рази краще ніж rule-based підходи.

Завдання BESS:

• Energy arbitrage: заряджати при низькій ціні, розряджати при високій
• Peak shaving: зрізати піки навантаження (зниження мережевої потужності)
• Frequency regulation: FCR/aFRR
• Smoothing: згладжування нестаціонарності ВДЕ

Як впроваджується AI-система керування відновлюваними джерелами енергії: кейс СЕС 50 МВт

Для однієї з СЕС ми розробили гібридний прогноз та RL-агента для BESS. Перші два тижні — збір даних та аудит SCADA. Потім — калібрування фізичної моделі та навчання LightGBM на історичних residuals. Паралельно розгорнули симулятор BESS для навчання RL-агента. Через 6 тижнів система була готова до A/B-тесту: два тижні RL-агент показував на 12% більше revenue порівняно з rule-based контролером. Після інтеграції з BMS та ринком впровадили пілот на місяць. Результат — зниження небалансу на 35%, додатковий виторг від арбітражу 8%.

5 кроків для впровадження AI-системи керування ВДЕ:

1. Збір та аудит даних (SCADA, BMS, ринкові дані) — 1-2 тижні.
2. Калібрування фізичної моделі та навчання ML-корекції — 2 тижні.
3. Розгортання симулятора BESS та навчання RL-агента — 2 тижні.
4. A/B-тестування на реальних даних — 2 тижні.
5. Інтеграція з BMS, SCADA та ринком — 1-2 тижні.

Що входить у роботу AI-системи керування ВДЕ

• ML-моделі прогнозу (з документацією та версіонуванням у MLflow)
• Інтеграція з SCADA та BMS (Modbus/IEC 61850)
• Дашборд моніторингу та керування
• Навчання операторів
• Технічна підтримка 3 місяці

VPP та участь у ринку

Агрегуємо дахові панелі, BESS, EV (V2G) та теплові насоси у віртуальну електростанцію. Диспетчеризація через MILP (Gurobi/CPLEX) у реальному часі. Участь у Day-Ahead, Intraday та ринку резервів (FCR, aFRR, mFRR). Гарантуємо точність прогнозів та відповідність вимогам системного оператора.

Терміни та вартість

Прогноз + базове керування BESS — 6-8 тижнів. VPP з RL та ринковою торгівлею — 5-7 місяців. Вартість розраховується індивідуально після аудиту об'єкта. Отримайте консультацію щодо впровадження AI-системи для вашого об'єкта — оцініть потенціал економії.

Наш досвід: 5+ років у сфері AI для енергетики, 15+ успішних проєктів, загальна потужність об'єктів понад 1 ГВт.

Замовте пілотний прогноз на ваших даних за 2 тижні — ми покажемо реальну точність на вашому об'єкті. Зв'яжіться з нами для аудиту та оцінки потенціалу вашої ВДЕ.

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.