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%.
| Метод | MAPE (добовий) | Необхідні дані |
|---|---|---|
| Фізична модель | 10-15% | GHI, температура, параметри панелей |
| Чистий ML (LSTM) | 8-12% | Історичні ряди, погода |
| Гібрид (фізика + LightGBM) | 5-8% | Фізика + ML-резидуали, супутникові знімки |
Детальний опис фізичної моделі
Фізична модель розраховує потужність на основі опроміненості та температури. Параметри панелей отримуються з даташитів. Для врахування втрат у інверторі та проводці використовується коефіцієнт 0.95.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.
| Підхід | Адаптивність | Дод. виторг | Складність впровадження |
|---|---|---|---|
| Rule-based | Низька | — | Низька |
| RL-агент | Висока | до +20% | Середня |
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:
- Збір та аудит даних (SCADA, BMS, ринкові дані) — 1-2 тижні.
- Калібрування фізичної моделі та навчання ML-корекції — 2 тижні.
- Розгортання симулятора BESS та навчання RL-агента — 2 тижні.
- A/B-тестування на реальних даних — 2 тижні.
- 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.