Разработка AI-системы оптимизации энергопотребления здания

Разработка AI-системы оптимизации энергопотребления здания

Коммерческая недвижимость потребляет 40% мировой электроэнергии. Здание среднего размера (10 000 м²) — 500–2000 МВтч/год. Интеллектуальное управление зданием (Building Energy Management System) снижает потребление на 20–35% без потери комфорта.

Модели здания

Physics-informed building model:

Здание описывается тепловой RC-схемой:

• R (thermal resistance): теплоизоляция стен, окон
• C (thermal capacity): тепловая масса конструкций
• Q_internal: тепловыделение людей, освещения, оборудования
• Q_solar: солнечный приток через окна

ML-идентификация параметров: по историческим данным температуры и потребления → LightGBM идентифицирует тепловую инерцию конкретного здания (1–4 часа типично).

import numpy as np
from scipy.integrate import odeint
from scipy.optimize import minimize
import pandas as pd

class BuildingThermalModel:
    """Упрощённая RC-модель теплодинамики здания"""

    def __init__(self, thermal_resistance=0.5, thermal_capacity=3e7):
        self.R = thermal_resistance   # °C/Вт
        self.C = thermal_capacity     # Дж/°C

    def simulate(self, T_init, t_hours, T_outdoor, Q_hvac, Q_internal, Q_solar):
        """
        Симуляция температуры в здании.
        Q_hvac: мощность HVAC [Вт], положительное = нагрев
        Q_internal: внутренние тепловыделения [Вт]
        Q_solar: солнечный приток [Вт]
        """
        def dT_dt(T, t):
            t_idx = min(int(t * 60), len(T_outdoor)-1)  # индекс по минутам
            Q_loss = (T_outdoor[t_idx] - T[0]) / self.R
            return [(Q_hvac[t_idx] + Q_internal[t_idx] + Q_solar[t_idx] + Q_loss) / self.C]

        t_sec = np.arange(0, t_hours * 3600, 60)  # каждую минуту
        T_sim = odeint(dT_dt, [T_init], t_sec)
        return T_sim.flatten()

    def calibrate(self, historical_temps, historical_inputs):
        """Подбор R и C по историческим данным (inverse problem)"""
        def residuals(params):
            self.R, self.C = params
            T_sim = self.simulate(**historical_inputs)
            return np.mean((T_sim - historical_temps)**2)

        result = minimize(residuals, x0=[0.5, 3e7], method='Nelder-Mead')
        self.R, self.C = result.x

Model Predictive Control для HVAC

Тепловая инерция здания — возможность для оптимизации. Если предзаохладить в дешёвые часы, то в пиковые (дорогие) часы HVAC работает меньше:

from scipy.optimize import minimize

def mpc_hvac_controller(
    building_model,
    current_temp,
    setpoint,           # целевая температура [°C]
    outdoor_forecast,   # прогноз уличной температуры на 24ч
    electricity_tariff, # тариф электроэнергии по часам [руб/кВтч]
    comfort_band=1.5    # допустимое отклонение от уставки [°C]
):
    N = 24  # горизонт 24 часа
    max_power = 500000  # Вт максимальная мощность HVAC

    def cost_function(Q_hvac_schedule):
        # Симулировать температуру при данном расписании мощностей
        T_sim = building_model.simulate(
            T_init=current_temp,
            t_hours=N,
            T_outdoor=outdoor_forecast,
            Q_hvac=Q_hvac_schedule,
            Q_internal=np.full(N*60, 50000),   # типичное тепловыделение
            Q_solar=np.zeros(N*60)              # ночью
        )
        # Энергетическая стоимость
        energy_cost = sum(
            Q_hvac_schedule[h] / 1000 * electricity_tariff[h]  # кВтч × тариф
            for h in range(N)
        )
        # Штраф за выход из зоны комфорта
        T_hourly = T_sim[::60][:N]
        comfort_violation = sum(max(0, abs(T_hourly[h] - setpoint) - comfort_band)**2
                               for h in range(N))

        return energy_cost + 10000 * comfort_violation  # взвешенная сумма

    Q0 = np.full(N, max_power * 0.3)  # начальное приближение
    bounds = [(0, max_power)] * N
    result = minimize(cost_function, Q0, method='SLSQP', bounds=bounds)
    return result.x[0]  # мощность на следующий час

Подсистемы здания

Освещение:

Комбинация датчиков движения + люксметры + ML-расписание:

• Присутствие в помещении (PIR датчики) → автоматическое выключение через 10 мин
• Daylight harvesting: измерить естественный свет → добавить ровно нужный
• ML предсказывает занятость переговорных по календарю → pre-heat + pre-light перед началом

Экономия освещения: 40–60% от базового потребления в офисных зданиях.

Лифты:

Алгоритм коллективного управления лифтами (Elevator Group Control):

• Прогноз паттернов движения (утром вниз, вечером вверх, обед хаотично)
• Предопределённое позиционирование кабин в ожидании пика
• Снижение среднего времени ожидания на 20–35%

Интеграция и мониторинг

BAS (Building Automation System) интеграция:

• BACnet/IP, Modbus, KNX — стандартные протоколы систем здания
• Digital twin здания: визуализация в BIM (Autodesk Revit, Bentley Buildings)
• Углеродный след: автоматическое формирование Energy Performance Certificate

Аномалии потребления:

Isolation Forest на почасовом потреблении по системам → alert при аномальном потреблении. Типичные причины: забытый кондиционер в выходной, утечка теплоносителя, неисправный нагревательный элемент.

Срок разработки: 3–5 месяцев для BMS AI-расширения с MPC-оптимизацией HVAC и аналитикой потребления.