Разработка AI-системы управления освещением города Smart Lighting

Разработка AI-системы управления освещением города Smart Lighting

Городское уличное освещение — один из крупнейших потребителей электроэнергии муниципалитета: 30–40% от коммунальных расходов на электроэнергию. Smart Lighting снижает это потребление на 40–70% при сохранении и улучшении безопасности.

Адаптивное управление уровнем освещения

Логика адаптивного диммирования:

Интенсивность освещения подбирается под реальные условия:

• Время суток + астрономический расчёт (рассвет/закат без датчиков)
• Транспортный поток: датчики или анализ видео → при отсутствии движения — снизить до 30%
• Пешеходная активность: PIR или CV-счётчики → наличие людей → яркость 100%
• Погода: туман, снег → увеличить яркость выше номинала

import numpy as np
from astral import LocationInfo
from astral.sun import sun
import datetime

class AdaptiveLightingController:
    """Контроллер адаптивного освещения для группы светильников"""

    def __init__(self, location_lat, location_lon, city_name):
        self.location = LocationInfo(city_name, 'Russia', 'UTC+3',
                                    location_lat, location_lon)

    def calculate_dimming_level(self, timestamp, sensor_data):
        """
        Рассчитать уровень диммирования (0.0–1.0).
        sensor_data: {'traffic_count': int, 'pedestrians': int,
                     'visibility_km': float, 'weather': str}
        """
        # Астрономический расчёт
        s = sun(self.location.observer, date=timestamp.date())
        civil_dusk = s['dusk']
        civil_dawn = s['dawn']

        # Ночное время?
        is_dark = not (civil_dawn < timestamp.replace(tzinfo=civil_dawn.tzinfo) < civil_dusk)
        if not is_dark:
            return 0.0  # выключить днём

        # Базовый уровень по времени ночи
        hour = timestamp.hour
        if 22 <= hour or hour <= 6:
            base_level = 0.5  # поздняя ночь — экономия
        else:
            base_level = 0.8  # вечер/утро — стандарт

        # Корректировка по трафику и пешеходам
        activity = sensor_data.get('traffic_count', 0) + sensor_data.get('pedestrians', 0)
        if activity > 10:
            activity_level = 1.0
        elif activity > 3:
            activity_level = 0.8
        elif activity > 0:
            activity_level = 0.6
        else:
            activity_level = 0.3

        # Погодная поправка
        weather_factor = 1.3 if sensor_data.get('weather') in ['fog', 'snow'] else 1.0

        final_level = min(1.0, max(base_level, activity_level) * weather_factor)
        return final_level

Предиктивное обслуживание светильников

Мониторинг состояния LED:

Умные светильники с телеметрией передают:

• Мощность потребления: снижение >20% от номинала → деградация LED
• Температура модуля: перегрев → сокращение срока службы
• Напряжение питания: скачки → риск повреждения

Прогноз замены ламп:

ML-модель на данных телеметрии + паспортных характеристик:

• Время наработки (часы)
• Тепловой стресс (累积 температурная нагрузка)
• Число включений/выключений (термоциклирование)
• Прогноз остаточного ресурса → плановая замена до аварийного отказа

Экономия на замене: аварийная замена обходится в 2–3 раза дороже плановой (вызов аварийной бригады ночью, срочность).

Анализ видеоданных для управления

Traffic и pedestrian counting:

Камеры на столбах освещения:

• YOLOv8 + SORT tracker → подсчёт ТС и пешеходов в реальном времени
• Тепловые карты активности по времени суток и дням недели
• Прогноз активности → упреждающее повышение яркости

Детекция ДТП и инцидентов:

Anomaly detection на видеопотоке: резкое изменение сцены (столкновение, падение человека) → alert в дежурную службу. Снижение времени реагирования на ДТП с 8–15 до 2–4 минут.

Управление сетью освещения

Топология и потери:

Карта сети освещения в GIS (QGIS, ArcGIS) → ML-оптимизация группировки:

• Зонирование: разные сценарии для жилых, промышленных, торговых зон
• Балансировка нагрузки между фидерами
• Детекция несанкционированных подключений (воровство электроэнергии)

KPI системы:

Срок разработки: 2–4 месяца для Smart Lighting системы с адаптивным диммированием, предиктивным ТО и интеграцией в городскую ГИС.