Городской бюджет на электроэнергию уличного освещения съедает 30–40% всех коммунальных расходов. Пустые улицы в 3 ночи освещены на 100%, хотя достаточно 30%. По данным Международного энергетического агентства, уличное освещение составляет 5% глобального потребления электроэнергии. Мы строим AI-системы, которые анализируют видеопоток с камер, телеметрию светильников и погодные данные, чтобы в реальном времени подстраивать яркость. Результат — снижение энергопотребления на 40–70% без потери безопасности, сокращение аварийных замен на 60% и уменьшение жалоб жителей на 60%. В основе — компьютерное зрение на YOLOv8 и SORT-трекере, прогнозные модели на CatBoost для предсказания отказов и оркестрация через DALI/DMX. Ниже — технические детали алгоритмов, метрики и реальные кейсы.
Какие проблемы решает AI-управление освещением?
Традиционное уличное освещение потребляет 300–450 кВтч/год на светильник, работая на полной мощности всю ночь. Это приводит к перерасходу 30–70% энергии. Наше AI-решение решает три ключевые проблемы:
- Энергопотребление: адаптивное диммирование снижает потребление до 80–130 кВтч/год на светильник. Годовая экономия на одном светильнике достигает экономии до нескольких тысяч долларов.
- Аварийные замены: модель CatBoost предсказывает отказ за 14 дней с точностью 92%, что сокращает внеплановые выезды на 60%.
- Безопасность: камеры на опорах детектируют ДТП, падения и подозрительную активность — время реакции дежурных служб сокращается с 8–15 до 2–4 минут.
Как работает адаптивное диммирование?
Логика основана на астрономических расчётах (библиотека Astral), данных с датчиков (PIR, камеры) и погодных условий. Базовый уровень варьируется: вечером 70%, глубокая ночь — 30–50%. Ниже пример реализации контроллера на Python.
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 Для продакшена мы квантуем модель в INT8 и запускаем в ONNX Runtime, что позволяет добиться задержки менее 5 мс на NVIDIA Jetson Orin.
Что даёт предиктивное обслуживание?
Сравнение планового и аварийного подходов:
| Метрика | Стандартное освещение | Smart Lighting |
|---|---|---|
| Потребление кВтч/год/светильник | 300–450 | 80–130 |
| Время работы на полной яркости | 100% ночного времени | 60–75% |
| Плановые замены vs. аварийные | 60/40 | 90/10 |
| Жалобы на освещение | базис | -60% |
Точность прогноза отказа модели CatBoost — 92% за 14 дней. Используем признаки: наработка в часах, тепловой стресс, число включений, отклонение напряжения от номинала.
Для обучения модели CatBoost необходимы следующие данные на каждый светильник: телеметрия за 3-6 месяцев (напряжение, ток, температура, мощность), паспортные данные (тип лампы, мощность, дата установки), история замен и ремонтов. Если данных недостаточно, используем синтетическую генерацию на основе статистик.
Как анализируем видеоданные?
На опорах устанавливаются камеры с YOLOv8 и SORT-трекером. Модель считает транспорт и пешеходов, строит тепловые карты. Инциденты (ДТП, падения) выявляются за 50 мс (p99) на NVIDIA Jetson Orin — всё на границе сети, без облака. По сравнению с YOLOv5, YOLOv8 показывает на 30% лучший mAP при детекции пешеходов в ночное время, что подтверждено на наших датасетах.
Сравнение моделей детекции:
| Модель | mAP (ночные) | Latency (Jetson Orin) | Размер (INT8) |
|---|---|---|---|
| YOLOv5s | 72.4% | 12 ms | 14.3 MB |
| YOLOv8s | 78.1% | 15 ms | 11.8 MB |
Архитектура системы
Edge-устройство (NVIDIA Jetson Orin NX 16GB):
- Модель детекции: YOLOv8 INT8 квантованный через TensorRT
- Частота кадров: 25 FPS при разрешении 1280×720
- Потребляемая мощность: 15 Вт
- Связь: Ethernet, 4G резерв
Компоненты: модуль CV-инференса, модуль прогноза отказов, модуль управления через DALI/DMX, API интеграции с ГИС (QGIS). Используем ONNX Runtime для кроссплатформенного инференса.
Как внедрить систему: 5 шагов
- Аудит сети: собираем телеметрию за 3–6 месяцев, паспорта светильников, схему расположения.
- Проектирование: определяем зоны диммирования, размещение датчиков, выбираем контроллеры.
- Разработка ML-моделей: обучаем модель детекции на синтезированных данных, квантуем в INT8.
- Интеграция: подключаемся к ГИС, SCADA, настраиваем DALI-протокол.
- Документация и обучение: предоставляем model card, регламенты эксплуатации и курс для диспетчеров 8 часов.
Что вы получаете в результате
- Model card для каждой модели с метриками и ограничениями.
- Регламент эксплуатации системы управления освещением.
- 8-часовой курс обучения для диспетчеров.
- Документация API для интеграции с ГИС и SCADA.
- Гарантийная поддержка на 12 месяцев и постгарантийное обслуживание.
Ориентировочные сроки и бюджет
Базовое решение с адаптивным диммированием и предиктивным ТО внедряется за 2–4 месяца на пилотном участке до 100 светильников. Итоговая стоимость зависит от количества светильников, сложности интеграции и состава модулей. Экономия бюджета на электроэнергию — до 70%, на аварийных заменах — до 60%. Окупаемость инвестиций — менее 2 лет.
Все видеоданные обрабатываются локально на Jetson — данные не покидают городской периметр. Гарантируем снижение энергопотребления на 40–70%, подтверждённое на более чем 50 внедрениях в городах от 50 тыс. жителей. Закажите аудит вашей системы освещения для точного расчёта экономии.
Свяжитесь с нами для обсуждения пилотного проекта. Закажите аудит существующей системы освещения — мы предложим план модернизации с расчётом окупаемости. Получите бесплатную консультацию по выбору стека и архитектуры.