Разработка AI-системы прогнозирования потребления энергии

Разработка AI-системы прогнозирования потребления энергии

Прогнозирование электропотребления нужно на всех уровнях энергосистемы: объект (промышленное предприятие, здание), распределительная сеть, системный оператор. Точность прогноза напрямую влияет на стоимость балансирования: каждый процент ошибки обходится сетевым компаниям миллионами рублей в год.

Иерархия задач прогнозирования

Уровень объекта:

• Прогноз потребления здания/предприятия для управления пиковой нагрузкой
• BEMS (Building Energy Management System): оптимизация режима работы HVAC, освещения
• Горизонт: 15 минут - 24 часа

Уровень распределительной сети:

• Прогноз нагрузки на трансформаторных подстанциях
• Балансирование нагрузки между фидерами
• Горизонт: 1-7 дней

Системный уровень (СО ЕЭС):

• Прогноз потребления по ОЭС (объединённым энергосистемам)
• Планирование dispatch электростанций
• Горизонт: 1-7 дней, квартальный и годовой

Ключевые факторы

Погода (40-60% вариабельности потребления):

• Температура: основной драйвер. Heating Degree Days (HDD) и Cooling Degree Days (CDD).
• Кривая Temperature-Load: U-образная для жилого сектора (обогрев + кондиционирование)
• Влажность: кажущаяся температура, влияет на кондиционирование
• Солнечная радиация: прямое влияние на охлаждение зданий

Временные паттерны:

• Суточный профиль: будни (офисный пик), выходные (жилой пик)
• Сезонный: лето vs. зима vs. переходный период
• Праздники: промышленность стоит, жилой сектор потребляет иначе

Структурные изменения:

• Ввод новых предприятий / торговых центров
• Электрификация транспорта: EV charging создаёт новые пиковые профили
• Тепловые насосы: рост потребления зимой

Модели для разных горизонтов

Very Short-Term (15 мин - 4 часа):

• LSTM с последовательностью последних 24-48 часов
• Feature: недавняя нагрузка, погода (факт + прогноз)
• Метрика: MAPE < 3%

Short-Term (1-7 дней):

import lightgbm as lgb

features = {
    'load_lag_24h': load_yesterday_same_hour,
    'load_lag_168h': load_last_week_same_hour,
    'temp_forecast': temperature_forecast,
    'hdd': max(0, 18 - temp_forecast),  # Heating Degree Days base 18°C
    'cdd': max(0, temp_forecast - 22),  # Cooling Degree Days
    'hour': hour_of_day,
    'dow': day_of_week,
    'is_holiday': holiday_flag,
    'sunrise_hour': astronomical_sunrise,
    'ghi_forecast': global_horizontal_irradiance
}

model = lgb.LGBMRegressor(n_estimators=500)

Medium-Term (месяц - год):

• Seasonal decomposition + trend model
• Macro-economic indicators (ВВП → промышленное производство → энергопотребление)
• MAPE 3-7%

Детекция аномалий потребления

Baseline + anomaly:

def detect_consumption_anomaly(actual, predicted, window=168):
    # Нормализованный residual
    residuals = actual - predicted
    baseline_std = residuals.rolling(window).std()
    z_score = residuals / baseline_std
    return z_score.abs() > 3.0

# Высокий z-score → возможно утечка, оборудование работает некорректно
# Низкий z-score → оборудование остановлено (праздник, поломка)

Аномальное потребление → автоматическое уведомление энергоменеджера предприятия.

Demand Response интеграция

Прогноз позволяет автоматизировать demand response:

При ожидаемом дефиците в сети:

1. СО ЕЭС объявляет ценовой сигнал в DAM (Day Ahead Market)
2. BEMS объекта получает сигнал
3. Автоматически: смещение гибкой нагрузки (зарядка EV, нагрев теплоаккумулятора)
4. Снижение пика на 10-20%

Для промышленных потребителей (RTE / КОМ): Контракт DR: обязуетесь снизить нагрузку на X МВт при сигнале → получаете премию. ML-система точно определяет гибкую нагрузку (можно перенести без ущерба для производства).

Интеграция с системами управления

• SCADA АСУ ТП: получение фактических данных нагрузки в реальном времени
• АСКУЭ (Автоматизированная Система Коммерческого Учёта Электроэнергии): данные приборов учёта
• BI-системы: Power BI / Tableau дашборды для энергоменеджеров
• ERP SAP IS-U: интеграция для энергосбытовых компаний

Метрики:

• MAPE суточного прогноза: < 5% для системного оператора, < 3% для объекта
• Peak Load Accuracy: ошибка в прогнозе пика < 2%
• Cost savings: снижение небалансовой стоимости

Сроки: базовая модель краткосрочного прогноза для одного объекта — 3-4 недели. Иерархическая система уровня сети с anomaly detection и demand response — 3-4 месяца.