Разработка AI-системы оптимизации теплоснабжения
Теплоснабжение — крупнейшая статья расходов ЖКХ в России. AI-система оптимизирует режим работы тепловых сетей: прогнозирует тепловую нагрузку, автоматически регулирует температурный график и снижает потребление газа/тепла на 8-15%.
Тепловой баланс здания
Физическая модель:
Q_loss = U_building × A × (T_indoor - T_outdoor) + Q_ventilation
Q_needed = Q_loss - Q_solar_gain - Q_internal_gain
U-value здания (тепловая проводимость) — ключевой параметр. Определяется из данных теплосчётчика + исторических температур (regression).
Тепловая инерция: Здание не мгновенно реагирует на изменение температуры снаружи. Temporal lag: 1-6 часов в зависимости от массы здания. ML-модель явно учитывает этот lag.
Прогнозирование тепловой нагрузки
Входные данные:
heating_features = {
# Погода (основной драйвер)
'temp_outside': outdoor_temperature,
'temp_forecast_6h': temperature_6h_ahead,
'wind_speed': wind_speed, # конвективные потери
'solar_radiation': ghi, # пассивный солнечный нагрев
# Здание/сеть
'temp_indoor_setpoint': 22.0,
'building_heat_loss_coeff': U_building,
'thermal_mass': building_thermal_mass,
# Исторические
'heat_demand_lag_1h': heat_demand_1h_ago,
'heat_demand_lag_24h': heat_demand_24h_ago,
# Контекст
'hour': hour_of_day,
'is_occupied': occupancy_schedule, # рабочие часы vs. ночь
'day_type': encode(workday_weekend_holiday)
}
Модели:
- RC-model (Resistance-Capacitance): физическая модель теплового баланса. Параметры идентифицируются из данных АСКУЭТ.
- ML (LightGBM): лучше захватывает аномалии (ветер в трещины, неожиданные отказы изоляции)
- Hybrid: RC-model + ML-коррекция остатков
Точность: MAPE 3-6% для почасового прогноза на 24 часа.
Оптимизация температурного графика
Традиционный температурный график ЦТ: зависимость температуры подачи от температуры наружного воздуха — фиксированная кривая в регуляторе ИТП.
AI-оптимизация:
def optimal_supply_temperature(T_outdoor, T_indoor_target, Q_predicted,
hydraulic_state, network_losses):
"""
Минимизируем: gas_consumption(T_supply)
При ограничении: T_indoor >= T_target для всех потребителей
"""
# Гидравлическая модель сети → температура у каждого потребителя
# как функция от T_supply и расходов
T_consumer = hydraulic_model(T_supply, flow_rates)
constraint = T_consumer.min() >= T_indoor_target
# Оптимизируем
result = minimize_gas(T_supply, constraints=[constraint])
return result.x
Погодное регулирование с прогнозом:
- Классика: регулировка по текущей T_наружной
- AI: регулировка по T_наружной через 2-3 часа (с учётом тепловой инерции здания)
Это предотвращает перетоп при потеплении и переохлаждение при резком похолодании.
Автоматический контроль ИТП
ИТП (Индивидуальный Тепловой Пункт) — точка регулирования для здания:
Управляемые параметры:
- Температура подачи теплоносителя
- Расход (через регулирующий клапан)
- Режим ГВС (горячее водоснабжение)
SCADA/АСУ ТП:
- Контроллеры ИТП: Siemens PLC / Овен ПЛК
- Протоколы: Modbus TCP, MQTT для IoT-датчиков
- SCADA: ZENON, InteграTOOL
ML-модель принятия решений для ИТП: RL-агент управляет клапаном, получая observation: T_indoor, T_supply, T_outdoor_forecast. Reward: -energy_consumed при T_indoor >= setpoint.
Детекция потерь и аварий
Анализ тепловых потерь: Сравнение: тепло подано источником vs. тепло принято потребителями. Разница = потери в сети. Аномальный рост потерь → возможная авария трубопровода.
def detect_network_leak(supply_heat, return_heat, consumer_receipts):
theoretical_losses = supply_heat - consumer_receipts
actual_losses = supply_heat - return_heat # по приборам учёта
unexplained_loss = actual_losses - theoretical_losses
if unexplained_loss / supply_heat > 0.05: # >5% внезапные потери
alert("Возможная авария в сети, локализовать по участку")
Сегментация сети: Гидравлическая модель сети + детекция аномалий → локализация участка с потерями до 200-500 м.
Интеграция с ГИС: QGIS / ArcGIS + база данных трубопроводов → визуализация аномалий на карте → диспетчер видит конкретный участок.
Метрики системы:
- Экономия газа: 8-15% при AI-управлении vs. фиксированный график
- Жалобы на перегрев/переохлаждение: снижение на 50-70%
- MAPE прогноза тепловой нагрузки: < 5%
- Время локализации аварии: с 4-8 часов до 30-60 минут
Сроки: базовая прогнозная система + автоматический температурный график — 6-8 недель. Полноценная система с RL-управлением ИТП и аварийным детектором — 4-5 месяцев.