Сетевые операторы платят миллионы за небаланс. Солнечные и ветровые электростанции теряют до 15% выручки из-за неточных прогнозов. AI-система управления ВИЭ решает эту проблему: прогнозирует выработку с MAPE менее 8%, управляет накопителями энергии (BESS) через RL-агентов и автоматизирует торговлю на рынке электроэнергии. За 5+ лет мы реализовали 15+ проектов для ВЭС и СЭС общей мощностью более 1 ГВт. В основе — гибридные модели прогноза, LightGBM для коррекции и виртуальная электростанция (VPP) для агрегации ресурсов.
Согласно исследованию NREL Solar Forecasting 2.0, чистые физические модели дают ошибку 10-15%, а гибрид с ML-коррекцией снижает её до 5-8%. Такой подход позволяет эффективно участвовать в рынке электроэнергии и ancillary services. Результат — снижение небаланса на 30-50% и дополнительная выручка до 15%.
Какие AI-модели прогнозируют выработку солнечных панелей?
Гибридная модель сочетает физику и машинное обучение.
Физическая модель
P_solar = G_poa × η × A × (1 - β × (T_module - T_ref)) G_poa — облучённость в плоскости панели, η — КПД, β — температурный коэффициент. Облучённость получаем из NWP-моделей (ECMWF/GFS) через преобразование GHI в POA с учётом наклона и ориентации.
ML-коррекция residuals
LightGBM учится на облачности (Cloud Cover Index из спутника EUMETSAT MSG), аэрозолях (AOD), температуре панели и факторе деградации. Результат — MAPE 5-8%.
| Метод | MAPE (суточный) | Требуемые данные |
|---|---|---|
| Физическая модель | 10-15% | GHI, температура, параметры панелей |
| Чистый ML (LSTM) | 8-12% | Исторические ряды, погода |
| Гибрид (физика + LightGBM) | 5-8% | Физика + ML-резидуалы, спутниковые снимки |
Прогнозирование ветровой генерации
Мощность ветрогенератора ∝ V³ в рабочем диапазоне. 10% ошибка в скорости ветра → 30% ошибка в мощности. Ensemble NWP (ICON, GFS, ECMWF) объединяем через Bayesian Model Averaging (BMA).
def wind_power_ml(wind_speed, wind_direction, temperature, air_density, turbulence_intensity): features = np.array([wind_speed, np.sin(np.deg2rad(wind_direction)), np.cos(np.deg2rad(wind_direction)), temperature, air_density, turbulence_intensity]) return power_curve_model.predict(features.reshape(1, -1))[0] Почему RL-агент лучше rule-based контроллера для BESS?
Rule-based контроллеры не адаптируются к изменениям рынка и деградации. RL-агент (PPO или SAC) работает в непрерывном пространстве действий: состояние — SOC, прогнозы, цены, сигналы системного оператора; награда — revenue от арбитража минус cost деградации и штрафы за небаланс. Результат — до 20% дополнительной выручки.
| Подход | Адаптивность | Доп. выручка | Сложность внедрения |
|---|---|---|---|
| Rule-based | Низкая | — | Низкая |
| RL-агент | Высокая | до +20% | Средняя |
Задачи BESS:
- Energy arbitrage: заряжать при низкой цене, разряжать при высокой
- Peak shaving: срезать пики нагрузки (снижение сетевой мощности)
- Frequency regulation: FCR/aFRR
- Smoothing: сглаживание нестационарности ВИЭ
Как мы это делаем: кейс внедрения на СЭС 50 МВт
Для одной из СЭС мы разработали гибридный прогноз и RL-агента для BESS. Первые две недели — сбор данных и аудит SCADA. Затем — калибровка физической модели и обучение LightGBM на исторических residuals. Параллельно развернули симулятор BESS для обучения RL-агента. Через 6 недель система была готова к A/B-тесту: две недели RL-агент показывал на 12% больше revenue по сравнению с rule-based контроллером. После интеграции с BMS и рынком внедрили пилот на месяц. Результат — снижение небаланса на 35%, дополнительная выручка от арбитража 8%.
Что входит в работу
- ML-модели прогноза (с документацией и версионированием в MLflow)
- Интеграция с SCADA и BMS (Modbus/IEC 61850)
- Дашборд мониторинга и управления
- Обучение операторов
- Техническая поддержка 3 месяца
VPP и участие в рынке
Агрегируем крышные панели, BESS, EV (V2G) и тепловые насосы в виртуальную электростанцию. Диспетчеризация через MILP (Gurobi/CPLEX) в реальном времени. Участие в Day-Ahead, Intraday и рынке резервов (FCR, aFRR, mFRR). Гарантируем точность прогнозов и соответствие требованиям системного оператора.
Сроки и стоимость
Прогноз + базовое управление BESS — 6-8 недель. VPP с RL и рыночной торговлей — 5-7 месяцев. Стоимость рассчитывается индивидуально после аудита объекта. Получите консультацию по внедрению AI-системы для вашего объекта — оцените потенциал экономии.
Закажите пилотный прогноз на ваших данных за 2 недели — мы покажем реальную точность на вашем объекте. Свяжитесь с нами для аудита и оценки потенциала вашей ВИЭ.