Интегратор GPU-серверов и рабочих станций · Россия и СНГ
8 (800) 350-70-73 · бесплатно по России | Условия поставки
Энергетика и ЖКХ · Прогнозная аналитика · ML на табличных данных

Прогноз выработки солнечных и ветровых станций

ML-модели на метеопрогнозах и телеметрии станций прогнозируют выработку для заявок на рынок, планирования режимов и обслуживания.

Ошибка прогноза на сутки вперёдснижение на 20–35 % к базовой физической модели
Штрафы за отклоненияснижение на 15–30 %
Выявление недовыработкидни вместо плановых осмотров

Диапазоны по отраслевым публикациям и типовым внедрениям; результат зависит от данных и процессов заказчика.

Задача

Что решаем

Выработка солнечных и ветровых электростанций зависит от погоды, и ошибка прогноза оборачивается штрафами за отклонение от заявленного графика и нагрузкой на системного оператора. Прогнозы на основе одного метеосервиса и физических моделей панелей и турбин не учитывают локальные эффекты: затенение, обледенение, загрязнение, деградацию оборудования.

Для гибридных объектов с накопителями энергии неточный прогноз означает неоптимальное управление зарядом и упущенную выручку.

Операторы нескольких станций в разных регионах и странах СНГ вынуждены поддерживать разные подходы для каждой площадки.

Собственная команда аналитиков часто уже пробовала простые модели, но упёрлась в отсутствие единого хранилища телеметрии и метеоданных и вычислительной базы для регулярного переобучения.

Как работает

Что делает ИИ

PythonLightGBMPyTorchxarrayClickHouseApache Airflow

Решение строит для каждой станции ансамбль моделей, объединяющий несколько источников метеопрогноза, телеметрию инверторов и турбин и историю выработки.

  • Модели градиентного бустинга и нейросетей на признаках из численных прогнозов погоды с коррекцией систематических ошибок по каждой площадке.
  • Краткосрочный прогноз на минуты и часы по данным телеметрии и камер неба; среднесрочный — на сутки и неделю.
  • Вероятностные прогнозы для стратегий подачи заявок и управления накопителем.
  • Мониторинг недовыработки: сравнение факта с ожидаемым для выявления загрязнения, затенения и неисправных инверторов.

Модели переобучаются ежедневно, а качество прогноза отслеживается по каждой станции с уведомлением о деградации.

Мы помогаем выстроить хранилище телеметрии и метеоданных, настраиваем конвейер переобучения и передаём модели команде заказчика вместе с документацией по их сопровождению.

Какие данные нужны

  • Телеметрия инверторов и турбин
  • Численные прогнозы погоды из нескольких источников
  • История выработки и остановов оборудования
Железо · Данные и табличный ML · Под столом или в лаборатории

Какая инфраструктура нужна

Профиль «данные»: минутная телеметрия десятков станций, сеточные метеоданные и ежедневное переобучение — нагрузка на CPU, оперативную память и хранилище; GPU одна, для нейросетевых моделей и обработки снимков камер неба. Для оператора нескольких станций достаточно рабочей станции W7 ULTRA из рабочие станции с 128–256 ГБ памяти.

Для крупного портфеля ВИЭ и прогнозов в реальном времени — сервер R7 PRO из раздела GPU-серверы. Узел размещается в контуре компании; телеметрия объектов генерации не передаётся внешним сервисам.

Сравнить конфигурации →  ·  Подобрать по ускорителю →

Внедрение

Как идёт проект

  1. 01

    Данные и цель

    Фиксируем метрику успеха, источники данных и ограничения: on-premise, персональные данные, сроки.

  2. 02

    Пилот на нашей конфигурации

    Стартовая машина под задачу и подтверждённый профиль нагрузки перед закупкой кластера.

  3. 03

    Инфраструктура

    Поставка серверов, станций и охлаждения, монтаж, ввод в эксплуатацию, ПО и мониторинг.

  4. 04

    Сопровождение

    Масштабирование, обновление ускорителей в том же шасси, сервис и запчасти.

Смежные решения

Что ещё автоматизируют в отрасли «Энергетика и ЖКХ»

Все решения для отрасли →

Запрос КП · ответ в течение рабочего дня

Опишите задачу и данные.

Вернёмся с профилем нагрузки, конфигурацией и коммерческим предложением на поставку в вашу страну.

Обсудить внедрение