AI-детектор аномалий энергопотребления
Синонимы: AI anomaly detection energy, аномалии энергопотребления, энергомониторинг AI
Алгоритмы машинного обучения для выявления необычных паттернов энергопотребления здания или предприятия. Распознают: утечки, оставленное включенное оборудование, незаконные подключения, деградацию оборудования, аномально холодные/жаркие часы. Экономия 5-20% от стандартного потребления.
AI-детектор аномалий энергопотребления — класс алгоритмов для автоматического нахождения отклонений от нормы в потреблении электроэнергии, тепла, воды, газа. Основа для энергоменеджмента в индустрии 4.0.
Что такое аномалия
- Техническая — утечка, неисправность, нештатный режим работы
- Операционная — забыли выключить, сменился режим без разрешения
- Коммерческая — незаконные подключения, воровство
- Внешняя — экстремальная погода, не учтённая в стандартной модели
Основные алгоритмы
Статистические
- Z-score, IQR — простые пороги по стандартным отклонениям
- Prophet (Facebook) — для временных рядов с трендами и сезонностью
- Holt-Winters — классический экспоненциальный сглаживающий
Машинное обучение
- Isolation Forest — популярный для многомерных аномалий
- One-Class SVM — обучение «на норме»
- Autoencoder — нейросеть, которая реконструирует нормальное; аномалия = плохая реконструкция
Deep Learning
- LSTM Autoencoder — для временных рядов со сложными паттернами
- GAN-based — для сложных многомерных задач
Входные данные
- Электросчётчики — активная и реактивная мощность, с интервалом 15 минут
- Теплосчётчики — Q (кВт·ч) из ИТП
- Водосчётчики — расход холодной и горячей воды
- Газовые счётчики — для котельных и производства
Опционально:
- Погода — температура, влажность, ветер (API Яндекса, Gismeteo)
- Расписание работы — рабочие дни, праздники
- Производственный план — для предприятий
Типовые детектируемые аномалии
- Утечка горячей воды в подвале здания — незаметно для жильцов, но счётчик фиксирует
- Оставленное освещение / HVAC на ночь — потребление в выходные выше нормы
- Неисправный компрессор холодильника — потребление растёт постепенно за недели
- Утечка в системе сжатого воздуха — на предприятии, 10-30% потерь
- Воровство электричества — внезапные провалы потребления по счётчику без изменений в работе
Выход
- Email / SMS / Telegram — немедленное уведомление
- Grafana-дашборд — визуализация с подсветкой аномальных периодов
- Отчёты — ежемесячные с описанием найденных проблем и потенциальной экономии
Экономика
- Типовая экономия для крупного здания (10 000 м²) — 5-15% от энергопотребления
- При годовом потреблении 10 ГВт·ч и цене 7 руб./кВт·ч — экономия 3,5-10 млн руб./год
- Стоимость внедрения — 300 тыс. — 2 млн руб.
- Окупаемость — 6-18 месяцев
РУБИКОН интегрирует AI-детекторы аномалий в системы учёта и SCADA заказчиков.
Частые вопросы
Сколько данных нужно для старта?
Минимум 3-6 месяцев почасовых данных по счётчикам + погода за тот же период. Для годовой сезонности — 1-2 года данных. Если данных мало — старт на простых правилах (пороги, рабочий/выходной день), с набором данных — переход на ML.Ложные срабатывания — большая проблема?
Да, это главная сложность. Чем «агрессивнее» порог — тем больше реальных аномалий найдём, но и больше ложных. Типичная цель — 1-5 реальных аномалий в неделю на здание, с конверсией в полезное действие 60-80%. Остальное — ложные срабатывания, которые со временем модель научается игнорировать.
Источники
- ISO 50001 — Системы энергоменеджмента — ISO
Автор: Sergey
Опубликовано: 28.10.2026
Обновлено: 28.10.2026