AI-оптимизация работы чиллера
Синонимы: MPC для чиллера, оптимизация холодоснабжения AI, умный чиллер
Применение алгоритмов машинного обучения и Model Predictive Control (MPC) для оптимального управления чиллером и системой холодоснабжения. Учитывает прогноз погоды, тарифы на электроэнергию, тепловую инерцию здания. Экономия энергопотребления 10-25%.
AI-оптимизация чиллера — класс алгоритмов для управления холодильными машинами в режиме, обеспечивающем минимум энергопотребления при соблюдении требований к температуре в помещении.
Проблема классического управления
Стандартный ПИД в контроллере чиллера:
- Поддерживает фиксированную уставку (например, 7°C на подаче)
- Не учитывает прогноз погоды
- Не учитывает тарифы на электричество
- Не учитывает тепловую инерцию здания
- Запускает/останавливает чиллер часто → износ
Результат: избыточное потребление энергии 10-30% от оптимального.
Что делает AI
Model Predictive Control (MPC)
Строится математическая модель здания:
- Теплопотери в зависимости от Tнар, солнца, ветра
- Приточная вентиляция (нагрузка на охлаждение)
- Инерция (сколько времени нужно для охлаждения на 1°C)
На каждом шаге (например, раз в 15 минут) решается оптимизационная задача:
- Горизонт 12-24 часа вперёд
- Минимизация: энергия × тариф
- Ограничения: Tвн ∈ [21..26]°C в рабочее время
Reinforcement Learning (RL)
Альтернативный подход — агент учится оптимальной политике управления через симуляцию. Применяется в сложных системах с несколькими чиллерами, аккумуляторами холода.
Что оптимизируется
- Температура на подаче чиллера — ниже = холоднее, но больше энергии
- Включение/выключение — через аккумулятор холода работать ночью (дешёвый тариф)
- Распределение между чиллерами — какой из нескольких работает в данный момент
- Градирня — скорость вентиляторов, уставки воды
Входные данные
- Температура и влажность — внутри помещений (по зонам) и снаружи
- Прогноз погоды — на 24-48 часов (API)
- Производительность чиллера — потребление в зависимости от нагрузки и Tнар
- Расписание работы — рабочие часы, события
- Тарифы на электроэнергию — дифференцированные (день/ночь, пиковый час)
- Состояние аккумулятора холода (если есть)
Применение
- Бизнес-центры — охлаждение офисных зон
- Торговые центры — большая нагрузка летом, ночные простои
- Дата-центры — непрерывная охлаждение серверов
- Промышленные холодильники — большие объёмы, высокое потребление
- Больницы, лаборатории — чистые помещения
Платформы
- Siemens Climatix AI Cloud — встроено в экосистему
- Johnson Controls OpenBlue — модернизированный Metasys
- ABB Ability Energy and Asset Manager — для крупных объектов
- Собственные решения на Python + MPC — для специфичных задач
Экономика
- Для бизнес-центра 20 000 м² — потребление чиллеров 500-1500 МВт·ч/год
- AI-оптимизация — экономия 10-25% = 50-375 МВт·ч/год = 350 тыс. — 2,6 млн руб./год
- Стоимость внедрения — 1-5 млн руб.
- Окупаемость — 1-3 года
РУБИКОН интегрирует MPC и AI-алгоритмы в автоматику холодоснабжения на объектах заказчиков.
Частые вопросы
Нужен ли аккумулятор холода для AI-оптимизации?
Не обязательно, но с ним эффект значительно выше. Аккумулятор позволяет «запасти» холод ночью (дешёвый тариф) и выпустить днём (пиковый тариф) — экономия может достигать 30-40%. Без аккумулятора AI оптимизирует только режим работы чиллера → эффект 10-15%.Безопасно ли доверять AI управление ответственной системой?
AI работает в режиме «советника» или «оптимизатора в ограничениях», а не замены ПЛК. ПЛК остаётся в контуре с штатными защитами (от замерзания, аварийным остановом, перегрузкой). AI подсказывает оптимальные уставки, ПЛК их принимает только если они в безопасном диапазоне. При любом отказе AI система продолжает работать на штатных алгоритмах ПЛК.
Источники
- ASHRAE Guideline 36 — High-Performance Sequences of Operation for HVAC Systems — ASHRAE
Автор: Sergey
Опубликовано: 28.10.2026
Обновлено: 28.10.2026