ИИ-регулирование энергопотребления промышленных холодильных систем

Введение

Промышленные холодильные системы потребляют значительную долю электроэнергии в промышленности: около 19% в ЕС и 14% в Германии. Традиционные режимы работы редко учитывают колеблющиеся цены на электроэнергию, погодные условия и переменные потребности производства в холоде. Проект EISKIG (Energy Intelligence System f?r smarte K?ltesysteme in Industriegeb?uden) был запущен в 2022 году для решения этой проблемы с помощью методов искусственного интеллекта.

Участники и цели проекта

В проекте участвовали три промышленные компании: производитель приводной и управляющей техники Bosch Rexroth, фармацевтическая компания Merck и провайдер услуг центров обработки данных Equinix. Техническую экспертизу обеспечили TU Darmstadt, разработчик ПО etalytics и инженерно-консалтинговая компания ETA-Solutions. Изначальная цель — снижение энергопотребления холодильных систем не менее чем на 15%.

Методология: цифровой двойник и обучение с подкреплением

Перед внедрением на реальном объекте исследователи создают цифровой двойник установки, который должен демонстрировать стабильное и воспроизводимое поведение в различных сценариях. Для этого объединяются технические спецификации, данные измерений и временные замеры. Ключевой метод оптимизации — глубокое обучение с подкреплением (deep reinforcement learning): агент учится выбирать наиболее эффективную стратегию работы через взаимодействие с симуляционной средой. Нейросеть отображает логику принятия решений, выбирая управляющие переменные на основе текущего состояния системы. Сигналы вознаграждения, основанные на энергопотреблении, выбросах CO? или износе оборудования, направляют процесс обучения.

Результаты

На объекте Merck KGaA в первые три месяца автономной работы ИИ-системы потребление электроэнергии на охлаждение снизилось на 21% в рассматриваемом сегменте. В целом по проекту была подтверждена возможность экономии не менее 20% в холодильных системах, а в некоторых сценариях — более 30%.

Методология Quick Scan

Для ускорения оценки потенциала эффективности партнёры проекта разработали методологию Quick Scan, позволяющую руководителям оценить потенциал повышения эффективности, приоритизировать опции и принять обоснованное решение об инвестициях в ИИ. Также были разработаны дашборды, преобразующие сложные данные в наглядные визуализации.

Перспективы

Система не привязана к конкретному типу оборудования и может быть распространена на вентиляционные системы и тепловые сети. Участники проекта уже приняли решение о переносе ИИ-приложений на другие существующие энергосистемы и интеграции их в будущие проекты на этапе планирования.

По всем вопросам звоните нам по номеру +7 (383) 305-43-15