Задача: перенести расход, не сорвав работу

AI POWER ApS — датская микрокомпания, которую Европейская сеть центров цифровых инноваций относит к предприятиям с 1–9 сотрудниками. Её продукт IntelliCharge.AI помогает планировать зарядку батарей и электромобилей по данным о цене электроэнергии и потреблении. Платформа работает через API-интеграции, без обязательной установки собственного оборудования у каждого клиента. Для фирмы важным вопросом оказалось качество прогноза потребления, особенно для нового пользователя, у которого ещё нет истории измерений.

Это полезный кейс не потому, что всем срочно нужен ИИ для зарядки. Он показывает порядок решений: сначала выяснить, какой расход вообще можно сдвигать по времени, какие есть ограничения бизнеса и данные, затем проверить простое расписание, а уже после — ценность более сложного прогноза. Если служебный автомобиль должен уехать в шесть утра, экономия не может строиться на совете зарядить его после завтрака.

Компания работала с датским GC EDIH и Alexandra Institute по принципу test before invest. По опубликованному описанию, партнёры сравнивали варианты применения AI/ML к прогнозу потребления, оценивали выгоды и ограничения и подготовили каталог идей для дальнейших шагов. В результате AI POWER улучшила планирование потребления и модель для подключения новых пользователей, по которым пока нет истории. Точные проценты снижения счёта или ошибки прогноза в кейсе не опубликованы; приписывать их компании нельзя.

Где здесь модель, а где обычная автоматика

Задача состоит из двух разных частей. Прогноз отвечает, сколько энергии, вероятно, понадобится объекту и когда. Планировщик решает, в какие допустимые интервалы заряжать батарею или транспорт, учитывая цену, срок готовности, мощность зарядки и ограничения оборудования. Первый блок может использовать статистику или машинное обучение. Второй часто лучше выразить явными правилами и ограничениями, чтобы диспетчер мог объяснить решение.

Минимальная цепочка для небольшого парка или мастерской:

  • Получить актуальный тариф или другую цену, которая реально применима к договору предприятия, а не абстрактную биржевую котировку.
  • Снять почасовое или более частое потребление, состояние заряда, доступную мощность и расписание использования машин.
  • Рассчитать допустимые интервалы с запасом по сроку готовности и мощности ввода.
  • Сравнить расписание с простым базовым правилом: например, фиксированной ночной зарядкой или текущим режимом оператора.
  • Предложить план человеку либо отправить его контроллеру только после проверки аварийных и ручных сценариев.

На этой задаче большая языковая модель не обязана управлять реле. Время, кВт·ч и ограничения заряда — структурированные данные; для них подходят прогноз временного ряда и оптимизация. LLM может помочь объяснить диспетчеру, почему предложен интервал, но не должна быть единственным местом, где проверяется максимальная мощность, срок выезда или защита батареи. Локальный запуск полезен при требованиях к доступности или данным, но сам кейс AI POWER не подтверждает, что компания использовала локальную модель.

Что нужно собрать до пилота

Главное предварительное условие — реальная гибкость нагрузки. Если все машины прибывают поздно и уезжают рано, пространство для переноса невелико. Если договор не различает стоимость по времени, модель может снизить пик нагрузки или помочь с использованием собственной генерации, но нельзя автоматически обещать экономию на «дешёвых часах». Поэтому бизнесу нужны не только данные счётчика, но и условия своего энергоснабжения.

Проверьте пять групп данных: историю потребления и её полноту; применимую цену по интервалам; состояние аккумуляторов и ограничения зарядных устройств; календарь выездов или производственных смен; внешние факторы, которые действительно меняют нагрузку, например погоду или собственную солнечную генерацию. Для нового клиента без истории полезен простой консервативный профиль и ручной пределы мощности. Так называемый холодный старт — отдельная задача, которую AI POWER и исследовала; подменять отсутствующие данные уверенным прогнозом нельзя.

Интеграции зависят от площадки: счётчик или система диспетчеризации, API зарядных устройств, календарь транспорта и, возможно, ERP с заказами. Храните вместе с каждым решением версию тарифа, исходный прогноз, ограничения, фактический график и причину ручного изменения. Тогда можно понять, сработала ли модель или экономия возникла из-за иной погоды и режима работы. При отказе API или устаревшей цене должен включаться безопасный базовый график, а не «последний удачный» приказ без срока действия.

Что подтверждено, а чего в кейсе нет

Публикация EDIH подтверждает участие микрокомпании в тестировании, уточнение вариантов AI/ML, улучшение расписания потребления и подхода к новым пользователям. Она не приводит объём батарей, структуру тарифов, стоимость интеграции, размер тестовой выборки и денежную экономию. Это кейс выбора архитектурного направления, а не готовый бизнес-план с доказанной окупаемостью. Сайт компании подтверждает, что она предлагает решения управления зарядкой, но сведения о выгоде из материала EDIH остаются заявлениями участников проекта.

Независимый контекст даёт Международное энергетическое агентство: в анализе гибкости спроса оно рассматривает перенос или изменение нагрузки как отдельный ресурс энергосистемы. Это подтверждает практическую значимость самого класса задач, но не доказывает конкретный результат AI POWER и не переносит европейский рынок цен на российский договор предприятия.

Экономика: считать разницу, а не красоту прогноза

Для решения о внедрении полезнее «рубли на управляемый кВт·ч после всех затрат», чем ошибка модели сама по себе. Возьмём исключительно модельный пример с явными допущениями: 6 000 кВт·ч в месяц действительно можно перенести; средняя разница между применимыми дорогими и дешёвыми интервалами составляет 1,2 ₽/кВт·ч; ограничения зарядки позволяют сделать перенос без потери готовности транспорта. Тогда максимальная валовая разница — 7 200 ₽ в месяц. Это не оценка AI POWER и не рыночный тариф. Из неё надо вычесть потери батареи, стоимость связи, сопровождение, разницу в пиковых платежах и цену ошибок расписания.

Если интеграция и контроль обходятся в 2 000 ₽ ежемесячно, условный остаток — 5 200 ₽. При разовом проекте на 150 000 ₽ простая окупаемость получилась бы примерно 29 месяцев, до учёта рисков и изменения условий договора. При вдвое меньшей доступной нагрузке вывод меняется резко. Эти цифры нужны лишь для проверки масштаба: небольшая площадка может обнаружить, что сначала выгоднее настроить простое расписание без AI, а сложный прогноз оправдан лишь при большой изменчивости потребления и объёме управляемой энергии.

Малый следующий шаг

Выберите одну площадку и одну управляемую группу — например, служебные автомобили. За две-четыре недели соберите фактическую зарядку, время готовности и применимые цены. В теневом режиме ежедневно рассчитывайте альтернативное расписание, но не управляйте оборудованием автоматически. Сравните его с текущим режимом и простым правилом при одинаковых ограничениях. Отдельно посчитайте число нарушений срока готовности, устаревших данных и ручных исправлений. Если базовое правило уже забирает почти весь эффект, внедрять модель ради модели не нужно; если разница существенна и повторяется, можно тестировать прогноз и контроллер.

Иллюстрация создана редакцией с помощью ИИ и схематично показывает сценарий зарядки; это не фотография AI POWER.