موتور هوش مصنوعی پیش‌بینی و بهینه‌سازی مصرف برق

۱. شرح کلی پروژه: این پروژه یکی از بخش‌های اصلی، مهم و حساس محصول شرکت است. پلتفرم ما اطلاعات مصرف برق سه‌فاز لوکیشن‌های مختلف (کارخانه، ساختمان تجاری، اداری، شعبه و...) را به‌صورت متمرکز جمع‌آوری می‌کند. هدف، توسعه یک موتور هوش مصنوعی اختصاصی است که برای هر لوکیشن دو کار انجام دهد: الف) پیش‌بینی دقیق مصرف آینده ب) ارائه پیشنهادهای عملی، دقیق و قابل اجرا برای کاهش هزینه و بهبود مصرف، نه توصیه‌های کلی استفاده از مدل‌های ساده، آماده و بدون آموزش اختصاصی مورد قبول نیست. حتماً باید یک شبکه عصبی عمیق به‌صورت اختصاصی با داده‌های ما توسعه داده شود. مجری برای توسعه مجاز به استفاده از اینترنت، APIهای هواشناسی و سرویس‌های آنلاین است. ۲. ورودی‌هایی که کارفرما ارائه می‌دهد: ۱. داده تاریخی مصرف سه‌فاز هر لوکیشن با رزولوشن ۱۵ دقیقهه یا یک‌ساعته شامل: زمان دقیق، توان اکتیو P مجموع و هر فاز، توان راکتیو Q، توان ظاهری S، ولتاژ و جریان مؤثر، ضریب توان، فرکانس، THD ولتاژ و جریان، نامتعادلی ولتاژ و جریان، انرژی تجمعی. حداقل ۶ ماه و ترجیحاً بیش از ۱۲ ماه برای هر لوکیشن. ۲. مشخصات هر لوکیشن: نوع کاربری (صنعتی، تجاری، اداری)، متراژ، قدرت قراردادی و دیماند، تعرفه اوج‌بار، میان‌بار و کم‌بار، ساعات کاری و شیفت‌ها، فهرست بارهای قابل جابه‌جایی (چیلر، پمپ، کمپرسور، روشنایی، شارژ لیفتراک و...). ۳. دسترسی به دیتابیس یا API داخلی پلتفرم برای خواندن داده‌ها. ۳. داده‌ها و ویژگی‌های محیطی مؤثر که مجری باید در مدل لحاظ کند: مجری موظف است علاوه بر داده مصرف، ویژگی‌های زیر را در مهندسی ویژگی و آموزش مدل استفاده کند: ۱. هواشناسی: دمای هوا، دمای محسوس، رطوبت نسبی، نقطه شبنم، تابش خورشیدی، درصد ابری بودن، سرعت باد، بارش. تهیه سوابق و پیش‌بینی هوا از APIهایی مانند Open-Meteo بر عهده مجری است. ۲. تقویمی و زمانی: ساعت شبانه‌روز، روز هفته، پنجشنبه و جمعه، تعطیلات رسمی ایران، ماه شمسی، فصل سال، پرچم ساعات اوج‌بار و کم‌بار کنتور. ۳. سابقه مصرف: مصرف ۱ ساعت قبل، ۲۴ ساعت قبل، همین ساعت در هفته قبل، میانگین متحرک ۷ روزه، پیک روز قبل، روند و شیب مصرف چند ساعت اخیر. ۴. مشخصات لوکیشن: نوع کاربری و رفتار مصرفی هر لوکیشن به‌صورت Embedding در مدل، قدرت قراردادی، وضعیت باز یا بسته بودن مجموعه. ۴. خروجی‌های اجباری پروژه: الف) هسته پیش‌بینی مصرف (حتماً شبکه عصبی عمیق): پیش‌بینی توان kW و انرژی kWh برای هر لوکیشن در سه افق ۱ ساعت آینده، ۲۴ ساعت آینده و ۷ روز آینده به‌همراه بازه اطمینان. معماری مورد انتظار در سطح TFT، PatchTST، Informer یا LSTM-Attention دوجهته یا ترکیب CNN با Attention است. مدل باید چندلوکیشنی باشد، شناسه لوکیشن را به‌صورت Embedding یاد بگیرد و لوکیشن جدید با داده کم را هم پوشش دهد (Cold-Start). مقایسه رسمی با دو مبنا (مدل Naive و مدل XGBoost یا LightGBM) و اثبات برتری معنادار شبکه عصبی الزامی است. ب) موتور پیشنهاد بهینه‌سازی و کاهش هزینه: ۱. پیشنهاد انتقال بار: شناسایی پیک و پیشنهاد انتقال مصارف شیفت‌پذیر به ساعات کم‌بار با محاسبه دقیق مبلغ صرفه‌جویی به تومان بر اساس تعرفه واقعی. مثال مورد قبول: انتقال ۴۲ کیلووات‌ساعت چیلر از ساعت ۱۹ تا ۲۳ به ساعت صفر تا ۶ معادل X تومان در ماه. ۲. مدیریت دیماند: هشدار ۲۴ ساعت زودتر برای خطر تجاوز از قدرت قراردادی. ۳. اصلاح ضریب توان: محاسبه جریمه راکتیو، پیشنهاد ظرفیت خازن و محاسبه زمان بازگشت سرمایه. ۴. متعادل‌سازی فازها: تشخیص نامتعادلی جریان و پیشنهاد توزیع مجدد بارها. ۵. تشخیص ناهنجاری: اعلام مصرف غیرعادی نسبت به الگوی عادی هر لوکیشن به‌همراه علت احتمالی. ۶. شبیه‌ساز What-If: امکان پرسش «اگر این بار را جابه‌جا کنم چقدر سود می‌کنم؟» با پاسخ عددی و دقیق. ۵. الزامات فنی تحویل: سورس کامل Python با PyTorch، اسکریپت آموزش و استنتاج، قابلیت آموزش مجدد با داده جدید، REST API با FastAPI و مستندات Swagger برای اتصال به پلتفرم ما، فایل Docker و راهنمای نصب و اجرا، گزارش آموزش شامل نمودار خطا، اهمیت ویژگی‌ها و جدول مقایسه با مبناها، مستندات کامل معماری، ویژگی‌ها و راهنمای بازآموزی دوره‌ای. ۶. معیار پذیرش: ۱. ارائه گزارش MAPE و RMSE و MAE روی یک ماه پایانی که مدل آن را ندیده است، به تفکیک هر لوکیشن. ۲. اثبات برتری حداقل ۱۵ درصدی شبکه عصبی نسبت به مبناها. ۳. نمایش زنده API برای هر سه افق پیش‌بینی. ۴. اجرای موفق دو سناریوی انتقال بار با عدد صرفه‌جویی واقعی به تومان. ۵. ارائه ویدیوی دموی ۵ تا ۱۰ دقیقه‌ای از معماری، نتایج و نحوه کار موتور پیشنهاد. ۷. مراحل پیشنهادی پرداخت: مرحله ۱ (۲۵ درصد): تحلیل اکتشافی داده‌ها، طراحی پایپ‌لاین ویژگی‌ها و گزارش امکان‌سنجی. مرحله ۲ (۴۵ درصد): توسعه مدل شبکه عصبی، گزارش برتری نسبت به مبنا و API اولیه پیش‌بینی. مرحله ۳ (۳۰ درصد): توسعه کامل موتور پیشنهاد، استقرار نهایی و مستندات. مهارت‌های اجباری: Python، PyTorch، پیش‌بینی سری‌زمانی عمیق، مهندسی ویژگی برای داده انرژی، کار با API هواشناسی، استقرار مدل با FastAPI و Docker. ارسال حداقل یک نمونه‌کار واقعی سری‌زمانی الزامی است.