ALEM WIND

Почасовой прогноз мощности ветроэлектростанции на 24–48 часов.

HackAlem AI · трек 01 «Энергетика» · кейс Самрук-Казына.

Стартовый прототип: три программных агента готовят данные, обучают совместную модель двух турбин и проверяют физические ограничения. Оркестратор воспроизводит ежедневные прогнозы за 1–28 февраля 2026 года. Здесь есть Python-пайплайн, тесты и интерактивный макет интерфейса. Это первый инженерный baseline; качество прогноза на скрытом феврале ещё не измерено.

Материалы Open Design интегрированы: интерактивная географическая карта MapLibre, синхронный выбор часа и турбины, анимация, мобильная компоновка. Расчёты CPU/GPU, экономика и научные отчёты сохранены. Запуск: python -X utf8 -B serve_preview.py --port 8767, адрес: http://localhost:8767/. Подложке OpenFreeMap нужен интернет; без карты доступны карточки и расчёты. Происхождение материалов и детали интеграции.

Быстрый старт на localhost — без Docker

Основной способ проверки MVP — обычный Python 3.11. Docker, NVIDIA/CUDA, PyTorch, Flask и аккаунт хостинга для просмотра готовых прогнозов, расчёта экономики и создания отчётов не нужны.

Получите ветку main (для приватного репозитория нужен доступ GitHub):

git clone --branch main --single-branch https://github.com/BAITC-Hacks/hack-c9937c44-xy.git
cd hack-c9937c44-xy

macOS / Linux:

python3.11 -m venv .venv
.venv/bin/python -m pip install -r requirements-reports.txt
.venv/bin/python main_simulation.py --demo
.venv/bin/python serve_preview.py

Windows / PowerShell, из той же папки проекта:

py -3.11 -m venv .venv
.\.venv\Scripts\python.exe -m pip install -r requirements-reports.txt
.\.venv\Scripts\python.exe main_simulation.py --demo
.\.venv\Scripts\python.exe serve_preview.py

Откройте http://localhost:8767/ и оставьте терминал работающим. Главная страница сразу выбирает сохранённый GPU-прогноз за январь. Команда --demo подготавливает дополнительный источник «Python демо» без обучения и сетевых запросов. Для остановки сервера нажмите Ctrl+C; если порт занят, добавьте --port 8768 к команде запуска сервера.

Проверьте выбор выпуска и турбины, измените тариф в «Экономике», затем нажмите «Сформировать отчёт» и скачайте PDF/ZIP. Отчёты остаются в outputs/reports/ после остановки сервера. Это просмотр проверенных результатов; повторное обучение модели описано отдельно ниже.

Автоматическая проверка из второго терминала (на Windows замените .venv/bin/python на .\.venv\Scripts\python.exe):

.venv/bin/python verify_results.py
.venv/bin/python tests/smoke_web.py http://localhost:8767 . outputs/local-check.json

Она проверяет интерфейс, шесть источников, экономику, PDF/ZIP и контрольные суммы. Не запускайте вместо serve_preview.py обычный python -m http.server: у него нет API экономики и отчётов.

Объединённая версия с картой проверена: 62 Python-теста, 16 UI-тестов, сохранённые GPU-артефакты и полный HTTP-сценарий в чистом Python-окружении без Docker, PyTorch, RAPIDS, Flask и Gunicorn. Лог общих тестов, проверка localhost с версиями, хешами PDF/ZIP и исходников.

Опционально: Docker и онлайн-развёртывание

Развернуть бесплатно в Render — конфигурация render.yaml выбирает Docker, Free и Франкфурт. Репозиторий приватный: Render нужен доступ к этому репозиторию через GitHub App; организация может потребовать подтверждение администратора. Сервис пока не опубликован. После развёртывания Render выдаёт HTTPS-адрес *.onrender.com; свой домен не нужен. Последующие push в main запускают обновление сервиса.

Сервис открывает сохранённые GPU-прогнозы, считает Lost Energy Revenue и формирует PDF/HTML/ZIP. web_app.py работает через Gunicorn с одним процессом; тяжёлые отчёты формируются по одному. GPU на веб-сервере не требуется: новое обучение выполняется отдельно. Исходные SCADA, .env, .git и локальная среда исключены из Docker-образа; HTTP выдаёт только разрешённые файлы интерфейса и результатов.

По условиям Render Free, проверенным 23.09.2026, сервис засыпает после 15 минут простоя, получает 750 бесплатных часов в месяц на workspace и не имеет постоянного диска. У него нет заданного нами срока удаления через 14 дней, но непрерывная доступность не гарантируется. Прогнозы и доказательства сохранены в Git и входят в образ. Новые отчёты скачивайте: на Render Free они могут исчезнуть после перезапуска или развёртывания и затем формируются заново. Искусственный keep-alive не настроен.

Локальный запуск или запуск на собственном сервере с постоянным Docker volume для отчётов:

docker compose up --build -d
curl http://127.0.0.1:8080/healthz
# Открыть http://127.0.0.1:8080/
docker compose logs --tail 50

Compose ограничивает память 512 МБ, запускает процесс без root, делает образ доступным только для чтения и хранит отчёты в volume reports. Не добавляйте -v к docker compose down, если нужно сохранить отчёты. Для публичного собственного сервера перед портом 8080 нужен HTTPS reverse proxy; в Render TLS предоставляет платформа.

Проверки сервера: pip install -r requirements-web.txt и python -m unittest discover -s tests -p test_web_app.py -v. Полный набор дополнительно требует зависимостей прогнозного пайплайна из requirements.txt.

Проверка работающего контейнера: python tests/smoke_web.py http://127.0.0.1:8080 . /tmp/alem-web-check.json. Она проверяет шесть источников, закрытые пути, совпадение экономики с эталоном и создаёт PDF/ZIP с проверкой SHA-256 всех файлов архива. Лог 61 Python-теста и 12 UI-тестов, проверка Docker.

Проверенные результаты CPU и NVIDIA L4

Проверка выполнена 23.09.2026. В репозиторий включены реальные результаты, а не только описание успешного запуска. Быстрая проверка без GPU, сети и сторонних Python-пакетов:

python verify_results.py

Команда сверяет SHA-256, дневные CSV и общий submission, наличие checkpoints, временные границы в аудите, размер выборок и самостоятельно пересчитывает MAE/RMSE из сохранённых прогнозов и наблюдений. Она не запускает CUDA повторно и не подтверждает достоверность исходных измерений без исходных CSV. Ссылки на доказательства:

Проверка	Артефакт
Исходный CPU-прогноз 30 января, сохранён без изменения	backtest
Повтор CPU-прогноза и оценка	replay
14 ежедневных CPU-обучений и прогнозов	rolling-january
Паритет CPU/GPU с одинаковыми весами и отдельное CUDA-обучение	verification.json, полный лог
14 ежедневных CUDA/cuML-обучений и прогнозов	rolling-january-gpu, лог
Реальный GPU и установленная среда	nvidia-smi, версии, Conda export
Исходная CPU/UI-проверка и тесты на L4	CPU/UI, GPU tests
Хеши результатов, исполнявшегося кода и исходных CSV	manifest.json
Научный отчёт по GPU-выпуску 29 января: 6 рисунков и 48 фактических турбино-часов	PDF, HTML, рисунки, CSV и аудит в ZIP

Протокол оценки

Горизонт 24 часа, история 72 часа, 14 суточных обучающих примеров, 10 эпох, seed 42, совместный Transformer двух турбин. Настройки одинаковы на всех датах; политика expanding ежедневно переобучает модель только на доступных до выпуска наблюдениях. Development: 16–24 января (9 выпусков); holdout: 25–29 января (5 выпусков). Граница была выбрана до расчёта этих метрик; отдельной внешней регистрации протокола нет. Уже просмотренное 30 января не включено в holdout.

В каждом rolling-запуске 672/672 сопоставленных турбино-часа, исключено 0; holdout содержит по 120 часов на турбину. Все методы оцениваются на одинаковых часах. Persistence — значение последнего наблюдаемого часа перед выпуском, фиксированное на весь горизонт. MAE = mean(|прогноз − факт|), RMSE = sqrt(mean((прогноз − факт)²)); единица p.u.

Выборка / метод	T1 MAE	T1 RMSE	T2 MAE	T2 RMSE
Development · Transformer CPU	0.285952	0.365977	0.281505	0.367128
Development · Transformer L4	0.286086	0.366257	0.281391	0.368497
Development · persistence	0.336921	0.481892	0.322454	0.465179
Development · кривая мощности	0.357655	0.506047	0.342951	0.492558
Holdout · Transformer CPU	0.341337	0.386011	0.367809	0.406868
Holdout · Transformer L4	0.345368	0.390735	0.366877	0.406949
Holdout · persistence	0.440778	0.563261	0.455472	0.580702
Holdout · кривая мощности	0.288436	0.431351	0.290770	0.437501
30 января · Transformer CPU	0.382481	0.434209	0.314678	0.356434
30 января · Transformer L4	0.380936	0.432263	0.323644	0.365402
30 января · persistence	0.280556	0.364332	0.267569	0.357635
30 января · кривая мощности	0.709259	0.746397	0.722245	0.760259

На этом holdout Transformer лучше persistence по MAE/RMSE обеих турбин. Однако простая кривая мощности лучше Transformer по MAE holdout, а 30 января модель проигрывает persistence по MAE. Поэтому превосходство над всеми baselines не заявляется. Кривая использует некалиброванный ветер 10 м и не является паспортной характеристикой ВЭУ. Все значения, включая эту кривую и метрики каждого lead, сохранены в evaluation.json/evaluation.csv; сопоставленные GPU-строки доступны отдельно.

Что подтвердил GPU-тест

NVIDIA L4 в Brev/GCP, драйвер 595.91.07, PyTorch 2.13.0+cu126, CUDA runtime 12.6, cuDF/cuML 25.10, CuPy 14.2.0, Python 3.11.16. Проверены обработка обоих полных CSV через cuDF, нормализация cuML, размещение модели на CUDA и обучение с AMP.

Ran 42 tests in 3.621s
OK (skipped=1)
PASS: pandas/cudf hourly features and missing-value masks match
PASS: same-checkpoint CPU/cuda inference; max difference=3.8743019e-06
PASS: cuda training and evaluation completed, 48 rows
PASS: 14 CUDA/cuML training origins and 672 evaluated turbine-hours

На L4 пропущен только тест поведения при отсутствии CUDA. Набор из 42 тестов относится к версии прогнозного пайплайна до объединения с модулем научных отчётов; полный объединённый набор проверен отдельно: 53 Python-теста, OK, плюс 9 тестов отчётного UI и проверка отображения оценок; лог Python. Эти проверки настроены в CI, но запуск для коммита с результатами не начался: GitHub сообщил о блокировке аккаунта из-за billing issue. Успешная облачная проверка не заявляется; приведённые выше 53 теста выполнены локально. Числовой паритет использует один CPU-checkpoint и допуск rtol=atol=1e-4; повторное обучение с AMP и другой версией PyTorch не обязано давать те же веса или прогнозы. Превосходство GPU по скорости не измерялось. Инстанс удалён после скачивания результатов; повторный запуск потребует нового доступа к GPU.

Независимая перепроверка и воспроизведение

В Git опубликованы погода, прогнозы, аудит и checkpoints пяти зафиксированных запусков. Полные исходные SCADA остаются в data/raw/ вне Git; проверяющему нужны два CSV организатора с именами и SHA-256 из manifest.json. observations.csv — 720 уникальных почасовых фактов для опубликованных дат, полученных из этих CSV, без интерполяции. Он используется только для оценки и научных рисунков.

С оригинальными данными можно повторно вычислить наблюдения, persistence и метрики, а не доверять сохранённым фактам:

python -m pip install -r requirements.txt
python verify_results.py --data-dir data/raw
python -m unittest discover -s tests -q
node tests/test_preview.cjs
node tests/report-ui.test.cjs

SHA-256 обнаруживает изменение зафиксированных файлов, но сам по себе не является внешней аттестацией эксперимента. cpu-verification.txt — исторический лог до GPU-проверки; его строка «GPU not tested» описывает состояние на тот момент.

Воспроизведение одной даты без новых погодных запросов (новая папка обязательна):

python gpu_check.py --cpu-rehearsal --output outputs/recheck-cpu
# В настроенной среде NVIDIA, без --cpu-rehearsal:
python gpu_check.py --output outputs/recheck-gpu

Для повторения проверенного Linux x86_64 окружения используйте установленный Miniforge/Conda и драйвер NVIDIA, совместимый с CUDA 12.6:

conda create -y --prefix .gpu-env --file outputs/evidence/gpu-conda-explicit.txt
conda activate "$PWD/.gpu-env"
export LD_LIBRARY_PATH="$CONDA_PREFIX/lib${LD_LIBRARY_PATH:+:$LD_LIBRARY_PATH}"
python -m pip install torch==2.13.0 --index-url https://download.pytorch.org/whl/cu126
python gpu_check.py --output outputs/recheck-gpu

Conda export фиксирует нативные библиотеки, pandas 2.3.3 и scikit-learn 1.7.2. gpu-packages.txt — диагностический pip freeze, не переносимый requirements-файл: в нём есть пути сборки Conda. RAPIDS 26.08 требует pandas 3; cuML 25.10 не импортировался со scikit-learn 1.9.1. Переменная LD_LIBRARY_PATH нужна проверенной среде, чтобы PyTorch не загрузил старую системную библиотеку C++ перед RAPIDS. Это команды восстановления окружения, не команда аренды машины.

Повтор rolling-эксперимента на CPU; для L4 замените pandas/cpu на cudf/cuda и используйте другую новую папку:

python main_simulation.py --data-dir data/raw --data-timezone UTC --history-policy expanding --backend pandas --device cpu --start 2026-01-16 --end 2026-01-29 --horizon 24 --lookback 72 --train-days 14 --min-train-samples 14 --epochs 10 --seed 42 --output outputs/recheck-rolling
python evaluate.py --forecasts outputs/recheck-rolling --turbine-1 "data/raw/Dataset HackAlemAI для участников 11.03.2023-28.02.2026 - turbine 1.csv" --turbine-2 "data/raw/Dataset HackAlemAI для участников 11.03.2023-28.02.2026 - turbine 2.csv" --data-timezone UTC --holdout-start 2026-01-25T00:00:00Z

Фактические GPU-запуски выполнялись с выключенным TF32 и запретом сетевых запросов requests; использован опубликованный погодный кеш. Для точного повторения этого режима перед run(args) задайте torch.backends.cuda.matmul.allow_tf32 = False, torch.backends.cudnn.allow_tf32 = False и запретите requests.sessions.Session.request, как в gpu_check.py.

Пределы вывода: подтверждена работоспособность пайплайна и согласованность конкретных артефактов. Holdout — лишь пять соседних дней, турбины и часы зависимы; статистическая значимость, переносимость на другие сезоны и доверительные интервалы не оценены. UTC, координаты, высоты и задержка SCADA не подтверждены. Восьмичасовой погодный lag — допущение, а не журнал фактической публикации. Точность скрытого февраля, CFD/Modulus и соответствие IEC/ГОСТ не доказаны.

Как выглядит программа

Исходник макета · Код интерфейса

python -m pip install -r requirements-reports.txt
python serve_preview.py --port 8767

Откройте http://127.0.0.1:8767/preview/. Локальный сервер показывает интерфейс, читает опубликованные запуски в outputs/ и формирует научные отчёты. Сборка и JavaScript-зависимости не нужны.

Главный экран использует карту-схему: две выбираемые турбины, переключатель мощности/ветра и почасовая лента с воспроизведением. Выбор часа синхронизирован с графиками и таблицей. Работают дата выпуска, горизонт 24/48 часов, фильтр турбин и выгрузка CSV. Карта — условная схема, а не настоящая топография или погодный слой.

Источник «Демо интерфейса» генерирует синтетический сценарий в браузере. «Python демо» читает CSV и JSON из outputs/demo/; «Прогноз модели» — из outputs/backtest/. Для GPU-эксперимента откройте http://127.0.0.1:8767/preview/?run=rolling-january-gpu и выберите выпуск из manifest; на графике есть факт и persistence. Обучение из браузера пока не запускается; при отсутствии файла показывается ошибка. В режиме модели пороги ротора не применяются к ветру на 10 м.

Актуальные команды, результаты и план продолжения: HANDOFF.md. Дополнительные снимки исходников находятся в handoff/.

Научные отчёты

В разделе «Научные отчёты» → «Сформировать отчёт» создаётся PDF с методикой и четырьмя научными рисунками: почасовыми траекториями, рабочими точками P(v), кривыми обеспеченности и часовыми изменениями мощности. Доступны автономный HTML, SVG, PNG 300 dpi и ZIP с данными и контрольными суммами. Отчёт охватывает обе турбины и выбранные дату, источник и горизонт.

При наличии outputs/observations.csv для модельного прогноза добавляются сопоставление с фактом, распределение ошибок и MAE/RMSE/bias. Без факта показатели качества остаются недоступными. Формат наблюдений, методика и CLI: SCIENTIFIC_REPORTS.md. Раздел проверен с браузерным демо и артефактами Python.

В отчёты включена нормативная основа ВЭС: ГОСТ 7.32-2017 для структуры отчёта о НИР и IEC 61400-12-1:2022 с COR1:2025 для измерения характеристик ВЭУ. Полный шаблон НИР и измерительные испытания пока не реализованы; соответствие стандартам не заявляется. Профиль и официальные ссылки доступны в интерфейсе, PDF/HTML и JSON-аудите. После этих изменений весь набор — 52 теста, OK.

Экономика: Lost Energy Revenue

Откройте http://127.0.0.1:8767/preview/?run=rolling-january-gpu#economics. Панель переводит почасовой прогноз обеих турбин в энергию и риск недополученной выручки относительно заданного плана. Введите номиналы T1/T2, постоянный план отпуска, тариф продажи без НДС и его источник/дату. Изначальные 2+2 МВт, план 3 МВт и 25 ₸/кВт·ч — иллюстративный сценарий, не параметры ВЭС и не текущий тариф.

P(t), МВт = p.u.(T1,t) × номинал T1 + p.u.(T2,t) × номинал T2
Недобор, МВт·ч = Σ max(план МВт − P(t), 0) × 1 ч
Lost Energy Revenue, ₸ = недобор МВт·ч × 1000 × тариф ₸/кВт·ч

Избыток в другом часу не компенсирует дефицит без накопителя. Принято, что 1 p.u. соответствует номинальной мощности; до бизнес-применения нужно подтвердить базу нормировки исходных CSV. Низкий прогноз ветра на 10 м не используется как доказательство остановки ротора; прогноз мощности повторно не обнуляется. Это сценарный риск выручки, не установленный убыток или дефицит всей сети.

При вводе обеих цен закупки агент сравнивает стоимость покрытия почасового дефицита заранее и через балансирование. Разница затрат показывается отдельно от Lost Energy Revenue; положительная экономия не обещается без заданных цен. Комиссии, штрафы, сетевые потери, рыночные ограничения и ошибка прогноза не моделируются; заявки на рынок не отправляются. Цена продажи зависит от договора (РФЦ), балансирующая энергия рассчитывается отдельно (KOREM); источники проверены 23.09.2026, live-котировки не подключены.

economics.py выполняет единственный серверный расчёт через /api/economics; для модельного источника сервер читает сохранённые CSV и аудит. Текст рекомендации формируется из рассчитанных величин. Смена выпуска, горизонта или параметров очищает старый результат. JSON доступен в панели; PDF/HTML включают экономический раздел, ZIP — economics.csv, economics.json, параметры, допущения и SHA-256. Экономику можно отключить перед формированием отчёта.

Проверенный пример на GPU-прогнозе 29 января: 31.1181198 МВт·ч прогнозной энергии, план 72 МВт·ч, недобор 40.8818802 МВт·ч, риск 1 022 047.005 ₸ при сценарном тарифе 25. Сценарные цены закупки 15/30 ₸ дают разницу 613 228.203 ₸. JSON расчёта, PDF, полный ZIP. Это отдельный сценарный расчёт поверх сохранённых GPU-прогнозов; нового обучения или расходования GPU-кредитов нет.

После интеграции прошли 57 Python-тестов, 12 UI-тестов и прежняя проверка отображения оценок. В том числе проверены МВт → кВт·ч → ₸, недопустимые параметры, отсутствие взаимозачёта разных часов, выгода/невыгода закупки и защита от устаревших ответов. Запуск: python -m unittest discover -s tests -q, node tests/report-ui.test.cjs, node tests/economics-ui.test.cjs, node tests/test_preview.cjs. Предыдущие GPU-артефакты и лог из 53 тестов сохранены без изменения.

Архитектура

flowchart LR
    SCADA[CSV двух турбин<br/>измерения каждые 10 минут] --> DATA
    WEATHER[Open-Meteo<br/>архив прогнозов] --> DATA
    CLOCK[Время симуляции T] --> DATA
    DATA[Агент данных<br/>cuDF · почасовые признаки] --> MODEL
    MODEL[ML-агент<br/>PyTorch Transformer] --> CHECK
    CHECK[Валидатор<br/>мощность 0–1 · пороги ветра] --> OUTPUT[CSV + JSON-аудит + checkpoint]
    MAIN[main_simulation.py<br/>ежедневный оркестратор] -.-> DATA
    MAIN -.-> MODEL
    MAIN -.-> CHECK

Модуль	Реализация
data_agent.py	Русские заголовки CSV, агрегация и rolling через cuDF, явный CPU-backend, прогнозы Open-Meteo, проверяемый кеш
model_agent.py	Совместный encoder–decoder Transformer, CUDA AMP, AdamW, cuML StandardScaler по обучающим входам на GPU, сохранение модели
validator_agent.py	Ограничения мощности и ветра, явная точка расширения для Modulus
main_simulation.py	Календарь симуляции, проверка доступности данных, обучение/инференс, ежедневные файлы и общий submission.csv
main.py	Совместимый вход для прежних команд запуска
evaluate.py	Оценка завершённого запуска по позднее полученным SCADA: MAE/RMSE модели, persistence и простой кривой мощности
preview/	Статическая панель просмотра CSV/JSON, выбор источника, даты и горизонта
tests/	Проверки причинности, полноты данных, кеша, модели, физики и ежедневного цикла

Агенты здесь — специализированные исполняемые модули, управляемые детерминированным оркестратором. LLM/NIM не участвует в численном прогнозе. TFT, GNN и модель потоков Modulus пока не реализованы; выбран Transformer как проверяемая начальная архитектура. cuDF выполняет агрегацию и rolling на GPU, cuML — нормализацию входов модели. Небольшие таблицы погоды, часовые пояса и метаданные обрабатываются на CPU.

Публичные функции: fetch_weather_forecast(lat, lon, current_date) в data_agent.py, train_model(TrainingData, config) и predict(model, ForecastData) в model_agent.py, validate_power(power, wind) в validator_agent.py. Контракты обучения и прогноза содержат временные метки доступности погоды; функции проверяют их до обращения к модели.

Данные и единицы

CSV содержат время, среднюю скорость ветра, нормализованную активную мощность и температуру. Пути передаются аргументами; полные исходные CSV исключены из Git. Погодный кеш и зафиксированные результаты с весами опубликованы для проверки; новые эксперименты остаются локальными.

Проверка реальных файлов обнаружила:

Источник	Строк по 10 минут	Полных часов до 01.02.2026, при интерпретации UTC
Турбина 1	142 360	23 667
Турбина 2	149 499	24 785

Оба файла фактически заканчиваются 31.01.2026 23:50, хотя названия упоминают 28.02.2026. Февральских измерений в них нет. В непрерывной почасовой сетке 25 392 интервала; пропуски сохраняются.

Почасовая мощность — среднее шести уникальных десятиминутных измерений. Это нормализованная средняя мощность (p.u.), а не сумма и не энергия в МВт·ч. Для энергии нужна номинальная мощность турбины. Неполные часы и окна не заполняются будущими значениями. Конфликтующие дубликаты отклоняются.

Временная метка считается началом измерительного интервала. Часовой пояс CSV не указан в материалах, поэтому реальный запуск требует --data-timezone. Координаты взяты из запроса: T1 (51.04, 71.46), T2 (51.05, 71.45). Перед финальной оценкой нужно сверить координаты, часовой пояс и соглашение о метках с владельцем данных.

Защита от утечки

1. Сырые наблюдения отсекаются по timestamp < T до численного преобразования, агрегации и rolling. Используются только полностью завершённые часы.
2. У обучающей последовательности история [s−lookback, s) и целевые часы [s, s+horizon). Последний целевой час строго раньше обучающего cutoff.
3. Будущие погодные признаки для обучающего примера запрашиваются на момент s, а для прогноза — на момент T. Фактическая погода не подставляется в decoder.
4. Нормализация обучается только на обучающих массивах. Внутренней случайной validation-разбивки нет; число эпох фиксировано. Train loss не считается оценкой качества backtest.
5. Отсутствующий прогноз, неверные единицы, NaN и несовпадение времён останавливают расчёт. Автоматической замены на ERA5, reanalysis или live forecast нет.
6. Кеш включает источник, модель, координаты, горизонт, cutoff, политику доступности и контрольную сумму ответа.

Обычный Historical Forecast API склеивает первые часы последовательных запусков. Для будущих признаков такого ряда недостаточно. Начальный адаптер использует Previous Runs API, модель gfs_global, переменные с суффиксом _previous_dayN.

Для каждого прогнозируемого часа v выбирается упреждение:

N = max(1, ceil((v − T + publication_lag) / 24 часов))
issued_at_upper_bound = v − N × 24 часа
available_at_upper_bound = issued_at_upper_bound + publication_lag
available_at_upper_bound ≤ T

По умолчанию publication_lag = 8 часов. Это консервативное предположение о публикации, не подтверждённый журнал фактического времени выдачи. Адаптер сохраняет вычисленные верхние границы, не выдавая их за точный run_id. Для окончательного доказательства доступности каждого исходного прогноза потребуется архив запусков с подтверждённым временем публикации. Single Runs API позволяет выбирать запуск, но доступность модели и происхождение архива нужно проверять отдельно.

Два режима истории

--history-policy frozen — явный режим для приложенных январских CSV. История и обучение фиксируются на первом моменте симуляции. Модель обучается один раз, затем ежедневно получает новый архивный погодный прогноз. Февральская мощность не выдумывается и не требуется. В JSON записываются context_origin и возраст контекста. Устаревание истории к концу месяца может ухудшать точность: это ограничение baseline, а не доказанная модель месячного горизонта.

--history-policy expanding — по умолчанию. На каждой дате модель заново обучается на уже доступных наблюдениях. Нужны новые фактические SCADA-измерения до текущего T. С приложенными файлами этот режим не сможет продолжить расчёт после 1 февраля: неполная история вызывает явную ошибку. До запуска на весь месяц добавьте новые наблюдения либо явно выберите frozen.

Быстрый запуск без GPU и сети

Python 3.11+:

python -m venv .venv
# Linux / WSL2:
source .venv/bin/activate
# Windows PowerShell: .venv\Scripts\Activate.ps1
python -m pip install -r requirements-demo.txt
python main_simulation.py --demo

Получите 28 дневных CSV и 28 JSON-аудитов в outputs/demo/, а также run.json и общий submission.csv. При горизонте 48 часов каждый дневной CSV содержит 96 строк: 48 часов × 2 турбины; весь месяц — 2 688 строк. Последний прогноз сохраняет часы вплоть до 01.03.2026 23:00 UTC. Это демонстрация контракта вывода; она не обучает модель и не является конкурсной отправкой.

Запуск модели

Установите совместимые PyTorch, cuDF, cuML и CuPy в окружении NVIDIA-кластера. RAPIDS требует Linux либо Windows через WSL2; версию CUDA и RAPIDS выбирайте по официальному установщику. requirements.txt не устанавливает RAPIDS автоматически, чтобы не навязать несовместимый CUDA wheel. На CUDA нормализация по умолчанию требует cuML; CPU-проверки используют NumPy без scikit-learn.

python -m pip install -r requirements.txt
python -c "import cudf, cuml, cupy, torch; print(cudf.__version__, cuml.__version__, torch.__version__); assert torch.cuda.is_available()"

Пример для CSV, часовой пояс которых подтверждён как UTC:

python main_simulation.py --data-dir "data/raw" --data-timezone UTC --history-policy frozen --backend cudf --device cuda --start 2026-02-01 --end 2026-02-28 --horizon 48

В --data-dir ожидаются оба исходных файла с точными русскими именами из задания. Можно передать другие пути явно через --turbine-1 и --turbine-2.

Если метки локальные, укажите подтверждённый IANA timezone вместо UTC. --simulation-timezone задаёт часовой пояс ежедневного момента выпуска; по умолчанию это 00:00 UTC. Чтобы дополнительно воспроизвести выпуск 31 января, задайте --start 2026-01-31 — тогда и заморозка истории начнётся на сутки раньше.

Для CPU-проверки доступны --backend pandas --device cpu. Смена устройства выполняется явно. По умолчанию используются 72 часа контекста, 90 дней для выбора обучающих примеров, минимум 14 полных суточных примеров и 10 эпох. Первый запуск скачивает погоду для обучающих дат, последующие используют кеш. Неполные исторические окна исключаются; их число отражается в аудите.

Физические правила: 0 ≤ power ≤ 1. В реальном пайплайне обнуление по ветровым порогам отключено: прогноз на 10 м нельзя непосредственно применять к порогам ротора неизвестной высоты. Аудит сохраняет wind_limits_applied: false. Деморежим использует иллюстративные пороги 3/25 м/с. Пересчёт на высоту ротора и калибровка требуют подтверждённых данных. Плотность воздуха рассчитывается приближённо как P × 100 / (287.05 × (T°C + 273.15)).

Результаты и воспроизводимость

outputs/backtest/
├── run.json
├── submission.csv
├── forecast_20260201T0000Z.csv
├── forecast_20260201T0000Z.json
├── ...
└── checkpoints/
    └── model_20260201T0000Z.pt

CSV: forecast_origin, valid_time, turbine_id, power_normalized, wind_speed_ms. Общий файл обновляется атомарно после каждого дня только из результатов текущего запуска; повторный запуск не дописывает дубликаты. run.json сообщает running, completed или failed; неполный результат нельзя считать завершённым submission.

JSON содержит режим, границу наблюдений, даты обучающих примеров, ограничения доступности погоды, физическую проверку и путь к весам. Checkpoint хранит конфигурацию, нормализацию и веса. Разные даты выпуска могут прогнозировать один час — это разные прогнозы; склеивать их без учёта forecast_origin нельзя. CSV-контракт нужно сверить с форматом финального submission организаторов.

python -m unittest discover -s tests -v
python main_simulation.py --demo --start 2026-02-28 --end 2026-02-28 --horizon 48

Результаты CPU, NVIDIA L4 и ссылки на логи приведены в разделе «Проверенные результаты CPU и NVIDIA L4» выше. Для полного набора модельных тестов нужен PyTorch; пропуски при его отсутствии не означают проверку модели.

evaluate.py принимает только завершённые запуски с актуальным run.json и оценивает перечисленные в нём дневные файлы. Для прежних результатов без статуса завершения нужно повторить запуск. Пропуски исключаются из общих масок сравнения и явно подсчитываются; отсутствие наблюдений не превращается в нулевую ошибку.

Следующий этап

• Подтвердить координаты, timezone, момент доступности SCADA и высоту ступицы.
• Расширить проверку за пределы пятидневного holdout, сохранив опубликованный эксперимент без изменения.
• Проверить горизонт 48 часов и устойчивость к пропускам/задержкам SCADA на отдельных временных отрезках.
• Сопоставить замороженный контекст с weather-only моделью, масками отсутствующей истории и TFT/GNN.
• Добавлять Modulus после получения рельефа и геометрии, с измеримой проверкой полезности физических признаков.