Многие модели динамических систем ориентированы на точность прогнозов, но при этом неповоротливы для решения задач оптимизации. Это ограничивает их применение в автоматическом управлении, особенно при необходимости быстрого реагирования.

В докладе будет представлен подход, сочетающий моделирование и оптимизацию в единой структуре. Этот подход позволяет не только описывать поведение системы, но и подбирать оптимальные управляющие воздействия с учетом бизнес-целей.

Мы предлагаем метод, где:
*система описывается аналитическими уравнениями вида F(t,y,y’)=0;
* параметры модели определяются из данных с помощью регрессии привычным способом (Scikit-learn);
* модели легко интегрируются в инструменты оптимизации (Pyomo).

Ключевые преимущества:
* скорость: оптимизация за минуты вместо часов;
* гибкость: профили управления без жесткой параметризации;
* доверие: прозрачные уравнения вместо «черного ящика».

Практические результаты:
* сокращение времени адаптации к изменениям;
* увеличение числа тестируемых сценариев.