Искусственный интеллект для энергетики Казахстана
В энергетике ИИ решает четыре класса задач: прогнозирование нагрузки и небаланса для работы на балансирующем рынке, выявление коммерческих потерь в распределительных сетях, предиктивная диагностика подстанционного оборудования по данным ХАРГ и оптимизация режимов котлоагрегатов ТЭЦ. KEGOC уже использует ИИ-прогноз потребления с точностью до 97% — региональным компаниям доступен тот же класс решений.
Задачи отрасли и наши решения
Боль
Потери в распредсетях 8–15% против 6–7% нормативных; разница ложится убытком на сетевую компанию
Решение
Балансовый анализ по фидерам и ТП + ML-скоринг абонентов на вероятность хищения + маршрутизация рейдов контролёров
Рост подтверждаемости рейдов с <10% до 40–60%, возврат 20–30% коммерческих потерь
Боль
Ошибки прогноза потребления 3–5% — прямые штрафы за небаланс на балансирующем рынке
Решение
ML-прогноз нагрузки и генерации ВИЭ (день-вперёд и внутридневной) с вероятностной оценкой риска небаланса
Снижение ошибки до 1,5–2,5%, −40–60% затрат на небаланс
Боль
Стареющие силовые трансформаторы: отказ — $1–3 млн замены и 12–24 месяца очереди на заводах; диагностика по отбору масла раз в 6–12 месяцев
Решение
Health-index парка по истории ХАРГ и нагрузочным режимам: ранжирование по риску, обоснование инвестпрограммы данными
Предотвращение мажорных отказов, эффективное перераспределение 10–15% бюджета реконструкции
Боль
Ручное ведение режима горения на угольных ТЭЦ: перерасход топлива 1–3%, превышения по выбросам
Решение
Советчик оптимального соотношения топливо/воздух и распределения по горелкам, прогноз шлакования
+0,5–1,5% КПД котла, снижение экологических платежей
Типовая архитектура решения
- Источники: АСКУЭ, SCADA/телеметрия, журналы ХАРГ, погодные данные, данные балансирующего рынка
- Витрина данных on-premise с балансовой моделью сети
- ML-платформа: прогнозные модели, скоринг потерь, health-index оборудования
- Интерфейсы: карта потерь, мобильное приложение контролёра, дашборды главного инженера
Почему энергетика Казахстана — отрасль с самым явным окном для ИИ
Износ магистральных сетей KEGOC — 62,8%, у региональных электросетевых компаний — 70% и выше. Пик нагрузки ОЗП-2025/26 достиг 17,7 ГВт при ожидаемом дефиците до 1 ГВт. До 2035 года предстоит построить 7 000 км новых ЛЭП и реконструировать 10 500 км — и распределять инвестиции нужно по фактическому состоянию активов, а не «по возрасту».
Системный оператор уже продвинут: SCADA/EMS с ИИ-прогнозом потребления и потерь (точность до 97%). А вот региональные РЭК и ЭСО отстают на годы: потери 8–15% против 6–7% нормативных, прогнозирование «как вчера» в Excel, диагностика трансформаторов по отбору масла раз в 6–12 месяцев. Разница между фактическими и нормативными потерями ложится прямым убытком на сетевую компанию — и именно здесь ИИ окупается за месяцы.
Как ИИ находит хищения электроэнергии
Большинство РЭК уже располагают данными АСКУЭ на трансформаторных подстанциях и частично у абонентов. Балансовый анализ локализует участки сети, где «теряется» энергия; ML-модель ранжирует абонентов по вероятности нарушения — по паттернам потребления, сравнению с соседями по фидеру, сезонности и истории актов. Контролёры получают не план обхода «вслепую», а ранжированные задания в мобильном приложении с фотофиксацией.
Эффект кристально измерим — доначисления и снижение небаланса, — поэтому проект возможен в модели success fee. Источник финансирования цифровизации у сетевых компаний тоже есть — программа «Тариф в обмен на инвестиции».
Как прогнозируется состояние трансформаторов без онлайн-датчиков
У каждой сетевой компании есть недооценённый актив — десятилетия лабораторных журналов хроматографического анализа растворённых газов (ХАРГ/DGA). ML-модель интерпретирует газовые тренды (метод Дюваля + прогноз траектории деградации), сопоставляет их с нагрузочными режимами из SCADA и строит health-index каждой единицы. Парк ранжируется по риску; онлайн ХАРГ-мониторы ставятся точечно — только на подтверждённые топ-риски.
Это переворачивает логику инвестпрограммы: вместо замены «по возрасту» — замена по фактическому состоянию, с обоснованием для регулятора данными, а не экспертным мнением.
Дорожная карта для региональной сетевой компании
- Экспресс-анализ (2 недели): балансы 10 фидеров + выгрузка АСКУЭ — карта аномальных ТП и оценка масштаба коммерческих потерь в тенге
- Пилот по потерям (3–4 месяца): один район сети — скоринг абонентов, ранжированные задания контролёрам, измерение подтверждаемости рейдов и доначислений против базовой линии
- Параллельно — ретроспектива по трансформаторам (8–12 недель): оцифровка журналов ХАРГ, health-index парка, материал для инвестпрограммы и тарифной заявки
- Масштабирование: все районы сети, интеграция с биллингом и ГИС, прогноз нагрузки, SLA-сопровождение
FAQ
Частые вопросы
Запросить анализ балансов фидеров
Расскажите о задаче — вернёмся с планом аудита данных и оценкой эффекта в течение двух рабочих дней.
Работаем по NDA с первого контакта