Энергетика и ЖКХ – отрасль, где ИИ давно вышел из стадии экспериментов: модели прогнозируют потребление, следят за турбинами и находят утечки. Управленческий вопрос сейчас другой – не «пробовать ли», а какие задачи брать в первую очередь, чтобы эффект был измеримым, а проект не застрял в пилоте. Ниже – обобщение того, что видно в открытых кейсах российских сетевых, генерирующих, сбытовых и ресурсоснабжающих организаций. Без названий и рекламы, только повторяющиеся закономерности.
Где ИИ в энергетике и ЖКХ уже даёт результат
В базе кейсов ИИ на platforms.su больше 60 кейсов из энергетики и ЖКХ. Большинство из них укладывается в пять сценариев.
1. Прогноз потребления и закупок
Задача: сбытовая компания или водоканал должны заранее знать объём потребления, иначе – переплата за небалансы на оптовом рынке, лишние реагенты, неоптимальные режимы насосов. Что делает ИИ: модель учится на истории потребления, погоде, сезонности, календаре и данных приборов учёта, строит прогноз на сутки или по часам. Результат: в кейсах точность прогноза доходит до 95–99%, при этом исчезает ручная подстройка коэффициентов, на которую раньше уходили часы специалистов. Деньги видны в снижении штрафов за отклонения и в экономии ресурсов.
2. Предиктивная диагностика оборудования
Задача: внеплановый останов турбины, котла или насоса стоит недоотпуска энергии, штрафов и аварийного ремонта. Что делает ИИ: строит эталонную модель работы агрегата по тысячам датчиков и сигнализирует о раннем отклонении – за дни или недели до отказа. Результат: типичный эффект – предотвращённые инциденты, переход от ремонта «по графику» к ремонту по состоянию, экономия на ТОиР в единицы процентов от бюджета. На крупных генерирующих объектах эффект исчисляется сотнями миллионов и миллиардами рублей, но только при охвате большого парка оборудования.
3. Инспекция линий и сооружений с воздуха
Задача: тысячи километров линий, просек, трубопроводов и гидросооружений невозможно регулярно обходить пешком. Что делает ИИ: компьютерное зрение обрабатывает съёмку с беспилотников, находит дефекты, растительность в охранной зоне, нарушения возле трасс. Результат: обработка съёмки ускоряется в разы – от недели до часов или минут, затраты на мониторинг в отдельных кейсах снижаются более чем вдвое. Главное – ресурсы на расчистку и ремонт идут на самые опасные участки.
4. Поиск потерь и аномалий потребления
Задача: коммерческие потери, неучтённое потребление, скрытые утечки в сетях. Что делает ИИ: сравнивает фактическое потребление с ожидаемым по каждой точке, ищет аномалии в данных счётчиков, распознаёт показания и признаки вмешательства на фотографиях приборов, локализует утечки по акустическим датчикам. Результат: проверки становятся адресными, их результативность растёт в разы; утечку удаётся локализовать за минуты вместо дней поиска.
5. Обращения потребителей и внутренняя работа с документами
Задача: при массовых отключениях контакт-центр захлёбывается, а персонал тонет в регламентах, закупочной документации и переписке. Что делает ИИ: голосовые и текстовые роботы принимают показания, аварийные заявки и типовые вопросы; LLM-ассистенты в закрытом контуре ищут по нормативной базе, сравнивают коммерческие предложения, готовят черновики писем и протоколов. Результат: пиковая нагрузка снимается без найма операторов, время ответа падает с десятков минут до секунд, трудозатраты на рутинные операции сокращаются в разы.
Что отличает удачные проекты
- Данные уже собираются. Быстрее всего окупаются проекты там, где есть телеметрия, АСКУЭ, SCADA или архив съёмки. Если первым шагом нужно ставить датчики, проект становится инфраструктурным и сроки растягиваются на годы.
- Эффект привязан к деньгам компании. Штрафы за небалансы, недоотпуск, затраты на обходы, потери – всё это считается в рублях до старта. Проекты «для цифровизации» без такой привязки обычно не доходят до тиражирования.
- Модель встроена в процесс. Сигнал о дефекте автоматически становится заявкой в системе ТОиР, нарушение – задачей ответственному, прогноз – заявкой на рынок. Без этого модель становится ещё одним экраном, на который никто не смотрит.
- Есть владелец со стороны эксплуатации. Главный инженер или начальник службы, который отвечает за результат, а не только ИТ-подразделение.
- Тиражирование заложено сразу. Удачные проекты начинаются на одном филиале или станции, но архитектура и договор сразу рассчитаны на масштаб группы.
Типовые ошибки руководителей
- Начинать с платформы, а не с задачи. Покупка «универсальной» системы без конкретного сценария даёт годы интеграции и размытый результат.
- Недооценивать качество данных. Пропуски телеметрии, сбои связи, ошибки привязки датчиков съедают точность модели. Аудит данных нужен до выбора подрядчика.
- Не учитывать требования безопасности. Объекты критической инфраструктуры требуют закрытого контура, отечественного ПО и согласования с ИБ. Если это выясняется после пилота, проект переделывают заново.
- Оценивать пилот по точности модели, а не по эффекту. 95% точности ничего не значат, если сигналы не превращаются в действия бригад.
- Ждать замены людей. В отрасли ИИ почти везде – советник оператора и диспетчера. Решение остаётся за человеком, и это нужно закладывать в регламенты.
- Не планировать сопровождение. Модели прогноза деградируют при смене структуры потребления, модели диагностики – после ремонта оборудования. Без переобучения эффект за год-два тает.
Как начать: план на 6–8 недель
- Недели 1–2. Карта потерь. Составить список 5–10 процессов, где компания теряет деньги: небалансы, внеплановые остановы, обходы, коммерческие потери, перегрузка контакт-центра. Для каждого – оценка в рублях в год.
- Недели 2–3. Проверка данных. По двум-трём лидерам списка выяснить, какие данные есть, за какой период, насколько они полные и где лежат.
- Неделя 4. Выбор пилота. Одна задача, один объект или филиал, понятная базовая линия и целевой показатель. Пример: снизить отклонение прогноза потребления на N процентных пунктов за квартал.
- Недели 4–5. Формат реализации. Готовое отраслевое решение, собственная команда или подрядчик под задачу. Заранее определить требования к контуру, правам на модель и данным.
- Недели 5–8. Запуск пилота. Модель работает параллельно с действующим процессом, результаты сравниваются с базовой линией. Критерии решения о тиражировании фиксируются до старта, а не после.
Вопросы команде или подрядчику
- Какой финансовый показатель изменится и как мы его посчитаем до и после?
- Какие данные нужны, за какой период, и что будет, если 10–20% телеметрии окажутся с пропусками?
- Где будет работать решение – в нашем контуре или у вендора, и как это согласуется с требованиями к объектам критической инфраструктуры?
- Как сигнал модели попадает в работу: кто получает, в какой системе, за какое время реагирует?
- Как часто модель переобучается и кто за это отвечает после окончания проекта?
- Кому принадлежат модель и обученные веса, сможем ли мы сменить подрядчика без потери результата?
- Какие кейсы такого же масштаба подрядчик довёл до промышленной эксплуатации, а не только до пилота?
Итог
В энергетике и ЖКХ ИИ окупается там, где есть данные, а потери можно посчитать в рублях: прогноз потребления, диагностика оборудования, инспекция сетей, поиск потерь, обработка обращений. Начинать стоит с одной задачи с понятной базовой линией и сразу закладывать встраивание в процесс и тиражирование. Центр компетенций ИИ проводит экспресс-диагностику таких задач и независимую оценку пилотов.
Разобрать вашу задачу
За 30 минут оценим, где ИИ даст эффект в вашей компании и с чего начать.