ИИ в энергетике: где применяют и что это дало компаниям

Нейросети

ИИ в энергетике уже работает на всём пути от станции до потребителя, но результат пока виден в нескольких узких задачах. Это прогноз выработки солнечных и ветровых станций и прогноз потребления, диагностика оборудования станций, осмотр ЛЭП беспилотниками с нейросетью, поиск хищений по данным умных счётчиков и ответы клиентам энергосбыта. По большинству этих задач у российских компаний есть публичные кейсы с цифрами (по прогнозу потребления пока только научные испытания): у Системного оператора, «Россетей», «Т Плюс», Росэнергоатома, МТС и «Новосибирскэнергосбыта».

Масштаб быстро растёт. По словам замминистра энергетики Эдуарда Шереметцева, в 2023 году ИИ в той или иной мере использовали 21% компаний ТЭК, а на конец 2024 года — уже 58% (ComNews, июль 2025). Это весь ТЭК, включая нефтегаз, и основной упор, по его же словам, пока на финансово-хозяйственные системы, а не на технологические. Ассоциация больших данных оценила дополнительный доход энергетики от промышленных данных и ИИ в 91 млрд руб. за 2023–2024 годы (пересказ «Ведомостей», июнь 2025). Оценка построена на 47 кейсах компаний, методика публично не раскрыта.

Ниже — задачи по звеньям энергосистемы, сводная таблица кейсов, разбор каждого направления, причины, по которым проекты застревают на пилоте, и порядок первого проекта. ИИ в промышленности в целом, включая нефтегаз, разобран в отдельной статье про ИИ в промышленности. Здесь только электроэнергетика.

Как читать цифры в этой статье. Почти все результаты заявили сами компании или их поставщики. Независимых замеров с базовой линией и расчётом в рублях в открытом доступе почти нет. Поэтому у каждой цифры указано, кто её дал и за какой год. Источники проверены 17 ноября 2026 года. Стоимости проектов и сроков окупаемости здесь нет: энергокомпании их публично не раскрывают.

Где работает ИИ в энергетике: генерация — прогноз ВИЭ и диагностика оборудования, диспетчер — прогноз потребления и график, сети — осмотр ЛЭП и поиск хищений, сбыт — ответы клиентам, персонал — видеоконтроль техники безопасности

Где применяют ИИ в энергетике: задачи от станции до потребителя

Удобнее всего смотреть на энергосистему как на цепочку из пяти звеньев. У каждого своя задача для ИИ, свои данные и своя метрика, по которой видно, есть ли результат:

  • Генерация. Прогноз выработки солнечных и ветровых станций, раннее обнаружение неисправностей оборудования. Данные: погода, история выработки, показания датчиков. Метрика: ошибка прогноза, число выявленных аномалий, внеплановые остановы.
  • Диспетчеризация. Прогноз потребления и планирование графика. Данные: история потребления, погода, календарь. Метрика: ошибка прогноза, затраты на балансирование.
  • Сети. Осмотр линий электропередачи, поиск дефектов, выявление хищений и безучётного потребления. Данные: снимки с беспилотников, показания умных счётчиков. Метрика: километры осмотра в день, найденные дефекты, выявленные хищения, длительность отключений.
  • Сбыт. Ответы клиентам на типовые вопросы. Данные: сайт, база знаний, история обращений. Метрика: нагрузка на контакт-центр, доля вопросов, закрытых без оператора.
  • Персонал. Видеоконтроль техники безопасности. Данные: видео с камер на объектах. Метрика: число нарушений.

Для ориентира по масштабу есть оценки Международного энергетического агентства (МЭА). В докладе «Energy and AI» 2025 года сказано, что ИИ-обнаружение повреждений в сетях может сократить длительность отключений на 30–50%, а ИИ-инструменты управления сетью — высвободить до 175 ГВт пропускной способности ЛЭП без строительства новых линий (МЭА, 2025). Это оценки потенциала по миру, а не результат конкретной компании.

Нефтегаз МЭА называет ранним пользователем ИИ: разведка, добыча, обслуживание, безопасность. Кейсы этой отрасли — в статье про ИИ в промышленности.

Что ИИ уже дал компаниям: сводная таблица кейсов

В таблице собраны публичные кейсы с цифрами. Главная колонка — последняя: в ней видно, кто дал цифру и когда. Почти везде это сама компания или поставщик решения.

КомпанияЗадачаРезультатЧьи данные и год
Системный оператор ЕЭСПрогноз выработки СЭС и ВЭСТочность 94–96% на горизонте до 1 часа, 87–92% на 2–4 часа; 64 СЭС и 22 ВЭСДанные СО ЕЭС в «Коммерсанте», июнь 2024
«Россети Центр»Осмотр ЛЭП 35–110 кВ беспилотниками с нейросетьюБолее 100 км в день против 6 км стандартными методами; 41 вид критичных дефектовПресс-служба «Россетей», апрель 2025; возможности комплекса, а не годовой эффект
МТС и «Башкирэнерго»Поиск хищений по данным счётчиковНашли взломанные счётчики, занижавшие показания в 7–10 раз«Коммерсантъ», июнь 2024; снижение потерь не раскрыто
«Т Плюс»Диагностика оборудования ТЭЦ («Прогностика»)4 аномалии, которые могли отключить энергоблок, за первый год; система на 10 станциях«Эксперт-Урал», февраль 2024; денежный эффект не раскрыт
Росэнергоатом, Нововоронежская АЭСЦифровой помощник оператора (СИПО)Данные более 12 тыс. датчиков, прогноз развития событий на 30 минут«Российская газета», июль 2025; опытная эксплуатация, эффекта в цифрах нет
Росэнергоатом, Кольская АЭСВидеоаналитика техники безопасностиНарушений ТБ в электроустановках за 5 лет стало в 10 раз меньшеСлова руководителя проекта, январь 2025; не только заслуга видеоаналитики
«Новосибирскэнергосбыт»Бот для клиентов на генеративной нейросетиНагрузка на контакт-центр по вопросам о сайте снизилась вдвое; 17 тыс. диалогов в июле 2024ComNews, август 2024
DeepMind и GoogleПрогноз выработки ветра на 36 часов, 700 МВт в СШАЦенность ветровой энергии выросла примерно на 20%Оценка DeepMind, 2019
NESO и Open Climate FixПрогноз солнечной генерации для британского системного оператораВ 2,8 раза точнее прежних инструментов; не менее £30 млн затрат на балансирование в годДанные разработчика, ноябрь 2025; £30 млн — оценка

Публичных результатов ИИ с цифрами у РусГидро, «Интер РАО» и «Газпром энергохолдинга» мы не нашли, поэтому в таблице их нет. Это не значит, что проектов нет, — только что цифры не опубликованы.

Заявлено — не значит измерено. «В три раза эффективнее», «в 10 раз меньше нарушений», «100 км в день» — это слова компаний и поставщиков. Методику и базовую линию, то есть что было до внедрения и как считали, почти никто не публикует. Когда поставщик показывает вам такую цифру, спросите, на каком объекте, за какой период и с чем сравнивали.

Прогноз выработки ВИЭ и потребления

Солнечные и ветровые станции выдают энергию неравномерно: зашло облако, стих ветер — выработка упала. Чем точнее прогноз, тем точнее график работы остальных станций и тем меньше денег уходит на балансирование энергосистемы.

Солнце и ветер: Системный оператор

Системный оператор ЕЭС использует информационные системы «Прогнозирование выработки ВИЭ. Солнце» и «…Ветер». На июнь 2024 года они прогнозировали выработку 64 солнечных и 22 ветровых электростанций. Точность — 94–96% на горизонте до 1 часа с шагом 15 минут и 87–92% на горизонте 2–4 часа с шагом 1 час («Коммерсантъ», 2024). План был расширить охват до 70 СЭС к концу 2024 года и до 30 ВЭС к концу 2025-го. Какие методы лежат в основе систем, в публикации не раскрыто, а более свежих данных об охвате и точности на 2026 год мы не нашли.

Точность прогноза выработки ВИЭ у Системного оператора: 94–96% на горизонте до 1 часа, 87–92% на горизонте 2–4 часа, прогноз для 64 солнечных и 22 ветровых станций на июнь 2024 года

Прогноз потребления: испытания в Иркутской области

Институт систем энергетики СО РАН тестировал программу прогноза электропотребления на рекуррентных нейросетях в энергосистеме Иркутской области. По словам заведующего лабораторией Никиты Томина, средняя относительная ошибка прогноза может снизиться почти вдвое — с 6,8 до 3,8% (Sber Pro). Это результат испытаний научной программы, а не промышленной эксплуатации.

За рубежом: DeepMind и британский системный оператор

В 2018 году DeepMind и Google применили машинное обучение к 700 МВт ветровых мощностей в центральной части США, а результаты опубликовали в 2019-м. Модель прогнозировала выработку на 36 часов вперёд, и это позволило заранее брать почасовые обязательства по поставке в сеть. По оценке компании, ценность ветровой энергии выросла примерно на 20% по сравнению со сценарием без таких обязательств (DeepMind, 2019).

Свежий пример — британский системный оператор NESO. В его диспетчерском центре работает ИИ-прогноз солнечной генерации Quartz Solar от Open Climate Fix: и на сутки вперёд, и в оперативном управлении. По данным разработчика, прогноз в 2,8 раза точнее прежних инструментов NESO, крупных ошибок стало вдвое меньше, а избежать удаётся не менее £30 млн затрат на балансирование в год (Open Climate Fix, ноябрь 2025). В кратком резюме той же публикации £30 млн названы оценкой, а методику расчёта ни точности, ни экономии разработчик не раскрывает.

Станции: диагностика оборудования и безопасность персонала

Идея диагностики простая: система следит за тысячами показаний датчиков и замечает отклонения раньше, чем они превратятся в аварию. Как устроены такие модели, разобрано в статье про предиктивную аналитику. Здесь — что получили станции.

«Т Плюс», «Прогностика». На Академической ТЭЦ в Екатеринбурге система от «Сайбер физикс» и «Цифры», которую делали вместе с персоналом станции, за первый год выявила четыре аномалии, способные привести к отключению энергоблока. Систему внедрили на десяти станциях компании, среди них Нижнетуринская ГРЭС, Новогорьковская ТЭЦ и Кировская ТЭЦ-3, и планируют на всех станциях с парогазовыми установками («Эксперт-Урал», февраль 2024). Сколько денег это сберегло, не раскрыто.

«ПРАНА». По контракту 2017 года между холдингом РОТЕК и «Т Плюс» эта система прогностики должна была охватить 16 энергоблоков на 10 станциях, суммарно более 3 ГВт. По заявлению разработчика, она находит дефекты за 2–3 месяца до возможной аварии (ComNews, 2017). Данные старые и со слов самого разработчика.

СИПО на Нововоронежской АЭС. На энергоблоке № 6 в опытную эксплуатацию ввели систему информационной поддержки оператора. Её разработали АО «РАСУ» и «ИФ СНИИП АТОМ» вместе с персоналом станции. Система обрабатывает данные более 12 тыс. датчиков по 360 технологическим системам, предупреждает об отклонениях и прогнозирует развитие событий на 30 минут вперёд. Её планируют внедрить на всех современных энергоблоках («Российская газета», июль 2025). Это цифровой помощник: решение принимает оператор, а эффекта в цифрах пока не опубликовано.

Видеоаналитика техники безопасности

Росэнергоатом запустил пилот умной видеоаналитики на Кольской АЭС в 2019 году, а с 2021 года тиражирует её ещё на восемь станций, от Балаковской до Смоленской. По словам руководителя проектного офиса Виктора Царану, на Кольской АЭС число нарушений техники безопасности при работе в электроустановках за 5 лет снизилось в 10 раз. По данным концерна, система выявляет до 98% нарушений (getsiz.ru, январь 2025). За эти пять лет на станции могли работать и другие меры, поэтому десятикратное снижение — результат не одной видеоаналитики.

Решение остаётся за человеком. В технологических системах ИИ работает как советчик: подсвечивает аномалию, прогнозирует развитие событий, а решение принимает оператор или диспетчер. Это позиция Минэнерго, её озвучил Эдуард Шереметцев: в технологических системах «пока мы оставляем решение за человеком». Так же устроена СИПО на Нововоронежской АЭС.

Сети: осмотр ЛЭП и поиск потерь

Беспилотники и нейросеть

«Россети Центр» вместе с лабораторией цифровых сетей «Россети управление имуществом» диагностируют воздушные ЛЭП 35–110 кВ мобильной лабораторией с двумя типами беспилотников. Конвертоплан облетает участки до 100 км, квадрокоптер осматривает опоры; на борту камеры, тепловизор и лидар. Нейросетевой комплекс ищет дефекты на снимках и сообщает оператору.

По данным компании, для обучения заложено 280 тыс. изображений, а система автоматически выявляет 41 вид критичных дефектов, на которые приходится 92% аварийных нарушений электроснабжения. За день можно обследовать более 100 км ЛЭП против 6 км стандартными методами («Энергетика и промышленность России», апрель 2025). Это возможности комплекса по заявлению «Россетей», а не измеренный годовой эффект, и масштаб внедрения по всем сетям не указан.

Осмотр ЛЭП у «Россети Центр»: 6 км в день стандартными методами против более 100 км с беспилотниками и нейросетью, которая находит 41 вид дефектов — на них приходится 92% аварий

Хищения и безучётное потребление

Вторая задача сетей — коммерческие потери: кто-то взломал счётчик, кто-то запитал цех по жилому тарифу, кто-то поставил майнинговую ферму. МТС и «Башкирэнерго» с 2020 года ищут такие случаи платформой анализа данных счётчиков. На тестах в уфимских горсетях нашли взломанные счётчики, которые передавали показания, заниженные в 7–10 раз, а в ряде случаев — производственные цеха на месте жилых помещений («Коммерсантъ», 2024). На сколько снизились потери в рублях или процентах, не раскрыто.

В октябре 2025 года МТС и «Россети» подписали соглашение о МТС EnergyTool. Система в реальном времени анализирует данные интеллектуальных счётчиков, ищет аномалии потребления и признаки хищений и выводит подозрительные объекты на карту для выездных бригад. По данным МТС, решение работает с 2021 года, им пользуются более 50 компаний, инциденты оно выявляет «в среднем в три раза эффективнее», а майнинговых ферм в 2025 году нашли на 15% больше, чем в 2024-м (ComNews, октябрь 2025). «В три раза эффективнее» — заявление поставщика без методики, результаты именно для «Россетей» не раскрыты.

Условие для этой задачи — данные: нужна система учёта с умными счётчиками (АСКУЭ), которые сами передают показания. Если показания снимают вручную раз в месяц, искать аномалии почти не в чем.

Энергосбыт: клиенты и обращения

«Новосибирскэнергосбыт» запустил цифрового помощника для клиентов на AutoFAQ Xplain, сервисе на генеративных нейросетях. Бот отвечает по информации, которая уже есть на сайте компании: отдельную базу знаний не создавали, запуск занял один день. В мае 2024 года бот провёл 11 тыс. диалогов, в июне — 12 тыс., в июле — 17 тыс., а нагрузка на контакт-центр по вопросам работы с сайтом снизилась вдвое (ComNews, август 2024).

В пересказах этого кейса встречается цифра «90% обращений без человека». В исходной публикации она относится к внутреннему ИИ-ассистенту компании в 2023 году, а не к клиентскому боту.

Для небольшой сбытовой компании это самый доступный вход в ИИ: не нужны ни датчики, ни телеметрия, достаточно сайта и истории обращений. Но и здесь стоит заранее посчитать, сколько звонков и писем по типовым вопросам приходит сейчас, иначе через месяц не с чем будет сравнить. Какие платформы подходят для такого бота, разобрано в статье про конструкторы ИИ-чат-ботов.

Почему проекты в энергетике буксуют

ИИ не принимает решений в технологическом контуре. На станции и в диспетчерской система только подсказывает. Это правильно с точки зрения надёжности, но меняет ожидания: эффект появляется, только если люди действительно пользуются подсказками и меняют из-за них свои действия.

Данные. Модели нужны телеметрия с историей за годы, показания счётчиков, журналы ремонтов и отказов. Если датчиков мало, данные хранятся в разных системах или журналы ведут на бумаге, первые месяцы проекта уйдут на сбор и очистку, а не на ИИ.

Кибербезопасность. Энергообъекты — критическая инфраструктура, и любое подключение их данных к новой системе требует проверки службой безопасности. МЭА отмечает и обратную сторону: ИИ сам становится инструментом защиты энергокомпаний от кибератак (МЭА, апрель 2025).

Эффект заявлен, но не измерен. В публичных кейсах почти нет рублей и базовой линии. «Т Плюс» называет число найденных аномалий, но не сумму предотвращённого ущерба. «Россети» и МТС не раскрывают, на сколько снизились потери. Без своего замера «до» и «после» такой проект трудно защитить перед финансовым директором и масштабировать.

ИИ сам потребляет энергию. По прогнозу МЭА, потребление электроэнергии дата-центрами в мире к 2030 году вырастет более чем вдвое, примерно до 945 ТВт·ч (МЭА, 2025). Для энергетиков это новая нагрузка, которую придётся прогнозировать и подключать, — та же задача прогноза, только с другой стороны.

Как начать: первый ИИ-проект для энергокомпании или крупного потребителя

Порядок одинаковый для сетевой компании, станции, сбыта и промышленного потребителя с собственной энергетикой. Он нужен, чтобы через полгода было что показать, кроме презентации поставщика.

  1. Выберите задачу с метрикой, которую вы уже считаете. Ошибка прогноза, километры осмотра в день, число выявленных хищений, внеплановые остановы, звонки в контакт-центр. Если метрику сейчас никто не считает, начните с неё, а не с ИИ.
  2. Проверьте данные и их историю. Есть ли показания за год-два, в каком они виде и в одной ли системе. Для поиска хищений нужны умные счётчики, для диагностики — датчики и журналы отказов, для бота — сайт и типовые вопросы.
  3. Зафиксируйте базовую линию до пилота. Сколько было за последние месяцы по выбранной метрике и как вы её считали. Это то, чего не хватает почти всем публичным кейсам.
  4. Пилот на одном объекте. Одна станция, один район сетей, один канал обращений. ИИ подсказывает, решает человек.
  5. Сравните с базовой линией и только потом масштабируйте. Тем же способом подсчёта и за сопоставимый период. Если разницы нет, лучше узнать это на одном объекте, чем на десяти.

Условный пример, а не реальный кейс. Сбытовая компания хочет бота для клиентов. Метрика — число звонков и писем по вопросам о личном кабинете и оплате. Базовая линия — их количество за три месяца до запуска. Данные — материалы сайта и типовые ответы операторов. Пилот — бот на сайте, сложные вопросы уходят оператору. Через три месяца сравнивают число таких обращений с базовой линией.

Начните с данных, которые уже есть. Показания умных счётчиков, телеметрия станций, архив обращений клиентов. Кейсы МТС с «Башкирэнерго» и «Новосибирскэнергосбыта» построены именно на таких данных: компании не ставили новых датчиков, а начали анализировать то, что уже собирали.

Общий порядок внедрения, от выбора задачи до команды, описан в статье про внедрение ИИ в бизнес. Если готового решения под вашу задачу нет и модель придётся делать на своих данных, посмотрите разбор разработки ИИ.

Пять шагов первого ИИ-проекта в энергетике: задача с метрикой, проверка данных, базовая линия до пилота, пилот на одном объекте, сравнение с базовой линией перед масштабированием

Частые вопросы об ИИ в энергетике

Где применяют ИИ в энергетике?
Какие российские компании используют ИИ в энергетике?
Сколько денег ИИ приносит энергокомпаниям?
Заменит ли ИИ диспетчера?
Какие данные нужны для ИИ в энергетике?
Чем ИИ в энергетике отличается от ИИ в промышленности?
Нейросети и искусственный интеллект