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 применяют ИИ в энергетике: задачи от станции до потребителя
- Что ИИ уже дал компаниям: сводная таблица кейсов
- Прогноз выработки ВИЭ и потребления
- Солнце и ветер: Системный оператор
- Прогноз потребления: испытания в Иркутской области
- За рубежом: DeepMind и британский системный оператор
- Станции: диагностика оборудования и безопасность персонала
- Видеоаналитика техники безопасности
- Сети: осмотр ЛЭП и поиск потерь
- Беспилотники и нейросеть
- Хищения и безучётное потребление
- Энергосбыт: клиенты и обращения
- Почему проекты в энергетике буксуют
- Как начать: первый ИИ-проект для энергокомпании или крупного потребителя
- Частые вопросы об ИИ в энергетике
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.
| Компания | Задача | Результат | Чьи данные и год |
|---|---|---|---|
| Системный оператор ЕЭС | Прогноз выработки СЭС и ВЭС | Точность 94–96% на горизонте до 1 часа, 87–92% на 2–4 часа; 64 СЭС и 22 ВЭС | Данные СО ЕЭС в «Коммерсанте», июнь 2024 |
| «Россети Центр» | Осмотр ЛЭП 35–110 кВ беспилотниками с нейросетью | Более 100 км в день против 6 км стандартными методами; 41 вид критичных дефектов | Пресс-служба «Россетей», апрель 2025; возможности комплекса, а не годовой эффект |
| МТС и «Башкирэнерго» | Поиск хищений по данным счётчиков | Нашли 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 АЭС | Цифровой 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 АЭС | Видеоаналитика техники безопасности | Нарушений ТБ в электроустановках за 5 лет стало в 10 раз меньше | Слова руководителя проекта, январь 2025; не только заслуга видеоаналитики |
| «Новосибирскэнергосбыт» | Бот для клиентов на генеративной нейросети | Нагрузка на контакт-центр по вопросам о сайте снизилась вдвое; 17 тыс. диалогов в июле 2024 | ComNews, август 2024 |
| DeepMind и Google | Прогноз выработки ветра на 36 часов, 700 МВт в США | Ценность ветровой энергии выросла примерно на 20% | Оценка DeepMind, 2019 |
| NESO и Open Climate Fix | Прогноз солнечной генерации для британского системного оператора | В 2,8 раза точнее прежних инструментов; не менее £30 млн затрат на балансирование в год | Данные 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.

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.

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.
- 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.
- 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.
- 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.
- Пилот на одном объекте. Одна станция, один район сетей, один канал обращений. ИИ подсказывает, решает человек.
- 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.









