Актуальные направления применения искусственного интеллекта в сельских электрических сетях

Электрические сети, в том числе сельские, нуждаются в трансформации в связи с декарбонизацией энергетики, интеграцией возобновляемых источников энергии, активным развитием потребителей и повышением требований к надежности и энергоэффективности сетей. Применение искусственного интеллекта (ИИ) при решении проблем энергосистем обусловлено недостаточной эффективностью традиционных методов управления электрическими сетями. Цель исследований – систематический анализ ключевых направлений применения ИИ в электрических сетях, используемых алгоритмов и практических примеров его внедрения, обобщение практического опыта зарубежных и отечественных компаний. В результате обзора отечественных и зарубежных источников, описывающих использование ИИ в электрических сетях, выявлено 4 направления: прогнозирование нагрузки; оптимизация электроэнергетических систем и электрических сетей; поиск неполадок (мониторинг электрооборудования, электрических сетей); оптимальное использование ресурсов в электрических сетях. В рамках данных направлений наиболее эффективными алгоритмами машинного и глубокого обучения являются LSTM, GRU, SVM и CNN, а также метаэвристические методы. Примеры практического использования искусственного интеллекта демонстрируют разнонаправленность применения технологий ИИ в зависимости от особенностей национальных энергосистем. В странах с высокой долей возобновляемых источников энергии акцент смещен на прогнозирование нагрузки, в России – на автоматизацию мониторинга и диагностики протяженных сельских электрических сетей с использованием компьютерного зрения и БПЛА. Искусственный интеллект может служить инструментом для создания «Умных сетей» (Smart Grid), его применение позволит провести цифровую трансформацию электрических сетей, повысить их эффективность, устойчивость и адаптивность. Однако внедрение ИИ сопряжено с необходимостью решения задач надежности, кибербезопасности и понимания выбора, принимаемого автоматикой.

1. Gungor V.C., Sahin D., Kocak T. et al. Smart grid technologies: Communication technologies and standards. IEEE Transactions on Industrial Informatics. 2011;7(4):529-539. https://doi.org/10.1109/TII.2011.2166794

2. Егоров А.А. Тенденции мирового рынка информационных технологий в энергетике (умный мониторинг, цифровые двойники, компьютерное зрение, искусственный интеллект). Ч. 1 // Автоматизация и IT в энергетике. 2022. № 12 (161). С. 8-24. EDN: DUNVQX

3. Мозохин А.Е., Шведенко В.Н. Анализ направлений развития цифровизации отечественных и зарубежных энергетических систем // Научно-технический вестник информационных технологий, механики и оптики. 2019. Т. 19, № 4. С. 657-672. https://doi.org/10.17586/2226-1494-2019-19-4-657-672

4. Ляндау Ю.В., Темирбулатов А.У. Обзор применения технологий искусственного интеллекта в электроэнергетической отрасли // Инновации и инвестиции. 2023. № 8. С. 304-309. EDN: JSFZIM

5. Никифоров И.К. Перспективы развития электроэнергетических сетей в виде мультиагентных систем // Приборы и системы. Управление, контроль, диагностика. 2022. № 2. С. 13-21. EDN: DBMISF

6. Hong T., Fan S. Probabilistic electric load forecasting: A tutorial review. International Journal of Forecasting. 2016;32(3):914-938. https://doi.org/10.1016/j.ijforecast.2015.11.011

7. Islam B., Shams F.А. Short-term electrical load demand forecasting based on LSTM and RNN deep neural networks. Mathematical Problems in Engineering. 2022.Vol. 2022. Article ID2316474. https://doi.org/10.1155/2022/2316474

8. Bouktif S., Fiaz A., Ouni A., Serhani M.A. Multi-sequence LSTM-RNN deep learning and metaheuristics for electric load forecasting. Energies. 2020;13(2):391. https://doi.org/10.3390/en13020391

9. Бершадский И.А., Джура С.Г., Чурсинова А.А. Использование искусственного интеллекта для прогнозирования электропотребления энергосбытовой компании // Научный вестник НГТУ. 2020. Т. 80, № 4. С. 7-16. https://doi.org/10.17212/1814-1196-2020-4-7-16

10. Аллаев К.Р., Холиддинов И.Х., Холиддинова М.М.к. Методология оценки эффективности электрических сетей с использованием нечеткой логики // Электричество. 2025. № 2. С. 4-14. https://doi.org/10.24160/0013-5380-2025-2-4-14

11. Almoataz Y. Abdelaziz, Shady H.E. Abdel A., Anamika Y. Artificial intelligence applications in electrical transmission and distribution systems protection. CRC Press. 2021. 512 p. https://doi.org/10.1201/9780367552374

12. Choi S.L. et al. Generative AI for power grid operations Golden, CO: National Renewable Energy Laboratory. NREL/TP-5D00-91176. 2024. https://www.nrel.gov/docs/fy25osti/91176.pdf

13. Varganova A.V., Khramshin V.R., Radionov A.A. Improving efficiency of electric energy system and grid operating modes: Review of optimization techniques. Energies. 2022;15(19):7177. https://doi.org/10.3390/en15197177

14. Массель Л.В. Современный этап развития искусственного интеллекта и применение методов и систем ИИ в энергетике // Информационные и математические технологии в науке и управлении. 2021. № 4 (24). С. 5-20. https://doi.org/10.38028/ESI.2021.24.4.001

15. Zhang X., Zhang M., Hu Q. Research on the application of artificial intelligence in operation and maintenance for power equipment. In: IOP Conference Series: Earth and Environmental Science. 2020;617(1):012001. https://doi.org/10.1088/1755-1315/617/1/012001

16. Виноградов А.В. Управление конфигурацией как концепция развития сельских электрических сетей 0,4 кВ // Электротехнологии и электрооборудование в АПК. 2024. Т. 71, № 4 (57). С. 65-72. https://doi.org//10.22314/2658-4859-2024-71-4-65-72

17. Иванов С.О., Никандров М.В., Славутский Л.А. Оценка статистических характеристик срабатывания зашиты на основе нейронной сети прямого распространения // Приборы и системы. Управление, контроль, диагностика. 2023. № 9. С. 26-31. EDN: BNYRTI

18. Mehinovic A., Grebović S., Fejzić A. et al. Application of artificial intelligence methods for determination of transients in the power system. Electric Power Systems Research. 2023;223:109634. https://doi.org/10.1016/j.epsr.2023.109634

19. Большев В.Е., Виноградов А.В. Перспективные коммуникационные технологии для автоматизации сетей электроснабжения // Вестник Казанского государственного энергетического университета. 2019. Т. 11, № 2 (42). С. 65-82. EDN: LQLOZP

20. Микрюков В.В., Пацев А.А., Середкин О.А. и др. Применение нейронных сетей для интеллектуального анализа состояния воздушных линий электропередачи с использованием беспилотных воздушных судов // Электроэнергия. Передача и распределение. 2024. № 6 (87). С. 106-109. EDN: UHARWI

21. Лимановская О.В., Титов Е.А., Волкова Д.И., Лемех А.В. Алгоритм определения наклона опор ЛЭП методами глубокого обучения по видеоданным // Вестник Ивановского государственного энергетического университета. 2020. № 2. С. 72-80. https://doi.org/10.17588/2072-2672.2020.2.072-080

22. Астапова М.А., Лебедев И.В. Обзор подходов к детектированию дефектов элементов ЛЭП на изображениях в инфракрасном, ультрафиолетовом и видимом спектрах // Моделирование, оптимизация и информационные технологии. 2020. Т. 8, № 4 (31). https://doi.org/10.26102/2310-6018/2020.31.4.036

23. Виноградов А.В., Моренко К.С. Структура системы сбора, хранения и обработки данных для управления конфигурацией электрической сети // Электротехнологии и электрооборудование в АПК. 2025. Т. 72, № 3. С. 38-45. https://doi.org/10.22314/2658-4859-2025-72-3-38-45