В феврале Правительство утвердило обновлённое стратегическое направление цифровой трансформации ТЭК до 2036 года (распоряжение №373‑р от 26.02.2026). Документ ориентирован на развитие отечественных цифровых технологий в ТЭК; применение методов ИИ и машинного обучения рассматривается как одно из направлений для задач оптимизации режимов и прогнозирования технологических процессов.
Часть этих технологий уже в промышленной эксплуатации. Разберём задачи и эффекты.
***
Прогноз потребления электроэнергии
Для потребителей на ОРЭМ точность почасовой заявки на сутки вперёд напрямую отражается во взаиморасчётах на балансирующем рынке (БР): за отклонение доплачивают в БР в соответствии с Правилами оптового рынка (Постановление Правительства РФ №1172).
На промышленных объектах со сложной нагрузкой ручная подготовка заявок без метеоданных даёт MAPE 8–15% (горизонт «сутки вперёд»).
ML‑модели, учитывающие почасовой прогноз погоды, смены, ремонты и сезонность, на тех же объектах при качественной телеметрии и регулярном переобучении могут снижать ошибку до 4–6% - это в 2–3 раза точнее ручного планирования.
Точность зависит от класса объекта, качества телеметрии и горизонта прогноза; результат не является гарантией и определяется условиями конкретного проекта.
Для справки: у крупных портфельных игроков (сбытовые компании, сетевые холдинги) типичная точность 1–5% достигается в основном за счёт эффекта агрегации большого числа потребителей и автоматизированной телеметрии, без необходимости в сложных ML-моделях.
Экономический эффект зависит от профиля нагрузки, объёмов, ценовой зоны и дельты между РСВ и БР; корректно оценивать его по прозрачной методике на данных заказчика (базовый период, период пилота, расчёт в руб./МВт·ч).
****
Прогноз ценовых показателей ОРЭМ (РСВ)
Прогноз цены РСВ помогает принимать осмысленные решения по закупкам, продаже и режимам генерации. Модели опираются на погоду, ремонты сетевого оборудования, спрос, сезонность и другие рыночные факторы. Точность сильно зависит от ценовой зоны и горизонта прогноза: как правило, на сутки вперёд результаты заметно лучше, чем на месяц, поскольку ошибки (MAPE/MAE) возрастают с увеличением горизонта.
****
Прогноз выработки ВИЭ
Для солнечных и ветровых электростанций ML‑модели, обученные на данных конкретного объекта и привязанные к почасовому прогнозу погоды, дают приемлемую точность на сутки вперёд (чаще всего оценивается по MAPE/WAPE). Чем точнее прогноз - тем меньше отклонения и штрафные платежи на балансирующем рынке, расчёт которых регулируется Правилами оптового рынка.
****
Оптимизация режимов работы оборудования
ML помогает подбирать режимы котлов, турбин, насосов с учётом нагрузки, состояния и стоимости топлива.
По данным открытых отраслевых кейсов «ЭнергоАналитики», на крупных ТЭЦ диапазон экономии топлива составляет 1,2–2%, годовой экономический эффект - до 6% от стоимости потребляемых энергоресурсов. Для модулей ML‑прогнозирования ITwin Prognoz в публикациях фиксируется повышение маржинальной прибыли до 3–8% - в зависимости от профиля рынка и состава задач. Цифры приведены для конкретных проектов и не являются обещанием результата для других объектов.
Конкретный эффект определяется составом оборудования, режимами и тарифами. В пилотах имеет смысл сразу зафиксировать KPI: метрику точности (например, MAPE для горизонта «сутки вперёд»), базовый сценарий/бенчмарк, период наблюдения (не менее 30 календарных дней), экономический эффект в руб./МВт·ч и в абсолюте, трудозатраты на сопровождение и параметры доступности сервиса.
*****
Что делать предприятию в 2026 году
Если вы покупаете электроэнергию на ОРЭМ или у вас есть собственная генерация - один из самых доступных способов входа в тему - пилот на одной задаче прогнозирования. Целесообразно заранее зафиксировать KPI с указанием метрики, горизонта, базовой линии, периода оценки и правил учёта влияющих факторов (ремонты, переносы смен, погодные аномалии).
На российском рынке доступны как On‑Premise решения (развёртывание на серверах заказчика), так и SaaS‑сервисы по подписке для типовых задач прогнозирования: потребления электроэнергии, часов пиковой нагрузки, цен на ОРЭМ, выработки ВИЭ.
Сервисы «ЭнергоАналитики» (ПЭЭ, ЧПН, ПТЭ, ОТЭ, РХО) доступны по адресу energoanalitika.ru - условия предоставления и список модулей указаны на сайте.
В комментариях интересно узнать опыт коллег по отрасли: какие задачи прогнозирования вы пробовали закрывать ML-моделями и какую точность удавалось получить на ваших объектах.
На канале регулярно публикуем разбор кейсов цифровизации в ТЭК, нормативные обновления и методические материалы по метрикам ML‑моделей в энергетике. Если удобнее в ТГ: t.me/energoanalitika
-----
Документ‑первоисточник: распоряжение Правительства РФ от 26.02.2026 №373‑р. Точные формулировки и перечни приоритетов следует соотносить с текстом распоряжения и его приложениями.
-----
Приведённые сведения носят информационный характер и не являются офертой или гарантирующим обещанием результата, фактические показатели зависят от качества данных, выбранной методики, ценовой зоны ОРЭМ и внешних факторов. Прогнозные сервисы - информационный продукт, границы ответственности фиксируются в SLA проекта.
-------
Читайте дополнительно: