Энергетический сектор – базовый столп любой экономики. Какое-то время отрасль, если так можно выразиться, «наблюдала» за процессом цифровой трансформации как бы со стороны. Но настал момент, когда и здесь стала формироваться критическая масса.
Еще несколько лет назад говорить о том, что в крайне консервативной энергетике начнут внедряться технологии вроде Интернета вещей (IIoT – Промышленный интернет вещей) было почти крамолой. Но эффективность добралась и сюда: мировой рынок на взлете – по оценкам IDC, емкость «экосистемы IIoT» уже в 2023 году достигнет $1,1 трлн. Тут следует сделать отступление. Когда мы говорим об энергетике и IIoT нужно понимать, что есть «большая» энергетика – производство и распределение энергии. А есть «малая» – ЖКХ. Так вот, пока именно здесь заметен наиболее сильный прогресс, во многом благодаря тому, что именно в жилищно-коммунальном хозяйстве присутствуют, так называемые, «быстрые» эффекты. Безусловно, поставить «умные» счетчики и оцифровать отрасль на стадии «последней» мили – задача интересная. Но она по своим масштабам и вызовам не идет ни в какое сравнение с «большой» энергетикой.
С этим мнением согласен и Ержан Джанзаков, CEO казахстанского стартапа от IIoT – Faceplate. «По большому счету, вызовы для «большой» энергетики стоят несоизмеримо более высокие. Здесь проекты очень масштабные, это также еще и вызовы для компаний, которые их реализуют», — считает он.
Как узнать будущее
В проекте Faceplate, который реализуется в KEGOС* совместно с Алматинским университетом энергетики и связи (АУЭС), для прогнозирования потребления/генерации электроэнергии использовали методы машинного обучения на базе нейронных сетей. «В этом проекте самое интересное даже не нейронные сети, а модели, которые мы построили для того, чтобы видеть реальную картину, а также прогнозировать потребление», — интригует CEO Faceplate.
«Нейронные сети – это не что-то абсолютно новое, технология широко используется в финансовой отрасли, в медицине и т.д. Но для энергетики – это что-то достаточно свежее. Модель, которую мы создали с Faceplate, оказалась адаптивной, сама платформа продемонстрировала высокий задел, легко обучается, и при правильно произведенном процессе обучения, демонстрирует очень высокий результат – прогноз и факт отличаются в наших экспериментах буквально на 5%. Это очень хороший показатель», — рассказывает Алмаз Саухимов, проректор по научной и инновационной деятельности АУЭС.
Фото предоставлено университетом, проректор АУЭС по НИД Алмаз Саухимов,
Видеть будущее применительно к KEGOC – это значит, максимально эффективно использовать инфраструктуру. Видеть аномалии и предотвращать блэкауты. В целом, модель энергосистемы для обучения составляет около 60 объектов (источники генерации, линии электропередач, крупные потребители), влияющие на переток мощности в контролируемом сечении. Все данные и модели свели на одноименную платформу Faceplate: она и собирает данные, и работает с моделями на базе машинного обучения.
«Еще одна интересная деталь – оперативное отображение технологического процесса. Полученные данные могут использоваться диспетчером для аргументированного принятия решений», — раскрывает детали Ержан Джанзаков.
В качестве основы в компании выбрали сети LSTM – подвид сверточной нейронной сети со способностью «запоминания» значений наблюдений ранних этапов для использования их в будущем. Сеть «обучили» и привили упомянутые модели.
Зачем это нужно?
«Во-первых, нужно говорить об активах, а для KEGOC – это те же межсистемные электрические сети. Точнее, об эффективности управления ими. Все мы знаем, что юг Казахстана потребляет больше энергии, чем генерирует. Соответственно, север – потребляет меньше, чем производит. Тем самым, для сохранения энергобаланса, транспортируются избытки энергии, которые генерируют наши крупные станции: Экибастузская ГРЭС 1, Экибастузская ГРЭС 2, Аксуйская ГРЭС, на юг. Казалось бы, чего тут сложного, но правда в том, что перетоки энергии, которые сложатся завтра, мы должны считать сегодня. Этот подход был принят еще в 80-х годах прошлого века, и он оказался достаточно эффективным. Вот эту работу в нашем проекте – прогнозирование – и делает Faceplate», — рассказывает проректор по научной и инновационной деятельности АУЭС.
Вряд ли эти инновации будут заметны на уровне потребителя – у него есть два потребительских параметра: наличие энергии и ее соответствие спецификациям.
«Но региональные энергетические компании заметят, что ограничений стало меньше, спрос на мощность покрывается за счет более качественного использование существующих возможностей», — добавляет он.
Фото: концепция электросетей нового поколения – Smart grid
База для электросетей будущего
В Казахстане уже несколько лет говорят о концепции электросетей нового поколения – Smart grid. И есть шанс, что эти разговоры выйдут за рамки дискуссии. Подобные сети широко используют информационные и коммуникационные технологии, технологии для сбора информации об энергопроизводстве и энергопотреблении, что позволяет существенно повысить эффективность, надежность экосистемы производства и распределения электроэнергии. «Умные» сети – это уже настоящее, например, для Европы. И будущее для Казахстана. По словам проректора АУЭС, роль Faceplate в этом процессе понятна – технологии, разрабатываемые в рамках стартапа, могут стать базовыми для Smart grid. И что еще немаловажно – они имеют «отечественную» прописку, являясь плодом коллаборации между академической средой и предметными специалистами, что, как бы громко это не звучало, полностью укладывается в инновационную парадигму развития государства.
*KEGOC (KASE: KEGC) – системный оператор единой электроэнергетической системы Казахстана. На балансе компании находятся 360 линий электропередачи напряжением от 0,4 до 1150 кВ общей протяжённостью порядка 25 тысяч км, 78 электрических подстанции с установленной мощностью трансформаторов 36,7 ГВА. Входит в состав холдинга «Самрук-Казына».
