ШІ для енергетики та комунальних послуг: прогнози, виявлення аномалій, документація

Оператор тепломережі з сотнями вузлів, енергодистриб'ютор з телеметрією з лічильників та станцій, відділ відповідності, який тоне в звітності для регулятора. Це картини, які ми бачимо регулярно. Спільний знаменник: даних багато — з сенсорів, лічильників SCADA, білінгових систем — але перетворити їх на своєчасне рішення складно. Тут ШІ має сенс. Однак того ж оператора часто спокушає обіцянка «мережі, яка сама себе регулює», а це інша розмова: про стабільність постачання, юридичну відповідальність та критичну інфраструктуру. Нижче розділяємо одне від іншого, чесно і без обіцянок, яких неможливо дотриматися.

Прогнозування попиту (load forecasting) — це передбачення, скільки енергії або тепла споживачі витратять у найближчі години та дні, на основі історичних даних, погоди, календаря та профілю споживачів. Це одне з найкраще досліджених застосувань ШІ у галузі — і саме тому варто говорити про нього чесно.

Точність залежить від горизонту та якості вхідних даних. Прогноз на найближчі години часто буває дуже точним; тижневий прогноз має значно більшу невизначеність, оскільки залежить від погоди, яку ми також не знаємо точно. Ми не обіцяємо одну цифру — надаємо діапазон і показуємо, як його розраховувати на ваших даних.

Це орієнтовні діапазони з літератури та наших спостережень, а не гарантія — реальну похибку виміряємо лише на вашій історії. Умовою є екстракція даних з різних джерел та їх упорядкування; як підготувати такі дані, описуємо у підготовці корпоративних даних для ШІ. Без чистої, позначеної в часі історії моделі нема на чому вчитися.

Друга сильна сфера — виявлення аномалій у потоках телеметрії: раптових стрибків споживання, нетипових профілів напруги, витоків у тепломережі, підозр на нелегальне споживання чи поломку лічильників. Модель вчиться, як виглядає «нормальна» робота точки вимірювання, і сигналізує про відхилення.

Важливо не обіцяти забагато. ШІ не «знає», що це витік — він сигналізує, що профіль показників відхиляється від шаблону так, як це історично супроводжувалося проблемами. Рішення про відправку бригади, відключення споживача чи початок перевірки приймає людина, бо саме вона несе наслідки помилки. Система виконує роль сита: просіює тисячі точок і виділяє ті, на які варто звернути увагу.

Тут ключові дві чесні застереження. По-перше, поріг чутливості — це бізнес-рішення: нижчий ловить більше аномалій, але генерує більше хибних тривог і втомлює диспетчерів; вищий пропускає більше подій, але ризикує пропустити важливе. По-друге, модель дрейфує — змінюється сезон, тарифи, структура споживачів — тому без моніторингу її ефективність тихо знижується. Як це вимірювати, описуємо у моніторингу якості агента ШІ. Той самий шаблон «ШІ просіює, людина вирішує» показуємо також при обробці звернень у класифікації та маршрутизації звернень ШІ.

Найменш ефектна, але часто найвигідніша сфера — це адміністрування та звітність. Енергетика та комунальні послуги — це регульовані галузі: звіти до НКРЕКП, технічна документація мереж, протоколи оглядів, свідоцтва, листування зі споживачами, розрахунки. Багато з цього — це ручне переписування чисел і пошук у документах.

Тут ШІ працює як екстракція даних: зчитує значення з форм, протоколів та рахунків постачальників, у тому числі зі сканів та фото завдяки OCR, і переносить їх у структурованому вигляді до системи. Мовна модель також може підготувати першу версію звіту про зміни або звіту з «сирих» даних мережі — з застереженням, що документ юридичної сили підписує людина.

Межа проста: ШІ готує та впорядковує, людина затверджує документ, який має регуляторні наслідки. Агент може зібрати дані з кількох систем і скласти проєкт звіту, але відповідальність за відповідність закону залишається за людиною, а не за моделлю.

Четверта практична сфера — це потік звернень: аварії, скарги на розрахунки, заяви на підключення, запитання щодо тарифів. Класифікатор може сортувати звернення за типом та терміновістю і направляти їх до відповідного підрозділу — аварія електропостачання потрапляє до диспетчера негайно, а запитання щодо рахунку — до відділу обслуговування.

Це реально скорочує час реакції, але діє та сама дисципліна, що й вище. Класифікація — це підтримка маршрутизації, а не вирок: при зверненні, яке може стосуватися безпеки (запах газу, ризик ураження струмом), система ескалує до людини з найвищим пріоритетом, а не намагається «обробити» справу самостійно. Механіку такої маршрутизації розбираємо на складові у класифікації та маршрутизації звернень ШІ, а логіку просіювання на даних сенсорів розглядаємо також у ШІ для логістики та складу та ШІ для промислового виробництва.

Тут потрібно бути точним, бо енергомережі та водопроводи — це критична інфраструктура — помилка має наслідки для безпеки людей та безперебійності постачання.

Доки ШІ підтримує рішення — прогноз для планувальника, сповіщення про аномалію для диспетчера, чернетка звіту, маршрутизація звернення — і людина залишається в циклі, правовий та операційний ризик обмежений. Проблема починається, коли система самостійно приймає дію, що впливає на мережу: змінює параметри роботи, відключає споживачів, керує розподілом потужностей без нагляду.

AI Act визначає як високий ризик, серед іншого, системи ШІ, що використовуються як компоненти безпеки у керуванні та експлуатації критичної інфраструктури, включаючи постачання енергії та води. Якщо ШІ виконує таку роль, виникають обов'язки: технічна документація, оцінка ризиків, нагляд людини з реальною можливістю втручання, логування та моніторинг якості в часі. Що це означає на практиці для українських компаній, розписуємо у обов'язках з AI Act та РODO у 2026 році.

Три принципи, яких ми завжди дотримуємося:

• Людина в циклі при критичних рішеннях для мережі. ШІ сигналізує та пропонує; перемикання, відключення та зміни параметрів затверджує диспетчер.
• Логування та нагляд якості моделі. Сезонний дрейф тут — правило, а не виняток — без моніторингу ефективність непомітно знижується.
• Аудит перед впровадженням. Перш ніж система торкнеться операційних процесів, варто пройти аудит безпеки асистента ШІ, щоб перевірити повноваження, доступ до даних та сценарії зловживань.

Чесний порядок впровадження виглядає менш ефектно, ніж обіцяють слайди. Спочатку одна вузько визначена проблема з вимірюваними витратами — найчастіше або короткостроковий прогноз навантаження, або виявлення аномалій на одному типі сигналу, або автоматизація одного звіту. Потім перевірка, чи існують чисті історичні дані для навчання моделі. Далі пілот поруч із поточним процесом — ШІ виділяє та прогнозує, людина все ще вирішує — щоб виміряти ефективність на реальних даних, перш ніж щось почне працювати самостійно. Лише коли цифри збігаються, поступове розширення, зі збереженим наглядом там, де йдеться про стабільність мережі.

Це не шлях навпростець. Але це шлях, який не закінчується дорогою системою, якій ніхто не довіряє, бо одного разу помилилася в прогнозі в день, коли це коштувало найбільше.

Це залежить насамперед від горизонту та якості даних. Короткострокові прогнози (кілька–десяток годин) часто бувають дуже точними, з похибкою зазвичай у кілька відсотків; тижневі прогнози мають більшу невизначеність, оскільки залежать від погоди, яку ми також не знаємо точно. Ми надаємо діапазон, а реальну похибку вимірюємо на вашій історії — не обіцяємо одну цифру з презентації.

У нашому підході — ні. Критичні рішення для мережі — перемикання, зміни параметрів, відключення — вимагають нагляду людини, оскільки стосуються критичної інфраструктури та безпеки. ШІ сигналізує про аномалії та пропонує, але затверджує диспетчер. Повна автономія в таких процесах — це не лише операційний ризик, але й сфера жорстко регульована AI Act.

Це залежить від архітектури, яку ви оберете — і це рішення, а не необхідність. Чутливі дані (телеметрія, дані споживачів, параметри мережі) можуть залишатися в інфраструктурі компанії завдяки моделям, що запускаються локально, або у постачальника з гарантією локалізації даних в ЄС та договором доручення. Варто прийняти це рішення свідомо на початку, бо воно визначає весь проєкт та вимоги РODO.

Іноді так. Якщо ШІ є компонентом безпеки у керуванні або експлуатації критичної інфраструктури (постачання енергії, води), він може бути системою високого ризику згідно з AI Act — з обов'язками щодо документації, оцінки ризиків та нагляду людини. Системи суто адміністративні, як генерація звітів чи OCR документів, зазвичай не потрапляють у цю категорію, але класифікацію варто підтвердити для конкретного застосування.

Чесна відповідь — «залежить від даних», а не від моделі. Якщо телеметрія вже надходить і існує історія подій (аварій, витоків, шахрайства), пілот на одному типі сигналу зазвичай займає від кількох тижнів до кількох місяців. Якщо спочатку потрібно впорядкувати дані та зібрати позначені приклади, етап підготовки може тривати довше, ніж саме моделювання — і його неможливо скоротити обіцянками.