Аспирант Тюменского индустриального университета Владислав Шеломенцев разработал платформу предиктивной аналитики и мониторинга для электроэнергетических сетей — Grid Optimizer, применение которой будет способствовать повышению эффективности эксплуатации энергооборудования.
Решение использует методы искусственного интеллекта для анализа данных в реальном времени, прогнозирования отказов и оптимизации процессов технического обслуживания. Проект, цель которого — сократить простои, снизить расходы на обслуживание и улучшить надежность энергосистем, — реализуется в рамках программы Минобрнауки России «Приоритет-2030».
Научно-исследовательской и проектной деятельностью аспирант 4-го курса Института промышленных технологий и инжиниринга ТИУ Владислав Шеломенцев занимается около десяти лет. Свой путь в науку он начал на кафедре электроэнергетики, где прошел все уровни образования, получил первый профессиональный опыт. Изначально занимался проектами, связанными с разработкой аппаратных решений в сфере электроэнергетики: заземление для вечномерзлых грунтов, индукционно-резистивная и высокочастотная плавка снега и др. Участвовал в разработке концепции умного дома. Во время выполнения этих проектов получил навыки по моделированию и численному вычислению, что помогло перейти к прогнозированию и применению методов искусственных нейронных сетей.
Идея разработки платформы Grid Optimizer пришла к молодому ученому во время прохождения программы переподготовки университета ИТМО «Искусственный интеллект в промышленности», где особое внимание уделялось решению реальных прикладных задач. «Проведя обзорное исследование, мы с коллегами обнаружили самые аварийные компоненты силовых трансформаторов — высоковольтные вводы. А силовые трансформаторы — это ключевые элементы энергосистем, их выход из строя приводит к значительным финансовым потерям. Традиционные методы диагностики зачастую являются ручными, медленными и требуют значительных ресурсов. Мы стремились создать решение, которое бы автоматизировало этот процесс, позволяя быстро и точно выявлять дефекты, прогнозировать состояние оборудования и предоставлять рекомендации по обслуживанию», — делится подробностями Владислав Шеломенцев.
В результате была разработана платформа для мониторинга и прогнозирования электрооборудования Grid Optimizer, в числе плюсов которой — бесшовное внедрение и адаптация под стандарты и требования потребителя. Сейчас она представлена тремя модулями для силового трансформатора, апробированными на реальных производственных данных: компьютерное зрение, анализирующее термографические данные и выявляющее наличие дефекта; мониторинг параметров электроснабжения для выявления аномалий; прогнозирование состояния трансформаторов на основе хроматографических данных.
В рамках Летней школы Института искусственного интеллекта AIRI коллектив проекта начал работу по выявлению и классификации дефектов высоковольтных двигателей. На данный момент уже завершен первичный этап НИОКР, протестированы три модуля платформы, достигнут уровень TRL-5. Команда, которая постоянно расширяется и сейчас состоит из более десятка специалистов с опытом в электроэнергетике, анализе данных, разработке программного обеспечения и коммерциализации, сотрудничает с несколькими индустриальными партнерами, активно участвует в конференциях, научных конкурсах и акселерационных программах для развития, продвижения и апробации инновационного решения. Участники проекта на основании исследований и отчетов компаний за 2023–2024 годы отмечают, что внедрение подобных практик позволяет сократить затраты на техническое обслуживание до 30% и время простоя оборудования до 45%.
В ближайших планах команды проекта — расширение базы данных для обучения моделей и проведение пилотных внедрений на крупных энергетических предприятиях. В будущем ожидается масштабирование платформы, добавление новых функций — например, создание цифрового двойника электрооборудования — и расширение на другие сегменты энергетического рынка.
