Искусственный интеллект
в электроэнергетике

• Почему электроэнергетика сложна и перспективна для ML?

• Какие основные задачи ИИ решают в отрасли (прогнозирование, диагностика, оптимизация и др.)?

• Как перевести инженерную задачу в постановку ML‑задачи?

• Почему в энергосистеме недостаточно оценивать модель по средней ошибке?

• Каковы ключевые принципы применения ИИ в энергетике (физика важнее удобства, интерпретируемость, честная валидация и т. д.)?

• Чем отличаются источники данных в электроэнергетике (SCADA, PMU, АИИС КУЭ и др.)?

• Как искажения на этапах «процесс → датчик → передача → БД → ML‑выборка» влияют на качество модели?

• Какие дефекты данных встречаются (пропуски, выбросы, дрейф, шумная разметка) и как их обрабатывать?

• Как выстроить пайплайн предобработки (синхронизация, агрегация, нормализация, признаки и т. д.) с учётом физики процесса?

• Почему для временных рядов нельзя использовать случайное train/test‑разбиение и какие схемы валидации корректны?

• Почему линейная и логистическая регрессия — важный baseline в электроэнергетике?
• В чём разница между Ridge и Lasso и когда применять каждую?
• Как выбор метрики (MAE, RMSE, ROC‑AUC и др.) связан с ценой ошибки в реальных задачах?
• Как интерпретировать коэффициенты моделей и какие факторы (например, мультиколлинеарность) могут исказить интерпретацию?
• Почему плохой результат базовой модели не всегда требует перехода к сложным алгоритмам?

• Почему деревья решений и ансамбли (RF, GB) предпочтительнее линейных моделей для табличных данных в электроэнергетике?
• Как деревья выявляют нелинейные зависимости и взаимодействия признаков в задачах прогноза нагрузки и предиктивного обслуживания?
• Какие гиперпараметры (max_depth, learning_rate и др.) помогают контролировать переобучение деревьев и ансамблей?
• В чём разница между bagging (случайный лес) и boosting (градиентный бустинг): плюсы и минусы для отраслевых задач?
• Как интерпретировать ансамбли (важность признаков, SHAP) и избежать ошибок (некорректная валидация, утечки данных)?

• Почему нельзя применять стандартные ML‑методы к временным рядам без учёта их структуры и как временной порядок влияет на моделирование?
• Как правильно сформулировать задачу прогноза (горизонт, шаг, single‑step vs multi‑step) для задач электроэнергетики?
• Зачем нужны лаговые признаки, сезонные лаги и экзогенные переменные (погода, календарь) и как их корректно формировать?
• В чём польза классических моделей (ARIMA, SARIMA, Prophet) как baseline и когда они эффективны?
• Как организовать корректную временную валидацию (rolling‑origin backtesting, expanding/sliding window) и анализ ошибок по критическим режимам (пики, сезоны, праздники)?

• Почему табличное ML недостаточно для сложных многомерных временных рядов в энергетике?
• Как готовить данные для нейросетей (окна, нормализация, утечки)?
• Чем отличаются и когда применять RNN, LSTM, GRU, CNN, TCN, seq2seq, transformer?
• Как валидировать модели на временных рядах без утечек данных?
• Как честно сравнить deep learning с baseline (наивный прогноз, бустинг и т. д.)?

• Чем прогноз генерации ВИЭ отличается от прогноза нагрузки?
• Какие данные (метеопрогноз, телеметрия, астрономия и т. д.) и признаки нужны для прогноза СЭС и ВЭС?
• Как физические особенности солнечной (астрономия, облачность) и ветровой (нелинейность кривой мощности, пространственные эффекты) генерации влияют на постановку задачи?
• Почему точечного прогноза недостаточно и зачем нужны вероятностные (квантили, сценарии) и интервальные оценки?
• Как честно валидировать модель ВИЭ: разделение данных, учёт фактической/прогнозной погоды, анализ по режимам, выбор метрик?

• Почему прогноза недостаточно — зачем нужна оптимизация режимов?
• Чем power flow отличается от optimal power flow (OPF)?
• Где ML полезен в оптимизации режимов, а где опасен?
• Почему нельзя полностью заменить физические модели ML‑моделями?
• Как оценивать качество всего контура управления, а не только точности прогноза?

• Что такое demand response (DR) и какие у него типы (price‑based, incentive‑based и др.)?
• Зачем нужны baseline и оценка контрфактического потребления в DR?
• Где возникает гибкость нагрузки и какие есть её типы (shiftable, curtailable и др.)?
• Как DER (PV, батареи, EV) и виртуальные электростанции меняют управление энергосистемой?
• Почему DR — это комплексная ML‑задача и как оценивать модели через практический эффект (а не только точность прогноза)?

• Чем predictive maintenance отличается от ППР?
• Какие данные нужны для диагностики энергооборудования?
• Какие задачи решают в predictive maintenance (классификация, ранжирование, прогноз времени до отказа и т. д.)?
• Почему важны качество разметки и учёт редких событий?
• Что такое цифровой двойник и зачем комбинировать физику с ML?

• Чем кибер‑физические атаки в энергетике отличаются от обычных IT‑инцидентов?
• Какие компоненты энергосистемы (SCADA, AMI, PMU, DER) наиболее уязвимы?
• Какие типы аномалий (точечные, коллективные, структурные) бывают и как их выявлять?
• Почему для защиты нужна многослойная архитектура, а не одна ML‑модель?
• Как правильно оценивать эффективность обнаружения аномалий в энергетике?

• Почему offline‑метрик недостаточно для внедрения ML‑модели в энергетике?
• Как сделать модель интерпретируемой для операторов?
• Какие есть стратегии безопасного запуска (shadow mode, fallback и т. д.)?
• Как мониторить модель после запуска и выявлять drift?
• Зачем нужны fallback‑механизмы и чёткое распределение ответственности?
   

• Основы архитектуры ИИ-агентов. Определение интеллектуального агента: сущность, роли и ключевые свойства.
• Обзор Yandex Cloud AI Studio. Архитектура платформы, принципы работы и интеграция с корпоративной ИТ-средой.
• Типы ИИ-агентов и сценарии применения. Чат-боты для сервисных функций (поддержка, информирование). Голосовые помощники – автоматизация коммуникации и управления. Корпоративные агентские сценарии: автоматический мониторинг, диспетчеризация.
• Использование шаблонов и готовых сценариев
• Применение стандартных модулей и быстрое развертывание агентов.
• Разработка собственных пользовательских сценариев и бизнес-логики.
• Соединение с внутренними базами данных и внешними API.

Итоговый проект является центральной формой аттестации по курсу и представляет собой закончённое исследование по одной из прикладных задач электроэнергетики и промышленного ИИ, выполненное на открытых данных. Проект должен показать, что команда умеет пройти полный путь от постановки задачи и аудита датасета до моделирования, интерпретации результата и проектирования внедрения.

В логике курса итоговый проект объединяет:

1. формулирование инженерной постановки задачи;

2. работа с данными, quality audit и baseline;

3. корректное моделирование и честное сравнение подходов;

4. анализ ошибок, интерпретация и устойчивость результата;

5. проектирование эксплуатации, мониторинга и безопасного внедрения.

Проект оценивается как инженерно-исследовательская работа с понятной ценностью, ограничениями и реалистичным сценарием использования.

Цель проекта: собрать законченное прикладное решение по одной из тем курса, используя открытые датасеты по электроэнергетике, смежной промышленной аналитике или OT/SCADA-задачам, и защитить это решение как инженерный проект, а не как набор графиков.

Формат

• команда: 2‐3 человека;

• трудоёмкость: 36 академических часов проектной работы;

• формат аттестации: защита проектной работы;

• вклад в итоговую оценку курса: проект и защита составляют 40% итоговой оценки;

• тип работы: исследование на открытых данных с обязательным моделированием и

• инженерной интерпретацией.

Проект подлежит обязательной устной защите.