Abstract
Аннотация. Традиционная энергетика на современном этапе развития требует качественного обновления и глубокой модернизации. В условиях стремительного роста цифровых технологий мы всё чаще становимся свидетелями того, как на смену классическим подходам приходят инновационные цифровые решения. Сегодня, в век цифровизации, наблюдается беспрецедентный рост интереса к технологиям машинного обучения и искусственного интеллекта (ИИ), которые становятся ключевыми инструментами решения сложнейших инженерных задач. Данная статья посвящена одной из наиболее острых проблем современной энергетики - повышению точности прогнозирования технологических потерь электрической энергии в национальной электрической сети Республики Казахстан, находящейся под управлением АО «KEGOC». Традиционные статистические методы расчета, используемые в текущей практике, зачастую демонстрируют значительную погрешность. Это обусловлено невозможностью классических моделей в полной мере учитывать нелинейные зависимости, динамические изменения метеоусловий и сложную природу нагрузочных процессов в сетях высокого напряжения. В качестве инновационного решения в статье предлагается методология, основанная на использовании рекуррентных нейронных сетей архитектуры LSTM (Long Short-Term Memory). В отличие от стандартных алгоритмов, LSTM способна эффективно обрабатывать временные ряды, учитывая долгосрочные зависимости и циклические тренды. Работа включает в себя детальное описание процесса интеллектуальной предобработки данных и сравнительный анализ (бенчмаркинг) моделей LSTM, ARIMA и градиентного бустинга. Результаты показывают, что внедрение ИИ позволяет снизить погрешность до уровня менее 5%, что критически важно для оптимизации режимов работы энергосистемы.