В 2026 году опубликованы три исследования, в которых машинное обучение и цифровые двойники применяются к задачам энергетики: от оптимизации тепловых сетей на производстве до балансировки распределительных сетей с возобновляемыми источниками. Каждая работа предлагает конкретный метод, а не общие рассуждения об энергоэффективности.
Федеративное обучение для сетей теплообменников на производстве
Исследователи из Саудовской Аравии развернули распределенную IoT-архитектуру из 1234 датчиков на восьми промышленных объектах (химические, электронные и автомобильные производства). Цель – оптимизировать работу сетей теплообменников в системах HVAC (Heating, Ventilation, and Air Conditioning) – системах отопления, вентиляции и кондиционирования воздуха с сохранением конфиденциальности данных каждого предприятия. Вместо централизованного сбора данных применили федеративное обучение на базе LSTM-нейросетей. Такой подход позволяет каждой фабрике обучать локальную модель, не передавая чувствительные технологические параметры вовне. Результаты моделирования показали снижение энергопотребления HVAC за счет более точного прогнозирования тепловых нагрузок и управления рекуперацией. Метод особенно актуален для предприятий, где климат-контроль является major-статьей энергозатрат.
Гибридный цифровой двойник для литейных производств
Литейное производство – один из самых энергоемких процессов в промышленности. В обзоре, опубликованном в Discover Materials, предложена двухмерная структура, объединяющая физическое численное моделирование (CFD, метод конечных элементов), машинное обучение и цифровые двойники на всех этапах цепочки: от проектирования формы до финишной обработки отливки. Традиционно эти методы применялись разрозненно: физическое моделирование – для заливки и кристаллизации, нейросети – для прогноза дефектов. Авторы предлагают единый фреймворк, где цифровой двойник непрерывно обновляется по данным с датчиков и корректирует параметры плавки и охлаждения в реальном времени. Эффект – снижение брака и прямых энергозатрат на переплавку. Ограничение: высокая вычислительная cost полной цифровой копии сложной формы.
Графовые алгоритмы и машинное обучение для оптимизации электрических сетей
Третья работа из International Journal for Research in Applied Science and Engineering Technology посвящена оптимизации распределения электроэнергии в сетях с высокой долей возобновляемых источников. Предложенный движок сочетает графовые алгоритмы (для анализа топологии сети и поиска оптимальных маршрутов передачи), методы исследования операций (для балансировки спроса и генерации) и машинное обучение (для прогнозирования нагрузки и выработки солнечных/ветровых станций). Ключевая идея – не просто предсказывать дисбаланс, а перестраивать конфигурацию сети в реальном времени, минимизируя потери на передачу. В симуляции на тестовой сети удалось снизить потери до 12% по сравнению с классическими методами диспетчеризации. Авторы отмечают, что для реального внедрения требуется высокая вычислительная мощность на уровне подстанций.
Общий контекст
Все три работы объединяет отказ от «черного ящика»: модели обучаются на реальных данных (IoT-сенсоры, операционные параметры, графы сети) и имеют измеримый эффект – снижение энергопотребления, потерь или брака. При этом каждая сталкивается с ограничениями: от конфиденциальности данных до вычислительной сложности. Для практического применения на предприятиях и в зданиях такие методы требуют не только алгоритмов, но и инфраструктуры сбора данных и вычислительных мощностей на уровне объекта.
Источники
- A review of computational modeling, artificial intelligence, and digital twins in metal casting and foundry operations – Discover Materials, 2026-05-23T00:00:00+00:00.
- AI-Driven Power Grid Optimization Engine Using Graph Theory, Operations Research and Machine Learning – International Journal for Research in Applied Science and Engineering Technology, 2026-05-26T00:00:00+00:00.
- Smart HVAC Heat Exchanger Network Optimization Through Collaborative IoT-Enabled Predictive Analytics for Manufacturing Facilities – International Journal of Industrial Engineering and Management, 2026-05-26T00:00:00+00:00.
- Integration of Solar and Wind Energy with Energy Storage Systems for Reliable Power Supply – International Journal of Advanced Research in Science Communication and Technology, 2026-05-26T00:00:00+00:00.
- Rule-based energy management strategies for a hybrid microgrid using grey wolf optimizer – International Journal of Applied Power Engineering (IJAPE), 2026-05-22T00:00:00+00:00.
