Data Science & ТЭК: кейс соревнования «ТурбоХакатон: решения для электроэнергетики на базе искусственного интеллекта»

«ТурбоХакатон: Решения для электроэнергетики на базе искусственного интеллекта» – это масштабное мероприятие, объединившее специалистов в области Data Science и Deep Learning для разработки решений в энергетической отрасли. Группа «Интер РАО» – одна из крупнейших энергетических компаний России, которая занимается генерацией, распределением и экспортом электроэнергии, а также разработкой передовых технологий для энергетического сектора.

Цель хакатона заключалась в создании технологических решений на основе искусственного интеллекта, способных оптимизировать ключевые процессы в энергетике, повысить эффективность работы предприятий и снизить издержки.

В мероприятии приняли участие 690 зарегистрированных специалистов, которые объединились в 277 команд. За два месяца интенсивной работы участники представили 47 уникальных решений, из которых были выбраны 3 победителя, разделившие призовой фонд в 500 000 рублей.

Основной задачей хакатона стало решение актуальных проблем энергетики, таких как оптимизация работы тепловых электростанций, анализ аномалий в платежах, автоматизация поиска информации в документации, планирование закупок топлива и оптимизация маршрутов для контроля приборов учета. Эти задачи имеют огромное значение для отрасли, так как их решение способно повысить эффективность бизнес-процессов и внести вклад в развитие энергетики будущего, сделав ее более устойчивой и технологически продвинутой.

В этом кейсе вы узнаете, какие подходы и технологии использовали участники для решения поставленных задач, как они взаимодействовали с экспертами и какие результаты были достигнуты в рамках пяти ключевых задач хакатона. Мы расскажем о самых интересных решениях, их потенциале для отрасли и о том, как искусственный интеллект становится драйвером изменений в электроэнергетике.

Задачи хакатона

Мероприятие было сфокусировано на применении технологий искусственного интеллекта и машинного обучения для оптимизации процессов в энергетической сфере. Участники работали над проектами, направленными на оптимизацию процессов, анализ данных и создание интеллектуальных систем для повышения эффективности работы компаний.

Общие критерии оценки для всех задач

• Законченность решения (10-20%).
• Оригинальность и эффективность решения (10-20%).
• Качество исполнения (10-20%).
• Оценка работы с данными (10-20%).
• Презентация решения (10-20%).

Задача 1. Цифровой ассистент для поиска информации

Разработка текстового цифрового ассистента (например, чат-бота), который позволяет сотрудникам быстро находить ответы в большом массиве внутренней документации, задавая вопросы в свободной форме.

Условия успешного выполнения:

• Создание модели, способной обрабатывать запросы на естественном языке.
• Возможность разметки документов с помощью ИИ для обучения системы.
• Обеспечение высокой точности поиска и релевантности ответов.

Технические требования:

• Навыки работы с NLP (Natural Language Processing).
• Опыт работы с нейронными сетями для обработки текста.
• Знание методов обработки и анализа больших объемов данных.

Дополнительный критерий оценки:

• BERTScore (50%).

Потенциальное применение:
Система может быть внедрена в крупных компаниях для ускорения доступа к внутренней документации и снижения временных затрат сотрудников.

Задача 2. Рекомендательная система для оптимизации работы ТЭС

Разработка системы, которая прогнозирует технико-экономические показатели тепловой электростанции (ТЭС) и предлагает рекомендации по оптимизации состава и режима работы оборудования для экономии ресурсов.

Условия успешного выполнения:

• Анализ исторических данных о режимах работы оборудования.
• Прогнозирование оптимальных параметров работы ТЭС.
• Предоставление рекомендаций в понятной и выполнимой форме.

Технические требования:

• Навыки работы с временными рядами и прогнозированием.
• Опыт использования методов машинного обучения для анализа больших данных.
• Знание технологий обработки телеметрии.

Потенциальное применение:
Система может быть использована для повышения энергоэффективности ТЭС и снижения эксплуатационных затрат.

Задача 3. Анализ аномалий в начислениях за тепловую энергию

Разработка системы для выявления аномальных начислений за тепловую энергию на основе анализа данных о потреблении, показаний приборов учета, договорных нагрузок и погодных условий.

Условия успешного выполнения:

• Создание модели, способной выявлять отклонения в начислениях.
• Учет множества факторов, влияющих на потребление тепловой энергии.
• Обеспечение высокой точности обнаружения аномалий.

Технические требования:

• Навыки работы с большими данными и методами их анализа.
• Опыт использования алгоритмов машинного обучения для обнаружения аномалий.
• Знание методов обработки и визуализации данных.

Дополнительный критерий оценки:

• F-Score (50%).

Потенциальное применение:
Система может быть внедрена в коммунальных службах для автоматизации контроля начислений и снижения ошибок.

Задача 4. Оптимизация маршрутов обхода многоквартирных домов (МКД)

Разработка системы для оптимизации маршрутов обхода МКД с учетом приоритетности адресов, удаленности объектов и других критериев.

Условия успешного выполнения:

• Создание алгоритма, учитывающего множество параметров (расположение МКД, доступ к приборам учета и т.д.).
• Предоставление оптимального маршрута и графика обхода.
• Обеспечение высокой точности и эффективности предложенных решений.

Технические требования:

• Навыки работы с алгоритмами оптимизации и геоаналитикой.
• Опыт использования методов машинного обучения для анализа маршрутов.
• Знание технологий обработки пространственных данных.

Потенциальное применение:
Система может быть использована коммунальными службами для оптимизации работы сотрудников и снижения затрат на обслуживание.

Задача 5. Оптимизация планирования закупки топлива для электростанций

Разработка модели для прогнозирования объемов закупки топлива на основе прогноза цены электричества и объемов его выработки.

Условия успешного выполнения:

• Анализ исторических данных о закупках топлива и выработке электроэнергии.
• Прогнозирование необходимых объемов топлива с учетом конфигурации оборудования.
• Предоставление рекомендаций в удобной для использования форме.

Технические требования:

• Навыки работы с временными рядами и прогнозированием.
• Опыт использования методов машинного обучения для анализа больших данных.
• Знание технологий оптимизации процессов.

Дополнительный критерий оценки:

• RMSE (50%).

Потенциальное применение:
Система может быть внедрена на электростанциях для оптимизации закупок топлива и снижения затрат.

Формат проведения

Хакатон проходил в гибридном формате, сочетая онлайн- и офлайн-этапы. Общая продолжительность мероприятия составила 2 месяца (с 8 октября по 4 декабря). Основные этапы включали:

• Регистрацию участников (4.09 – 8.10).
• Открытие данных и начало работы над задачами (8.10).
• Чекпоинты с экспертами (10.10 – 4.11): обсуждение идей, разбор задач, проверка прогресса.
• Загрузку итоговых решений (4.11).
• Отбор лучших решений (8.11 – 12.11).
• Финальную питч-сессию (19.11): презентация решений перед жюри.
• Объявление результатов и награждение (4.12).

Целевая аудитория: специалисты в области Data Science и Deep Learning.

Платформа Codenrock

Хакатон проводился на платформе Codenrock, которая обеспечила полный цикл организации мероприятия:

• Регистрация: на платформе была создана специальная страница для регистрации участников и формирования команд.
• Хранение проектов: для каждой команды создавался отдельный репозиторий на GitLab, где участники загружали код, материалы и презентации.
• Оценка решений: жюри и эксперты оценивали работы прямо на платформе, оставляя комментарии и обратную связь.
• Коммуникация: для оперативного взаимодействия был организован Telegram-канал, где публиковались новости, материалы и проводились обсуждения.
• Награждение: платформа предоставила возможность создания именных сертификатов для участников с помощью онлайн-генератора. Каждый участник ТурбоХакатона получил именной сертификат, который можно использовать для подтверждения участия или победы в соревновании.

Взаимодействие с менторами и экспертами

Важным элементом хакатона стали чекпоинты с экспертами, которые проводились на этапе разработки решений. Участники могли получить обратную связь, обсудить идеи и уточнить требования.

Для реализации ТурбоХакатона был создан экспертный совет из состава работников компаний Группы «Интер РАО» (11 чел.). Задачей экспертов было проводить оценку предлагаемых решений. Так же в работе Хакатона активно участвовали бизнес-заказчики, которые выступали в качестве постановщиков задач Хакатона и экспертов по своим задачам.

Среди внешних экспертов хакатона принимал участие Павел Кикин, руководитель центра операционализации машинного обучения «Газпромнефть-Региональные продажи».

Рекламная кампания

Для привлечения участников была проведена масштабная рекламная кампания, включающая:

• Продвижение через группу ВК и Telegram-чат Codenrock.

• Запись закрытия хакатона: https://cnrlink.com/turbohacktgresults
• Интервью с экспертом хакатона Дмитрием Сорокиным, где обсуждались ключевые задачи хакатона, уникальные бизнес-кейсы и советы для участников: https://cnrlink.com/turbohacktginterview

• Проведение вебинара, на котором выступили авторы задач от компаний Группы «Интер РАО».

Платформа Codenrock обеспечила удобство организации, прозрачность оценки и вовлеченность участников на всех этапах.

Результаты хакатона

Победители и призеры
По итогам «ТурбоХакатона» были определены команды-победители, которые представили наиболее инновационные и эффективные решения:

•  1 место — команда «Something went wrong» (приз 250 000 рублей);

• 2 место — команда «404» (приз 150 000 рублей);

• 3 место — команда «HeatGuardians» (приз 100 000 рублей).

Кроме того, организаторы отметили несколько команд в специальных номинациях:

•  «Лучшее выступление» — команда SoloAna.
•  «Лучший соло проект» — команда «Артем-92734».
•  «Лучшая презентация» — команда Tensor Titans.
•  «Лучшее ML-решение» — команда RoundTensorSearch.
•  «Лучший продукт» — команда «Шерлок».

Ключевые метрики

Хакатон собрал значительное количество участников и команд, что подчеркивает его масштаб и интерес со стороны профессионального сообщества:

•  690 регистраций;
•  277 команд;
•  47 решений

Запись церемонии награждения победителей 

Интересный факт!

Задачи для хакатона были разработаны на основе реальных кейсов, предоставленных специалистами группы компаний «Интер РАО». Перед этим сотрудники прошли специальный проектный интенсив по применению искусственного интеллекта в энергетике и приняли участие в воркшопах, что позволило сформулировать актуальные и практически значимые задачи для участников.

Команды хакатона предложили разнообразные подходы к решению поставленных задач, используя современные технологии искусственного интеллекта и машинного обучения. Их решения охватывали такие направления, как оптимизация работы тепловых электростанций, анализ аномалий в платежах, автоматизация поиска информации в документации, планирование закупок топлива и оптимизация маршрутов для контроля приборов учета. 

Технологический конкурс для российских IТ-компаний

Параллельно с «ТурбоХакатоном» прошел «Технологический конкурс», организованный для российских стартапов и ИТ-предпринимателей. На конкурсе участники представили свои решения на базе искусственного интеллекта группе компаний «Интер РАО» — одному из крупнейших энергетических холдингов России, занимающемуся производством и сбытом электроэнергии, международной энергетической торговлей, а также проектированием и строительством энергообъектов.

Участники решали актуальные задачи, направленные на оптимизацию ключевых процессов в энергетике:

• Система рекомендаций технологических параметров для оптимизации работы ТЭС. Разработка системы для долгосрочного прогнозирования технико-экономических показателей тепловых электростанций (ТЭС) с целью оптимизации состава и режима работы оборудования.
• Автоматизированная система поддержки принятия решений. Создание системы для корректировки режимов работы оборудования ТЭС с использованием машинного обучения, направленной на экономию расхода топлива.
• Система прогнозирования работы состава генерирующего оборудования (ГО). Прогнозирование включённого состава оборудования и нагрузок на месяц вперёд с учётом плановых графиков ремонтов и исторических данных.
• Система прогнозирования объемов потребления топлива ТЭЦ. Разработка модели для прогнозирования удельных расходов топлива и формирования отчётов с посуточными данными.
• Цифровой ассистент для быстрого поиска информации. Создание платформы для консультации сотрудников на основе внутренней и открытой документации с использованием технологий NLP.
• Аналитическая модель подбора поставщиков. Разработка скоринг-модели для подбора поставщиков на основе параметров устойчивости, аффилированности и истории участия в закупках.
• Система для взаимодействия с контрагентами. Создание платформы для автоматизации работы с заявками контрагентов, включая маршрутизацию, чат-боты и распознавание документов.
• Система планирования отпуска тепла и потребления тепловой энергии. Разработка решения для повышения точности прогнозирования и балансировки системы теплоснабжения с использованием ИИ-моделей.

В финальный этап конкурса прошли 8 команд, семь из которых были объявлены победителями. По итогам соревнования рекомендовано провести пилотное внедрение лучших решений в группе компаний «Интер РАО».

Отзывы

От лица Департамента продвижения цифровой трансформации ПАО «Интер РАО» хочу выразить благодарность за участие в организации «ТурбоХакатона» для разработчиков ИТ-решений «Решения на базе искусственного интеллекта для энергетики»» в 2024 году всей команде Codenrock. Хотелось бы отдельно отметить менеджера Ирину Кикину, которая на протяжении всего мероприятия была всегда на связи и помогала разрешать все возникающие задачи по «ТурбоХакатону», организовала работу кураторов от команды Codenrock, дизайнеров, ИТ-специалистов и всех причастных к «ТурбоХакатону». Также спасибо Павлу Кикину, который в качестве эксперта от команды Codenrock помог подготовить и оценить все задачи вынесенные на «ТурбоХакатон». Руководство ПАО «Интер РАО» высоко оценило качество проработки и подготовки задач. Спасибо всей команде Codenrock за хорошую организацию мероприятия, желаем вам успехов и надеемся на дальнейшее сотрудничество! 

Старовойтов Владимир, руководитель проектов Департамента продвижения цифровой трансформации ПАО «Интер РАО»

Я хотел бы поделиться положительным отзывом о нашей совместной работе в рамках акселератора «ТурбоХакатон: решения на базе искусственного интеллекта для электроэнергетики».

С Павлом Кикиным и Ириной Кикиной из Codenrock было очень приятно сотрудничать. Их профессионализм, креативный подход и глубокие знания в области технологий помогли нам значительно продвинуться в разработке и запуске хакатона. Они всегда были открыты к новым идеям и инициативам, что создавало атмосферу доверия и взаимопомощи. Также хотел бы отметить оперативность ответов на возникающие в ходе работы запросы. Уверен, что наше сотрудничество принесёт отличные результаты и в будущем. Огромное спасибо за поддержку и вдохновение!

Ефимов Алексей, исполнительный директор, к.э.н. Фонд поддержки и развития инноваций «Политех»

«ТурбоХакатон: Решения для электроэнергетики на базе искусственного интеллекта» стал знаковым событием, объединившим 690 специалистов в области Data Science и Deep Learning. За два месяца участники представили 47 уникальных решений, направленных на оптимизацию ключевых процессов в электроэнергетике. Решения, предложенные участниками, имеют огромный потенциал для внедрения в энергетической и коммунальной сферах. 

Мы выражаем искреннюю благодарность всем участникам, экспертам, менторам и партнерам, которые сделали этот хакатон возможным. Ваши знания, энтузиазм и поддержка стали ключевыми факторами успеха мероприятия.

 FAQ