ПЕРСПЕКТИВИ РОЗВИТКУ КОМП'ЮТЕРНИХ ТЕХНОЛОГІЙ В ЕЛЕКТРОЕНЕРГЕТИЦІ ТА ЕЛЕКТРОМЕХАНІЦІ: ВІД ШТУЧНОГО ІНТЕЛЕКТУ ДО КВАНТОВИХ ОБЧИСЛЕНЬ

Автор(и)

  • В.І. Скуріхін Харківський національний університет міського господарства імені О. М. Бекетова, Україна
  • Д.Ю. Зубенко Комунальний заклад «Харківський ліцей № 54 Харьківської міської ради», Україна
  • К.С. Ємельянова Харківський національний університет міського господарства імені О. М. Бекетова, Україна

DOI:

https://doi.org/10.20998/2313-8890.2025.12.04

Ключові слова:

електроенергетика, електромеханіка, штучний інтелект, IoT, квантові обчислення, прогнозування, керування електроприводом

Анотація

Анотація. У статті проаналізовано сучасні комп’ютерні та інтелектуальні технології в електроенергетиці й електромеханіці, зокрема SCADA, IoT, цифрові двійники, методи AI та перспективи квантових обчислень. Визначено їх переваги для прогнозування й керування та окреслено основні обмеження практичного впровадження.

Посилання

Syu J.-H., Srivastava G., Fojcik M., Cupek R., Lin J. C.-W. Artificial intelligence techniques in smart grid: A survey // Computers and Electrical Engineering. 2023. Ст. 108639. DOI: 10.1016/j.compeleceng.2023.108639.

Amer Mousa H., Ali B. M. The AI powered grid: A systematic review of machine learning for optimization and resilience in smart energy systems // International Journal of Engineering and Computer Science. 2025. Vol. 14, No. 11. P. 27873–27880. DOI: 10.18535/ijecs.v14i11.5308.

Xu L. A review of three methods of artificial intelligence in smart grid cyber security: Machine learning, reinforcement learning, ensemble methods // Highlights in Science, Engineering and Technology. 2024. DOI: 10.54097/79xf0y91.

Deokar S. A., Wankhede P. S., Khandait S. P. Applications of artificial intelligence and machine learning in smart grid systems: A comprehensive review // ShodhKosh: Journal of Visual and Performing Arts. 2023. Vol. 4, No. 2. P. 1–15. DOI: 10.29121/shodhkosh.v4.i2.2023.4825.

Amer Mousa H., Ali B. M. The AI-powered grid: A systematic review of machine learning for optimization and resilience in smart energy systems // International Journal of Engineering and Computer Science. 2025. Vol. 14, No. 11. P. 27873–27880. DOI: 10.18535/ijecs.v14i11.5308.

Zhang Y., Wang J., Zhao B. Deep learning methods utilization in electric power systems: A comprehensive review // Energy Reports. 2023. Vol. 9. P. 1148–1165. DOI: 10.1016/j.egyr.2023.01.265.

Li X., Chen H., Zhang D. Artificial intelligence–based anomaly detection and fault location in power grid indicator data: A review // Energies. 2024. Vol. 17, No. 15. Art. 3747. DOI: 10.3390/en17153747.

Yu C., Anderson E. A review of artificial intelligence techniques for anomaly detection in smart grid // Artificial Intelligence Review. 2026. Vol. 69. P. 1–33. DOI: 10.1007/s10462-025-11429-x.

Benbouzid M. E. H., Boudjema Z., Kheloui A. Artificial intelligence applications in predicting faults in electrical machines: A review // Energies. 2025. Vol. 18, No. 7. Art. 1616. DOI: 10.3390/en18071616.

Ahmad T., Chen H., Guo Y. Machine learning applications for IoT-integrated modern power systems: A review // Electric Power Systems Research. 2020. Vol. 189. Art. 106694. DOI: 10.1016/j.epsr.2020.106694.

Khan R., Javaid N., Alrajeh N. Vulnerability of machine learning approaches applied in IoT-based smart grids // arXiv preprint. 2023. arXiv:2308.15736.

Bhuiyan T. AI in smart grid cybersecurity: A systematic review of machine learning and deep learning approaches against false data injection and other emerging attacks // Journal of Computer Science and Technology Studies. 2025. Vol. 7, No. 8. P. 1207–1295.

Oyedotun S. A., Oise G. P., Ozobialu C. E. Towards intelligent cybersecurity in SCADA and DCS environments: Anomaly detection using multimodal deep learning and explainable AI // Journal of Science Research and Reviews. 2025. DOI: 10.70882/josrar.2025.v2i3.76.

Zhang Y., Wang J., Liu H., Li X. Anomaly detection of wind farm SCADA data based on EEMD and BiLSTM // Energies. 2022. Vol. 15, No. 16. Art. 5869. DOI: 10.3390/en15165869.

Digital twin in energy industry: Proposed robust digital twin for power plant and other complex capital-intensive large engineering systems // Energy Reports. 2022. Vol. 8. P. 3704–3726. DOI: 10.1016/j.egyr.2022.02.305.

Baradaran M. Predictive maintenance of electric motors using supervised learning models: A comparative analysis // arXiv preprint. 2025. arXiv:2504.03670.

Fraunhofer ISE. Smart grids and distributed energy management [Електронний ресурс]. 2022. Режим доступу: https://www.ise.fraunhofer.de/en/research-topics/smart-grid.html (дата звернення: 2026).

Xu X., Li X., Zhang W., Yang L. T. Resource allocation and signal transmission in IoT networks // IEEE Internet of Things Journal. 2018. Vol. 5, No. 6. P. 4401–4413. DOI: 10.1109/JIOT.2018.2867569.

Derevianko D., Perehuda O. (2024). Features of building smart monitoring systems for Microgrid systems. Energy: Economics, Technology, Ecology, 1, 75. https://doi.org/10.20535/1813-5420.1.2024.298816

Smith J., García P. (2023). Is IoT monitoring key to improving building energy efficiency? Case study of a smart campus in Spain. Energy and Buildings, 285, Article 112882. https://doi.org/10.1016/j.enbuild.2023.112882

Yushchuk I. V., Yushchuk P. O. (2025). The use of the Industrial Internet of Things (IIoT) to optimize energy efficiency at enterprises. Scientific Journal of Metinvest Polytechnic. Series: Technical Sciences, 4, 39–45. https://doi.org/10.32782/3041-2080/2025-4-19

Qiu S., Zheng S., Qiu D. (2020). Revisiting the Deutsch–Jozsa algorithm. Information and Computation, 275, Article 104605. https://doi.org/10.1016/j.ic.2020.104605

Peruzzo A., McClean J., Shadbolt P., Yung M. H., Zhou X. Q., Love P. J., O’Brien J. L. (2014). A variational eigenvalue solver on a photonic quantum processor. Nature Communications, 5, Article 4213. https://doi.org/10.1038/ncomms5213

##submission.downloads##

Опубліковано

2026-02-27

Номер

№ 12 (215) (2025): Енергозбереження. Енергетика. Енергоаудит

Розділ

ЕНЕРГЕТИКА, ЕЛЕКТРОНІКА ТА ЕЛЕКТРОМЕХАНІКА

Ліцензія

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами: Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи, яка через [6 місяців] з дати публікації автоматично стає доступною на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).