İstilikdə dekarbonizasiya: AI ilə daha az xərc

1,1 milyon ABŞ dolları böyük rəqəm deyil. Amma düzgün yerə xərclənəndə, bütöv bir sektorun “necə işləyirik?” sualına verdiyi cavabı dəyişə bilər.

Asiya İnkişaf Bankının (AİB) Azərbaycanda istilik təchizatı sektorunun dekarbonizasiyası və bərpa olunan mənbələrdən istiliyin inteqrasiyası üçün ayırdığı 1,1 mln dollar texniki yardım məhz belə bir siqnaldır: söhbət təkcə yeni avadanlıqdan getmir, qaydalar, tariflər, əməliyyat intizamı və məlumatla idarəetmə dəyişməlidir. Dekabrın son həftəsində, qışın ən gərgin enerji günlərində bu mövzu daha da aktual görünür.

Bu yazı “Azərbaycanın Energetika və Neft-Qaz Sektorunu Süni İntellekt Necə Dəyişdirir” seriyasının kontekstində istilik sektoruna fokuslanır. Mənim mövqeyim sadədir: dekarbonizasiya planı AI olmadan kağız üzərində gözəl görünür, amma real qənaət və təhlükəsizlik üçün AI artıq zərurətdir.

AİB-nin 1,1 mln dolları nəyə görə stratejidir?

Bu texniki yardımın dəyəri onun məbləğində deyil, **hədəflədiyi “sistem dəyişikliklərində”**dir. AİB tərəfindən maliyyələşən layihə istilik təchizatı sahəsində Milli Strategiyadan və “İstilik təchizatı haqqında” Qanundan irəli gələn sənədlərin hazırlanmasını, enerji səmərəliliyinin yüksəldilməsini, tarif siyasətinin optimallaşdırılmasını və pilot inteqrasiyanı nəzərdə tutur.

Layihənin icrasında məsləhətçi kimi Danimarkadan “NIRAS”, Almaniyadan “Integration Environment & Energy GMBH” və Azərbaycandan “ENERGAZER” MMC-dən ibarət konsorsium seçilib və xidmətlərin 2027-ci ilin martına qədər tamamlanması planlaşdırılır. Texniki və təşkilati dəstək isə Energetika Nazirliyi və “Azəristiliktəchizat” ASC tərəfindən göstəriləcək.

“Qaydalar + tarif + pilot” niyə bir paket kimi işləyir?

İstilik sektorunda ən çox səhv edilən yanaşma budur: yalnız qazanxana yenilənir, amma tarif mexanizmi köhnə qalır, ölçmə zəif olur, itkilər görünmür. Bu paket yanaşma isə üç şeyi eyni vaxtda sıxır:

• Normativ baza: kim nəyi ölçür, necə hesabat verir, hansı KPI-lar işləyir?
• Tarif siyasəti: səmərəliliyə stimul var, yoxsa “çox yandıran çox qazanır” modeli?
• Pilot inteqrasiya: bərpa olunan istilik mənbəyi real şəbəkəyə necə oturur?

Bu “paket”in içində AI üçün ideal zəmin var, çünki AI-nin işləməsi üçün iki şey lazımdır: data (məlumat) və idarəetmə qaydası.

İstilik sektorunda dekarbonizasiya niyə çətindir?

Cavab qısadır: istilik sistemi elektrikdən daha “lokal”, daha “fiziki” və daha “köhnə infrastruktura bağlı” olur. Uzun cavab isə üç problemə çıxır.

1) Şəbəkə itkiləri və qeyri-dəqiqlik

İstilik şəbəkələrində itkilər çox vaxt “hamı bilir” səviyyəsində qalır, amma dəqiq ölçülmür. Ölçmədiyin şeyi idarə edə bilmirsən. AI burda möcüzə yaratmır; sadəcə itkini görünən edir: hansı xəttdə, hansı saatda, hansı temperatur rejimində problem böyüyür.

2) Pik yüklər və qış riski

Dekabr–fevral pikləri istilik təchizatında həm xərci, həm də qəza riskini artırır. Dekarbonizasiya isə çox vaxt əlavə komplekslik gətirir: yeni mənbələr, yeni idarəetmə ssenariləri, yeni balanslaşdırma.

3) Tarif stimulları yanlış qurulanda investisiya ölü doğulur

Tarif “performans”ı mükafatlandırmırsa, heç kim real səmərəliliyə pul xərcləmək istəmir. Burda AİB layihəsinin “tarif optimallaşdırılması” hissəsi kritikdir.

Süni intellekt istilik sistemində real olaraq nəyi yaxşılaşdırır?

AI-nin ən böyük faydası budur: eyni istilik komfortunu daha az yanacaqla və daha az risklə təmin etməyə kömək edir. Bu, həm dekarbonizasiya, həm də əməliyyat büdcəsi üçün birbaşa təsirdir.

Proqnozlaşdırıcı idarəetmə: “sabahı bugündən bilmək”

İstilik yükü havadan, küləkdən, rütubətdən, binanın istilik tutumundan, hətta günün saatından asılıdır. AI modelləri (məsələn, time-series forecasting) aşağıdakıları proqnozlaşdırır:

• Sabahki və həftəlik istilik tələbi
• Temperatur rejimi üçün optimal qrafik
• Pik saatlarda hansı qazanxananın işləməsi daha sərfəlidir

Nəticə: qazanların “həddən artıq yandırılması” azalır, şəbəkə daha stabil olur.

Enerji səmərəliliyi: “itkiləri tap və təmir planını ağıllandır”

AI burada iki istiqamətdə işləyir:

1. Anomaliya aşkarlanması: temperatur/axın/baş təzyiqində normaldan kənar davranışlar.
2. Prioritetləndirilmiş texniki xidmət: hansı xətt və ya qovşaq daha tez risk yaradırsa, o əvvəl təmirə gedir.

Bu yanaşma “təqvimə görə servis”dən daha sərt və daha ucuzdur.

Təhlükəsizlik: sənaye riskini rəqəmlə idarə etmək

İstilik təsərrüfatında risklər təkcə avadanlıq sıradan çıxması deyil. Qəza, yanma prosesində uyğunsuzluq, təzyiq dalğalanması, insan faktoru.

AI tətbiqləri:

• Operatorların hərəkət ardıcıllığında səhv ehtimalını azaltmaq üçün tövsiyə sistemləri
• SCADA siqnallarından risk skorlaması
• Hadisələrdən sonra “nə baş verdi?” yox, “nə baş verəcək?” yanaşması

Bu, enerji şirkətləri üçün ən “satılan” dəyərdir: qəza baş verməyəndə hamı qazanır.

Bərpa olunan istiliyin inteqrasiyası: AI olmadan niyə çətin olur?

Bərpa olunan mənbələrdən istilik enerjisi (məsələn, günəş istilik kollektorları, geotermal həllər, sənaye tullantı istiliyi, böyük istilik nasosları) “gələndə yaxşıdır”, amma sabit deyil. Şəbəkə isə sabitlik istəyir.

AI-nin rolu burada balansdır:

• Hansı saatda bərpa olunan mənbə maksimum verim verir?
• Hansı saatda ehtiyat qaz qazanı qoşulmalıdır?
• İstilik akkumulyatoru varsa, nə vaxt doldurulub boşaldılmalıdır?

Bir cümləlik qayda: bərpa olunan istilik mənbəyini inteqrasiya etmək üçün ən ucuz “avadanlıq” düzgün alqoritmdir.

“Azəristiliktəchizat” üçün praktik yol xəritəsi (2026–2027)

AİB layihəsi çərçivəsində strategiya hazırlanacaqsa, mən bunun AI hissəsini belə “yerə endirərdim”. Çünki ən çox şirkət bu mərhələdə abstrakt qalır.

1) Data minimumu: 90 günə qurulan baza

Başlamaq üçün ideal “minimum paket”:

• Əsas qazanxanalarda real-vaxt temperatur/axın/təzyiq ölçümü
• Ən azı 3 zonada istehlak profili (gündəlik, həftəlik)
• Qəza və dayanma tarixçəsi (strukturlaşdırılmış)

90 günün sonunda məqsəd “AI edirik” demək yox, birinci analitik paneli işlətməkdir.

2) Bir pilot seçin: ölçülə bilən nəticə istəyin

Pilot layihə üçün ən sağlam seçim:

• bir xidmət zonası,
• bir-iki qazanxana,
• aydın KPI: məsələn, “yanacaq sərfi (GJ) / verilən istilik (Gcal)” və ya “qəza sayı / mövsüm”.

Burda əsas prinsip: pilot az sahə, çox ölçü olmalıdır.

3) Tarif və KPI sinxronu: stimulu düz qurun

Tarif optimallaşdırılması texniki yardımın mərkəzindədir. AI layihələrinin uğuru üçün məncə iki KPI tarif dizaynına “tikilməlidir”:

• Şəbəkə itkilərinin azalması (ölçülən və audit edilən)
• Planlaşdırılmamış dayanmanın azalması

Əks halda AI komandası qənaət gətirəcək, amma sistem onu “mükafatlandırmayacaq”. Bu da davamlılığı öldürür.

Neft-qaz sektoru ilə körpü: eyni metodlar, fərqli aktivlər

İstilik sektoru ilə neft-qazın ortaq dili var: aktivlərin etibarlılığı və əməliyyat optimallaşdırması. Neft-qazda proqnozlaşdırıcı texniki xidmət, anomaliya aşkarlanması, risk skorlaması illərdir danışılır. İstilik təchizatında da eyni metodlar işləyir, sadəcə sensorlar və proseslər fərqlidir.

Azərbaycan üçün bu yanaşma daha geniş mənzərəni dəstəkləyir: enerji ixracı müzakirələrinin getdiyi, Avropanın qaz strategiyalarını yenidən qurduğu bir dövrdə daxildə enerji səmərəliliyi ucuz “resurs”dur. Səmərəlilik artdıqca, həm büdcə rahatlayır, həm də emissiya yükü düşür.

Növbəti addım: dekarbonizasiya layihəsinə AI şərtini əlavə edin

AİB-nin 1,1 mln dollarlıq texniki yardımı Azərbaycanda istilik sektorunu “qanun+tarif+pilot” xəttinə salır. Bu yaxşı başlanğıcdır. Amma məncə ən doğru qərar budur: hər yeni normativ sənəd və hər pilot üçün məlumat tələbi və AI idarəetmə ssenariləri əvvəlcədən yazılsın.

Əgər siz enerji şirkətində, istilik təchizatında və ya sənaye müəssisəsində qərar verirsinizsə, bu sualı indi masaya qoymaq lazımdır: biz dekarbonizasiyanı avadanlıq layihəsi kimi görürük, yoxsa data və idarəetmə transformasiyası kimi?

Daha az yanacaq yandırmaq üçün ilk addım yeni qazan deyil — prosesin necə işlədiyini dəqiq ölçməkdir.

Seriyanın növbəti yazısında praktik tərəfə daha çox enəcəyəm: istilik təsərrüfatında AI üçün “məlumat arxitekturası”nı necə qurmaq olar və 6 ayda hansı nəticəni real gözləmək olar.