Надежность машинного обучения в защите энергосистем: где кроется слабое звено?

от

Автор: Денис Аветисян

Новое исследование показывает, что алгоритмы машинного обучения демонстрируют разную устойчивость к искажениям данных при классификации и локализации неисправностей в электросетях.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал
Потеря данных о токе и напряжении оказывает заметное влияние на точность как классификации неисправностей, так и определения их местоположения, что подтверждается результатами пятикратной перекрестной проверки, представленными в виде средних значений с указанием стандартного отклонения для оценки разброса между итерациями.
Потеря данных о токе и напряжении оказывает заметное влияние на точность как классификации неисправностей, так и определения их местоположения, что подтверждается результатами пятикратной перекрестной проверки, представленными в виде средних значений с указанием стандартного отклонения для оценки разброса между итерациями.

Оценка надежности моделей машинного обучения для классификации и локализации неисправностей в системах защиты электроэнергетики, с учетом деградации данных и отказов датчиков.

Несмотря на растущую интеграцию возобновляемых источников, современные системы релейной защиты электроэнергетических систем оказываются уязвимыми к возмущениям и неполноте данных. В работе «Robustness Evaluation of Machine Learning Models for Fault Classification and Localization In Power System Protection» предложен комплексный подход к оценке устойчивости алгоритмов машинного обучения, применяемых для классификации и локализации повреждений в энергосистемах. Показано, что точность классификации повреждений сохраняется при деградации данных лучше, чем точность локализации, особенно при потере данных о напряжениях, что подчеркивает критическую важность надежной связи от ключевых подстанций. Какие стратегии позволяют повысить устойчивость интеллектуальных систем защиты к различным видам помех и обеспечить их надежную работу в условиях реальной эксплуатации?

Вызовы устойчивости современных энергосистем

Современные энергосистемы сталкиваются с растущей уязвимостью к различным неисправностям, что обусловлено их возрастающей сложностью и интеграцией распределенной генерации. Повышенная зависимость от автоматизированных систем управления и коммуникационных сетей делает их более восприимчивыми к сбоям, вызванным как естественными факторами, такими как погодные явления, так и техногенными причинами, включая кибератаки и старение оборудования. В связи с этим, крайне важна оперативная и точная идентификация мест возникновения неисправностей, поскольку задержка в обнаружении может привести к каскадным отключениям, значительным экономическим потерям и даже к угрозе безопасности. Разработка и внедрение передовых систем мониторинга и диагностики, способных в режиме реального времени выявлять и локализовать дефекты, является ключевым фактором повышения надежности и устойчивости современных энергосистем.

Традиционные методы обнаружения неисправностей в энергосистемах зачастую оказываются неэффективными в условиях возрастающей сложности современных сетей и неполноты поступающих данных. Классические алгоритмы, основанные на анализе токов и напряжений, испытывают трудности при возникновении каскадных отказов, несимметричных повреждениях или при работе с распределенными источниками энергии. Недостаток информации, вызванный ограниченным количеством датчиков или проблемами с передачей данных, приводит к задержкам в идентификации места повреждения и, как следствие, к увеличению времени восстановления электроснабжения. Это особенно критично в условиях интеллектуальных энергосистем, где быстрый и точный анализ данных является ключевым фактором обеспечения стабильности и надежности всей инфраструктуры. Поэтому разработка новых подходов, способных эффективно обрабатывать неполные и зашумленные данные, является одной из важнейших задач современной энергетики.

Скорость и точность определения местоположения повреждения в энергосистеме оказывают непосредственное влияние на её стабильность и надежность электроснабжения. Задержка в локализации неисправности может привести к каскадным отключениям, масштабным авариям и значительным экономическим потерям. Современные энергосистемы, характеризующиеся возрастающей сложностью и интеграцией распределенной генерации, требуют принципиально новых подходов к обнаружению и локализации повреждений. Разрабатываемые инновационные решения, основанные на передовых алгоритмах обработки данных, интеллектуальном анализе и использовании данных, получаемых от интеллектуальных датчиков и систем мониторинга, направлены на минимизацию времени восстановления и повышение устойчивости энергосистемы к различным внешним и внутренним воздействиям. Улучшение этих параметров критически важно для обеспечения бесперебойного электроснабжения потребителей и поддержания функционирования современной инфраструктуры.

Отказы отдельных реле незначительно влияют на точность локализации неисправностей, о чем свидетельствует небольшое изменение средней абсолютной ошибки (MAE) относительно базового уровня, подтвержденное стандартным отклонением при пятикратной перекрестной проверке.
Отказы отдельных реле незначительно влияют на точность локализации неисправностей, о чем свидетельствует небольшое изменение средней абсолютной ошибки (MAE) относительно базового уровня, подтвержденное стандартным отклонением при пятикратной перекрестной проверке.

Машинное обучение для расширенной диагностики неисправностей

Применение машинного обучения позволяет автоматизировать выявление закономерностей в данных электроэнергетической сети и повысить точность классификации неисправностей. В ходе тестирования модель продемонстрировала показатель $F_1$-меры в 0.990 при нормальных условиях эксплуатации, что свидетельствует о высокой эффективности алгоритма в задачах диагностики. Данный показатель отражает сбалансированную точность и полноту обнаружения неисправностей, подтверждая пригодность подхода для практического применения в системах управления энергоснабжением.

В основе предлагаемой модели лежит многослойный персептрон (MLP), представляющий собой тип нейронной сети прямого распространения. MLP состоит из нескольких слоев взаимосвязанных узлов (нейронов), включая входной, скрытые и выходной слои. Благодаря нелинейным функциям активации в каждом слое, MLP способен моделировать сложные нелинейные зависимости в данных, что позволяет эффективно извлекать и анализировать сложные признаки из входных данных о состоянии сети. Архитектура MLP позволяет автоматически обучаться на размеченных данных, идентифицируя паттерны, которые указывают на наличие неисправностей, и тем самым повышая точность диагностики.

Для эффективной тренировки многослойного персептрона (MLP) используется оптимизатор Adam, алгоритм, сочетающий в себе преимущества адаптивной оценки скорости обучения и импульса. В процессе валидации модели применяется пятикратная кросс-валидация (Five-Fold Cross-Validation), подразумевающая разделение данных на пять взаимоисключающих подмножеств. Модель последовательно обучается на четырех подмножествах, а затем оценивается на оставшемся. Данный процесс повторяется пять раз, с каждой итерацией меняется подмножество, используемое для оценки. Использование кросс-валидации позволяет получить более надежную оценку обобщающей способности модели и избежать переобучения, обеспечивая стабильную работу в реальных условиях эксплуатации.

Потеря измерений в одной фазе заметно ухудшает как классификацию, так и локализацию неисправностей, о чем свидетельствуют средние результаты пятикратной перекрестной проверки с указанным стандартным отклонением.
Потеря измерений в одной фазе заметно ухудшает как классификацию, так и локализацию неисправностей, о чем свидетельствуют средние результаты пятикратной перекрестной проверки с указанным стандартным отклонением.

Точная локализация неисправностей посредством интеграции данных

Эффективная локализация неисправностей в электроэнергетических сетях требует интеграции измерений как тока, так и напряжения, что обеспечивает всесторонний анализ текущего состояния сети. Использование только измерений тока недостаточно для точного определения местоположения повреждения, особенно в сложных конфигурациях сети или при наличии распределенных источников питания. Комбинирование данных о токе и напряжении позволяет модели более точно оценивать изменения в электрических параметрах, вызванные неисправностями, и, следовательно, значительно повышает точность определения местоположения повреждения. Игнорирование данных о напряжении приводит к увеличению погрешности локализации и снижению надежности системы защиты.

Модель многослойного перцептрона (MLP) разработана для совместного анализа данных о токе и напряжении, что позволяет точно определять местоположение повреждений в электрической сети. Базовая абсолютная средняя ошибка (MAE) модели составляет 7.799, что соответствует примерно 8% погрешности от общей длины линии электропередач. Данный показатель демонстрирует способность модели к определению местоположения повреждения с высокой точностью, обеспечивая эффективную диагностику и оперативное реагирование на аварийные ситуации.

Эффективность предложенной модели локализации неисправностей оценивалась с использованием средней абсолютной ошибки (MAE). Полученные результаты демонстрируют высокую точность определения местоположения неисправностей, при базовом значении MAE, составляющем 7.799, что соответствует примерно 8% погрешности от общей длины линии электропередачи. Данный показатель является ключевым критерием оценки, подтверждающим способность модели к точной и надежной локализации повреждений в сети.

Схема топологии сети
Схема топологии сети «Двойная Линия» демонстрирует передачу данных от устройств релейной защиты (PR) через линии передачи в подстанцию и далее в центр управления для проведения анализа и принятия решений о частоте и нагрузке.

Устойчивость к несовершенству данных реального мира

Для оценки устойчивости модели к реальным условиям эксплуатации, проводились испытания с искусственно создаваемыми дефектами данных. В ходе экспериментов модели подвергались различным сценариям ухудшения качества входных данных, включая потерю сигнала с отдельных датчиков, снижение частоты дискретизации и перебои в связи. Такой подход позволил имитировать неидеальные условия работы системы, с которыми она может столкнуться в практических применениях, и оценить её способность к корректной диагностике неисправностей даже при наличии неполной или искажённой информации. Результаты этих испытаний демонстрируют, что устойчивость к определенным типам дефектов данных может значительно различаться, что подчеркивает необходимость разработки надежных алгоритмов обработки данных для обеспечения стабильной работы системы диагностики.

Несмотря на высокую устойчивость системы к определению типа неисправности, точность определения её местоположения существенно снижается при потере данных о напряжении и перебоях в измерениях. Исследования показали, что потеря информации о напряжении приводит к значительному увеличению средней абсолютной ошибки (MAE) до 20.6, что в 163% превышает базовый показатель. Потеря данных о токе также оказывает негативное влияние, увеличивая MAE до 13.4 (рост на 71%). В то же время, кратковременные перебои в связи (до 40мс) оказывают минимальное влияние на точность локализации, увеличивая MAE лишь до 8.08 (+3.5% от базового значения). Эти результаты подчеркивают необходимость разработки систем диагностики, способных надежно функционировать в условиях неполных или искаженных данных, особенно в критически важных приложениях, где точное определение местоположения неисправности имеет первостепенное значение.

Исследования показали, что потеря данных о напряжении оказывает значительно более сильное влияние на точность диагностики неисправностей, чем потеря данных о токе или кратковременная потеря связи. В частности, при потере данных о напряжении средняя абсолютная ошибка (MAE) возросла до $20.6$, что на $163\%$ превышает исходный показатель. Потеря данных о токе привела к увеличению MAE до $13.4$ (увеличение на $71\%$). При этом даже при задержке в $40$ миллисекунд в передаче данных, MAE увеличилась лишь до $8.08$ (прирост всего на $3.5\%$ по сравнению с базовым уровнем). Эти результаты подчеркивают критическую важность обеспечения надежного сбора данных о напряжении для эффективной работы систем диагностики неисправностей.

Исследования показали, что надежность систем диагностики неисправностей критически важна для их эффективной работы в реальных условиях эксплуатации. Полученные данные демонстрируют, что даже незначительные отклонения в поступающей информации, такие как потеря сигнала датчиков или кратковременные перебои связи, могут существенно повлиять на точность определения местоположения неисправности. В то время как классификация типов неисправностей остается достаточно устойчивой, ошибки локализации значительно возрастают при потере данных о напряжении и токе. Это подчеркивает необходимость разработки диагностических систем, способных сохранять работоспособность и точность даже при наличии неполных или искаженных данных, что особенно важно для обеспечения безопасности и надежности сложных технических устройств и инфраструктуры.

Перспективы: к адаптивному интеллекту электросетей

В процессе обучения модели диагностики неисправностей электросети применялась методика доменной рандомизации, реализованная в программном комплексе DIgSILENT PowerFactory на базе двухлинейной схемы сети. Этот подход предполагает намеренное внесение разнообразия в параметры конфигурации сети во время тренировки. Благодаря этому, модель получает возможность адаптироваться к непредсказуемым изменениям в структуре сети, таким как новые подключения, отключения линий или изменения нагрузки. В результате, модель демонстрирует повышенную устойчивость и точность диагностики даже при столкновении с конфигурациями сети, которые не встречались ей в процессе обучения, что значительно повышает надежность и эффективность системы управления энергоснабжением.

Предстоящие исследования направлены на интеграцию разработанной системы диагностики неисправностей с передовыми стратегиями управления энергосистемой, что позволит создать по-настоящему интеллектуальную электрическую сеть. В рамках данной интеграции планируется разработка алгоритмов, способных не только выявлять и локализовать повреждения, но и автоматически адаптировать режимы работы сети для минимизации последствий аварий и повышения её устойчивости. Такой симбиоз диагностических и управляющих функций позволит перейти от реактивного, аварийного управления к проактивному, предвидению и предотвращению сбоев, значительно повышая надёжность и эффективность электроснабжения. Ожидается, что подобный подход заложит основу для создания самовосстанавливающихся энергосистем, способных эффективно функционировать в условиях растущей сложности и изменчивости современных энергетических ландшафтов.

Предлагаемый адаптивный подход открывает перспективы для существенного повышения устойчивости, надежности и эффективности электроэнергетических систем перед лицом постоянно меняющихся вызовов. Внедрение механизмов, способных к самообучению и адаптации к непредсказуемым условиям, позволяет сетям не только быстро восстанавливаться после сбоев, но и предвидеть потенциальные проблемы, минимизируя риски аварий и перебоев в электроснабжении. Такая проактивная стратегия, основанная на интеллектуальном анализе данных и оптимизации режимов работы, способствует более рациональному использованию ресурсов и снижению эксплуатационных затрат, формируя основу для создания действительно “умных” энергосистем, способных к долгосрочной и стабильной работе в условиях растущей нагрузки и интеграции возобновляемых источников энергии.

Исследование демонстрирует, что классификация неисправностей, основанная на машинном обучении, проявляет большую устойчивость к ограничениям данных, чем локализация неисправностей. Последняя, как правило, сильно зависит от точности измерений напряжения и надежности коммуникаций между ключевыми подстанциями. Это созвучно мысли Карла Фридриха Гаусса: «Недостаток данных — не приговор, а вызов для более глубокого анализа». Работа подчеркивает, что в системах защиты энергосистем, надежность классификации может сохраняться даже при частичной деградации данных, в то время как локализация требует более совершенных и бесперебойных каналов связи для обеспечения точности. По сути, исследование показывает, что системы должны не просто функционировать, но и достойно стареть, адаптируясь к неизбежным изменениям во внешней среде.

Что дальше?

Представленная работа, подобно тщательно составленной хронике, зафиксировала относительную устойчивость классификации неисправностей, основанной на машинном обучении, к деградации данных. Однако, подобно любой системе, она обнажила уязвимость — локализацию неисправностей. Зависимость от точных измерений напряжения и надежной связи между ключевыми подстанциями оказалась критичной. Развертывание системы — лишь мгновение на оси времени, а ее истинная долговечность определяется способностью адаптироваться к неизбежным сбоям.

Необходимо признать, что вопрос не в абсолютной надежности, а в грациозности старения системы. Будущие исследования должны быть направлены на разработку методов, позволяющих смягчить влияние потери данных и сбоев связи. Использование резервирования, алгоритмов восстановления данных и, возможно, даже нечеткой логики представляется перспективным направлением. Следует задаться вопросом: как создать систему, которая не просто обнаруживает неисправность, а предвидит ее последствия и адаптируется к ним?

В конечном счете, задача заключается не в создании идеальной системы защиты, а в построении системы, способной достойно стареть. Ведь все системы стареют — вопрос лишь в том, делают ли они это достойно. Изучение механизмов адаптации и самовосстановления, вероятно, станет ключевым направлением исследований в ближайшем будущем.

Оригинал статьи: https://arxiv.org/pdf/2512.15385.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2025-12-18 22:35