60
Большие данные в электроэнергетике.
Обзор программных решений
УДК
004.67
Мигранов
М
.
М
.,
инженер
1
категории
ОИС
службы
ИС
и
СС
МЭС
Урала
—
филиал
ПАО
«
ФСК
ЕЭС
»,
Южно
-
Уральское
ПМЭС
Мельников
А
.
В
.,
д
.
т
.
н
.,
профессор
Челябинского
государственного
университета
(
ЧелГУ
)
Вслед
за
экспоненциальным
ростом
количества
доступной
информации
появилась
потребность
в
ее
обработке
.
Так
появился
феномен
Big Data («
большие
данные
»)
как
способ
разрешения
новых
потребностей
.
Данный
термин
подразумевает
под
собой
не
только
колоссальные
объемы
данных
,
но
и
способы
их
хранения
и
обработки
.
Наука
,
промышленность
,
медицина
,
социология
—
большие
данные
проникли
во
все
сферы
человеческой
деятельности
и
отрасли
экономики
,
позволяя
осуществить
качественный
скачок
на
новый
уровень
.
В
данной
статье
производится
обзор
программных
решений
,
использующих
подход
Big Data
в
области
электроэнергетики
.
Ключевые
слова
:
большие
данные
,
машинное
обучение
,
электроэнергетика
,
Keywords:
Big Data, machine
learning, electrical power
engineering, information
technology
ВВЕДЕНИЕ
Большие
данные
(
англ
.
big data
) —
совокупность
подходов
,
инстру
-
ментов
и
методов
обработки
структурированных
и
неструктури
-
рованных
данных
огромных
объе
-
мов
и
значительного
многообразия
для
получения
воспринимаемых
человеком
результатов
,
эффектив
-
ных
в
условиях
непрерывного
при
-
роста
,
распределения
по
много
-
численным
узлам
вычислительной
сети
,
сформировавшихся
в
конце
2000-
х
годов
,
альтернативных
тра
-
диционным
системам
управления
базами
данных
и
решениям
класса
Business Intelligence [1].
В
широком
смысле
о
«
боль
-
ших
данных
»
говорят
как
о
соци
-
ально
-
экономическом
феномене
,
связанном
с
появлением
техноло
-
гических
возможностей
анализи
-
ровать
огромные
массивы
данных
,
в
некоторых
проблемных
обла
-
стях
—
весь
мировой
объем
дан
-
ных
и
вытекающих
из
этого
транс
-
формационных
последствий
[2].
Введение
термина
«
большие
данные
»
относят
к
Клиффорду
Линчу
,
редактору
журнала
Nature,
подготовившему
к
3
сентября
2008
года
специальный
выпуск
с
темой
«
Как
могут
повлиять
на
бу
-
дущее
науки
технологии
,
открыва
-
ющие
возможности
работы
с
боль
-
шими
объемами
данных
?».
В
нем
были
собраны
материалы
о
фе
-
номене
взрывного
роста
объемов
и
многообразия
обрабатываемых
данных
и
технологических
пер
-
спективах
в
парадигме
вероятного
скачка
«
от
количества
к
качеству
»;
термин
был
предложен
по
анало
-
гии
с
расхожими
в
деловой
англо
-
язычной
среде
метафорами
«
боль
-
шая
нефть
», «
большая
руда
» [3].
ОБЗОР
ТЕМЫ
Достаточно
обширный
обзор
был
сделан
в
книге
под
автор
-
ством
В
.
В
.
Крылова
и
С
.
В
.
Кры
-
лова
«
Большие
данные
и
их
при
-
ложения
в
электроэнергетике
.
От
бизнес
аналитики
до
вирту
-
альных
станций
» (2014).
Авторы
подробно
раскрыли
само
поня
-
тие
больших
данных
,
основных
методов
машинного
обучения
,
описали
концепции
Smart Grid
и
ИЭС
ААС
,
а
также
самые
рас
-
пространенные
на
рынке
про
-
граммные
решения
.
Также
стоит
отметить
обшир
-
ные
научные
работы
сотрудни
-
ков
Института
систем
энергети
-
ки
(
Сибирское
отделение
РАН
)
им
.
Л
.
А
.
Мелентьева
,
таких
как
Воропай
Н
.
И
.,
Курбацкий
В
.
Г
.,
Негневицкий
М
.,
Томин
Н
.
В
. [4].
В
их
работах
описываются
кон
-
кретные
подходы
к
решению
ак
-
туальных
задач
электроэнерге
-
тики
:
интеллектуальная
система
для
предотвращения
крупных
аварий
в
энергосистемах
[5],
раннее
выявление
предаварий
-
ных
состояний
в
энергосистемах
на
базе
алгоритмов
машинного
обучения
[6],
прогнозирование
параметров
электроэнергетиче
-
ских
систем
с
использованием
преобразования
Гильберта
-
Ху
-
анга
и
машинное
обучение
[7]
и
другие
.
ОБЗОР
ПРОГРАММНЫХ
РЕШЕНИЙ
ВЕДУЩИХ
ФИРМ
Одним
из
зарубежных
лидеров
в
области
программных
реше
-
ний
является
американская
ком
-
пания
General Electric.
Одним
из
комплексных
решений
явля
-
ется
Aclara’s Smart Infrastructure
ИНТЕЛЛЕКТУАЛЬНЫЕ
СЕТИ
61
Solutions (ASIS) [8] —
инфра
-
структурное
решение
,
позво
-
ляющее
электрическим
сетям
собирать
и
использовать
интел
-
лектуальные
счетчики
,
пери
-
ферийные
устройства
и
данные
для
удовлетворения
текущих
задач
. ASIS
позволяет
интегри
-
ровать
электроэнергию
,
выра
-
батываемую
альтернативными
источниками
(
ветряные
электро
-
генераторы
,
солнечные
батареи
)
с
традиционными
источниками
электроэнергии
,
обеспечивает
контроль
нагрузки
и
реагирова
-
ние
на
спрос
,
осуществляет
мо
-
ниторинг
подстанций
,
позволяет
клиентам
взаимодействовать
с
оператором
для
создания
эф
-
фективных
программ
электро
-
сбережения
.
Также
стоит
отметить
Power
On Reliance [9] —
современную
систему
управления
энергией
(EMS).
Ключевыми
особенно
-
стями
данной
системы
является
возможность
осуществлять
мо
-
ниторинг
и
контроль
генерации
,
передачи
и
распределения
элек
-
троэнергии
в
режиме
реального
времени
,
обеспечивать
операто
-
ра
системы
данными
в
режиме
реального
времени
в
сочетании
с
аналитическими
инструмента
-
ми
для
быстрого
распознавания
общего
состояния
сети
,
позво
-
ляет
обеспечивать
увеличенную
пропускную
способность
сети
при
сохранении
общей
надежно
-
сти
и
нормативных
требований
,
отвечает
всем
современным
требованиям
безопасности
(
пер
-
вичные
и
резервные
системы
производства
,
обеспечения
ка
-
чества
и
т
.
д
.)
Компания
Siemens
предлага
-
ет
свое
решение
для
диспетчер
-
ского
управления
— Spectrum
PowerCC. Spectrum Power
СС
обладает
широким
функцио
-
налом
:
позволяет
одновремен
-
но
решать
задачи
по
анализу
передающих
сетей
,
управлять
генерацией
,
распределением
и
нагрузкой
.
Простота
адапта
-
ции
и
расширения
делает
воз
-
можными
любые
необходимые
расширения
приложений
благо
-
даря
использованию
модульной
архитектуры
на
базе
компонен
-
тов
,
модели
данных
на
основа
-
нии
открытого
стандарта
(
Общая
информационная
модель
—
Common Information Model —
CIM),
мощных
интерфейсов
программирования
(
Интерфей
-
сы
программирования
приложе
-
ний
— Application Programming
Interfaces — API)
и
международ
-
ных
стандартов
.
Бизнес
-
серви
-
сы
составляются
из
компонен
-
тов
и
распределяются
как
часть
свободно
соединенной
сервис
-
но
-
ориентированной
архитекту
-
ры
.
Стандартные
опции
могут
быть
реализованы
без
риска
.
Кроме
того
,
использование
стан
-
дарта
де
-
факто
OPC (OLE
для
контроля
процесса
)
гарантирует
возможность
соединения
с
ми
-
ром
автоматизации
[10].
Датская
компания
Kamstrup
предлагает
линейку
продуктов
OMNIA —
сетевую
платформу
,
включающую
в
себя
интеллек
-
туальные
счетчики
,
управление
данными
со
счетчиков
,
инфра
-
структуру
связи
и
возможности
smart grid.
Установка
интеллек
-
туальных
счетчиков
компании
Kamstrup
позволила
Roskilde
University
сократить
потребле
-
ние
электроэнергии
на
27%,
что
в
денежном
эквиваленте
соста
-
вило
650 000
евро
в
год
.
Рынок
программных
реше
-
ний
,
использующих
подход
Big
Data,
обширен
.
Как
видно
,
среди
разработчиков
есть
гиганты
IT,
разработчики
рангом
помень
-
ше
,
стартапы
.
Все
это
создает
атмосферу
здоровой
конкурен
-
ции
в
различных
отраслях
—
как
в
среде
корпоративного
управления
энергосистемами
,
так
и
управления
оборудова
-
нием
или
коммерческого
учета
электроэнергии
.
Также
данный
рынок
привлекателен
и
для
ин
-
весторов
.
К
2020
году
,
по
прогно
-
зам
,
инвестиционный
потенци
-
ал
аналитики
на
сетях
составит
8,7
млрд
долларов
,
а
аналитики
для
клиентов
— 7,1
млрд
долла
-
ров
.
Окупаемость
инвестиций
(return on investment, ROI),
в
свою
очередь
,
составит
7
долларов
на
1
вложенный
доллар
[11].
Это
ги
-
гантский
рынок
,
объем
которого
будет
только
расти
.
Для
сравне
-
ния
,
прогнозируемый
инвести
-
ционный
потенциал
равен
ВВП
такой
развитой
страны
,
как
Ис
-
ландия
.
ОБЛАСТИ
ПРИМЕНЕНИЯ
ТЕХНОЛОГИЙ
BIG DATA
В
ЭЛЕКТРОЭНЕРГЕТИКЕ
Повышенные
требования
к
эко
-
логичности
и
эффективности
энергосистем
привели
к
увели
-
чению
доли
возобновляемых
источников
энергии
в
общем
объеме
генерации
.
В
частности
,
повсеместное
распростране
-
ние
получили
ветрогенераторы
и
солнечные
электрогенераторы
.
Однако
исходя
из
особенностей
их
характеристик
генерации
воз
-
никли
требования
к
эффективно
-
му
и
быстрому
управлению
на
-
грузками
.
Также
стоит
отметить
рост
распределения
узлов
ге
-
нерации
в
сети
.
Отныне
каждый
потребитель
сети
может
стать
источником
энергии
,
если
теку
-
щие
потребности
меньше
,
чем
возможности
принадлежащих
ему
средств
генерации
.
Наряду
с
возобновляемыми
источника
-
ми
,
получили
распространение
более
традиционные
,
хотя
и
бо
-
лее
современные
,
источники
ге
-
нерации
,
такие
как
микрогазовые
турбины
,
биогенераторы
.
Появление
аккумуляторных
батарей
поддержки
группы
до
-
мохозяйств
позволяют
выравни
-
вать
энергопотребление
и
пере
-
носить
пики
потребления
с
часов
повышенной
оплаты
на
другие
интервалы
времени
менее
доро
-
гого
тарифа
.
Все
эти
тенденции
,
отмеченные
еще
в
2014
году
та
-
кими
авторами
,
как
В
.
В
.
Крылов
и
С
.
В
.
Крылов
в
книге
«
Большие
данные
в
электроэнергетике
.
От
бизнес
-
аналитики
до
виртуальных
электростанций
»,
сохранились
и
на
текущий
день
.
Таким
образом
,
основными
катализаторами
развития
си
-
стем
больших
данных
в
электро
-
энергетике
являются
:
–
активное
управление
нагру
-
зочными
характеристиками
потребителей
;
–
эффективное
управление
распределенными
системами
генерации
с
большим
числом
источников
;
–
эффективное
управление
и
мониторинг
для
многочис
-
ленных
динамичных
неста
-
бильных
систем
генерации
.
Существуют
и
более
традици
-
онные
задачи
,
такие
как
:
№
4 (43) 2017
62
–
прогнозирование
нагрузки
и
эффективное
управление
элементами
сети
с
целью
энергосбережения
и
предот
-
вращения
перегрузок
;
–
гибкая
тарификация
и
детек
-
тирование
утечек
и
хищений
;
–
управление
имуществом
и
тех
-
ническое
обслуживание
;
–
функционирование
в
режиме
устранения
аварии
.
Прогнозирование
потребле
-
ния
электроэнергии
является
важной
задачей
как
для
субъ
-
ектов
электроэнергетики
,
так
и
для
крупных
потребителей
электроэнергии
.
В
настоящее
время
у
хозяйствующих
субъек
-
тов
существует
определенная
мотивация
для
прогнозирова
-
ния
.
Так
,
крупные
потребители
сталкиваются
с
необходимостью
составления
заявок
планируе
-
мого
объема
потребления
энер
-
гии
.
Подобного
рода
заявки
со
-
ставляются
на
оптовом
рынке
электроэнергии
и
мощности
,
где
цена
на
электроэнергию
су
-
щественно
ниже
розничной
.
Но
отклонение
последующего
ре
-
ального
потребления
от
ранее
заявленного
ведет
к
появлению
штрафных
санкций
со
стороны
поставщиков
электроэнергии
.
В
свою
очередь
,
производители
электроэнергии
заинтересова
-
ны
в
прогнозировании
спроса
на
электроэнергию
с
целью
опе
-
ративного
реагирования
на
его
колебания
и
с
целью
наиболее
оптимального
развития
инфра
-
структуры
.
Таким
образом
,
за
-
дача
прогнозирования
электро
-
потребления
имеет
высокую
актуальность
для
субъектов
,
функционирующих
в
условиях
оптового
рынка
электроэнергии
и
мощности
[12].
Такими
же
со
-
ображениями
руководствуются
и
сбытовые
организации
,
явля
-
ющиеся
посредниками
между
потребителями
электроэнергии
и
ее
производителями
.
Если
хозяйственные
субъек
-
ты
используют
прогнозирование
как
способ
минимизации
затрат
,
то
субъекты
электросетевого
хозяйства
используют
его
как
средство
обеспечения
беспе
-
ребойной
работы
энергосисте
-
мы
.
Так
,
СО
ЕЭС
осуществляет
собственный
суточный
прогноз
потребления
активной
мощно
-
сти
для
обеспечения
надежно
-
сти
режимов
функционирования
ЕЭС
России
за
счет
принятия
от
-
ветственных
решений
по
опре
-
делению
состава
включенного
генерирующего
оборудования
и
по
определению
необходимых
резервов
.
Среднесрочные
про
-
гнозы
(
неделя
,
месяц
)
могут
ис
-
пользоваться
для
оптимального
определения
времени
вывода
из
работы
оборудования
для
про
-
ведения
плановых
ремонтов
.
РЕШЕНИЕ
ПРАКТИЧЕСКИХ
ЗАДАЧ
С
ПОМОЩЬЮ
ОТКРЫТОГО
ПО
Зачастую
у
предприятия
может
не
возникать
потребности
в
ком
-
плексном
внедрении
«
тяжелых
»
решений
,
требующих
колоссаль
-
ных
финансовых
затрат
и
глубо
-
кой
переработки
всех
бизнес
-
про
-
цессов
внутри
компании
.
И
в
то
же
время
компании
энергетиче
-
ского
комплекса
имеют
в
своих
руках
колоссальные
объемы
ин
-
формации
,
количество
которой
растет
с
каждой
секундой
—
это
данные
телеизмерений
и
теле
-
сигнализации
.
Да
,
на
данный
мо
-
мент
практически
все
объекты
в
той
или
иной
степени
модерни
-
зировали
—
как
устройства
сбо
-
ра
и
передачи
информации
,
так
и
АРМы
,
позволяющие
в
режиме
реального
времени
просматри
-
вать
информацию
.
Но
что
делать
,
если
возникает
потребность
в
до
-
полнительном
анализе
больших
объемов
данных
?
Машинное
обучение
в
со
-
временном
мире
уже
перешаг
-
нуло
границу
исключительно
научной
среды
.
Современные
библиотеки
,
такие
как
Scikit
Learn, Xgboost, Keras, TensorFlow
и
другие
,
предоставили
инстру
-
менты
,
позволяющие
использо
-
вать
методы
машинного
обуче
-
ния
без
необходимости
глубоких
знаний
в
области
математики
и
статистики
.
Языки
программи
-
рования
высокого
уровня
Python
и
R
стали
практически
стандар
-
том
для
использования
методов
машинного
обучения
.
Оба
языка
обладают
высокой
абстракци
-
ей
и
низким
порогом
вхожде
-
ния
,
что
делает
их
отличным
и
удобным
инструментом
для
аналитиков
и
дата
-
инженеров
(data scientist).
Безусловным
до
-
стоинством
этих
инструментов
является
их
бесплатность
,
что
позволяет
создавать
инструмен
-
ты
для
внутреннего
пользова
-
ния
без
финансовых
затрат
на
приобретение
дополнительного
программного
обеспечения
.
Для
наглядной
демонстрации
использования
свободного
про
-
граммного
обеспечения
прове
-
ден
эксперимент
по
восстанов
-
лению
значения
температуры
окружающей
среды
,
используя
данные
телеизмерений
.
В
каче
-
стве
входных
значений
исполь
-
зовались
17 513
наблюдений
телеизмерения
тока
,
активной
и
реактивной
мощности
пяти
присоединений
ПС
220
кВ
«
Мра
-
морная
»
за
два
года
с
шагом
в
один
час
(15
признаков
).
Для
построения
модели
ис
-
пользовался
алгоритм
гради
-
ентного
бустинга
XGBRegressor
из
библиотеки
Xgboost.
В
основе
алгоритма
используется
метод
градиентного
бустинга
.
В
каче
-
стве
вспомогательных
библи
-
отек
использовались
pandas,
numpy, sklearn.
Для
отображения
графики
использовалась
библи
-
отека
matplot.
Для
подбора
па
-
раметров
использовался
метод
GridSearchCV.
1.
Подключение
модулей
import pandas as pd
import numpy as np
from xgboost.sklearn import
XGBRegressor
from sklearn.model_selection
import train_test_split
from sklearn.metrics import
r2_score
import matplotlib.pyplot as plt
from sklearn.preprocessing
import scale
from sklearn.preprocessing
import LabelEncoder
2.
Подготовка
данных
.
Разделение
выборки
на
обучающую
и
тестовую
data = pd.read_csv('date.csv',
header=0, delimiter=';')
X = data.drop(['t', '
Время
'],
axis=1)
y = data[['t']]
ИНТЕЛЛЕКТУАЛЬНЫЕ
СЕТИ
63
X_train, X_test, y_train,
y_test = train_test_split(X, y,
test_size=0.01)
3.
Обучение
предиктивной
модели
regr = XGBRegressor()
regr.fit(X_train,y_train)
4.
Получение
прогнозных
значений
.
Вывод
графики
y_pred = regr.predict(X_test)
r2_score_t = r2_score(y_test,
y_pred)
plt.plot(y_test, color='lightgreen',
linewidth=2,
label='Temperature')
plt.plot(y_pred, color='gold',
linewidth=2, label='Predict
temperature')
plt.legend(loc='best')
plt.title("
График
температуры
на
ПС
220
кВ
«
Мраморная
»")
plt.show()
Результат
предиктивной
мо
-
дели
показал
значение
коэффи
-
циента
детерминации
0,77,
что
является
хорошим
показателем
,
показывающим
сильную
связь
между
температурным
режимом
и
потреблением
электроэнергии
(
рисунок
1).
На
графике
видно
,
что
график
прогнозных
значений
температуры
(Predict temperature)
Рис
. 1.
График
прогнозных
значений
(Predict temperature)
повторяет
движение
графика
реальных
значений
(Temperature)
повторяет
движение
графика
ре
-
альных
значений
(Temperature).
Однако
,
также
можно
заме
-
тить
,
что
в
ряде
случаев
прогноз
сильно
отличается
от
реальных
значений
,
особенно
хорошо
это
заметно
для
отрицательных
вели
-
чин
.
В
данном
случае
это
говорит
о
недообучении
прогнозной
мо
-
дели
из
-
за
нехватки
входных
при
-
знаков
.
В
данном
конкретном
при
-
мере
это
связанно
с
тем
,
что
мы
восстанавливали
значение
тем
-
пературы
по
данным
телеизмере
-
ний
.
На
самом
деле
зависимость
обратная
,
и
именно
потребление
электроэнергии
зависит
от
погод
-
ных
явлений
.
Погода
,
давление
,
скорость
и
направление
ветра
,
осадки
,
облачность
—
все
эти
характеристики
погоды
исполь
-
зуются
в
качестве
признаков
при
прогнозировании
потребления
электроэнергии
.
Данный
пример
достаточно
прост
,
и
в
таком
виде
его
пробле
-
матично
использовать
для
ответ
-
ственных
расчетов
или
для
при
-
нятия
оперативных
решений
.
Он
приведен
для
того
,
чтобы
показать
достаточную
простоту
использо
-
вания
самих
методов
машинного
обучения
и
отсутствие
необходи
-
мости
продвинутых
навыков
.
Как
видно
из
приведенного
кода
,
для
использования
библиотеки
Sklearn
и
аналогичных
ей
достаточно
ба
-
зовых
знаний
языка
программи
-
рования
Python.
Данная
библио
-
тека
включает
в
себя
множество
готовых
инструментов
,
в
основе
которых
лежат
методы
градиент
-
ного
бустинга
,
бэггинга
,
стэкинга
,
различных
вариаций
регрессион
-
ного
анализа
,
инструменты
для
построения
нейронных
сетей
,
таких
как
многослойный
перцеп
-
трон
.
При
всем
разнообразии
ин
-
струментария
для
эффективной
работы
с
ним
нет
необходимости
в
глубоких
фундаментальных
зна
-
ниях
в
области
математики
,
ма
-
тематической
статистики
,
теории
вероятности
и
прочих
науках
,
на
которых
базируются
данные
алго
-
ритмы
.
В
этом
и
заключается
па
-
радокс
сложившейся
ситуации
—
машинное
обучение
невероятно
наукоемко
и
при
этом
доступно
для
широких
масс
.
ЗАКЛЮЧЕНИЕ
Обзор
показывает
достаточ
-
ный
набор
«
тяжелых
решений
»,
в
какой
-
то
степени
подходящий
лишь
крупным
компаниям
.
В
то
же
время
имеющиеся
открытые
программные
решения
помогут
№
4 (43) 2017
64
предприятиям
совершить
плав
-
ный
переход
,
позволив
предва
-
рительно
оценить
потребности
предприятия
,
оценить
эффект
от
внедрения
подобных
техноло
-
гий
,
подготовить
сотрудников
как
к
самостоятельной
разработке
программного
обеспечения
для
внутренних
нужд
,
так
и
к
эксплу
-
атации
и
внедрению
новейших
корпоративных
систем
управле
-
ния
.
ЛИТЕРАТУРА
1. Preimesberger Chris. Hadoop, Yahoo, 'Big Data'
Brighten BI Future. URL: http://www.eweek.com/
storage/hadoop-yahoo-big-data-brighten-bi-future.
2.
Май
ер
-
Шенбергер
В
.,
Кукьер
К
.
Большие
данные
.
Революция
,
которая
изменит
то
,
как
мы
живем
,
ра
-
ботаем
и
мыслим
.
Пер
.
с
англ
.
Инны
Гай
дюк
.
М
.:
Манн
,
Иванов
и
Фербер
, 2014. 240
с
.
3.
Черняк
Л
.
Большие
Данные
—
новая
теория
и
практика
//
Эксперт
, 2013. URL: http://www.osp.ru/
os/2011/10/13010990.
4.
Новости
конференций
.
Итоги
2014
года
. URL: http://
isem.irk.ru/conferences/news/articles20148298/.
5.
Воропай
Н
.
И
.,
Негневицкий
М
,
Томин
Н
.
В
.
и
др
.
Интеллектуальная
система
для
предотвращения
крупных
аварий
в
энергосистемах
//
Электричество
,
2014,
№
8. C. 19–31.
6.
Курбацкий
В
.
Г
.,
Томин
Н
.
В
.,
Воропай
Н
.
И
.
и
др
.
Ран
-
нее
выявление
предаварийных
состояний
в
энерго
-
системах
на
базе
алгоритмов
машинного
обучения
//
Оперативное
управление
в
электроэнергетике
,
2014,
№
5. C. 33–39.
7.
Курбацкий
В
.
Г
.,
Спиряев
В
.
А
.,
Томин
Н
.
В
.
и
др
.
Прогнозирование
параметров
электроэнергетиче
-
ских
систем
используя
преобразование
Гильбер
-
та
-
Хуанга
и
машинное
обучение
//
Известия
Ир
-
кутского
государственного
университета
.
Серия
:
Математика
.
Т
. 9.
Иркутск
, 2014. C. 75–90.
8. Aclara’s Smart Infrastructure Solutions. URL: http://
www.aclara.com/smart-infrastructure-solutions/
electric-utility-solutions/.
9. PowerOn Reliance. URL: http://www.gegridsolutions.
com/Software_solutions/catalog/poweronreliance.
htm.
10.
Spectrum PowerCC. URL: http://www.siemens.at/
future-of-energy-2015/en/_assets/downloads/5_
Buchner_SpectrumPower.pdf.
11.
Крылов
В
.
В
.,
Крылов
С
.
В
.
Большие
данные
и
их
приложения
в
электроэнергетике
.
От
бизнес
-
ана
-
литики
до
виртуальных
электростанций
.
М
.:
Но
-
бель
Пресс
, 2014. 166
с
.
12.
Старкова
Г
.
С
.
Комплекс
экономико
-
математических
моделей
прогнозирования
потребления
электро
-
энергии
в
регионах
РФ
и
его
инструментальная
реализация
.
Дис
.
канд
.
экон
.
наук
: 08.00.13 /
Перм
-
ский
государственный
национальный
исследова
-
тельский
институт
, 2014.
REFERENCES
1. Preimesberger Chris. Hadoop, Yahoo, 'Big Data' Brighten BI
Future. Available at: http://www.eweek.com/storage/hadoop-ya-
hoo-big-data-brighten-bi-future (accessed 08 August 2017)
2. Maier-Shenberger V., Kuker K. Bolshie dannye. Revoly-
utsiya, kotoraya izmenit to, kak my zhivem, rabotaem i mys-
lim [Big data. Revolution that will transform how we live, work
and think]. Moscow, Mann, Ivanov i Ferber Publ., 2014. 240 p.
3. Chernyak L. Big data — a new theory and practice. Available
at: http://www.osp.ru/os/2011/10/13010990 (accessed 08 August
2017)
4. News of conferences. Results of 2014. Available at: http://isem.
irk.ru/conferences/news/articles20148298/ (accessed 08 August
2017)
5. Voropay N.I., Negnevitskiy M, Tomin N.V. et al. Smart system
for preventing major accidents in power systems. Elektrichestvo
[Electricity], 2014, no. 8, pp. 19–31 (in Russian)
6. Kurbatskiy V.G., Tomin N.V., Voropay N.I. et al. Early detection
of pre-emergency states in power systems based on machine
learning algorithms. Operativnoe upravlenie v elektroenerget-
ike [Operational management in electrical power engineering],
2014, no. 5, pp. 33–39 (in Russian)
7. Kurbatskiy V.G., Spiryaev V.A., Tomin N.V. et al. Forecasting the
parameters of electric power systems using the Hilbert-Huang
transformation and machine learning. Izvestiya Irkutskogo gosu-
darstvennogo universiteta. Seriya: Matematika. [ISU news. Edi-
tion: mathematics], 2014, vol. 9, pp. 75–90 (in Russian)
8. Aclara’s Smart Infrastructure Solutions. Available at: http://www.
aclara.com/smart-infrastructure-solutions/electric-utility-solu-
tions/ (accessed 08 August 2017)
9. PowerOn Reliance. Available at: http://www.gegridsolutions.
com/Software_solutions/catalog/poweronreliance.htm (accessed
08 August 2017)
10.
Spectrum PowerCC. Available at: http://www.siemens.at/fu-
ture-of-energy-2015/en/_assets/downloads/5_Buchner_Spec-
trumPower.pdf (accessed 08 August 2017)
11. Krylov V.V., Krylov S.V. Bolshie dannye i ikh prilozheniya v ele-
ktroenergetike. Ot biznes-analitiki do virtualnykh elektrostantsiy
[Big data and its applications in electrical power engineering.
From business intelligence to virtual power plants]. Moscow, No-
bel Press Publ., 2014. 166 p.
12. Starkova G.S. Kompleks ekonomiko-matematicheskikh modeley
prognozirovaniya potrebleniya elektroenergii v regionakh RF i
ego instrumentalnaya realizatsiya. Cand, Diss. [Complex of eco-
nomic and mathematical models for forecasting electric power
consumption in the regions of the Russian Federation and its
instrumental implementation. Ph.D. Diss.]. Perm, 2014. 153 p.
Вниманию
специалистов
!
Выходит
из
печати
книга
Гуревича
В
.
И
.
ЗАЩИТА
ОБОРУДОВАНИЯ
ПОДСТАНЦИЙ
ОТ
ЭЛЕКТРОМАГНИТНОГО
ИМПУЛЬСА
Стоимость
издания
— 920
руб
.
Заказать
книгу
можно
в
издательстве
Инфра
-
Инженерия
: http://www.
infra-e.ru/products/protecsubstequip,
е
-mail: [email protected], skype: infra_e
В
книге
рассмотрены
практические
аспекты
защиты
электрооборудования
подстанций
на
примере
микропроцес
-
сорных
устройств
релейной
защиты
(
МУРЗ
)
и
силовых
трансформаторов
от
разрушительного
воздействия
элек
-
тромагнитного
импульса
высотного
ядерного
взрыва
и
других
видов
преднамеренных
электромагнитных
деструк
-
тивных
воздействий
,
оборудование
для
производства
которых
интенсивно
разрабатывается
и
совершенствуется
в
последние
годы
.
Предложены
различные
технические
решения
и
организационные
мероприятия
,
направленные
на
повышение
живучести
подстанций
.
Книга
рассчитана
на
специалистов
,
занимающихся
эксплуатацией
электро
-
оборудования
на
подстанциях
,
проектировщиков
,
производителей
МУРЗ
,
руководителей
отрасли
,
а
также
может
быть
полезна
преподавателям
,
аспирантам
и
студентам
вузов
,
специализирующихся
в
области
электроэнергетики
.
ИНТЕЛЛЕКТУАЛЬНЫЕ
СЕТИ
Оригинал статьи: Большие данные в электроэнергетике. Обзор программных решений
Вслед за экспоненциальным ростом количества доступной информации появилась потребность в ее обработке. Так появился феномен Big Data («большие данные») как способ разрешения новых потребностей. Данный термин подразумевает под собой не только колоссальные объемы данных, но и способы их хранения и обработки. Наука, промышленность, медицина, социология — большие данные проникли во все сферы человеческой деятельности и отрасли экономики, позволяя осуществить качественный скачок на новый уровень. В данной статье производится обзор программных решений, использующих подход Big Data в области электроэнергетики.