Большие данные в электроэнергетике. Обзор программных решений

Page 1
background image

Page 2
background image

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


Page 3
background image

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

 

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


Page 4
background image

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


Page 5
background image

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


Page 6
background image

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: infra-e@yandex.ru, 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


Читать онлайн

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.

Поделиться:

Спецвыпуск «Россети» № 1(24), март 2022

Учебно-тренировочный комплекс ПАО «Россети Ленэнерго» по обучению современным цифровым технологиям

Цифровая трансформация / Цифровые сети / Цифровая подстанция Подготовка кадров
Виктор Катенев, Артем Суворов (ПАО «Россети Ленэнерго»)
Спецвыпуск «Россети» № 1(24), март 2022

Передовые технологии группы компаний «Россети»

Управление сетями / Развитие сетей Цифровая трансформация / Цифровые сети / Цифровая подстанция
Григорий Гладковский, Дмитрий Капустин (ПАО «Россети»), Эльдар Магадеев (НТС «Россети» / «Россети ФСК ЕЭС»)