Большие данные в электроэнергетике. Обзор программных решений

Page 1

Page 2

Большие данные в электроэнергетике.
Обзор программных решений

УДК

004.67

Мигранов

инженер

категории

ОИС

службы

ИС

СС

МЭС

Урала

—

филиал

ПАО

ФСК

ЕЭС

»,

Южно

Уральское

ПМЭС

Мельников

профессор

Челябинского

государственного

университета

(

ЧелГУ

)

Вслед

за

экспоненциальным

ростом

количества

доступной

информации

появилась

потребность

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

способы

их

хранения

обработки

Наука

промышленность

медицина

социология

—

большие

данные

проникли

во

все

сферы

человеческой

деятельности

отрасли

экономики

позволяя

осуществить

качественный

скачок

на

новый

уровень

данной

статье

производится

обзор

программных

решений

использующих

подход

Big Data

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

методов

обработки

структурированных

неструктури

рованных

данных

огромных

объе

мов

значительного

многообразия

для

получения

воспринимаемых

человеком

результатов

эффектив

ных

условиях

непрерывного

при

роста

распределения

по

много

численным

узлам

вычислительной

сети

сформировавшихся

конце

2000-

годов

альтернативных

тра

диционным

системам

управления

базами

данных

решениям

класса

Business Intelligence [1].

широком

смысле

боль

ших

данных

говорят

как

соци

ально

экономическом

феномене

связанном

появлением

техноло

гических

возможностей

анализи

ровать

огромные

массивы

данных

некоторых

проблемных

обла

стях

—

весь

мировой

объем

дан

ных

вытекающих

из

этого

транс

формационных

последствий

[2].

Введение

термина

большие

данные

относят

Клиффорду

Линчу

редактору

журнала

Nature,

подготовившему

сентября

2008

года

специальный

выпуск

темой

Как

могут

повлиять

на

бу

дущее

науки

технологии

открыва

ющие

возможности

работы

боль

шими

объемами

данных

?».

нем

были

собраны

материалы

фе

номене

взрывного

роста

объемов

многообразия

обрабатываемых

данных

технологических

пер

спективах

парадигме

вероятного

скачка

от

количества

качеству

»;

термин

был

предложен

по

анало

гии

расхожими

деловой

англо

язычной

среде

метафорами

боль

шая

нефть

», «

большая

руда

» [3].

ОБЗОР

ТЕМЫ

Достаточно

обширный

обзор

был

сделан

книге

под

автор

ством

Крылова

Кры

лова

Большие

данные

их

при

ложения

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

ИЭС

ААС

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

Мелентьева

таких

как

Воропай

Курбацкий

Негневицкий

Томин

. [4].

их

работах

описываются

кон

кретные

подходы

решению

ак

туальных

задач

электроэнерге

тики

интеллектуальная

система

для

предотвращения

крупных

аварий

энергосистемах

[5],

раннее

выявление

предаварий

ных

состояний

энергосистемах

на

базе

алгоритмов

машинного

обучения

[6],

прогнозирование

параметров

электроэнергетиче

ских

систем

использованием

преобразования

Гильберта

Ху

анга

машинное

обучение

[7]

другие

ОБЗОР

ПРОГРАММНЫХ

РЕШЕНИЙ

ВЕДУЩИХ

ФИРМ

Одним

из

зарубежных

лидеров

области

программных

реше

ний

является

американская

ком

пания

General Electric.

Одним

из

комплексных

решений

явля

ется

Aclara’s Smart Infrastructure

ИНТЕЛЛЕКТУАЛЬНЫЕ

СЕТИ

Page 3

Solutions (ASIS) [8] —

инфра

структурное

решение

позво

ляющее

электрическим

сетям

собирать

использовать

интел

лектуальные

счетчики

пери

ферийные

устройства

данные

для

удовлетворения

текущих

задач

. ASIS

позволяет

интегри

ровать

электроэнергию

выра

батываемую

альтернативными

источниками

(

ветряные

электро

генераторы

солнечные

батареи

)

традиционными

источниками

электроэнергии

обеспечивает

контроль

нагрузки

реагирова

ние

на

спрос

осуществляет

мо

ниторинг

подстанций

позволяет

клиентам

взаимодействовать

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

контроль

генерации

передачи

распределения

элек

троэнергии

режиме

реального

времени

обеспечивать

операто

ра

системы

данными

режиме

реального

времени

сочетании

аналитическими

инструмента

ми

для

быстрого

распознавания

общего

состояния

сети

позво

ляет

обеспечивать

увеличенную

пропускную

способность

сети

при

сохранении

общей

надежно

сти

нормативных

требований

отвечает

всем

современным

требованиям

безопасности

(

пер

вичные

резервные

системы

производства

обеспечения

ка

чества

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

нагрузкой

Простота

адапта

ции

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)

международ

ных

стандартов

Бизнес

серви

сы

составляются

из

компонен

тов

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

ми

ром

автоматизации

[10].

Датская

компания

Kamstrup

предлагает

линейку

продуктов

OMNIA —

сетевую

платформу

включающую

себя

интеллек

туальные

счетчики

управление

данными

со

счетчиков

инфра

структуру

связи

возможности

smart grid.

Установка

интеллек

туальных

счетчиков

компании

Kamstrup

позволила

Roskilde

University

сократить

потребле

ние

электроэнергии

на

27%,

что

денежном

эквиваленте

соста

вило

650 000

евро

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

различных

отраслях

—

как

среде

корпоративного

управления

энергосистемами

так

управления

оборудова

нием

или

коммерческого

учета

электроэнергии

Также

данный

рынок

привлекателен

для

ин

весторов

2020

году

по

прогно

зам

инвестиционный

потенци

ал

аналитики

на

сетях

составит

8,7

млрд

долларов

аналитики

для

клиентов

— 7,1

млрд

долла

ров

Окупаемость

инвестиций

(return on investment, ROI),

свою

очередь

составит

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

ЭЛЕКТРОЭНЕРГЕТИКЕ

Повышенные

требования

эко

логичности

эффективности

энергосистем

привели

увели

чению

доли

возобновляемых

источников

энергии

общем

объеме

генерации

частности

повсеместное

распростране

ние

получили

ветрогенераторы

солнечные

электрогенераторы

Однако

исходя

из

особенностей

их

характеристик

генерации

воз

никли

требования

эффективно

му

быстрому

управлению

на

грузками

Также

стоит

отметить

рост

распределения

узлов

ге

нерации

сети

Отныне

каждый

потребитель

сети

может

стать

источником

энергии

если

теку

щие

потребности

меньше

чем

возможности

принадлежащих

ему

средств

генерации

Наряду

возобновляемыми

источника

ми

получили

распространение

более

традиционные

хотя

бо

лее

современные

источники

ге

нерации

такие

как

микрогазовые

турбины

биогенераторы

Появление

аккумуляторных

батарей

поддержки

группы

до

мохозяйств

позволяют

выравни

вать

энергопотребление

пере

носить

пики

потребления

часов

повышенной

оплаты

на

другие

интервалы

времени

менее

доро

гого

тарифа

Все

эти

тенденции

отмеченные

еще

2014

году

та

кими

авторами

как

Крылов

книге

Большие

данные

электроэнергетике

От

бизнес

аналитики

до

виртуальных

электростанций

»,

сохранились

на

текущий

день

Таким

образом

основными

катализаторами

развития

си

стем

больших

данных

электро

энергетике

являются

–

активное

управление

нагру

зочными

характеристиками

потребителей

;

–

эффективное

управление

распределенными

системами

генерации

большим

числом

источников

;

–

эффективное

управление

мониторинг

для

многочис

ленных

динамичных

неста

бильных

систем

генерации

Существуют

более

традици

онные

задачи

такие

как

№

4 (43) 2017

Page 4

–

прогнозирование

нагрузки

эффективное

управление

элементами

сети

целью

энергосбережения

предот

вращения

перегрузок

;

–

гибкая

тарификация

детек

тирование

утечек

хищений

;

–

управление

имуществом

тех

ническое

обслуживание

;

–

функционирование

режиме

устранения

аварии

Прогнозирование

потребле

ния

электроэнергии

является

важной

задачей

как

для

субъ

ектов

электроэнергетики

так

для

крупных

потребителей

электроэнергии

настоящее

время

хозяйствующих

субъек

тов

существует

определенная

мотивация

для

прогнозирова

ния

Так

крупные

потребители

сталкиваются

необходимостью

составления

заявок

планируе

мого

объема

потребления

энер

гии

Подобного

рода

заявки

со

ставляются

на

оптовом

рынке

электроэнергии

мощности

где

цена

на

электроэнергию

су

щественно

ниже

розничной

Но

отклонение

последующего

ре

ального

потребления

от

ранее

заявленного

ведет

появлению

штрафных

санкций

со

стороны

поставщиков

электроэнергии

свою

очередь

производители

электроэнергии

заинтересова

ны

прогнозировании

спроса

на

электроэнергию

целью

опе

ративного

реагирования

на

его

колебания

целью

наиболее

оптимального

развития

инфра

структуры

Таким

образом

за

дача

прогнозирования

электро

потребления

имеет

высокую

актуальность

для

субъектов

функционирующих

условиях

оптового

рынка

электроэнергии

мощности

[12].

Такими

же

со

ображениями

руководствуются

сбытовые

организации

явля

ющиеся

посредниками

между

потребителями

электроэнергии

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

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

ПОМОЩЬЮ

ОТКРЫТОГО

ПО

Зачастую

предприятия

может

не

возникать

потребности

ком

плексном

внедрении

тяжелых

решений

требующих

колоссаль

ных

финансовых

затрат

глубо

кой

переработки

всех

бизнес

про

цессов

внутри

компании

то

же

время

компании

энергетиче

ского

комплекса

имеют

своих

руках

колоссальные

объемы

ин

формации

количество

которой

растет

каждой

секундой

—

это

данные

телеизмерений

теле

сигнализации

Да

на

данный

мо

мент

практически

все

объекты

той

или

иной

степени

модерни

зировали

—

как

устройства

сбо

ра

передачи

информации

так

АРМы

позволяющие

режиме

реального

времени

просматри

вать

информацию

Но

что

делать

если

возникает

потребность

до

полнительном

анализе

больших

объемов

данных

Машинное

обучение

со

временном

мире

уже

перешаг

нуло

границу

исключительно

научной

среды

Современные

библиотеки

такие

как

Scikit

Learn, Xgboost, Keras, TensorFlow

другие

предоставили

инстру

менты

позволяющие

использо

вать

методы

машинного

обуче

ния

без

необходимости

глубоких

знаний

области

математики

статистики

Языки

программи

рования

высокого

уровня

Python

стали

практически

стандар

том

для

использования

методов

машинного

обучения

Оба

языка

обладают

высокой

абстракци

ей

низким

порогом

вхожде

ния

что

делает

их

отличным

удобным

инструментом

для

аналитиков

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

каче

стве

входных

значений

исполь

зовались

17 513

наблюдений

телеизмерения

тока

активной

реактивной

мощности

пяти

присоединений

ПС

220

кВ

Мра

морная

за

два

года

шагом

один

час

(15

признаков

Для

построения

модели

ис

пользовался

алгоритм

гради

ентного

бустинга

XGBRegressor

из

библиотеки

Xgboost.

основе

алгоритма

используется

метод

градиентного

бустинга

каче

стве

вспомогательных

библи

отек

использовались

pandas,

numpy, sklearn.

Для

отображения

графики

использовалась

библи

отека

matplot.

Для

подбора

па

раметров

использовался

метод

GridSearchCV.

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

Подготовка

данных

Разделение

выборки

на

обучающую

тестовую

data = pd.read_csv('date.csv',

header=0, delimiter=';')

X = data.drop(['t', '

Время

'],

axis=1)

y = data[['t']]

ИНТЕЛЛЕКТУАЛЬНЫЕ

СЕТИ

Page 5

X_train, X_test, y_train,

y_test = train_test_split(X, y,

test_size=0.01)

Обучение

предиктивной

модели

regr = XGBRegressor()
regr.fit(X_train,y_train)

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

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

ряде

случаев

прогноз

сильно

отличается

от

реальных

значений

особенно

хорошо

это

заметно

для

отрицательных

вели

чин

данном

случае

это

говорит

недообучении

прогнозной

мо

дели

из

за

нехватки

входных

при

знаков

данном

конкретном

при

мере

это

связанно

тем

что

мы

восстанавливали

значение

тем

пературы

по

данным

телеизмере

ний

На

самом

деле

зависимость

обратная

именно

потребление

электроэнергии

зависит

от

погод

ных

явлений

Погода

давление

скорость

направление

ветра

осадки

облачность

—

все

эти

характеристики

погоды

исполь

зуются

качестве

признаков

при

прогнозировании

потребления

электроэнергии

Данный

пример

достаточно

прост

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

отсутствие

необходи

мости

продвинутых

навыков

Как

видно

из

приведенного

кода

для

использования

библиотеки

Sklearn

аналогичных

ей

достаточно

ба

зовых

знаний

языка

программи

рования

Python.

Данная

библио

тека

включает

себя

множество

готовых

инструментов

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

ним

нет

необходимости

глубоких

фундаментальных

зна

ниях

области

математики

ма

тематической

статистики

теории

вероятности

прочих

науках

на

которых

базируются

данные

алго

ритмы

этом

заключается

па

радокс

сложившейся

ситуации

—

машинное

обучение

невероятно

наукоемко

при

этом

доступно

для

широких

масс

ЗАКЛЮЧЕНИЕ

Обзор

показывает

достаточ

ный

набор

тяжелых

решений

»,

какой

то

степени

подходящий

лишь

крупным

компаниям

то

же

время

имеющиеся

открытые

программные

решения

помогут

№

4 (43) 2017

Page 6

предприятиям

совершить

плав

ный

переход

позволив

предва

рительно

оценить

потребности

предприятия

оценить

эффект

от

внедрения

подобных

техноло

гий

подготовить

сотрудников

как

самостоятельной

разработке

программного

обеспечения

для

внутренних

нужд

так

эксплу

атации

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.

Май

ер

Шенбергер

Кукьер

Большие

данные

Революция

которая

изменит

то

как

мы

живем

ра

ботаем

мыслим

Пер

англ

Инны

Гай

дюк

Манн

Иванов

Фербер

, 2014. 240

Черняк

Большие

Данные

—

новая

теория

практика

Эксперт

, 2013. URL: http://www.osp.ru/

os/2011/10/13010990.

Новости

конференций

Итоги

2014

года

. URL: http://

isem.irk.ru/conferences/news/articles20148298/.

Воропай

Негневицкий

Томин

др

Интеллектуальная

система

для

предотвращения

крупных

аварий

энергосистемах

Электричество

2014,

№

8. C. 19–31.

Курбацкий

Томин

Воропай

др

Ран

нее

выявление

предаварийных

состояний

энерго

системах

на

базе

алгоритмов

машинного

обучения

Оперативное

управление

электроэнергетике

2014,

№

5. C. 33–39.

Курбацкий

Спиряев

Томин

др

Прогнозирование

параметров

электроэнергетиче

ских

систем

используя

преобразование

Гильбер

та

Хуанга

машинное

обучение

Известия

Ир

кутского

государственного

университета

Серия

Математика

. 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

Большие

данные

их

приложения

электроэнергетике

От

бизнес

ана

литики

до

виртуальных

электростанций

Но

бель

Пресс

, 2014. 166

12.

Старкова

Комплекс

экономико

математических

моделей

прогнозирования

потребления

электро

энергии

регионах

РФ

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

ЗАЩИТА

ОБОРУДОВАНИЯ

ПОДСТАНЦИЙ

ОТ

ЭЛЕКТРОМАГНИТНОГО

ИМПУЛЬСА

Стоимость

издания

— 920

руб

Заказать

книгу

можно

издательстве

Инфра

Инженерия

: http://www.

infra-e.ru/products/protecsubstequip,

-mail: [email protected], skype: infra_e

книге

рассмотрены

практические

аспекты

защиты

электрооборудования

подстанций

на

примере

микропроцес

сорных

устройств

релейной

защиты

(

МУРЗ

)

силовых

трансформаторов

от

разрушительного

воздействия

элек

тромагнитного

импульса

высотного

ядерного

взрыва

других

видов

преднамеренных

электромагнитных

деструк

тивных

воздействий

оборудование

для

производства

которых

интенсивно

разрабатывается

совершенствуется

последние

годы

Предложены

различные

технические

решения

организационные

мероприятия

направленные

на

повышение

живучести

подстанций

Книга

рассчитана

на

специалистов

занимающихся

эксплуатацией

электро

оборудования

на

подстанциях

проектировщиков

производителей

МУРЗ

руководителей

отрасли

также

может

быть

полезна

преподавателям

аспирантам

студентам

вузов

специализирующихся

области

электроэнергетики

ИНТЕЛЛЕКТУАЛЬНЫЕ

СЕТИ

Оригинал статьи: Большие данные в электроэнергетике. Обзор программных решений

Ключевые слова: большие данные, машинное обучение, электроэнергетика, big data, machine learning, information technology

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.