36
Ежеквартальный
спецвыпуск
№
3(30),
сентябрь
2023
В
работе
представлены
результаты
апробации
и
адаптации
алгоритма
интеллектуальной
поддержки
принятия
управлен
-
ческих
решений
в
процессе
оперативного
выявления
без
-
учетного
потребления
электроэнергии
в
распределительных
сетях
0,4
кВ
.
Апробация
алгоритма
была
произведена
на
при
-
мере
данных
об
электропотреблении
участка
,
включающего
138
абонентов
,
с
использованием
метода
машинного
обуче
-
ния
CatBoostRegressor.
Кроме
того
,
исходя
из
особенностей
общих
потерь
целевой
переменной
,
был
сформулирован
критерий
успешности
апробации
.
Результаты
проведенных
исследований
,
представленные
в
данной
работе
,
ему
соот
-
ветствуют
.
Таким
образом
,
апробированный
алгоритм
по
-
зволяет
повысить
эффективность
и
адресность
принимае
-
мых
управленческих
решений
при
выявлении
безучетного
электропотребления
.
Интеллектуальный
анализ
данных
потребления
электрической
энергии
как
способ
выявления
коммерческих
потерь
в
энергосистеме
Учет
электроэнергии
П
отери
энергии
в
распределительных
электросетях
0,4
кВ
являются
одной
из
основных
причин
снижения
прибыли
энергосбытовых
организаций
,
посколь
-
ку
оплачиваются
«
сетевыми
организациями
—
субъектами
розничного
рынка
,
в
сетях
которых
указанные
потери
возникли
» [1].
Кроме
того
,
при
больших
объ
-
емах
потерь
электроэнергии
возможно
превышение
технически
допустимого
небаланса
энергии
,
вследствие
чего
происходит
значительное
снижение
напряжения
в
электросети
(
в
особенности
в
узлах
нагрузки
).
Небаланс
же
может
привести
к
понижению
статической
устойчивости
электрической
сети
—
способности
электроэнергетической
сети
восстанав
-
ливать
исходный
режим
после
малого
его
возмущения
.
В
свою
очередь
,
показатель
стати
-
ческой
устойчивости
сети
влияет
непосредственно
на
режимность
работы
региональных
Ирбек
МОРГОЕВ
,
аспирант
кафедры
«
Электроснабжение
промышленных
предприятий
»
ФГБОУ
ВО
«
СКГМИ
(
ГТУ
)»
Алексей
СОЛДАТОВ
,
заместитель
главного
инженера
филиала
ПАО
«
Россети
» —
Северо
-
Кавказское
ПМЭС
,
аспирант
кафедры
«
Электро
-
снабжение
промыш
-
ленных
предприятий
»
ФГБОУ
ВО
«
СКГМИ
(
ГТУ
)»
37
Роман
КЛЮЕВ
,
д
.
т
.
н
.,
профессор
кафедры
«
Электро
-
снабжение
промыш
-
лен
ных
предприятий
»
ФГБОУ
ВО
«
СКГМИ
(
ГТУ
)»
Анжелика
МОРГОЕВА
,
аспирант
кафедры
«
Электроснабжение
промышленных
предприятий
»
ФГБОУ
ВО
«
СКГМИ
(
ГТУ
)»
энергосистем
[2].
Таким
образом
,
потери
в
распределительных
сетях
0,4
кВ
имеют
серь
-
езные
негативные
последствия
как
для
электросетевых
компаний
,
так
и
для
конечных
по
-
требителей
.
С
целью
всестороннего
понимания
данной
проблемы
рассмотрим
некоторые
статисти
-
ческие
характеристики
величины
общих
потерь
электроэнергии
в
Российской
Федерации
.
Так
,
согласно
данным
Федеральной
службы
государственной
статистики
[3],
распределе
-
ние
потребления
электроэнергии
за
2021
год
выглядит
следующим
образом
(
рисунок
1).
Как
видно
на
диаграмме
,
общие
потери
в
электросетях
составляют
менее
9%
от
обще
-
го
потребления
и
являются
третьим
видом
по
объему
расхода
энергии
.
Величина
факти
-
ческих
потерь
за
2021
год
составила
97 829,3
млн
кВт
·
ч
.
Если
рассматривать
временной
ряд
общих
потерь
по
годам
(
рисунок
2 [3]),
то
можно
обнаружить
постепенное
снижение
потерь
.
52%
2%
1%
3%
8%
1%
9%
15%
9%
Рис
. 1.
Потребление
электроэнергии
по
секторам
экономики
РФ
Добыча
полезных
ископаемых
Сельское
хозяйство
Строительство
Торговля
оптовая
и
розничная
Транспортировка
и
хранение
Деятельность
в
области
информации
и
связи
Другие
виды
экономической
деятельности
Городское
и
сельское
население
Потери
в
электросетях
Рис
. 2.
Временной
ряд
общих
потерь
электроэнергии
по
годам
согласно
данным
Федеральной
службы
государственной
статистики
0,00
2,00
4,00
6,00
8,00
10,00
12,00
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 2021
38
Ежеквартальный
спецвыпуск
№
3(30),
сентябрь
2023
Чтобы
продолжать
эту
тенденцию
,
необходимо
со
-
вершенствование
подходов
к
выявлению
потерь
в
энер
-
госистеме
.
Рассмотрим
некоторые
причины
наличия
потерь
в
электрической
сети
.
Причинами
возникновения
общих
потерь
(
небаланса
)
энергии
в
распределитель
-
ных
электросетях
0,4
кВ
являются
технические
(
нагру
-
зочные
,
холостого
хода
,
климатические
потери
,
расход
на
собственные
нужды
подстанций
,
недоучет
электро
-
энергии
)
и
коммерческие
потери
(
безучетное
потребле
-
ние
) [4].
Возникновение
технических
потерь
электроэнергии
связано
с
физическими
процессами
,
происходящими
при
передаче
электроэнергии
.
Их
значения
получают
расчетным
путем
[4].
При
возникновении
высоких
зна
-
чений
подобных
потерь
решением
является
техническое
перевооружение
,
реконструкция
,
повышение
пропускной
способности
и
надежности
работы
электрической
сети
.
Основной
причиной
коммерческих
потерь
в
энер
-
госистеме
является
безучетное
потребление
энергии
.
Безучетное
потребление
—
потребление
электрической
энергии
при
наличии
заключенного
в
установленном
порядке
договора
энергоснабжения
(
купли
-
продажи
электрической
энергии
),
но
с
нарушением
со
стороны
потребителя
,
на
которого
возложена
обязанность
по
обеспечению
целостности
и
сохранности
расчетного
средства
измерения
,
условий
указанного
договора
о
по
-
рядке
осуществления
измерений
электроэнергии
.
На
-
рушением
условий
о
порядке
осуществления
измерений
электроэнергии
является
,
в
том
числе
,
вмешательство
в
работу
средства
измерения
или
нарушение
установ
-
ленных
договором
сроков
для
извещения
об
отсутствии
(
неисправности
)
средства
изменения
,
а
также
иные
дей
-
ствия
,
приведшие
к
искажению
данных
о
фактическом
объеме
потребленной
электрической
энергии
[5].
Без
-
учетное
потребление
не
имеет
самостоятельного
мате
-
матического
описания
.
Вследствие
этого
коммерческие
потери
являются
самой
сложной
и
тяжело
выявляемой
частью
общих
потерь
.
Таким
образом
,
одним
из
мероприятий
,
влияющим
на
выявление
небаланса
электроэнергии
в
сети
,
а
также
показавшим
эффективность
в
решении
задачи
снижения
общих
потерь
электросетевых
компаний
,
является
про
-
должающийся
процесс
цифровизации
электроэнергети
-
ческой
отрасли
.
Вместе
с
тем
стоит
учитывать
,
что
не
все
потребители
электроэнергии
оснащены
цифровыми
приборами
учета
,
и
тот
факт
,
что
безучетное
потребле
-
ние
возможно
и
при
наличии
установленных
и
функци
-
онирующих
цифровых
счетчиках
.
Поэтому
сложность
при
выявлении
безучетного
потребления
,
снижение
ве
-
личины
коммерческих
потерь
электроэнергии
является
особо
актуальной
проблемой
,
требующей
постоянного
контроля
и
своевременного
оперативного
реагирования
со
стороны
электросетевых
компаний
.
ЦЕЛЬ
ИССЛЕДОВАНИЯ
В
настоящее
время
в
рамках
цифровизации
происходит
внедрение
новых
цифровых
приборов
учета
электроэнер
-
гии
у
бытовых
потребителей
.
Это
внедрение
в
рамках
про
-
блемы
снижения
величины
коммерческих
потерь
позволяет
электросетевым
организациям
:
–
оперативно
фиксировать
потребление
электроэнергии
в
базе
данных
автоматизированной
информационно
-
измерительной
системы
контроля
и
учета
электроэнер
-
гии
(
АИИС
КУЭ
);
–
снизить
возможности
потребителей
для
безучетного
потребления
энергии
,
так
как
многие
из
старых
способов
,
описанных
в
[6],
не
могут
быть
использованны
.
Несмотря
на
указанные
положительные
эффекты
,
до
-
стигнутые
внедрением
цифровых
приборов
учета
,
безучет
-
ное
потребление
электроэнергии
все
равно
возможно
.
Так
,
возможными
способами
хищения
электроэнергии
являются
:
–
включение
в
сеть
специальных
устройств
,
потребляю
-
щих
электроэнергию
кратковременными
импульсами
,
на
которые
электросчетчик
почти
не
реагирует
;
–
перепрошивка
программных
алгоритмов
в
электросчет
-
чиках
последнего
поколения
с
целью
хищения
части
потребленной
электроэнергии
.
Основным
недостатком
обоих
этих
способов
является
трудность
отслеживания
,
так
как
при
каждом
из
них
про
-
исходит
лишь
частичное
безучетное
потребление
энергии
(
то
есть
потребление
не
равно
0
или
близкому
к
нулевому
значению
).
Тем
не
менее
,
даже
при
таком
хищении
остаются
ха
-
рактерные
аномальные
значения
электропотребления
,
по
которым
возможно
произвести
интеллектуальный
поиск
ис
-
точников
коммерческих
потерь
точечным
,
адресным
и
более
эффективным
способом
.
Алгоритм
,
который
предполага
-
ется
применить
в
данном
исследовании
,
подробно
описан
в
статье
[7].
Целью
данного
исследования
является
апробация
на
фактических
данных
алгоритма
интеллектуальной
поддерж
-
ки
принятия
управленческих
решений
в
процессе
оператив
-
ного
выявления
безучетного
потребления
электроэнергии
в
электросетях
.
В
соответствии
с
целью
,
а
также
спецификой
предмет
-
ной
области
и
применяемого
алгоритма
,
задачами
исследо
-
вания
являются
:
–
сбор
фактических
данных
для
исследования
;
–
анализ
и
выявление
факторов
,
влияющих
на
целевой
результат
—
потребление
электроэнергии
абонентами
;
–
апробация
и
адаптация
алгоритма
интеллектуальной
поддержки
принятия
управленческих
решений
для
опе
-
ративного
выявления
безучетного
потребления
энергии
;
–
анализ
и
интерпретация
результатов
с
выводами
и
об
-
суждением
.
В
качестве
целевой
переменной
при
моделировании
были
взяты
данные
с
образцового
участка
в
Российской
Учет
электроэнергии
39
Федерации
,
где
все
потребители
имеют
цифровые
приборы
учета
потребления
энергии
.
Этот
участок
имеет
достаточно
низкие
общие
потери
(
около
5%)
с
общим
количеством
хо
-
зяйств
— 138
потребителей
,
большая
часть
из
которых
—
физические
лица
.
Исходя
из
особенностей
целевой
переменной
,
крите
-
рием
успешной
апробации
алгоритма
,
исходя
из
того
,
что
общие
потери
достаточно
небольшие
,
является
либо
нахож
-
дение
малого
числа
потребителей
с
аномальными
значени
-
ями
,
либо
отсутствие
подобных
потребителей
.
Этот
ответ
является
верным
и
обозначим
его
как
гипотезу
H0.
Альтернативной
гипотезой
H1
является
нахождение
либо
большого
количества
потребителей
с
безучетным
по
-
треблением
,
либо
всех
потребителей
электроэнергии
в
мас
-
сиве
аномального
потребления
.
В
процессе
решения
поставленных
задач
были
получены
результаты
как
теоретического
,
так
и
прикладного
характера
.
РЕЗУЛЬТАТЫ
ИССЛЕДОВАНИЯ
При
проведении
исследования
был
использован
Microsoft
Excel
для
первичной
обработки
данных
,
высокоуровневый
интерпретируемый
язык
программирования
Python,
интерак
-
тивная
вычислительная
среда
Jupyter Notebook,
а
также
ряд
библиотек
: Numpy
и
Pandas —
для
обработки
и
манипуляций
с
данными
, Matplotlib
и
Seaborn —
для
визуализации
данных
,
CatBoost —
для
загрузки
экземпляров
моделей
машинного
обучения
(machine learning), Sklearn —
для
разделения
дан
-
ных
и
подбора
гиперпараметров
.
Для
проведения
апробации
были
использованы
ретро
-
спективные
данные
об
электропотреблении
,
погодные
для
местности
этого
участка
и
календарные
данные
(
рабочий
/
нерабочий
день
).
С
целью
проверки
взаимосвязанности
факторов
и
целевой
переменной
была
построена
матрица
корреляций
по
формуле
парного
коэффициента
Пирсона
(1),
изображенная
на
рисунке
3 [8]:
n
i
= 1
(
X
1,
i
–
X
1
)(
X
2,
i
–
X
2
)
r
X
1
,
X
2
=
——
, (1)
______________________________________________________
√
n
i
= 1
(
X
1,
i
–
X
1
)
2
n
i
= 1
(
X
2,
i
–
X
2
)
2
где
X
1,
i
—
значения
первого
признака
,
X
2,
i
—
значения
вто
-
рого
признака
,
X
1
,
X
2
—
средние
значения
обоих
признаков
,
n
—
количество
строк
матрицы
.
ID
счетчика
Трансформатор
Потребление
Потребление
7
дней
назад
Минимальная
температура
Максимальная
температура
Медиана
температуры
за
сутки
Среднее
значение
температуры
за
сутки
Минимальная
влажность
Максимальная
влажность
Медиана
влажности
за
сутки
Среднее
значение
влажности
за
сутки
Минимальная
облачность
Максимальная
облачность
Медиана
облачности
за
сутки
Среднее
значение
облачности
за
сутки
Минимальная
видимость
Максимальная
видимость
Медиана
видимости
за
сутки
Среднее
значение
видимости
за
сутки
Выходной
или
праздничный
день
Номер
дня
недели
1,0
0,8
0,6
0,4
0,2
0,0
–0,2
–0,4
ID
счетчика
Трансформатор
Потребление
Потребление
7
дней
назад
Минимальная
температура
Максимальная
температура
Медиана
температуры
за
сутки
Среднее
значение
температуры
за
сутки
Минимальная
влажность
Максимальная
влажность
Медиана
влажности
за
сутки
Среднее
значение
влажности
за
сутки
Минимальная
облачность
Максимальная
облачность
Медиана
облачности
за
сутки
Среднее
значение
облачности
за
сутки
Минимальная
видимость
Максимальная
видимость
Медиана
видимости
за
сутки
Среднее
значение
видимости
за
сутки
Выходной
или
праздничный
день
Номер
дня
недели
Рис
. 3.
Матрица
корреляций
Пирсона
зависимой
и
независимых
переменных
40
Ежеквартальный
спецвыпуск
№
3(30),
сентябрь
2023
Между
признаками
выявлена
мультиколленеар
-
ность
.
Для
избавления
от
мультиколлинеарности
были
исключены
признаки
,
коэффициент
корреляции
которых
с
целевой
переменной
был
наименьшим
:
минимальные
,
максимальные
и
медианные
значения
температуры
и
влажности
,
медианное
значение
горизонтальной
даль
-
ности
видимости
.
При
прогнозировании
был
использован
алгоритм
CatBoostRegressor,
так
как
,
во
-
первых
,
поддерживает
ка
-
тегориальные
(
не
числовые
)
признаки
,
во
-
вторых
,
этот
метод
позволяет
стабильно
получать
хорошие
результаты
для
разнообразных
задач
,
связанных
с
прогнозировани
-
ем
электропотребления
[7, 9–12].
В
результате
серии
экс
-
периментов
было
получено
наилучшее
сочетание
гипер
-
параметров
:
глубина
дерева
= 10; L2
регуляризация
= 9;
скорость
обучения
= 0,5;
количество
итераций
= 1000;
функция
потерь
— c
реднеквадратичное
отклонение
RMSE,
вычисляемое
по
формуле
:
______________________________
RMSE(
y
,
y
.
) =
√
n
i
= 0
(
y
i
–
y
.
i
)
2
/
n
, (2)
где
y
.
i
—
прогнозируемое
значение
i
-
го
наблюдения
;
y
i
—
ис
-
тинное
значение
i
-
го
наблюдения
.
Метриками
оценки
качества
моделирования
были
вы
-
браны
следующие
:
1.
Средняя
абсолютная
ошибка
(MAE)
определяется
по
формуле
:
MAE(
y
,
y
.
) =
n
i
= 0
samples
– 1
|
y
i
–
y
.
i
| /
n
samples
. (3)
2.
Коэффициент
детерминации
(
R
2
)
определяется
по
фор
-
муле
:
n
i
= 0
(
y
i
–
y
.
i
)
2
R
2
(
y
,
y
.
) =
—
, (4)
n
i
= 0
(
y
i
–
y
~
i
)
2
где
y
~
i
—
среднее
арифметическое
зависимой
перемен
-
ной
[8].
Результаты
моделирования
: MAE = 7,56
кВт
·
ч
,
R
2
= 0,92.
На
этапе
фильтрации
была
вычислена
разность
фак
-
тического
и
предсказанных
значений
,
а
также
выпол
-
нены
две
операции
:
сохранения
массива
аномального
потребления
с
отрицательными
значениями
и
подсчет
количества
попаданий
уникального
номера
потребите
-
ля
.
Результаты
этих
расчетов
представлены
на
гисто
-
грамме
рисунка
4.
Таким
образом
,
исходя
из
того
,
что
общие
поте
-
ри
в
сетях
составляли
около
5%,
а
массив
аномально
низкого
потребления
не
содержит
потребителей
с
ко
-
личеством
попаданий
в
него
,
равном
7,
то
хозяйств
с
безучетным
потреблением
не
обнаружено
.
Значение
попаданий
«7
раз
»
связано
с
тем
условием
,
что
фак
-
тор
ретроспективного
потребления
имеет
временное
окно
прогнозирования
потребления
— 7
дней
.
Соот
-
ветственно
гипотеза
H0
верна
,
а
критерий
успешности
исследования
подтвердился
.
В
качестве
профилактиче
-
ских
мер
,
которые
не
являются
обязательными
,
можно
проверить
потребителей
с
количеством
попаданий
6 (
их
20
на
рисунке
4).
ОБСУЖДЕНИЕ
РЕЗУЛЬТАТОВ
В
результате
проделанной
работы
удалось
успешно
апробировать
алгоритм
интеллектуальной
поддерж
-
ки
управленческих
решений
в
процессе
оперативного
выявления
безучетного
потребления
электроэнергии
в
электросетях
0,4
кВ
.
Для
подобной
апробации
был
рассмотрен
образцовый
участок
с
низким
уровнем
по
-
терь
в
сети
(
примерно
5%),
в
котором
все
потребители
(138
потребителей
)
имели
цифровые
приборы
учета
электроэнергии
.
Исходя
из
этого
были
сформулирова
-
ны
критерии
успешности
исследования
,
заключавшиеся
либо
в
нахождении
малого
числа
потребителей
с
ано
-
мальными
значениями
,
либо
в
отсутствии
подобных
потребителей
.
Также
в
исследовании
использованы
и
отобраны
факторы
природного
,
социального
характе
-
ра
и
ретроспективные
данные
об
электропотреблении
,
которые
позволили
построить
достоверный
прогноз
потребления
электроэнергии
,
оцененный
с
использо
-
ванием
метрик
качества
:
коэффициента
детерминации
(0,92)
и
средней
абсолютной
ошибки
(7,56).
Используя
этот
прогноз
при
сорти
-
ровке
массива
аномаль
-
ного
низкого
потребления
,
удалось
прийти
к
верному
выводу
,
заключающемуся
в
отсутствии
потребите
-
лей
в
массиве
аномаль
-
ного
потребления
.
Данный
результат
соответствует
критерию
успешности
ис
-
следования
,
таким
обра
-
зом
поставленные
цель
и
задачи
исследования
выполнены
.
9
10
17
23
29
30
20
0
0
1
2
3
4
5
6
7
Рис
. 4.
Гистограмма
массива
аномально
низкого
потребления
электроэнергии
Учет
электроэнергии
41
ЛИТЕРАТУРА
1.
Федеральный
закон
от
26.03.2003
№
35-
ФЗ
«
Об
элек
-
троэнергетике
». URL: https://docs.cntd.ru/document/
901856089.
2.
Демидова
Г
.
Л
.,
Лукичев
Д
.
В
.
Введение
в
специаль
-
ность
электроэнергетика
и
электротехника
.
СПб
:
Университет
ИТМО
, 2016. 108
с
.
3.
Электробаланс
и
потребление
электроэнергии
в
Рос
-
сийской
Федерации
с
2005–2022
гг
. URL: https://
rosstat.gov.ru/storage/mediabank/elbalans_2021.xlsx.
4.
Троицкий
А
.
И
.,
Надтока
И
.
И
.
Рациональное
исполь
-
зование
электрической
энергии
при
ее
транспорти
-
ровке
.
Учеб
.
пособие
для
энергетиков
.
Новочеркасск
:
ЮРГТУ
, 2004. 224
с
.
5.
Постановление
Правительства
РФ
от
04.05.2012
№
442 «
О
функционировании
розничных
рынков
элек
-
трической
энергии
,
полном
и
(
или
)
частичном
ограни
-
чении
режима
потребления
электрической
энергии
».
URL: https://docs.cntd.ru/document/902349816.
6.
Красник
В
.
В
. 102
способа
хищения
электроэнергии
.
М
.:
НЦ
ЭНАС
, 2008. 180
с
.
7.
Моргоев
И
.
Д
.
Алгоритм
интеллектуальной
поддерж
-
ки
принятия
управленческих
решений
в
процессе
оперативного
выявления
безучетного
потребления
электроэнергии
в
электросетях
//
Вести
высших
учебных
заведений
Черноземья
, 2022,
т
. 18,
№
3(69).
С
. 33–45.
8.
Доугерти
К
.
Введение
в
эконометрику
.
М
.:
ИНФРА
-
М
,
1999. 402
с
.
9.
Моргоева
А
.
Д
.,
Моргоев
И
.
Д
.,
Клюев
Р
.
В
.,
Гаври
-
на
О
.
А
.
Прогнозирование
потребления
электриче
-
ской
энергии
промышленным
предприятием
с
по
-
мощью
методов
машинного
обучения
//
Известия
Томского
политехнического
университета
.
Инжини
-
ринг
гео
ресурсов
, 2022,
т
. 333,
№
7.
С
. 115–125.
10. Klyuev R.V., Morgoev I.D., Morgoeva A.D., Gavrina O.A.,
Martyushev N.V., Efremenkov E.A., Mengxu Q. Methods
of Forecasting Electric Energy Consumption: A Literature
Review. Energies, 2022, vol. 15, p. 8919.
11.
Моргоев
И
.
Д
.,
Дзгоев
А
.
Э
.,
Клюев
Р
.
В
.,
Моргоева
А
.
Д
.
Прогнозирование
потребления
электроэнергии
пред
-
приятиями
народнохозяйственного
комплекса
в
ус
-
ловиях
неполноты
информации
//
Известия
Кабарди
-
но
-
Балкарского
научного
центра
РАН
, 2022,
№
3(107).
С
. 9–20.
12.
Моргоева
А
.
Д
.,
Моргоев
И
.
Д
.,
Клюев
Р
.
В
.,
Ляшенко
В
.
И
.
Прогнозирование
нагрузки
на
электросеть
как
способ
эффективного
управления
потреблением
электрической
энергии
//
Вести
высших
учебных
за
-
ведений
Черноземья
,
№
4(66).
С
. 39–51.
Романов В.С., Гольдштейн В.Г.
В книге рассматриваются проблемы эффективности эксплуатации и обес -
печения технического состояния погружных электроустановок (ПЭУ) не-
фтедобычи и реализации путей ее повышения с учетом обобщения
и анализа опыта их эксплуатации. Производится классификация и ана-
лиз результатов эксплуатационных физических воздействий на ПЭУ, их
сопоставление со статистическими данными эксплуатации и формули-
руются практические мероприятия и рекомендации, направленные на
обеспечение и повышение надежности ПЭУ. Книга предназначена для
инженерно-технического персонала эксплуатации и проектирования элек-
троснабжения погружного электрооборудования в нефтедобыче, а также
преподавателей, аспирантов и студентов старших курсов бакалавриата
и магистратуры электротехнических специальностей вузов.
Издательство журнала «ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение»,
2023. 192 с.
Повышение эффективности
эксплуатации погружных
электроустановок нефтедобычи
Книга доступна на сайте издательства
www.eepir.ru
В книге ра
печения т
фтедобыч
и анализа
лиз резул
сопоставл
руются п
обеспечен
инженерн
троснабж
преподав
и м
агистр
Издател
эл
Оригинал статьи: Интеллектуальный анализ данных потребления электрической энергии как способ выявления коммерческих потерь в энергосистеме
В работе представлены результаты апробации и адаптации алгоритма интеллектуальной поддержки принятия управленческих решений в процессе оперативного выявления безучетного потребления электроэнергии в распределительных сетях 0,4 кВ. Апробация алгоритма была произведена на примере данных об электропотреблении участка, включающего 138 абонентов, с использованием метода машинного обучения CatBoostRegressor. Кроме того, исходя из особенностей общих потерь целевой переменной, был сформулирован критерий успешности апробации. Результаты проведенных исследований, представленные в данной работе, ему соответствуют. Таким образом, апробированный алгоритм позволяет повысить эффективность и адресность принимаемых управленческих решений при выявлении безучетного электропотребления.
