Оригинал статьи: Навигатор диспетчера. Опыт совместного использования численных методов и методов искусственного интеллекта
Статья является пятой в цикле статей, посвященных отечественной ADMS «Навигатор диспетчера», разработанной ООО «СИСТЕЛ». В ней рассматривается применимость и совместное использование численных методов и методов искусственного интеллекта в автоматизированной системе технологического управления распределительными сетями. В частности, описывается практическое применение в «Навигаторе диспетчера» методов машинного обучения, в последнее время занявших одну из лидирующих позиций среди технологий искусственного интеллекта в системах управления электроэнергетическими системами.
Арапов Н.Д., инженер ООО «Систел»
Беляков Д.С., инженер ООО «Систел»
Рыкованов С.Н., к.т.н., генеральный директор ООО «Систел»
Хозяинов М.А., заместитель генерального директора по развитию ООО «Систел»
ADMS «Навигатор диспетчера» (далее — Навигатор) выполняет непрерывное автоматическое отслеживание всех аспектов надежности электроснабжения: надежности питания потребителей, надежности работы сети, надежности функционирования отдельных единиц оборудования сети [1–4]. В темпе процесса при нарушении допустимых границ аспектов надежности Навигатор предупреждает об этом диспетчера и выдает ему рекомендации по управлению сетью для парирования нарушений, а также по снижению потерь электроэнергии в сети. Поток выдаваемых рекомендаций по управлению сетью аналогичен потоку тревог, формируемому ОИК (SCADA). Для удобной работы диспетчера с потоками рекомендаций разработан журнал рекомендаций, включающий список пакетов рекомендаций, их статус и категорию исходного режима/состояния сети. Журнал позволяет диспетчеру выбрать нужную рекомендацию из пакета с учетом нескольких критериев, а также предоставляет возможность промоделировать выполнение рекомендации. Рекомендации представляются диспетчеру в виде последовательности переключений в сети с включением малодискретных и непрерывных управляющих воздействий.
При поиске оптимальной рекомендации на конкретные моменты времени выполнения переключений в сети Навигатором выполняются проверки на допустимость параметров режима и качества электроэнергии, на чувствительность защит, на надежность питания потребителей, на наличие ресурса у коммутационных аппаратов, на статические и динамические нагрузки на коммутационные аппараты. Соответственно, рекомендации, представленные в пакете, не нужно дополнительно проверять на превышение допустимых границ по перечисленным аспектам надежности сети.
Программное обеспечение Навигатора состоит из набора подсистем SCADA, DMS, OMS, GIS, CIM, образующих ADMS. В настоящее время ADMS Навигатор интегрирована с АИИС УЭ «Пирамида-Сети», ПК АСУРЭО, а также программным комплексом «Виалон», используемым для контроля местоположения автотранспорта РЭС. Ввод данных реального времени в ADMS и телеуправление обеспечиваются подсистемой SCADA, работающей в темпе процесса управления сетью. Разработанное программное обеспечение DMS, OMS, в отличие от аналогичного ПО для офлайн-систем, также работает в темпе процесса. Это означает, что в темпе процесса работает не только приложение «Оценивание состояния», но и все приложения DMS и OMS, что обеспечивает минимальные задержки между выходом аспекта надежности сети за допустимые пределы и появлением «ответного» пакета рекомендаций на это событие в журнале рекомендаций. Опыт практического применения Навигатора показал, что ввод режима сети в допустимую область, оптимизация режима
по многим критериям, восстановление сети, а также аналогичные операции для распределительной сети РЭС, включающей до 1500 ТП, выполняются в пределах одной-двух секунд.
Разработка технологий для решения задачи комбинаторных переборов коммутационных состояний (топологий) электрических сетей началась в 80-х годах прошлого столетия с магистральных сетей. Одно из направлений технологии — это корректирующие переключения, в основном, для устранения перегрузок линий. Другое направление — технология восстановления сети, предусматривающая реализацию в темпе процесса конкретных стратегий восстановления сети. Чуть позже, в 90-х годах, появились решения для распределительных сетей по восстановлению электроснабжения или питания потребителей, устранению перегрузок.
Современная постановка этой задачи усложнилась из-за повышения требований к предлагаемым рекомендациям: они должны удовлетворять требованиям по всем аспектам надежности сети и питания потребителей для каждого топологического состояния сети (переключения) в последовательности состояний сети (переключений). Неполный перечень учитываемых аспектов надежности включает: надежность питания каждого потребителя по ПУЭ, недопущение термической перегрузки линий и трансформаторов, недопущение выхода напряжения за пределы требований ГОСТ, недопущение распространения инцидента/аварии из-за потери чувствительности защит оборудования сети, недопущение превышения ресурса коммутационных аппаратов, недопущение превышения статических и динамических нагрузок при коротком замыкании. Переключения в сети обычно выполняются на интервалах времени от получаса до двух и более часов. И на это время необходимо определять параметры аспектов надежности сети, для расчета которых нужен оперативный прогноз режима сети на моменты выполнения всех рекомендуемых вариантов переключений.
Поставленная задача оптимизации коммутационных состояний сети в Навигаторе решается с помощью численных методов (ЧМ), исходными данными для которых являются телеизмерения, прогнозы нагрузок и напряжений трансформаторов ТП и центров питания распределительной сети. Прогнозы в подсистему ЧМ Навигатора «поставляются» комбинированными глубокими нейронными сетями, обучаемыми на данных АИИС УЭ.
Численными методами в подсистеме DMS Навигатора решается ряд задач. Задача расчета установившегося режима решается различными итерационными методами. Для расчета режима магистральной замкнутой части сети используется метод Гаусса с учетом электромеханических переходных процессов, реализуемых с помощью PI-регуляторов. Для расчета режима разомкнутой сети используется итерационный метод «в два этапа» с учетом статических характеристик нагрузки по напряжению и частоте. Для оптимизаций коммутационного состояния сети с различными целевыми функциями, наборами критериев, используется комбинация метода ветвей и границ и методов оптимизации функций многих переменных. Более подробно использование ЧМ в Навигаторе для решения задачи оптимизации потерь электроэнергии переключениями в радиальной сети описано в работе [2]. Там же приведен краткий обзор экспертных систем, баз знаний, методов машинного обучения (ММО) и других методов, применяемых для оптимизации топологии распределительной сети.
Для методов искусственного интеллекта есть проблема объяснимости и, в конечном итоге, ответственности за результат [5]. Кроме этой общей проблемы отметим несколько моментов в случае управления сетью с использованием исключительно ММО. В частности, модели сети на базе ММО пока не могут предоставить точных и одинаково воспроизводимых результатов. То есть в этом случае придется выполнять дополнительные расчеты численными методами. Причем результаты, полученные ЧМ, могут привести в лучшем случае к изменению ранжирования рекомендаций по целевой функции, а в худшем — к исключению рекомендаций, полученных с использованием ММО.
Как замечено выше, современная постановка задачи управления распределительной сетью, особенно для режима автопилотирования, существенно усложняется. В частности, для создания модели распределительной сети с использованием ММО потребуется не только практически полная статическая информационная модель сети, но и описание всех технологических связей и зависимостей между объектами и параметрами объектов информационной модели. Технологические связи описываются графом, параметры узлов и ветвей графа берутся из информационной модели, в результате получаем расчетную модель, топология которой для распределительных сетей РЭС практически совпадает с действительной схемой соединения всех элементов сети. На вход модели будут подаваться все имеющиеся телеизмерения и телесигналы, а также данные ручного ввода, в том числе связанные с изменением состояния коммутационных аппаратов в режиме моделирования. Потребуются не только все допустимые значения параметров оборудования сети, но и дополнительные вычислительные модели определения их ограничений, например, в связи с изменением условий окружающей среды, нагрузочных условий работы оборудования. Для модели, ориентированной на ЧМ, этого достаточно, а для модели на основе ММО, кроме этого, придется создавать собственно нейронную сеть. При этом для модели на основе ЧМ влияние режима магистральной сети на режим радиальной сети легко учитывается в реальном времени, так же, как и влияние режима радиальной сети на режим магистральной сети. Об этом в модели на основе ММО также придется позаботиться.
В Навигаторе любая оптимизация топологии сети для любой целевой функции выполняется в темпе процесса, что обеспечивает оперативную выдачу рекомендаций по управлению сетью оперативно-диспетчерской группе РЭС. Пока мы не видим необходимости в использовании для решения подобных задач методов искусственного интеллекта. Вместе с тем, очевидно, что ММО полезно использовать для решения частных задач, например, задач прогнозирования нагрузки трансформаторов ТП, что необходимо для обеспечения управления распределительными сетями в режиме автопилотирования.
Обучаемость нейронных сетей зависит от «длины» имеющихся архивов исходных данных, на которых модель обучается, а также от периодичности, повторяемости этого архива. При появлении в распределительных сетях малой и микрогенерации, периодичность и повторяемость потребления/генерации будет только ухудшаться, а волатильность расти. Поэтому исследовательские ресурсы следует сконцентрировать на решении проблемы волатильности графиков нагрузки, используемых для прогнозных расчетов и оптимизаций при управлении сетью.
Нагрузка трансформаторов на ТП слабо агрегирована, так как представляет собой совокупность порядка десяти-тридцати нагрузок потребителей на отходящих от шин 0,4 кВ ТП линиях электропередачи. Поэтому она, как результат, слабо сглажена, резко выражена и волатильна в сравнении с нагрузками трансформаторов 35–500 кВ. Точность прогнозирования такой нагрузки, обеспечиваемая традиционными статистическими методами, сильно уступает точности прогнозирования с использованием современных комбинированных моделей глубоких нейронных сетей [3]. Поэтому авторами большое внимание было уделено разработке интеллектуального технологического сервиса (ИТС) оперативного и суточного прогноза нагрузки трансформатора (ОСПН), выполненной в рамках
НИОКР, профинансированной Фондом содействия инновациям малых предприятий в 2019–2021 годах. Применяемые комбинированные модели глубоких нейронных сетей, используемые в сервисе ОСПН, описаны в работе [3].
Ниже приведен ряд примеров работы сервиса ОСПН на реальных данных — на 4-х временных рядах потребления трансформаторов ТП распределительных сетей ПАО «Россети». Глубина архива данных нагрузки (временного ряда) для объектов 1–3 составила один год, а для объекта 4 — два года. Годовые, месячные и недельные графики потребления активной мощности для четырех трансформаторов представлены на рисунках 1–4.
Средние значения потребления трансформаторов варьируются от 171 до 2815 кВт. Если посмотреть на годовые, месячные и суточные графики потребления на рисунках 1–4, то виден разный характер нагрузки трансформаторов ТП в течение суток, недели, месяца и года. Несмотря на это, средняя точность как оперативных, так и суточных прогнозов, обеспечиваемых сервисом ОСПН, — выше 95%.
В таблице 1 сведены результаты суточного прогноза на временных рядах потребления активной мощности для четырех трансформаторов ТП. В сводку включены следующие характеристики потребления и прогноза:
- число получасовых замеров активной мощности во временном ряду;
- минимальное, максимальное и среднее потребление трансформатора за все время, кВт;
- сумма ошибок суточных прогнозов за месяц, %;
- средняя ошибка суточного прогноза за месяц, %.
Под ошибкой прогноза подразумевается средняя абсолютная ошибка относительно фактического значения в процентах. На рисунке 5 приведены графики суточных прогнозов и фактические графики нагрузок трансформаторов ТП на 2–5 марта 2021 года (со вторника по пятницу).
На рисунке 6 в качестве примеров приведены графики оперативных прогнозов потребления активной мощности трансформатора ТП и фактические графики нагрузок на 01.03.2021 года, на 30, 60, 90 и 120 минут вперед.
Приведенные графики прогнозов позволяют заключить, что точность оперативного и суточного прогноза потребления трансформаторов ТП вполне приемлема для оперативного и суточного планирования работы распределительной сети.
В большинстве ныне установленных АИИС УЭ, используемых для учета электрической энергии в сетях напряжением 0,4–10 кВ, сбор данных с приборов учета осуществляется максимум несколько раз в сутки. Этого для оценивания состояния сети в темпе процесса непосредственно по данным АИИС УЭ недостаточно. Но отсутствующие данные можно возместить результатами прогнозов, выполненных сервисом ОСПН, на оперативный и суточный горизонт в прошедший оперативный период (сутки). Прогнозные данные могут использоваться для оценивания состояния сети в текущий момент, в темпе процесса. При этом средняя точность прогноза на сутки вперед будет выше 95%, а средняя ошибка оперативного прогноза на 30 минут вперед ниже 1,5%, на 60 минут вперед — ниже 2,5%, на 90 минут — ниже 3%, на 120 минут — ниже 4%. Такая точность прогноза нагрузки трансформаторов ТП позволяет проводить текущее оценивание состояния сети с использованием результатов, полученных сервисом ОСПН по данным АИИС УЭ за предыдущие периоды.
Использование комбинированных нейронных сетей требует больших вычислительных ресурсов для выполнения прогнозов и для обучения моделей. Поэтому для ускорения расчетов целесообразно использовать графические процессоры типа NVIDIA. Время выполнения оперативного и суточного прогноза нагрузки одного трансформатора составляет порядка 10 секунд при использовании графического процессора NVIDIA средней производительности. Поэтому время прогнозирования нагрузки 1000 трансформаторов РЭС на одном процессоре NVIDIA составит около 3-х часов, а на трех процессорах — менее часа. По обучению моделей краткосрочных прогнозов потребления трансформаторов ТП встает вопрос выбора числа моделей, например, для трансформаторов одного конкретного РЭС. В значительной степени это вопрос выбора между точностью результатов прогнозирования и необходимыми для этого вычислительными ресурсами. Если вычислительные ресурсы ограничены, то число моделей может быть сокращено, например, за счет кластеризации временных рядов нагрузки трансформаторов. Для каждого кластера трансформаторов формируется одна «общая» модель, что позволяет резко снизить требования к вычислительным ресурсам, но при этом снизится и точность прогнозов. Со временем, в связи с возможным изменением нагрузки трансформаторов, дополнительно потребуется производить автоматическую проверку корректности кластеризации временных рядов. В этой связи уже на стадии проектирования ADMS целесообразно ориентироваться на вычислительные ресурсы, адекватные количеству моделей, равному сумме числа трансформаторов, фидеров и шин центров питания РЭС.
Разработанная комбинированная нейросетевая модель может работать со средними по длине временными рядами. Обычно для обучения нейронных сетей краткосрочному прогнозу электрической нагрузки с амплитудой изменения в 1–5 МВт требуется архив временного ряда длиною в несколько лет. Для одного такого ряда (рисунок 4) мы провели эксперимент по обучаемости модели прогнозирования при разной длине исходного временного ряда потребления. Было выполнено 4 суточных прогноза потребления активной мощности трансформатора номер 4 на 28 февраля 2020 года с исходным временным рядом длиной в 2 года, 1,5 года, 1 год и 0,5 года. Вычислительный эксперимент показал, что точность суточного прогноза потребления трансформатора с использованием разработанной модели, обученной на временном ряде длиной в 6 месяцев, сопоставима с точностью прогноза моделей, обученных на временных рядах длиной 12, 18 и 24-х месяца.
Возможность обучения на коротких временных рядах имеет большое практическое значение, так как в настоящее время временные ряды потребления трансформаторов ТП длиной в 1,5–3 года пока большая редкость. Еще одно полезное свойство разработанной модели — возможность адаптации к изменению величины и характера нагрузки. Все 4 исходных временных ряда потребления содержали явно выраженный спад потребления в мае 2020 года, когда был объявлен карантин. Несмотря на это, точность прогнозов практически не изменилась.
Положительные стороны использования численных методов — это абсолютное понимание вычислительного процесса, понимание того, как и почему предлагаются те или иные рекомендации, возможность воспроизведения результатов, невысокая требовательность к вычислительным ресурсам, возможность быстрой смены стратегий вычислений, наборов критериев целевой функции. К недостаткам численных методов можно отнести большую и кропотливую исследовательскую и опытно-конструкторскую работу по созданию и апробации конкретных методов, алгоритмов и программного обеспечения под конкретные типы задач. Однако при наличии у коллектива многолетнего опыта такой работы этот недостаток становится малосущественным.
Положительной стороной использования нейронных сетей является наличие готовых базовых библиотек программного обеспечения моделей и машинного обучения. К недостаткам нейронных сетей можно отнести сложность трактовки результатов, невозможность их воспроизведения, большие потребности в вычислительных ресурсах. Особо отметим, что модели краткосрочного прогноза на современных глубоких нейронных сетях позволили выйти на высокий уровень точности прогноза нагрузки трансформаторов ТП, их можно использовать не только для оперативного и суточного планирования, но и для оценивания состояния в темпе процесса, имея прогноз, полученный на данных за несколько часов или сутки назад.
В Навигаторе каждая из описанных технологий занимает свое естественное место. Там, где нужны точные вычисления, понимание, трактовка и возможность воспроизведения результатов, используются численные методы, в частности, в комбинаторных расчетах установившихся режимов, токов короткого замыкания, чувствительности защит, надежности питания потребителей. Для краткосрочного прогноза нагрузки трансформаторов ТП, где абсолютная точность, трактовка и воспроизведение результатов не так актуальны, используются нейронные сети.
ВЫВОДЫ
В современных ADMS сочетаются методы машинного обучения и численные методы. На их основе в Навигаторе предложены решения для прогнозирования нагрузки трансформаторов ТП и для комбинаторного поиска рекомендуемых состояний сети. Показано, что применение традиционных численных методов и комбинированных моделей глубоких нейронных сетей дает приемлемые по качеству и времени счета результаты, позволяющие обеспечить переход от традиционного автоматизированного к непрерывно-рекомендательному управлению сетями РЭС. Прогнозирование нагрузки трансформаторов ТП позволяет планировать заявки оперативно, на сутки вперед, а также использовать прогнозы прошлых периодов в качестве надежных псевдоизмерений для оценивания состояния распределительной сети в темпе процесса. 
ЛИТЕРАТУРА
- Рыкованов С.Н., Хозяинов М.А. Концепция навигатора диспетчера для адаптивного оптимального управления режимами распределительной электрической сети // Автоматизация & IT в энергетике, 2018, № 12. С. 30–34.
- Потапенко С.П., Рыкованов С.Н., Хозяинов М.А. Навигатор диспетчера. Адаптивная динамическая оптимизация потерь электроэнергии в разомкнутой распределительной электрической сети // ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение, 2019, № 5(56). С. 53–59.
- Арапов Н.Д., Беляков Д.А., Московой И.В., Рыкованов С.Н., Хозяинов М.А. Навигатор диспетчера. Современные модели оперативного прогноза нагрузки распределительных электрических сетей // Автоматизация & IT в энергетике, 2020, № 12(137). С. 2–10.
- Рыкованов С.Н., Хозяинов М.А. Навигатор диспетчера. Опыт использования в автоматизированной системе технологического управления РЭС // ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение, 2021, № 2(65). С. 60–64.
- Arrieta A.B., Diaz Rodriguez N., Del Sera J., Bennetot A., at all. Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI. December 30, 2019. URL: https://www.researchgate.net/publication/338184751.
