Навигатор диспетчера. Опыт совместного использования численных методов и методов искусственного интеллекта

56

Статья

является

пятой

в

цикле

статей

, 

посвященных

отечественной

 ADMS «

Навигатор

диспетчера

», 

разработанной

ООО

 «

СИСТЕЛ

». 

В

ней

рассматривается

применимость

и

сов

местное

использование

численных

методов

и

методов

искусственного

интеллек

–

та

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

пози

–

ций

среди

технологий

искусственного

интеллекта

в

системах

управления

электроэнер

–

гетическими

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 гене-

рального директора 

по развитию

ООО «Систел»

A

DMS  «Навигатор  диспетчера» 

(далее — Навигатор) выполняет 

непрерывное  автоматическое 

отслеживание всех аспектов на-

дежности  электроснабжения:  надежно-

сти  питания  потребителей,  надежности 

работы  сети,  надежности  функциониро-

вания  отдельных  единиц  оборудования 

сети  [1–4].  В  темпе  процесса  при  нару-

шении  допустимых  границ  аспектов  на-

дежности  Навигатор  предупреждает  об 

этом диспетчера и выдает ему рекомен-

дации по управлению сетью для париро-

вания  нарушений,  а  также  по  снижению 

потерь электроэнергии в сети. Поток вы-

даваемых рекомендаций по управлению 

сетью аналогичен потоку тревог, форми-

руемому ОИК (SCADA). Для удобной ра-

боты диспетчера с потоками рекоменда-

ций  разработан  журнал  рекомендаций, 

включающий  список  пакетов  рекомен-

даций,  их  статус  и  категорию  исходного

режима/состояния  сети.  Журнал  позво-

ляет  диспетчеру  выбрать  нужную  реко-

мендацию из пакета с учетом нескольких 

критериев,  а  также  предоставляет  воз-

можность  промоделировать  выполнение 

рекомендации.  Рекомендации  представ-

ляются  диспетчеру  в  виде  последова-

тельности  переключений  в  сети  с  вклю-

чением малодискретных и непрерывных 

управляющих воздействий. 

При  поиске  оптимальной  рекомен-

дации  на  конкретные  моменты  времени 

выполнения переключений в сети Нави-

гатором выполняются проверки на допу-

стимость параметров режима и качества 

электроэнергии,  на  чувствительность 

защит,  на  надежность  питания  потреби-

телей, на наличие ресурса у коммутаци-

онных аппаратов, на статические и дина-

мические  нагрузки  на  коммутационные 

аппараты.  Соответственно,  рекоменда-

ции, представленные в пакете, не нужно 

дополнительно  проверять  на  превыше-

ние  допустимых  границ  по  перечислен-

ным аспектам надежности сети. 

Программное  обеспечение  Нави-

гатора  состоит  из  набора  подсистем 

SCADA, DMS, OMS, GIS, CIM, образую-

щих  ADMS.  В  настоящее  время  ADMS 

Навигатор  интегрирована  с  АИИС  УЭ 

«Пирамида-Сети»,  ПК  АСУРЭО,  а  так-

же программным комплексом «Виалон», 

используемым  для  контроля  местопо-

ложения  автотранспорта  РЭС.  Ввод 

данных  реального  времени  в  ADMS 

и телеуправление обеспечиваются под-

системой SCADA, работающей в темпе 

процесса  управления  сетью.  Разрабо-

танное программное обеспечение DMS, 

OMS, в отличие от аналогичного ПО для 

офлайн-систем,  также  работает  в  тем-

пе процесса. Это означает, что в темпе 

процесса  работает  не  только  приложе-

ние  «Оценивание  состояния»,  но  и  все 

приложения  DMS  и  OMS,  что  обеспе-

чивает  минимальные  задержки  между 

выходом  аспекта  надежности  сети  за 

допустимые пределы и появлением «от-

ветного»  пакета  рекомендаций  на  это 

событие в журнале рекомендаций. Опыт 

практического  применения  Навигатора 

показал,  что  ввод  режима  сети  в  допу-

стимую  область,  оптимизация  режима 

по  многим  критериям,  восстановление 

Навигатор диспетчера.
Опыт совместного использования 
численных методов и методов 
искусственного интеллекта

ЦИФРОВЫЕ 

ТЕХНОЛОГИИ

57

сети, а также аналогичные опера-

ции для распределительной сети 

РЭС,  включающей  до  1500  ТП, 

выполняются  в  пределах  одной-

двух секунд. 

Разработка  технологий  для 

решения  задачи  комбинаторных 

переборов  коммутационных  со-

стояний  (топологий)  электриче-

ских сетей началась в 80-х годах 

прошлого столетия с магистраль-

ных  сетей.  Одно  из  направлений 

технологии  —  это  корректирую-

щие  переключения,  в  основном, 

для устранения перегрузок линий. 

Другое  направление  —  техноло-

гия  восстановления  сети,  преду-

сматривающая реализацию в тем-

пе процесса конкретных стратегий 

восстановления сети. Чуть позже, 

в  90-х  годах,  появились  решения 

для распределительных сетей по 

восстановлению  электроснабже-

ния  или  питания  потребителей, 

устранению перегрузок. 

Современная постановка этой 

задачи усложнилась из-за повы-

шения  требований  к  предлагае-

мым  рекомендациям:  они  долж-

ны  удовлетворять  требованиям 

по  всем  аспектам  надежности 

сети и питания потребителей для 

каждого топологического состоя-

ния сети (переключения) в после-

довательности  состояний  сети 

(переключений). Неполный пере-

чень  учитываемых  аспектов  на-

дежности  включает:  надежность 

питания каждого потребителя по 

ПУЭ,  недопущение  термической 

перегрузки  линий  и  трансфор-

маторов,  недопущение  выхода 

напряжения  за  пределы  требо-

ваний  ГОСТ,  недопущение  рас-

пространения  инцидента/аварии 

из-за  потери  чувствительности 

защит  оборудования  сети,  недо-

пущение  превышения  ресурса 

коммутационных  аппаратов,  не-

допущение  превышения  стати-

ческих  и  динамических  нагрузок 

при  коротком  замыкании.  Пере-

ключения  в  сети  обычно  выпол-

няются  на  интервалах  времени 

от получаса до двух и более ча-

сов. И на это время необходимо 

определять  параметры  аспектов 

надежности  сети,  для  расчета 

которых нужен оперативный про-

гноз режима сети на моменты вы-

полнения  всех  рекомендуемых 

вариантов переключений.  

Поставленная  задача  оптими-

зации  коммутационных  состоя-

ний  сети  в  Навигаторе  решается 

с  помощью  численных  методов 

(ЧМ), исходными данными для ко-

торых  являются  телеизмерения, 

прогнозы  нагрузок  и  напряжений 

трансформаторов  ТП  и  центров 

питания распределительной сети. 

Прогнозы  в  подсистему  ЧМ  На-

вигатора  «поставляются»  ком-

бинированными  глубокими  ней-

ронными сетями, обучаемыми на 

данных АИИС УЭ. 

Численными методами в под-

сис теме  DMS  Навигатора  реша-

ется  ряд задач. Задача расчета 

установившегося  режима  реша-

ется различными итерационными 

методами.  Для  расчета  режима 

магистральной  замкнутой  части 

сети  используется  метод  Гаусса 

с  учетом  электромеханических 

переходных процессов, реализу-

емых с помощью PI-регуляторов. 

Для расчета режима разомкнутой 

сети используется итерационный 

метод «в два этапа» с учетом ста-

тических характеристик нагрузки 

по  напряжению  и  частоте.  Для 

оптимизаций  коммутационного 

состояния  сети  с  различными 

целевыми функциями, наборами 

критериев,  используется  комби-

нация  метода  ветвей  и  границ 

и методов оптимизации функций 

многих  переменных.  Более  под-

робно использование ЧМ в Нави-

гаторе для решения задачи опти-

мизации  потерь  электроэнергии 

переключениями  в  радиальной 

сети описано в работе [2]. Там же 

приведен краткий обзор эксперт-

ных  систем,  баз  знаний,  мето-

дов  машинного  обучения  (ММО) 

и  других  методов,  применяемых 

для оптимизации топологии рас-

пределительной сети. 

Для  методов  искусственного 

интеллекта  есть  проблема  объ-

яснимости  и,  в  конечном  итоге, 

ответственности за результат [5]. 

Кроме этой общей проблемы от-

метим несколько моментов в слу-

чае управления сетью с исполь-

зованием  исключительно  ММО. 

В частности, модели сети на базе 

ММО пока не могут предоставить 

точных  и  одинаково  воспроиз-

водимых  результатов.  То  есть 

в  этом  случае  придется  выпол-

нять  дополнительные  расчеты 

численными  методами.  Причем 

результаты, полученные ЧМ, мо-

гут  привести  в  лучшем  случае 

к  изменению  ранжирования  ре-

комендаций по целевой функции, 

а в худшем — к исключению ре-

комендаций,  полученных  с  ис-

пользованием ММО. 

Как замечено выше, современ-

ная постановка задачи управле-

ния  распределительной  сетью, 

особенно для режима автопило-

тирования,  существенно  услож-

няется.  В  частности,  для  созда-

ния  модели  распределительной 

сети с использованием ММО по-

требуется не только практически 

полная  статическая  информа-

ционная  модель  сети,  но  и  опи-

сание  всех  технологических 

связей  и  зависимостей  между 

объектами  и  параметрами  объ-

ектов  информационной  модели. 

Технологические  связи  описы-

ваются  графом,  параметры  уз-

лов  и  ветвей  графа  берутся  из 

информационной  модели,  в  ре-

зультате  получаем  расчетную 

модель,  топология  которой  для 

распределительных  сетей  РЭС 

практически  совпадает  с  дей-

ствительной схемой соединения 

всех элементов сети. На вход мо-

дели будут подаваться все име-

ющиеся  телеизмерения  и  теле-

сигналы, а также данные ручного 

ввода,  в  том  числе  связанные 

с  изменением  состояния  комму-

тационных  аппаратов  в  режиме 

моделирования. Потребуются не 

только все допустимые значения 

параметров  оборудования  сети, 

но  и  дополнительные  вычисли-

тельные модели определения их 

ограничений,  например,  в  связи 

с изменением условий окружаю-

щей среды, нагрузочных условий 

работы  оборудования.  Для  мо-

дели,  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  време-

ни, так же, как и влияние режима 

радиальной сети на режим маги-

стральной сети. Об этом в моде-

ли на основе ММО также придет-

ся позаботиться. 

№

 4 (67) 2021

58

В  Навигаторе  любая  оптими-

зация  топологии  сети  для  любой 

целевой  функции  выполняется 

в  темпе  процесса,  что  обеспечи-

вает  оперативную  выдачу  реко-

мендаций  по  управлению  сетью 

оперативно-диспетчерской  груп-

пе РЭС. Пока мы не видим необ-

ходимости  в  использовании  для 

решения подобных задач методов 

искусственного  интеллекта.  Вме-

сте с тем, очевидно, что ММО по-

лезно использовать для решения 

частных  задач,  например,  задач 

прогнозирования  нагрузки  транс-

форматоров  ТП,  что  необходимо 

для обеспечения управления рас-

пределительными сетями в режи-

ме автопилотирования.

Обучаемость  нейронных  се-

тей  зависит  от  «длины»  имею-

щихся архивов исходных данных, 

на  которых  модель  обучается, 

а  также  от  периодичности,  по-

вторяемости  этого  архива.  При 

появлении в распределительных 

сетях  малой  и  микрогенерации, 

периодичность  и  повторяемость 

потребления/генерации 

будет 

только  ухудшаться,  а  волатиль-

ность  расти.  Поэтому  исследо-

вательские  ресурсы  следует 

сконцентрировать  на  решении 

проблемы волатильности графи-

ков  нагрузки,  используемых  для 

прогнозных расчетов и оптимиза-

ций при управлении сетью.

Нагрузка 

трансформаторов 

на  ТП  слабо  агрегирована,  так 

как представляет собой совокуп-

ность  порядка  десяти-тридцати 

нагрузок  потребителей  на  отхо-

дящих  от  шин  0,4  кВ  ТП  линиях 

электропередачи.  Поэтому  она, 

как  результат,  слабо  сглажена, 

резко  выражена  и  волатильна 

в сравнении с нагрузками транс-

форматоров 35–500 кВ. Точность 

прогнозирования такой нагрузки, 

обеспечиваемая  традиционны-

ми  статистическими  методами, 

сильно  уступает  точности  про-

гнозирования  с  использованием 

современных  комбинированных 

моделей глубоких нейронных се-

тей  [3].  Поэтому  авторами  боль-

шое  внимание  было  уделено 

разработке  интеллектуального 

технологического  сервиса  (ИТС) 

оперативного  и  суточного  про-

гноза  нагрузки  трансформатора 

(ОСПН),  выполненной  в  рамках 

Рис

. 1. 

Графики

потребления

активной

мощности

трансформатора

 1

Рис

. 2. 

Графики

потребления

активной

мощности

трансформатора

 2

НИОКР, 

профинансированной 

Фондом  содействия  инноваци-

ям  малых  предприятий    в  2019–

2021  годах.  Применяемые  ком-

бинированные  модели  глубоких 

нейронных  сетей,  используемые 

в  сервисе  ОСПН,  описаны  в  ра-

боте [3]. 

Ниже приведен ряд примеров 

работы сервиса ОСПН на реаль-

ных данных — на 4-х временных 

рядах  потребления  трансфор-

маторов ТП распределительных 

сетей  ПАО  «Россети».    Глубина 

архива  данных  нагрузки  (вре-

менного ряда) для объектов 1–3 

составила  один  год,  а  для  объ-

екта 4 — два года. Годовые, ме-

сячные и недельные графики по-

требления  активной  мощности 

для  четырех  трансформаторов 

представлены  на  рисунках  1–4. 

ЦИФРОВЫЕ 

ТЕХНОЛОГИИ