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

59

Табл. 1. Свод результатов суточных прогнозов, полученных на временных 

рядах потребления активной мощности для четырех трансформаторов ТП

Число

замеров Объект

P

мин

, кВт

P

макс

, кВт

P

ср

, кВт

Сумма 

48 ошибок, %

Ошибка,

%

17351

1

1102,0

5154,0

2815,50

143,67

4,63

17537

2

165,6

847,2

442,17

108,94

3,51

17537

3

134,4

627,2

336,23

139,96

4,51

35135

4

647,0

4396,0

2209,14

139,86

4,51

Рис

. 3. 

Графики

потребления

активной

мощности

трансформатора

 3

Рис

. 4. 

Графики

потребления

активной

мощности

трансформатора

 4

Средние  значения  потребления 

трансформаторов 

варьируют-

ся  от  171  до  2815  кВт.  Если  по-

смотреть  на  годовые,  месячные 

и  суточные  графики  потребле-

ния  на  рисунках  1–4,  то  виден 

разный характер нагрузки транс-

форматоров  ТП  в  течение  су-

ток,  недели,  месяца  и  года.  Не-

смотря на это, средняя точность 

как оперативных, так и суточных 

прогнозов, обеспечиваемых сер-

висом ОСПН,  — выше 95%. 

В таблице 1 сведены результа-

ты суточного прогноза на времен-

ных  рядах  потребления  активной 

мощности для четырех трансфор-

маторов  ТП.  В  сводку  включены 

следующие  характеристики  по-

требления и прогноза:

– число  получасовых  замеров 

активной мощности во времен-

ном ряду; 

– минимальное,  максимальное 

и среднее потребление транс-

форматора за все время, кВт;

– сумма  ошибок  суточных  про-

гнозов за месяц, %;

– средняя ошибка суточного про-

гноза за месяц, %.

Под  ошибкой  прогноза  под-

разумевается средняя абсолют-

ная  ошибка  относительно  фак-

тического значения в процентах. 

На рисунке 5 приведены графи-

ки суточных прогнозов и факти-

ческие  графики  нагрузок  транс-

форматоров  ТП  на  2–5  марта 

2021  года  (со  вторника  по  пят-

ницу).

На  рисунке  6  в  качестве  при-

меров  приведены  графики  опе-

ративных  прогнозов  потребления 

активной  мощности  трансформа-

тора  ТП  и  фактические  графики 

нагрузок  на  01.03.2021  года,  на 

30, 60, 90 и 120 минут вперед. 

Приведенные  графики  про-

гнозов  позволяют  заключить,  что 

точность оперативного и суточно-

го  прогноза  потребления  транс-

форматоров ТП вполне приемле-

ма для оперативного и суточного 

планирования  работы  распреде-

лительной сети. 

В  большинстве  ныне  уста-

новленных  АИИС  УЭ,  использу-

емых  для  учета  электрической 

энергии  в  сетях  напряжением 

0,4–10  кВ,  сбор  данных  с  при-

боров  учета  осуществляется 

№

 4 (67) 2021

60

Рис

. 5. 

Графики

суточных

прогнозов

и

фактические

графики

нагрузок

трансформатора

ТП

на

 2–5 

марта

 2021 

года

(

со

вторника

по

пятницу

)

максимум несколько раз в сутки. 

Этого  для  оценивания  состоя-

ния  сети  в  темпе  процесса  не-

посредственно по данным АИИС 

УЭ  недостаточно.  Но  отсутству-

ющие данные можно возместить 

результатами  прогнозов,  вы-

полненных  сервисом  ОСПН,  на 

оперативный  и  суточный  гори-

зонт в прошедший оперативный 

период (сутки). Прогнозные дан-

ные  могут  использоваться  для 

оценивания состояния сети в те-

кущий  момент,  в  темпе  процес-

са.  При  этом  средняя  точность 

прогноза  на  сутки  вперед  будет 

выше  95%,  а  средняя  ошибка 

оперативного прогноза на 30 ми-

нут вперед ниже 1,5%, на 60 ми-

нут  вперед  —  ниже  2,5%,  на 

90 минут — ниже 3%, на 120 ми-

нут  —  ниже  4%.  Такая  точность 

прогноза  нагрузки  трансформа-

торов  ТП  позволяет  проводить 

текущее  оценивание  состояния 

сети  с  использованием  резуль-

татов,  полученных  сервисом 

ОСПН  по  данным  АИИС  УЭ  за 

предыдущие периоды.

Использование  комбиниро-

ванных  нейронных  сетей  тре-

бует  больших  вычислительных 

ресурсов  для  выполнения  про-

гнозов и для обучения моделей. 

Поэтому для ускорения расчетов 

целесообразно 

использовать 

графические  процессоры  типа 

NVIDIA. Время выполнения опе-

ративного  и  суточного  прогноза 

нагрузки  одного  трансформато-

ра составляет порядка 10 секунд 

при  использовании  графическо-

го  процессора  NVIDIA  средней 

производительности.  Поэтому 

время  прогнозирования  нагруз-

ки  1000  трансформаторов  РЭС 

на  одном  процессоре  NVIDIA 

составит  около  3-х  часов,  а  на 

трех процессорах — менее часа. 

По  обучению  моделей  кратко-

срочных прогнозов потребления 

трансформаторов ТП встает во-

прос  выбора  числа  моделей, 

например,  для  трансформато-

ров  одного  конкретного  РЭС. 

В значительной степени это во-

прос  выбора  между  точностью 

результатов 

прогнозирования 

и  необходимыми  для  этого  вы-

числительными ресурсами. Если 

вычислительные  ресурсы  огра-

ничены,  то  число  моделей  мо-

жет  быть  сокращено,  например, 

за  счет  кластеризации  времен-

ных  рядов  нагрузки  трансфор-

маторов.  Для  каждого  кластера 

трансформаторов  формируется 

одна  «общая»  модель,  что  поз-

воляет  резко  снизить  требова-

ния к вычислительным ресурсам, 

но при этом снизится и точность 

прогнозов.  Со  временем,  в  свя-

зи  с  возможным  изменением 

нагрузки  трансформаторов,  до-

полнительно потребуется произ-

водить  автоматическую  провер-

ку  корректности  кластеризации 

временных  рядов.  В  этой  связи 

ЦИФРОВЫЕ 

ТЕХНОЛОГИИ

61

Рис

. 6. 

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

уже  на  стадии  проектирования 

ADMS  целесообразно  ориенти-

роваться  на  вычислительные 

ресурсы, адекватные количеству 

моделей,  равному  сумме  чис-

ла  трансформаторов,  фидеров 

и шин центров питания РЭС. 

Разработанная  комбиниро-

ванная  нейросетевая  модель 

может  работать  со  средними 

по  длине  временными  рядами. 

Обычно для обучения нейронных 

сетей  краткосрочному  прогнозу 

электрической нагрузки с ампли-

тудой изменения в 1–5 МВт тре-

буется  архив  временного  ряда 

длиною  в  несколько  лет.  Для 

одного  такого  ряда  (рисунок  4) 

мы провели эксперимент по обу-

чаемости модели прогнозирова-

ния при разной длине исходного 

временного  ряда  потребления. 

Было  выполнено  4  суточных 

прогноза  потребления  активной 

мощности  трансформатора  но-

мер  4  на  28  февраля  2020  года 

с  исходным  временным  рядом 

длиной  в  2  года,  1,5  года,  1  год 

и 0,5 года. Вычислительный экс-

перимент  показал,  что  точность 

суточного прогноза потребления 

трансформатора  с  использова-

нием разработанной модели, об-

ученной на временном ряде дли-

ной  в  6  месяцев,  сопоставима 

с  точностью  прогноза  моделей, 

обученных  на  временных  рядах 

длиной 12, 18 и 24-х месяца. 

Возможность обучения на ко-

ротких  временных  рядах  имеет 

большое практическое значение, 

так  как  в  настоящее  время  вре-

менные ряды потребления транс-

форматоров  ТП  длиной  в  1,5–

3  года  пока  большая  редкость. 

Еще одно полезное свойство раз-

работанной  модели  —  возмож-

ность  адаптации  к  изменению 

величины  и  характера  нагрузки. 

Все 4 исходных временных ряда 

потребления  содержали  явно 

выраженный  спад  потребления 

в мае 2020 года, когда был объ-

явлен карантин. Несмотря на это, 

точность  прогнозов  практически 

не изменилась.

Положительные  стороны  ис-

пользования  численных  мето-

дов  —  это  абсолютное  понима-

ние  вычислительного  процесса, 

понимание  того,  как  и  почему 

предлагаются  те  или  иные  ре-

комендации,  возможность  вос-

произведения  результатов,  не-

высокая  требовательность  к  вы-

числительным ресурсам, возмож-

ность  быстрой  смены  стратегий 

вычислений, наборов критериев 

целевой  функции.  К  недостат-

кам  численных  методов  можно 

отнести  большую  и  кропотли-

вую исследовательскую и опыт-

но-конструкторскую  работу  по 

созданию  и  апробации  конкрет-

ных методов, алгоритмов и про-

граммного  обеспечения  под 

конкретные  типы  задач.  Однако 

при наличии у коллектива много-

№

 4 (67) 2021

62

летнего опыта такой работы этот 

недостаток  становится  малосу-

щественным.

Положительной  стороной  ис-

пользования  нейронных  сетей 

является  наличие  готовых  ба-

зовых  библиотек  программного 

обеспечения  моделей  и  машин-

ного  обучения.  К  недостаткам 

нейронных сетей можно отнести 

сложность  трактовки  результа-

тов,  невозможность  их  воспро-

изведения,  большие  потребно-

сти в вычислительных ресурсах. 

Особо  отметим,  что  модели 

краткосрочного  прогноза  на  со-

временных  глубоких  нейронных 

сетях  позволили  выйти  на  вы-

сокий  уровень  точности  прогно-

за  нагрузки  трансформаторов 

ТП,  их  можно  использовать  не 

только  для  оперативного  и  су-

точного планирования, но и для 

оценивания  состояния  в  темпе 

процесса,  имея  прогноз,  полу-

ченный  на  данных  за  несколько 

часов или сутки назад. 

В Навигаторе каждая из опи-

санных  технологий  занимает 

свое  естественное  место.  Там, 

где  нужны  точные  вычисления, 

понимание, трактовка и возмож-

ность  воспроизведения  резуль-

татов,  используются  численные 

методы,  в  частности,  в  комби-

наторных  расчетах  установив-

шихся режимов, токов короткого 

замыкания, 

чувствительности 

защит,  надежности  питания  по-

требителей.  Для  краткосрочно-

го  прогноза  нагрузки  трансфор-

маторов  ТП,  где  абсолютная 

точность,  трактовка  и  воспро-

изведение  результатов  не  так 

актуальны,  используются  ней-

ронные сети.

ВЫВОДЫ

В современных ADMS сочетают-

ся  методы  машинного  обучения 

и  численные  методы.  На  их  ос-

нове  в  Навигаторе  предложены 

решения  для  прогнозирования 

нагрузки  трансформаторов  ТП 

и  для  комбинаторного  поиска 

рекомендуемых состояний сети. 

Показано,  что  применение  тра-

диционных  численных  методов 

и  комбинированных  моделей 

глубоких  нейронных  сетей  дает 

приемлемые  по  качеству  и  вре-

мени  счета  результаты,  позво-

ляющие  обеспечить  переход  от 

традиционного  автоматизиро-

ванного  к  непрерывно-рекомен-

дательному  управлению  сетями 

РЭС. Прогнозирование нагрузки 

трансформаторов ТП позволяет 

планировать заявки оперативно, 

на сутки вперед, а также исполь-

зовать прогнозы прошлых пери-

одов в качестве надежных псев-

доизмерений  для  оценивания 

состояния  распределительной 

сети в темпе процесса.  

Р

ООО «Систел»

г. Москва, Каширское ш.,

д. 22, корп. 3

Тел.: (495) 727-39-65

[email protected]

www.systel.ru

https://navigrid.ru/

ЛИТЕРАТУРА

1.  Рыкованов С.Н., Хозяинов М.А. Концепция навигатора диспетчера 

для  адаптивного  оптимального  управления  режимами  распреде-

лительной электрической сети // Автоматизация & IT в энергетике, 

2018, № 12. С. 30–34. 

2.  Потапенко С.П., Рыкованов С.Н., Хозяинов М.А. Навигатор диспет-

чера. Адаптивная динамическая оптимизация потерь электроэнер-

гии в разомкнутой распределительной электрической сети // ЭЛЕК-

ТРОЭНЕРГИЯ. Передача и распределение, 2019, № 5(56). С. 53–59.

3.  Арапов  Н.Д.,  Беляков  Д.А.,  Московой  И.В.,  Рыкованов  С.Н.,  Хозя-

инов М.А. Навигатор диспетчера. Современные модели оператив-

ного прогноза нагрузки распределительных электрических сетей // 

Автоматизация & IT в энергетике, 2020, № 12(137). С. 2–10.

4.  Рыкованов  С.Н.,  Хозяинов  М.А.  Навигатор  диспетчера.  Опыт  ис-

пользования  в  автоматизированной  системе  технологического 

управления  РЭС  //  ЭЛЕКТРОЭНЕРГИЯ.  Передача  и  распределе-

ние, 2021, № 2(65). С. 60–64.

5.  Arrieta A.B., Diaz Rodriguez N., Del Sera J., Bennetot A., at all. Explainable 

Artifi cial  Intelligence  (XAI):  Concepts,  Taxonomies,  Opportunities  and 

Challenges toward Responsible AI. December 30, 2019. URL: https://

www.researchgate.net/publication/338184751.

подписка – 2022

Обращаем ваше внимание, что стоимость подписки
на журнал «ЭЛЕКТРОЭНЕРГИЯ. Передача и рас-
пределение» на 2022 год осталась без изменений: 

год (шесть номеров) —

11 250 

руб

.

полгода (три номера) —

5 625 

руб

.

один выпуск — 

1 875 

руб

.

Цена указана с учетом НДС.
Форма оплаты — безналичный расчет.

имость подписки

ередача и рас-

без изменений: 

б

.

.

ет.

Доставка осуществляется Почтой России

простой бандеролью. Стоимость доставки

включена в стоимость подписки. 

Чтобы подписаться на журнал,

заполните форму заявки

на подписку на сайте

www.eepir.ru

или направьте заявку

по электронной почте:

[email protected] 

Телефон редакции:

+7 (495) 645-12-41

ЦИФРОВЫЕ 

ТЕХНОЛОГИИ