2
Ежеквартальный
спецвыпуск
№
4 (23),
декабрь
2021
Качество
электрической
энергии
наравне
с
непрерывностью
и
требуемым
объемом
ее
поставки
оказывает
существенное
влияние
на
большинство
сфер
экономики
и
жизни
насе
-
ле
ния
.
В
условиях
развития
средств
измерения
,
спо
со
бов
передачи
,
хранения
и
обработки
данных
растет
актуальность
смены
классических
подходов
к
их
анализу
.
Переход
к
ис
-
пользованию
технологий
больших
данных
для
анализа
результатов
мониторинга
качества
электрической
энергии
повысит
эффективность
мер
по
обеспечению
действующих
норм
.
О
перспективах
технологии
больших
данных
при
анализе
качества
электроэнергии
Н
ормативными
документами
установлено
,
что
качество
электрической
энергии
(
КЭ
) —
это
степень
соответствия
характеристик
электрической
энергии
в
данной
точке
электрической
системы
совокупности
нормированных
показателей
каче
-
ства
электроэнергии
[1].
На
каждом
этапе
цепочки
«
генерация
—
транспорт
—
распределение
—
потребле
-
ние
» (
далее
— «
Г
-
Т
-
Р
-
П
»)
электрическая
энергия
воспринимает
воздействие
технических
средств
различных
субъектов
электроэнергетики
.
В
свою
очередь
,
электрическая
энергия
при
определенных
условиях
может
вызвать
нарушение
нормального
функционирования
технических
средств
и
привести
к
рискам
для
жизни
и
здоровья
населения
,
а
также
к
воз
-
никновению
имущественного
ущерба
.
К
таким
условиям
относится
нарушение
показателей
КЭ
,
которые
дают
количественную
оценку
ее
свойств
.
При
этом
в
силу
ряда
особенностей
электрической
энергии
(
непрерывность
и
совпадение
во
времени
процессов
производ
-
ства
,
транспортировки
и
потребления
,
зависимость
качества
от
процессов
производства
,
транспорта
и
потребления
,
невозможность
хранения
и
возврата
некачественной
электри
-
ческой
энергии
)
часто
имеет
место
проблема
установления
ответственности
за
снижение
ее
качества
в
цепочке
«
Г
-
Т
-
Р
-
П
» [2].
Учитывая
вышесказанное
и
проникновение
в
большинство
сфер
экономики
и
жизни
населения
,
электрическая
энергия
в
электрических
сетях
общего
назначения
переменного
трехфазного
и
однофазного
тока
частотой
50
Гц
входит
в
Единый
перечень
продукции
,
подлежащей
обязательной
сертификации
[3].
При
этом
согласно
актуальной
редакции
ГОСТ
Р
58289-2018 [4]
заявителем
на
проведение
обязательной
сертификации
электри
-
ческой
энергии
является
сетевая
организация
,
от
электрических
сетей
которой
потреби
-
телям
передается
электрическая
энергия
в
соответствии
с
договором
с
энергосбытовой
Дмитрий
ШПАК
,
начальник
отдела
управления
качеством
электроэнергии
филиала
ПАО
«
Россети
Ленэнерго
» —
«
Кабельная
сеть
»
Кирилл
НЕТРЕБА
,
генеральный
дирек
-
тор
ООО
«
Айдис
Технологии
»
Качество
электроэнергии
3
организацией
.
Таким
образом
,
задача
подтверждения
КЭ
возложена
на
сетевые
компании
.
Сертификация
электрической
энергии
проводится
аккре
-
дитованным
в
установленном
порядке
органом
по
сертифи
-
кации
не
реже
1
раза
в
3
года
с
обязательным
последую
-
щим
инспекционным
контролем
не
реже
1
раза
в
год
.
Среди
процедур
и
документов
,
обязательных
к
предоставлению
на
рассмотрение
органом
по
сертификации
,
как
при
процедуре
сертификации
,
так
и
при
инспекционном
контроле
,
следует
выделить
протоколы
периодического
мониторинга
КЭ
и
ре
-
зультаты
их
анализа
.
Периодический
мониторинг
КЭ
проводится
сетевыми
организациями
по
ежегодным
и
ежеквартальным
графикам
и
представляет
собой
набор
плановых
мероприятий
:
анализ
схем
и
параметров
сети
,
выбор
(
расчет
)
пунктов
монито
-
ринга
КЭ
,
составление
и
согласование
графиков
проведе
-
ния
,
непосредственно
выполнение
измерений
показателей
КЭ
,
анализ
результатов
,
проведение
(
при
необходимости
)
корректирующих
мероприятий
с
повторным
мониторингом
.
Основной
задачей
периодического
мониторинга
является
оценка
сетевой
организацией
состояния
КЭ
в
электрических
распределительных
сетях
и
использование
результатов
мо
-
ниторинга
для
принятия
необходимых
управляющих
воздей
-
ствий
(
корректирующих
и
/
или
предупреждающих
организа
-
ционных
и
технических
мероприятий
)
с
целью
поддержания
необходимого
уровня
КЭ
в
точках
передачи
электрической
энергии
потребителям
[5].
Как
правило
,
периодический
мониторинг
проводится
путем
подключения
средств
измерения
показателей
КЭ
(
СИ
ПКЭ
)
к
исследуемой
сети
на
центрах
питания
(
в
логике
п
. 3.8 [5],
далее
—
ЦП
)
и
на
стороне
0,4
кВ
трансформаторов
6–20/0,4
кВ
ТП
/
РТП
,
выбранных
расчетным
путем
по
условию
минимальных
(
U
min
)
и
максимальных
потерь
напряжения
(
U
max
)
в
сети
каждого
центра
питания
,
на
синхронизирован
-
ный
промежуток
времени
.
Схема
организации
периодического
мони
-
торинга
показана
на
рисунке
1.
Кроме
периодического
(
пла
-
нового
)
мониторинга
КЭ
,
сетевы
-
ми
организациями
проводятся
различные
виды
внеочередного
мониторинга
КЭ
:
в
рамках
обра
-
щений
потребителей
и
сбытовых
организаций
о
снижении
КЭ
,
при
проведении
мероприятий
особой
важности
и
др
.
Таким
образом
суммарное
количество
измере
-
ний
в
рамках
различных
видов
мониторинга
КЭ
может
достигать
нескольких
сотен
и
даже
тысяч
в
год
.
Например
,
в
филиале
ПАО
«
Россети
Ленэнерго
» — «
Кабель
-
ная
сеть
»
за
2020
год
и
первую
половину
2021
года
выполнено
более
3900
измерений
по
-
казателей
КЭ
.
В
настоящее
время
мониторинг
КЭ
проводится
в
боль
-
шинстве
случаев
с
помощью
СИ
ПКЭ
мобильного
(
перенос
-
ного
)
исполнения
,
которые
подключаются
к
исследуемой
сети
на
ограниченный
интервал
времени
(
как
правило
,
от
2
до
7
суток
).
При
этом
,
например
,
в
филиале
ПАО
«
Россети
Ленэнерго
» — «
Кабельная
сеть
»
около
70%
используемых
СИ
ПКЭ
способны
при
подключении
к
устройствам
переда
-
чи
данных
(
локальная
сеть
, GSM-
модемы
и
др
.)
передавать
данные
на
удаленное
рабочее
место
или
сервер
сбора
дан
-
ных
по
запросу
оператора
или
в
автоматическом
режиме
.
Каждое
средство
измерения
ПКЭ
фиксирует
продолжи
-
тельные
изменения
характеристик
напряжения
(
нормиру
-
емые
ПКЭ
согласно
[1])
и
характеристики
ненормируемых
,
так
называемых
случайных
событий
(
прерывания
напряже
-
ния
,
провалы
напряжения
и
перенапряжения
,
импульсные
напряжения
),
производит
расчет
статистики
за
установлен
-
ный
интервал
анализа
(
сутки
/
неделя
)
и
сохраняет
резуль
-
таты
усред
ненных
значений
(
во
всех
случаях
используются
интервалы
усреднения
,
равные
10
мин
,
кроме
длительной
дозы
фликера
и
отклонений
частоты
).
Анализ
файла
из
-
мерений
СИ
ПКЭ
показывает
,
что
за
одни
сутки
в
сумме
по
всем
параметрам
фиксируется
порядка
60
тысяч
значений
.
В
случае
,
если
используется
анализатор
КЭ
(
СИ
с
функци
-
ей
измерения
ПКЭ
,
силы
тока
,
мощности
и
других
величин
),
значений
может
быть
в
разы
больше
.
В
качестве
отчетного
документа
,
содержащего
сведе
-
ния
о
пункте
мониторинга
,
условиях
проведения
измерений
,
данные
статистического
расчета
по
результатам
измерений
ПКЭ
за
установленный
интервал
анализа
и
оценку
их
со
-
ответствия
установленным
нормам
используется
протокол
с
приложениями
(
посуточно
или
за
неделю
),
форма
которого
установлена
в
[5].
Приложение
к
протоколу
представляет
Рис
. 1.
Схема
организации
периодического
мониторинга
КЭ
Подстанция
110
кВ
Распределительная
сеть
РП
—
распределительный
пункт
6–20
кВ
ТП
—
трансформаторная
подстанция
6–20/0,4
кВ
6–20
кВ
U
min
1
U
min
2
U
max
1
U
max
2
6–20
кВ
4
Ежеквартальный
спецвыпуск
№
4 (23),
декабрь
2021
График
отклонений
фазных
напряжений
,
усредненных
в
интервале
времени
10
мин
Вторник
15
июня
2021
г
.
Отклонение
, %
Время
U
a
U
b
U
c
U
пред
.
н
U
пред
.
в
набор
таблиц
с
указанием
норм
ПКЭ
и
фактически
достигнутыми
значени
-
ями
в
рамках
анализируемого
интер
-
вала
(
рисунок
2).
Следует
отметить
,
что
к
протоколу
может
быть
приложен
график
откло
-
нений
фазных
напряжений
(
рисунок
3),
что
делается
как
для
наглядности
,
так
и
в
связи
с
тем
,
что
положитель
-
ные
и
отрицательные
отклонения
на
-
пряжения
можно
отнести
к
ключевым
ПКЭ
,
которые
учитываются
при
про
-
ведении
обязательной
сертификации
электрической
энергии
,
и
нарушение
норм
которых
существенно
может
влиять
на
работу
электроприемников
потребителей
.
Рассмотренная
форма
исполь
-
зуется
для
предоставления
отчет
-
ности
в
органы
внешнего
контроля
(
например
,
при
сертификации
),
для
предоставления
в
рамках
запросов
сбытовых
организаций
о
снижении
КЭ
и
в
других
подобных
ситуациях
.
Тем
не
менее
такая
форма
не
поз
-
воляет
быстро
и
наглядно
проводить
комплексный
анализ
данных
по
не
-
скольким
пунктам
мониторинга
КЭ
(
например
,
в
сети
одного
ЦП
),
выяв
-
лять
одновременность
событий
(
на
-
пример
,
переключение
РПН
на
ПС
,
изменение
отклонений
напряжения
при
возмущениях
в
связанной
сети
и
др
.),
определять
интервалы
вре
-
мени
с
наличием
близости
значений
ПКЭ
к
установленным
нормам
,
соот
-
носить
графики
изменения
токов
по
фазам
с
отклонениями
напряжений
и
т
.
д
.
Кроме
того
,
выгрузка
данных
в
форму
протокола
и
их
анализ
по
одному
пункту
мониторинга
с
про
-
смотром
таблиц
приложений
с
целью
формирования
выводов
в
протоколе
о
соответствии
всех
ПКЭ
нормам
мо
-
жет
занимать
в
среднем
до
30
минут
.
Анализ
интерфейсов
программ
-
ного
обеспечения
,
поставляемого
совместно
с
СИ
ПКЭ
,
в
том
числе
на
примере
используемого
в
филиале
ПАО
«
Россети
Ленэнерго
» — «
Ка
-
Рис
. 2.
Пример
приложения
к
протоколу
испытаний
КЭ
Рис
. 3.
Пример
графика
отклонений
фазных
напряжений
Качество
электроэнергии
5
бельная
сеть
» (
рисунок
4),
также
показывает
не
толь
-
ко
отсутствие
встроенных
инструментов
комплексного
и
сравнительного
анализа
данных
ПКЭ
из
нескольких
пунктов
мониторинга
,
но
и
наглядного
представле
-
Рис
. 4.
Фрагменты
интерфейсов
ПО
для
СИ
ПКЭ
:
а
) «
Ресурс
-UF2Plus»;
б
) «
Энергомониторинг
ЭС
»;
в
) «Sonel Analysis»
в
)
б
)
а
)
6
Ежеквартальный
спецвыпуск
№
4 (23),
декабрь
2021
ния
выводов
по
всем
ПКЭ
в
рамках
одного
измерения
на
од
-
ном
экране
,
например
,
в
виде
дашборда
.
Наличие
в
большин
-
стве
программ
возможности
выгрузки
данных
в
форматы
.csv,
.xlsx
и
т
.
п
.,
подразумевает
использование
сторонних
средств
для
анализа
и
представления
данных
.
Однако
в
настоящее
время
разработчиками
СИ
ПКЭ
фактически
не
реализован
единый
стандарт
как
исходных
данных
о
ПКЭ
(
несмотря
на
упоминание
PQDIF (Power Quality Data Interchange Format)
в
[5]),
так
и
формата
экспорта
данных
для
дальнейшей
обра
-
ботки
внешним
ПО
.
Учитывая
различие
интерфейсных
решений
ПО
для
СИ
ПКЭ
и
других
ранее
указанных
особенностей
,
логичным
ре
-
шением
для
комплексного
и
наглядного
анализа
данных
является
использование
стороннего
ПО
,
способного
к
по
-
лучению
исходных
(
или
адаптированных
)
данных
из
СИ
ПКЭ
,
их
обработке
и
представлению
результатов
в
виде
интерактивных
и
наглядных
дашбордов
.
При
этом
предпочтительно
использование
сер
-
верного
решения
с
возможностью
:
загрузки
данных
из
разных
типов
СИ
ПКЭ
в
ручном
и
автоматическом
(
для
СИ
ПКЭ
,
подключенных
к
сети
)
режи
-
мах
,
параллельного
доступа
к
ранее
обработанным
данным
,
формирова
-
ния
различных
шаблонов
обработки
и
представления
данных
,
накоплением
статистики
по
различным
типам
выяв
-
ленных
несоответствий
и
предлагае
-
мых
мероприятий
и
др
.
В
настоящий
момент
промежуточ
-
ным
решением
для
комплексного
ана
-
лиза
данных
мониторинга
КЭ
может
являться
использование
стандартных
инструментов
в
Microsoft Excel,
до
-
полненных
макрокомандами
на
Visual
Basic for Application,
такой
подход
ис
-
пользуется
,
например
,
в
филиале
ПАО
«
Россети
Ленэнерго
» — «
Кабельная
сеть
».
Однако
указанный
подход
тре
-
бует
обязательной
предварительной
«
ручной
»
адаптации
данных
,
выгру
-
женных
из
СИ
ПКЭ
,
требователен
к
ре
-
сурсам
каждого
рабочего
места
,
огра
-
ничен
возможностями
Microsoft Excel,
привязан
локально
к
рабочему
месту
,
возможности
обновления
его
функцио
-
нала
и
оперативного
распространения
обновления
ограничены
.
Другой
предпосылкой
к
исполь
-
зованию
внешней
,
независимой
от
конкретного
производителя
СИ
ПКЭ
,
системы
обработки
данных
являет
-
ся
постепенный
переход
к
непрерывному
мониторингу
КЭ
в
рамках
реализации
концепции
цифровой
трансформации
электросетевого
комплекса
[6].
Такой
подход
должен
реа
-
лизовываться
путем
установки
во
вновь
создаваемых
и
ре
-
конструируемых
сетевых
сооружениях
СИ
ПКЭ
(
отдельного
исполнения
или
в
составе
многофункциональных
устройств
)
с
возможностью
дистанционного
сбора
данных
по
единому
протоколу
.
С
точки
зрения
организации
и
анализа
результатов
мони
-
торинга
КЭ
можно
условно
выделить
три
уровня
,
представ
-
ленные
на
рисунке
5.
В
настоящее
время
в
распределитель
-
ных
сетях
преобладает
уровень
1
с
элементами
уровня
2
на
отдельных
участках
.
Переход
к
третьему
уровню
согласуется
с
общим
для
мировой
электроэнергетики
трендом
по
переходу
от
тради
-
Рис
. 5.
Уровни
организации
и
анализа
результатов
мониторинга
КЭ
:
а
)
уровень
1 «
руч
-
ной
»;
б
)
уровень
2 «
комбинированный
»;
в
)
уровень
3 «
автоматизированный
»
б
)
в
)
а
)
Качество
электроэнергии
7
ционных
сетей
к
«
умным
»
сетям
(smart grid). «
Умные
»
сети
среди
прочего
характеризуются
двунаправленным
потоком
информации
и
генерацией
больших
объемов
данных
(big
data),
которые
далее
обрабатываются
и
анализируются
для
решения
различных
задач
.
Большим
источником
данных
в
сетях
smart grid
являются
различные
интеллектуальные
электронные
устройства
(IED),
например
,
терминалы
релей
-
ной
защиты
,
контроллеры
,
регуляторы
, «
умные
»
счетчики
электроэнергии
и
т
.
п
.
Тренд
на
интеграцию
функций
мони
-
торинга
качества
электроэнергии
в
эти
устройства
может
значительно
изменить
подходы
к
организации
всей
систе
-
мы
контроля
качества
электроэнергии
,
снизив
затраты
на
ее
внедрение
.
Например
,
если
в
конкретной
точке
уже
есть
IED-
устройства
с
определенным
набором
функций
КЭ
,
ста
-
вить
отдельное
СИ
ПКЭ
для
мониторинга
нет
необходимо
-
сти
.
Стоит
отметить
,
что
источником
данных
для
сетевых
компаний
могут
быть
не
только
данные
от
собственного
парка
устройств
,
но
также
и
из
устройств
,
установленных
на
стороне
потребителей
и
других
смежных
субъектов
энерге
-
тики
.
Так
,
промышленные
компании
внедряют
современные
анализаторы
качества
,
имеющие
функционал
записи
осцил
-
лограмм
и
позволяющие
при
соответствующей
обработке
данных
заранее
предупреждать
технологические
аварии
,
например
,
однофазные
замыкания
.
Внедрение
средств
измерения
,
различных
технологий
моделирования
,
а
также
сопутствующая
техническая
ин
-
формация
приводят
к
накоплению
в
электросетевой
ком
-
пании
огромного
количества
разноформатных
данных
.
Исследование
зарубежного
опыта
показывает
,
что
компа
-
нии
-
операторы
распределительных
сетей
уже
сейчас
опе
-
рируют
сотнями
терабайт
(
ТБ
)
новых
данных
каждый
год
[7].
Так
,
электросетевая
компания
,
обслуживающая
один
миллион
счетчиков
,
будет
получать
3
ТБ
в
год
новых
данных
по
потреблению
при
сборе
1
раз
в
15
минут
.
Устройства
син
-
хронизированных
векторных
измерений
(PMU),
установлен
-
ные
на
подстанционном
уровне
,
дают
средней
сетевой
ком
-
пании
40
ТБ
новых
данных
каждый
год
[7].
Опыт
филиала
ПАО
«
Россети
Ленэнерго
» — «
Кабельная
сеть
»
показал
,
что
при
различных
конфигурациях
и
в
зависимости
от
использу
-
емых
СИ
ПКЭ
,
при
непрерывном
мониторинге
КЭ
в
течение
1
месяца
в
одной
точке
(
пункте
),
средний
размер
сжатых
(
в
исходном
формате
СИ
ПКЭ
)
данных
составляет
4–6
Мб
.
При
оснащении
СИ
ПКЭ
(
в
том
числе
IED-
устройствами
),
на
-
пример
, 10 000
трансформаторов
,
объем
данных
составит
в
среднем
600
Гб
в
год
.
Последующее
проникновение
сбора
данных
на
уровень
точек
передачи
электрической
энергии
(
приборы
учета
на
границах
балансовой
принадлежности
)
приведет
к
увеличению
их
объема
как
минимум
на
порядок
,
то
есть
достигнет
нескольких
ТБ
.
Большие
данные
в
умных
сетях
помимо
объема
харак
-
теризуются
разнообразием
(
структурированные
/
неструк
-
турированные
,
синхронизированные
/
несинхронизирован
-
ные
),
разной
частотой
(
реал
-
тайм
,
секунды
/
минуты
/
часы
),
достоверностью
(
несоответствия
,
дублирование
,
пропуски
данных
,
вредоносная
информация
) [8].
Таким
образом
,
воз
-
никает
необходимость
обрабатывать
большой
объем
раз
-
ной
информации
как
поступающей
в
реальном
времени
,
так
и
архивных
данных
,
чтобы
извлечь
значимую
информацию
для
принятия
решений
на
основе
объективных
/
фактических
данных
.
Это
позволит
контролировать
КЭ
и
планировать
ско
-
ординированные
мероприятия
по
всей
цепочке
«
Г
–
Т
–
Р
–
П
».
Кроме
того
,
анализ
больших
данных
будет
играть
значи
-
тельную
роль
не
только
для
эффективного
технологическо
-
го
управления
электрическими
сетями
,
но
также
и
для
раз
-
вития
различных
бизнес
-
моделей
для
ключевых
участников
рынка
(
например
,
сетевых
компаний
,
системного
оператора
,
энергосбытовых
компаний
,
потребителей
).
Крупные
корпорации
,
такие
как
Google, Microsoft
и
Ama-
zon,
разработали
инструменты
для
анализа
и
обработки
данных
,
которые
позволяют
быстро
и
легко
обрабатывать
большие
объемы
данных
для
самых
разных
приложений
.
Таким
образом
,
организация
и
хранение
данных
могут
быть
хорошо
организованы
без
изобретения
новых
подходов
и
инструментов
в
этой
области
.
Однако
аналитика
больших
данных
—
это
больше
,
чем
просто
управление
данными
.
Это
скорее
операционная
интеграция
аналитики
больших
дан
-
ных
в
структуру
принятия
решений
электросетевой
компа
-
нией
.
Таким
образом
,
ключевая
задача
аналитики
больших
данных
—
превратить
большой
объем
необработанных
дан
-
ных
в
полезную
информацию
для
эффективной
интеграции
в
структуру
операционных
решений
компании
[9].
Опрос
,
проведенный
консалтинговой
компанией
Capgemini
среди
100
крупных
сетевых
компаний
в
Север
-
ной
Америке
,
Европе
и
Азиатско
-
Тихоокеанском
регионе
,
показал
,
что
большинство
(80%)
компаний
осознают
,
что
аналитика
больших
данных
имеет
решающее
значение
для
построения
интеллектуальных
сетей
и
является
источ
-
ником
новых
возможностей
для
бизнеса
[10].
Вместе
с
тем
традиционно
электросетевые
компании
являются
строго
регулируемыми
организациями
и
больше
сосредоточены
на
надежности
сетей
,
чем
на
испытании
новых
технологий
,
в
связи
с
чем
несколько
неохотно
относятся
к
внедрению
аналитики
больших
данных
.
Как
показано
на
рисунке
6 [11],
отсутствие
поддержки
со
стороны
руководства
,
нехватка
компетенций
,
проблемы
с
управлением
данными
и
отсут
-
ствие
надлежащей
бизнес
-
мотивации
являются
основными
факторами
,
которые
удерживают
такие
компании
от
развер
-
тывания
аналитики
больших
данных
[10].
Для
электросете
-
вого
комплекса
России
с
принятием
ПАО
«
Россети
»
концеп
-
ции
цифровой
трансформации
до
2030
года
[6],
менеджмент
электросетевых
компаний
наоборот
становится
драйвером
таких
изменений
.
Также
следует
отметить
,
что
пробле
-
мы
хранения
и
управления
данными
успешно
решаются
в
других
отраслях
(
например
,
в
банковской
и
телекомму
-
никационной
сферах
).
Операционная
интеграция
больших
данных
в
структуру
решений
электросетевых
компаний
и
их
8
Ежеквартальный
спецвыпуск
№
4 (23),
декабрь
2021
ценностное
предложение
для
различных
заинтересованных
сторон
(
например
,
по
-
требители
, IT-
интеграторы
,
системный
оператор
,
энергосбытовые
компании
),
а
также
профессиональное
обучение
яв
-
ляются
ключевыми
задачами
,
которые
необходимо
решить
.
Работа
с
качеством
данных
—
одна
из
тех
задач
,
которая
всегда
возникает
при
работе
с
реальными
данными
в
электри
-
ческих
сетях
и
оказывает
непосредствен
-
ное
влияние
на
качество
принимаемых
на
основе
анализа
данных
решений
.
Помимо
технических
причин
снижения
качества
данных
(
например
,
пропуски
в
данных
из
-
за
отказа
датчика
или
канала
передачи
,
физическое
повреждение
оборудования
,
точность
измерений
,
посторонний
шум
)
важно
учитывать
потенциальные
ошибки
специалиста
при
конфигурировании
оборудования
или
сис
-
тем
сбора
данных
,
при
осуществлении
выездных
разовых
за
-
меров
(
ошибки
чередования
фаз
,
указания
точки
измерения
и
т
.
п
.).
Для
решения
этих
задач
требуются
современные
ал
-
горитмы
интеллектуального
анализа
данных
(data mining) [11].
Также
методы
предварительной
обработ
-
ки
данных
(
например
,
очистка
данных
,
вос
-
становление
целостности
,
согласование
)
могут
использоваться
для
идентификации
и
удаления
шума
,
заполнения
пропущен
-
ных
значений
,
устранения
избыточности
,
исправления
несоответствий
и
фиксации
выбросов
[12].
Синхронизированность
данных
поз
-
воляет
устанавливать
связи
между
раз
-
личными
событиями
в
сети
и
востребо
-
вана
при
анализе
событий
в
прошлом
,
настоящем
и
будущем
[13].
Комбинация
оцифрованного
анализа
последователь
-
ности
событий
в
прошлом
(
например
,
что
действительно
сработало
,
включилось
или
выключилось
и
почему
)
и
состояния
сети
в
режиме
реального
времени
может
использоваться
для
получения
качествен
-
ных
решений
как
корректирующего
харак
-
тера
,
так
и
профилактического
.
Стандарты
и
регулирование
—
еще
один
важный
аспект
для
успеха
аналитики
больших
данных
в
электрических
сетях
.
Существуют
несколько
стандартов
ин
-
формационных
моделей
и
коммуникаци
-
онных
протоколов
(
например
,
МЭК
61850,
МЭК
61850-90-7,
МЭК
61970/61968, IEEE
1815
и
IEEE 2030.5) [14].
Для
максималь
-
ного
использования
преимуществ
от
ана
-
лиза
больших
данных
в
электроэнерге
-
тике
необходимо
наладить
обмен
данными
и
информацией
среди
разных
участников
отрасли
.
Для
этого
еще
предсто
-
ит
разработать
стандарты
и
рекомендации
для
архитектур
и
платформ
по
анализу
больших
данных
.
Другие
вызовы
работы
с
большими
данными
приведены
в
таблице
1.
Как
показано
на
рисунке
7,
основные
шаги
для
внедрения
аналитики
больших
данных
—
это
сбор
/
интеграция
данных
,
хранение
данных
,
аналитика
данных
и
использование
анали
-
тики
в
принятии
оперативных
и
управленческих
решений
.
Ана
-
Рис
. 6.
Барьеры
для
внедрения
аналитики
больших
данных
Табл
. 1.
Вызовы
при
работе
с
большими
данными
Вызов
Возможные
последствия
Потенциальное
решение
Объем
данных
Необходимость
увеличения
хранилища
данных
и
вычисли
-
тельных
мощностей
Уменьшение
размерности
,
парал
-
лельные
вычисления
,
граничные
вычисления
,
облачные
вычисле
-
ния
,
оплата
за
использование
Качество
данных
Отсутствие
полной
информации
,
ошибочные
решения
Вероятностный
и
стохастический
анализ
[11],
очистка
данных
(
на
-
пример
,
заполнение
пропусков
в
данных
,
удаление
шума
и
вы
-
бросов
,
согласование
данных
)
Кибербезо
-
пасность
Уязвимость
к
кибератакам
,
на
-
рушение
конфиденциальности
и
целостности
данных
,
ошибоч
-
ные
оперативные
и
финансовые
транзакции
Анонимизация
данных
(
например
,
агрегирование
данных
[15],
шиф
-
рование
данных
[16]
и
P2DA [17])
Синхрони
-
зация
по
времени
Ошибочные
оперативные
реше
-
ния
,
неправильная
интерпретация
данных
,
некачественная
диагно
-
стика
прошедших
событий
в
сети
Радио
-
и
спутниковая
синхрони
-
зация
устройств
[7],
применение
алгоритмов
синхронизации
данных
Индекси
-
рование
данных
Вычислительная
сложность
и
длительное
время
обработки
Применение
современных
алго
-
ритмов
индексирования
(R-trees,
B-trees,
дерево
квадрантов
)
Полезность
аналитики
Непринятие
заинтересованны
-
ми
сторонами
,
откладывание
внедрения
Оценка
как
технических
,
так
и
экономических
эффектов
для
заинтересованных
сторон
Стандарты
и
регулиро
-
вание
Проблемы
интерфейса
между
различными
средствами
изме
-
рения
,
платформами
хранения
и
обработки
данных
,
откладыва
-
ние
внедрения
Определение
основных
принци
-
пов
совместного
использования
/
обмена
данными
регулирующим
органом
,
обеспечение
стандартов
нормативными
аспектами
Качество
электроэнергии
9
литика
больших
данных
позволяет
увидеть
скрытые
и
потенциально
полезные
зависи
-
мости
и
закономерности
в
больших
наборах
данных
и
трансформировать
их
в
знания
или
принятые
решения
.
Для
такой
анали
-
тики
используются
различные
алгоритмы
и
подходы
,
например
,
кластеризация
,
кор
-
реляция
,
классификация
,
категоризация
,
регрессия
и
извлечение
признаков
[18, 19].
Комбинация
кор
-
реляционного
анализа
и
кластеризации
позволяет
,
например
,
среди
множества
измерений
показателей
КЭ
решить
задачу
проверки
правильности
чередования
фаз
или
определение
принадлежности
пунктов
мониторинга
к
единому
ЦП
.
В
зависимости
от
поставленной
задачи
можно
реали
-
зовать
описательную
,
диагностическую
,
предиктивную
или
предписывающую
аналитику
.
Описательная
аналитика
ча
-
сто
используется
для
моделирования
работы
электрической
сети
и
зачастую
дает
ответы
на
вопрос
«
что
произошло
?».
Диагностическая
аналитика
направлена
на
выявление
при
-
чин
произошедшего
(«
почему
произошло
?»)
и
подходит
для
принятия
корректирующих
решений
.
Поскольку
основная
цель
аналитики
больших
данных
в
опережающем
принятии
решений
,
предиктивные
модели
и
соответствующая
ана
-
литика
используются
для
прогнозирования
состояний
от
-
дельных
энергообъектов
и
системы
в
целом
.
Предиктивная
аналитика
отвечает
на
вопрос
«
что
случится
?».
Предписы
-
вающая
аналитика
использует
алгоритмы
,
позволяющие
по
-
нять
,
что
сделать
и
как
управлять
сетью
,
чтобы
достигнуть
ее
заданного
состояния
.
Сегодня
специалисты
подразделений
контроля
качества
электроэнергии
сетевых
компаний
на
основе
своих
эксперт
-
ных
знаний
и
опыта
могут
в
ручном
режиме
«
закрывать
»
за
-
дачи
описательной
и
диагностической
аналитики
.
То
есть
по
-
нимать
«
что
?»
и
«
почему
?»
произошло
в
сети
с
точки
зрения
качества
электроэнергии
.
Однако
,
как
уже
отмечалось
,
этому
предшествуют
значительные
временные
затраты
на
извле
-
чение
и
подготовку
данных
для
такого
анализа
.
А
развитие
сети
и
увеличение
количества
«
умных
устройств
»
с
функцией
мониторинга
КЭ
,
как
было
сказано
ранее
,
будет
лишь
увели
-
чивать
количество
данных
,
требующих
обработки
.
Первыми
шагами
в
сторону
аналитики
больших
данных
стало
использо
-
вание
языка
программирования
Python
для
автоматического
извлечения
данных
из
разных
форматов
и
их
обработки
.
Ис
-
ходные
данные
и
результаты
расчетов
далее
записываются
в
реляционную
СУБД
с
открытым
исходным
кодом
PostgreSQL
и
визуализируются
в
платформе
с
открытым
исходным
кодом
для
визуализации
,
мониторинга
и
анализа
данных
Grafana.
Такой
подход
позволяет
хранить
локально
и
в
оригиналь
-
ном
формате
исходные
данные
.
В
то
же
время
считывание
,
обработка
и
запись
в
PostgreSQL
данных
(
например
,
для
29
точек
мониторинга
)
происходит
за
время
не
больше
од
-
ной
минуты
на
среднестатистическом
офисном
ноутбуке
,
в
то
время
как
при
ручной
подготовке
данных
на
это
можно
по
-
тратить
до
нескольких
часов
.
Просмотр
на
одних
осях
данных
из
разных
точек
мониторинга
позволяет
с
учетом
экспертных
знаний
извлечь
полезную
информацию
,
например
,
иденти
-
фицировать
работу
(
переключения
)
РПН
на
ПС
,
определить
принадлежность
к
единому
источнику
,
выявить
масштабное
возмущение
в
сети
или
определить
соответствие
отклонений
напряжения
действующим
нормам
(
рисунок
8).
Рис
. 7.
Основные
шаги
при
внедрении
аналитики
больших
данных
Рис
. 8.
Просмотр
напряжений
фазы
А
с
точек
мониторинга
10
Ежеквартальный
спецвыпуск
№
4 (23),
декабрь
2021
Правильная
визуализация
данных
позволяет
момен
-
тально
фиксировать
внимание
эксперта
на
проблемных
точках
,
после
чего
он
может
строить
верную
стратегию
по
углубленному
анализу
данных
.
Подходящая
визуализация
и
экспертные
знания
также
позволяют
сразу
отбросить
не
-
перспективные
направления
анализа
,
что
исключает
не
-
продуктивную
трату
времени
.
Таким
образом
,
происходит
значительное
повышение
производительности
труда
квали
-
фицированного
персонала
.
Различная
визуализация
больших
данных
через
анали
-
тические
дашборды
(
например
,
в
Grafana)
не
только
в
мо
-
менте
дает
решение
повседневных
задач
специалиста
,
но
и
позволяет
прототипировать
и
нарабатывать
понимание
того
,
какие
задачи
и
как
могут
быть
решены
посредством
анализа
данных
,
то
есть
формировать
ценностную
модель
аналитики
больших
данных
(
рисунок
9).
Это
позволит
из
-
бежать
лишних
трат
при
внедрении
полноценной
системы
анализа
данных
,
обеспечит
ее
востребованность
и
,
соответ
-
ственно
,
внедрение
результатов
аналитики
в
операционную
деятельность
компании
.
Исходные
данные
,
в
том
числе
из
СИ
ПКЭ
,
могут
со
-
держать
ошибочную
информацию
,
например
,
неправильное
указание
точки
замера
или
ошибочное
чередование
фаз
.
Это
может
приводить
к
значительным
временным
затратам
специалиста
,
анализирующего
данные
,
на
поиск
причин
не
-
стыковки
различных
данных
между
собой
,
а
в
худшем
слу
-
чае
,
к
ошибочным
решениям
.
Здесь
чем
больше
данных
,
тем
больше
вероятность
идентификации
и
исправления
ошибочных
данных
автоматически
,
так
как
ошибочный
на
-
бор
данных
в
этом
случае
существует
не
изолированно
,
а
как
бы
в
контексте
.
Это
повышает
вариативность
приме
-
няемых
для
такой
идентификации
алгоритмов
и
повышает
устойчивость
каждого
из
них
.
Стоит
отметить
,
что
подбором
и
реализацией
алгоритмов
занимаются
отдельные
специалисты
по
анализу
данных
(data
scientists).
Однако
они
должны
получить
от
специалиста
по
ка
-
честву
электроэнергии
модель
возможных
ошибок
в
данных
,
чтобы
подобрать
нужные
алгоритмы
.
Специалист
по
КЭ
так
-
же
выступает
в
роли
заказчика
аналитики
,
так
как
именно
он
может
сформировать
правильный
перечень
задач
,
которые
аналитика
должна
решить
как
с
помощью
алгоритмов
,
так
и
с
помощью
визуализации
.
Чем
больше
количество
объектов
мониторинга
и
чем
больше
данных
,
тем
актуальней
встает
задача
перехода
квалифицированного
специалиста
в
пред
-
метной
области
от
работы
по
организации
данных
и
низко
-
уровневого
анализа
к
работе
с
результатами
высокоуровневой
аналитики
,
приоритизации
и
стратегическому
планированию
.
Таким
образом
,
среди
ожидаемых
положительных
аспек
-
тов
,
при
переходе
от
классических
методов
анализа
данных
мониторинга
КЭ
к
технологии
больших
данных
,
можно
вы
-
делить
следующие
:
–
повышение
наглядности
и
ускорение
процессов
ком
-
плексного
анализа
данных
как
по
одному
,
так
и
по
свя
-
занному
множеству
пунктов
мониторинга
;
–
минимизация
ошибок
при
базовом
(
первичном
)
анализе
данных
из
-
за
исключения
«
человеческого
фактора
»;
Рис
. 9.
Пример
информационного
дашборда
с
минимальной
аналитикой
и
исходными
данными
Качество
электроэнергии
11
–
снижение
трудозатрат
для
производственного
персона
-
ла
РЭС
;
–
развитие
новых
компетенций
у
инженерно
-
технического
персонала
;
–
накопление
данных
и
детальное
исследование
всего
спектра
показателей
КЭ
по
обобщающим
критериям
(
сезонность
,
принадлежность
к
ЦП
,
характер
нагрузок
,
подключение
новых
потребителей
и
т
.
д
.)
с
целью
выяв
-
ления
источников
снижения
КЭ
,
определения
ответ
-
ственности
сторон
(
субъектов
энергетики
,
включая
потребителей
)
и
повышения
качества
мероприятий
по
обеспечению
КЭ
;
–
формирование
доказательной
базы
в
области
КЭ
и
авто
-
матизация
отчетности
для
повышения
эффективности
взаимодействия
с
различными
субъектами
электроэнер
-
гетики
,
а
также
с
контролирующими
организациями
;
–
создание
предпосылок
для
изменения
законодательной
базы
в
сфере
ответственности
за
КЭ
,
формирование
подходов
к
гибкому
тарифному
регулированию
в
зави
-
симости
от
искажающего
воздействия
на
КЭ
в
точках
общего
присоединения
;
–
оперативное
предоставление
наглядной
картины
о
со
-
стоянии
КЭ
в
точках
передачи
электроэнергии
по
запро
-
су
заинтересованных
сторон
(
энергосбытовые
компании
,
исполнители
коммунальных
услуг
,
потребители
электро
-
энергии
и
др
.);
–
оперативное
реагирование
на
снижение
КЭ
и
своевре
-
менная
разработка
корректирующих
и
предупреждаю
-
щих
мероприятий
;
–
прогнозирование
в
автоматическом
режиме
состояния
КЭ
в
узлах
сети
при
изменении
схемы
,
подключении
новых
потребителей
,
ограничении
работы
средств
регулирова
-
ния
напряжения
на
высоковольтных
подстанциях
и
т
.
д
.
В
совокупности
перечисленное
выше
приведет
к
повы
-
шению
качества
предоставляемых
услуг
и
повысит
удовлет
-
воренность
потребителей
электроэнергии
.
ЛИТЕРАТУРА
1.
ГОСТ
32144-2013.
Электрическая
энергия
.
Совместимость
техниче
-
ских
средств
электромагнитная
.
Нормы
качества
электрической
энергии
в
системах
электроснабже
-
ния
общего
назначения
. URL: https://
docs.cntd.ru/document/1200104301.
2.
Баринов
В
.
М
.,
Попов
О
.
Ю
.,
Шпак
Д
.
А
.
Качество
электроэнергии
на
при
-
мере
города
-
миллионника
//
ЭЛЕК
-
ТРОЭНЕРГИЯ
.
Передача
и
распре
-
деление
, 2014,
№
3(24).
С
. 60–64.
3.
Постановление
Правительства
РФ
от
01.12.2009
№
982
Об
утверж
-
дении
единого
перечня
продук
-
ции
,
подлежащей
обязательной
сертификации
,
и
единого
перечня
продукции
,
подтверждение
соот
-
ветствия
которой
осуществляется
в
форме
принятия
декларации
о
со
-
ответствии
. URL: https://docs.cntd.ru/
document/902189451.
4.
ГОСТ
Р
58289-2018.
Оценка
соот
-
ветствия
.
Правила
сертификации
электрической
энергии
. URL: https://
docs.cntd.ru/document/1200161603.
5.
ГОСТ
33073-2014.
Электрическая
энергия
.
Совместимость
техниче
-
ских
средств
электромагнитная
.
Контроль
и
мониторинг
качества
электрической
энергии
в
системах
электроснабжения
общего
назначе
-
ния
. URL: https://docs.cntd.ru/docu-
ment/1200115349.
6.
Концепция
«
Цифровая
трансформа
-
ция
2030».
ПАО
«
Россети
». 2018.
URL: https://www.rosseti.ru/in vest-
ment/Kontseptsiya_Tsifrovaya_trans-
for matsiya_2030.pdf.
7. Zhou K., Fu C., Yang S. Big data driven
smart energy management: from big
data to big insights, Renew. Sustain.
Energy Rev., 2016, 56, pp. 215-225.
8. Zinaman O., Miller M., Adil A., et al.
Power systems of the future, Electr. J.,
2015, 28(2), pp. 113-126.
9. Hu J., Vasilakos A.V. Energy big data
analytics and security: challenges and
opportunities. IEEE Trans. Smart Grid,
2016, 7(5), pp. 2423-2436.
10. Big data blackout: are utilities power-
ing up their data analytics? Technical
report, 2015. URL: https://dataanalyt-
ics.report/articles/big-data-blackout-
are-utilities-powering-up-their-data-
analytics.
11. Cheng R., Kalashnikov D.V., Prabha-
kar S. Evaluating probabilistic queries
over imprecise data. Proc. SIGMOD
Int. Conf. on Management of Data,
2003, pp. 551-562.
12. Wagstaff K. Machine learning that mat-
ters, arXiv preprint arXiv:1206.4656,
2012.
13. Sciacca S. Big data and the need for
improved time synchronization stan-
dards. URL: https://www.csemag.com/
articles/big-data-and-the-need-for-
improved-time-synchronization-stan-
dards.
14. McGranaghan M., Houseman D.,
Schmitt L., et al. Enabling the integrat-
ed grid: leveraging data to integrate
distributed resources and custom-
ers, IEEE Power Energy Mag., 2016,
14(1), pp. 83-93.
15. Li F., Luo B., Liu P. Secure informa-
tion aggregation for smart grids using
homomorphic encryption. Proc. First
IEEE Int. Conf. on Smart Grid Commu-
nications (SmartGridComm), 2010, pp.
327-332.
16. Liu H., Ning H., Zhang Y., et al. Aggre-
gated-proofs based privacy-preserving
authentication for V2G networks in the
smart grid, IEEE Trans. Smart Grid,
2012, 3(4), pp. 1722-1733.
17. He D., Kumar N., Zeadally S. et al.
Ef
fi
cient and privacy-preserving data
aggregation scheme for smart grid
against internal adversaries, IEEE
Trans. Smart Grid, 2017, 8, pp. 2411-
2419.
18. Singh S., Yassine A. Mining energy
consumption behavior patterns for
households in smart grid, IEEE Trans.
Emerging Top. Comput., 2018, pp. 1-1,
to appear.
19. Sheng G., Hou H., Jiang X., et al.
A novel association rule mining meth-
od of big data for power transformers
state parameters based on probabi-
listic graph model, IEEE Trans. Smart
Grid, 2018, 9(2), pp. 695-702.
Оригинал статьи: О перспективах технологии больших данных при анализе качества электроэнергии
В условиях развития средств измерения, способов передачи, хранения и обработки данных растет актуальность смены классических подходов к их анализу. Переход к использованию технологий больших данных для анализа результатов мониторинга качества электрической энергии повысит эффективность мер по обеспечению действующих норм. Статья написана начальником отдела управления качеством электроэнергии филиала ПАО «Россети Ленэнерго» — «Кабельная сеть» Дмитрием Шпаком в соавторстве с представителем компании «Айдис Технологии».
