Особенности подготовки и обработки данных для прогнозирования событий в распределительных электрических сетях




Page 1


background image







Page 2


background image

66

УПРАВЛЕНИЕ

СЕТЯМИ

Особенности подготовки и обработки 
данных для прогнозирования 
событий в распределительных 
электрических сетях

В 

2006  году,  выступая  на 

конференции  по  марке-

тингу,  математик  Клайв 

Хамби  высказал  тезис, 

который  сейчас  определяет  раз-

витие не только отдельно взятых 

IT-фирм,  но  и  целых  отраслей: 

«Данные — это новая нефть. Как 

и нефть, они ценны, но не сами по 

себе, а благодаря продуктам на их 

основе. Данные должны быть об-

работаны, проанализированы для 

того,  чтобы  извлечь  из  них  цен-

ность,  повысить  рентабельность 

бизнеса».  Что  мы  видим  спустя 

полторы декады — большие объ-

емы  данных,  или  Big  Data,  ста-

новятся  частью  бизнес-модели 

в  различных  направлениях  дея-

тельности.  Аналитики  компании 

IDC прогнозируют, что к 2025 году 

во всем мире объем информации, 

который  накоплен  компаниями 

и  потребителями,  достигнет  от-

метки в 163 зеттабайта. По срав-

нению  с  2016  годом  этот  показа-

тель вырастет в 10 раз.

По  наблюдениям  Ассоциации 

больших  данных,  в  Российской 

Федерации  данные  от  таких  от-

раслей,  как  телекоммуникации 

или  IT,  используются  для  обуче-

ния  нейросетей  гораздо  чаще, 

чем  данные  таких  отраслей,  как 

металлургия,  ретейл  или  нефте-

газовая  отрасль.  Данные  же  от 

электроэнергетики  пока  никак  не 

фигурируют в отчетах. С чем это 

связано и как можно изменить си-

туацию — пойдет речь в статье.

Для начала отметим основные 

особенности,  связанные  с  под-

готовкой  и  обработкой  данных 

в  распределительных  электриче-

ских сетях:

•  события  в  электроэнергетике 

происходят достаточно редко;

•  отсутствуют  описания  проис-

ходящих  событий  в  открытом 

доступе  (только  в  журнале 

диспетчера),  откуда  следует 

проблема классификации дан-

ных  —  сопоставить  реальные 

события и полученные данные;

•  фактически отсутствуют специ-

ализированные  для  нейросе-

тей  устройства  регистрации 

нормального/аномального 

поведения распределительной 

электросети;

•  нет  понимания  необходимых 

типов данных для сбора и для 

использования  в  алгоритмах 

нейросетевого анализа;

•  в  текущих  временных  рядах, 

получаемых  из  штатных  реги-

страторов,  преимущественно 

нет  достаточной  для  построе-

ния моделей нейросети часто-

ты дискретизации;

•  недостаточно налажен процесс 

сотрудничества разработчиков 

искусственного  интеллекта 

с пользователем;

•  в  отрасли  отсутствует  пони-

мание  необходимости  сбора 

данных  нормального  режима 

работы РЭС;

•  в  применяемых  системах  мо-

ниторинга  отсутствует  подхо-

дящая  организация  процесса 

сбора и хранения данных.

Постараемся  рассмотреть  все 

по  порядку.  Для  чего  мы  хотим 

собирать данные? В первую оче-

редь,  актуальные  данные  помо-

гают  нам  строить  статистические 

модели и производить аналитиче-

ские выводы, что в свою очередь 

дает повод для внесения измене-

ний  в  систему  с  целью  достиже-

ния  лучших  показателей  эффек-

тивности  самой  системы.  Более 

качественный анализ, подразуме-

вающий разделение классифици-

рованных данных по соответству-

ющим кластерам и использование 

методов  искусственного  интел-

лекта, может дать нам больше — 

предиктивную аналитику.

Цифровизация  электроэнер-

гетики  идет  полным  ходом,  про-

должаясь уже не первый год, и на 

первый взгляд может показаться, 

что  с  введением  новых  цифро-

вых  РЭС  количество  данных, 

пригодных  для  проведения  ста-

тистического  анализа,  должно 

расти прямо пропорционально их 

количеству. На деле все гораздо 

сложнее,  ведь  отрасль  электро-

энергетики  характеризуется  не-

стабильной и, на первый взгляд, 

не  поддающейся  прогнозиро-

ванию  частотой  возникновения 

аварийных  ситуаций.  Добавляя 

к  этому  отсутствие  специализи-

рованных устройств регистрации 

данных и недостаточное понима-

ние  типов  данных,  необходимых 

для  качественного  анализа,  мы 

сталкиваемся  с  проблемой  по-

лучения, сбора и обработки дан-

ных, а впоследствии с проблемой 

построения  архитектуры  нейро-

сети для дальнейшего прогнози-

рования.  Вдобавок  ко  всему,  во 

многих  даже  цифровых  РЭС  не 

уделяется  достаточно  внимания 

организации  хранения  данных, 

а  также  электронному  докумен-

тообороту.

Допустим, что мы собрали до-

статочно  данных  хорошего  каче-

ства  в  виде  аварийных  событий 

Синяков

 

С

.

А

.,

 руководитель отдела разработки ПО МНПП «АНТРАКС»







Page 3


background image

67

(более  500  тысяч  штук),  провели 

анализ  и  разработали  модель 

нейросети,  которая  с  учетом  то-

пологии и особенностей цифрово-

го  РЭС  способна  решить  задачу 

прогнозирования,  но  далее,  что-

бы наложить данные на реальные 

события, необходимо изучить эти 

500  тысяч  событий  из  записей 

журнала  диспетчера  и  сопоста-

вить их с набором данных.

На данный момент такого пол-

ноценного обучения нейросети не 

существует,  так  как  невозможно 

специально создавать сотни и ты-

сячи аварийных ситуаций в реаль-

ной работающей распределитель-

ной сети.

Несмотря  на  все  эти  трудно-

сти и нетривиальность задачи, мы 

в  компании  АНТРАКС  сможем  ее 

решить, и вот что мы делаем. Мы 

имеем  достаточное  количество 

устройств, которые адаптированы 

и серифицированы для цифрови-

зации РЭС и которые уже установ-

лены  на  объектах  несколько  лет. 

Эти приборы способны не только 

регистрировать  аварийные  собы-

тия (ОЗЗ и МФЗ), но и записывать 

данные в виде осциллограмм ава-

рийных  процессов,  протекающих 

в распределительной сети. Также 

Рис

. 1. 

Количество

 

данных

 

с

 

некоторых

 

РЭС

в

 

которых

 

установлены

 

устройства

 

АНТРАКС

Числ

о осцилл

ограмм

РЭС

 18

РЭС

 12

РЭС

 6

РЭС

 15

РЭС

 9

РЭС

 3

РЭС

 17

РЭС

 11

РЭС

 5

РЭС

 14

РЭС

 8

РЭС

 2

РЭС

 16

РЭС

 10

РЭС

 4

РЭС

 13

РЭС

 7

РЭС

 1

20 k

15 k

10 k

5 k

0

нами  разработана  система  мо-

ниторинга  воздушных  линий  —

КОМОРСАН,  архитектура  БД  ко-

торой позволяет обращаться к ар-

хивным данным (рисунок 1).  

Мы  взяли  некоторое  количе-

ство  временных  рядов,  записан-

ных  нашими  устройствами  ИКЗ-

В34Л,  установленными  в  разных 

местах,  и  попробовали  обучить 

нейросеть  на  имеющихся  дан-

ных.  Результаты  были  положи-

тельны, и мы поняли, что харак-

теристики  приборов  позволяют 

нам  использовать  их  как  реги-

страторы данных.

Собраны более 170 тысяч ос-

циллограмм с более чем 8 тысяч 

устройств  ИКЗ-В34Л.  В  текущий 

момент  эти  данные  делятся  ал-

горитмами  искусственного  ин-

теллекта на условные кластеры, 

внутри  которых  определены  ха-

рактеристики  данных  для  опре-

деленного  типа  события,  такого 

как пробой изолятора, например, 

или коммутационные перенапря-

жения.  Некоторые  кластеры  со-

держат внутри себя шум с точки 

зрения  физических  параметров, 

однако,  когда  эти  и  другие  дан-

ные  будут  однозначно  размече-

ны при помощи журналов аварий 

диспетчера,  искусственный  ин-

теллект,  в  отличие  от  человека, 

сможет  не  просто  отличать  их 

от  нормального  режима  работы, 

но  и  оценивать  относительную 

вероятность  причастности  шума 

к конкретному событию в распре-

делительной сети (рисунок 2). 

Тут  мы  подобрались  к  основ-

ной проблеме подготовки данных 

для распределительных сетей — 

это их разметка.

Для  дальнейшего  развития 

продвинутого подхода в электро-

энергетике  нам  требуется  убе-

дить  персонал  в  необходимости 

сотрудничать  с  искусственным 

интеллектом  —  от  персонала 

требуется  помогать  размечать 

происходящие события.

Алгоритмы  должны  явно  по-

нимать,  чем  данные  об  обрыве 

провода  отличаются  от  данных, 

связанных,  скажем,  с  ускорен-

ным  старением  изоляции  и  по-

вреждением 

электрооборудо-

вания.  В  нашем  проекте  с  нами 

сотрудничает  несколько  РЭС 

в разных частях страны, которые 

заинтересованы в развитии циф-

ровизации  своих  объектов.  Из 

этих пилотных РЭС мы получаем 

информацию  о  событиях,  запи-

 2 (65) 2021







Page 4


background image

68

УПРАВЛЕНИЕ

СЕТЯМИ

санных в оперативных журналах 

диспетчеров,  затем  наши  data-

инженеры размечают собранные 

на их пилотных фидерах данные 

и  наши  разработчики  обучают 

нейросеть  на  полученные  тем 

самым  события,  одновременно 

проверяя  их  принадлежность 

к кластерам данных, упомянутых 

выше. И если события попадают 

в  какой-либо  неопределенный 

кластер,  уже  содержащий  сотни 

или тысячи временных рядов, то 

нейросеть  переобучается  и  точ-

ность определения события рез-

ко возрастает.

В  основу  формирования  да-

та-сета для обучения нейросети 

должны  ложиться  все  аномалии 

относительного нормального ре-

жима  работы,  зафиксированные 

в распределительной сети (рису-

нок 3). Для это необходим «отпе-

чаток  пальца»  РЭС.  В  пилотных 

регионах  мы  обязательно  сни-

маем нормальный режим работы 

сети. Зачастую энергетики счита-

ют, что регистрация нормального 

режима работы — это излишние 

затраты.  Однако  непрерывные 

временные  ряды  с  достаточной 

частотой  дискретизации  могут 

дать  понимание  о  характере  ра-

боты  распределительной  сети 

и  режим,  кажущийся  нормаль-

ным,  при  обработке  искусствен-

ным интеллектом может показать 

нам  индивидуальный  рисунок 

РЭС,  связанный  с  особенностя-

ми его инфраструктуры.

Именно отклонения от нормы, 

дают  нам  возможность  осущест-

влять  предиктивную  аналитику 

поведения  распределительной 

сети.  А  с  привязкой  к  топологии 

мы  получаем  прогностику  по  от-

дельным  участкам  сети  или  по 

отдельным  элементам  инфра-

структуры.  Например,  возможно 

выявлять  часто  повреждаемые 

участки сети с селекцией по типу 

аварий  и  причине  возникнове-

ния или, скажем, предотвращать 

ускоренное  старение  изоляции 

и  повреждение  электрооборудо-

вания. 

Несомненно,  потенциал  при-

менения  предиктивной  аналити-

ки  в  распределительных  сетях 

огромен,  как,  к  слову,  в  работе 

трансформаторов  и  электродви-

гателей. Для того чтобы его реа-

лизовать, мы с вами должны со-

действовать  подготовке  данных 

для  разработчиков  интеллек-

туальных  систем,  а  также  вно-

сить  новые  критерии  к  данным 

и  устройствам,  входящих  в  си с-

темы цифровизации.  

Р

Рис

. 2. 

Пример

 

распределения

 

аварий

 

по

 

типам

 

для

 

отдельно

 

взятого

 

РЭС

Числ

о осцилл

ограмм

ОЗЗ

 

С

 

вперед

ОЗЗ

 

А

ОЗЗ

 

А

 

назад

ОЗЗ

 

В

 

назад

ОЗЗ

 

С

МФЗ

 

АС

ОЗЗ

 

В

 

вперед

ОЗЗ

 

В

МФЗ

 

АВ

ОЗЗ

 

С

 

назад

ОЗЗ

 

А

 

вперед

МФЗ

 

ВС

МФЗ

 

АВС

70

60

50

40

30

20

10

0

МФЗ

ОЗЗ

Рис

. 3. 

Алгоритм

 

работы



Читать онлайн

В 2006 году, выступая на конференции по маркетингу, математик Клайв Хамби высказал тезис, который сейчас определяет развитие не только отдельно взятых IT-фирм, но и целых отраслей: «Данные — это новая нефть. Как и нефть, они ценны, но не сами по себе, а благодаря продуктам на их основе. Данные должны быть обработаны, проанализированы для того, чтобы извлечь из них ценность, повысить рентабельность бизнеса». Что мы видим спустя полторы декады — большие объемы данных, или Big Data, становятся частью бизнес-модели в различных направлениях деятельности. Аналитики компании IDC прогнозируют, что к 2025 году во всем мире объем информации, который накоплен компаниями и потребителями, достигнет отметки в 163 зеттабайта. По сравнению с 2016 годом этот показатель вырастет в 10 раз.

Поделиться:

«ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение» № 2(71), март-апрель 2022

Повышение эффективности производственной деятельности в Группе «Россети»

Интервью Управление сетями / Развитие сетей Управление производственными активами / Техническое обслуживание и ремонты / Подготовка к ОЗП Охрана труда / Производственный травматизм
Интервью с Первым заместителем Генерального директора — Главным инженером ПАО «Россети» А.В. Майоровым
«ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение» № 2(71), март-апрель 2022

Совершенствование процесса технологического присоединения энергопринимающих устройств заявителей в границах СНТ. Опыт ПАО «Россети Московский регион»

Управление сетями / Развитие сетей
ПАО «Россети Московский регион»
Спецвыпуск «Россети» № 1(24), март 2022

Передовые технологии группы компаний «Россети»

Управление сетями / Развитие сетей Цифровая трансформация / Цифровые сети / Цифровая подстанция
Григорий Гладковский, Дмитрий Капустин (ПАО «Россети»), Эльдар Магадеев (НТС «Россети» / «Россети ФСК ЕЭС»)
«ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение» № 1(70), январь-февраль 2022

Повышение эффективности почасового прогнозирования электропотребления с помощью моделей машинного обучения на примере Иркутской энергосистемы. Часть 2

Управление сетями / Развитие сетей Энергоснабжение / Энергоэффективность Цифровая трансформация / Цифровые сети / Цифровая подстанция
Томин Н.В. Корнилов В.Н. Курбацкий В.Г.
«ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение»