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

Page 1

Page 2

УПРАВЛЕНИЕ

СЕТЯМИ

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

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

руководитель отдела разработки ПО МНПП «АНТРАКС»

Page 3

(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

некоторых

РЭС

которых

установлены

устройства

АНТРАКС

Числ

о осцилл

ограмм

РЭС

20 k

15 k

10 k

5 k

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

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.

Рис

. 2.

Пример

распределения

аварий

по

типам

для

отдельно

взятого

РЭС

Числ

о осцилл

ограмм

ОЗЗ

вперед

ОЗЗ

МФЗ

АС

ОЗЗ

вперед

ОЗЗ

МФЗ

АВ

ОЗЗ

вперед

МФЗ

ВС

МФЗ

АВС

МФЗ

ОЗЗ

Рис

. 3.

Алгоритм

работы

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

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.