Применение нейронных сетей для прогнозирования аварийности воздушных линий

Page 1
background image

Page 2
background image

68

ВОЗДУШНЫЕ

ЛИНИИ

Применение нейронных сетей для 
прогнозирования аварийности 
воздушных линий

УДК 621.311.1:621.3.019.3

Галиаскаров

 

И

.

М

.,

главный инженер АО «ЦИУС 

ЕЭС» — ЦИУС Центра

Мисриханов

 

М

.

Ш

.,

д.т.н., ведущий научный 

сотрудник кафедры 

электроэнергетических систем

ФГБОУ ВО «НИУ «МЭИ»

Рябченко

 

В

.

Н

.,

д.т.н., главный технолог 

АО «НТЦ ФСК ЕЭС»

Шунтов

 

А

.

В

.,

д.т.н., профессор кафедры 

электроэнергетических систем

ФГБОУ ВО «НИУ «МЭИ»

Ключевые

 

слова

:

воздушные линии, параметр 

потока отказов (частота 

отказов), прогнозирование, 

преобразование Фурье, 

спектральный сингулярный 

анализ, нейронные сети, 

нечеткие нейронные сети

Рис

. 1. 

Значения

 

частоты

 

отказов

 

ВЛ

 500 

кВ

 

за

 

период

 1974–2018 

гг

с

 

наложе

-

нием

 

циклов

 

солнечной

 

активности

 (

пунктир

)

Годы

2023

2018

2013

2008

2003

1998

1993

1988

1983

1978

1973

0,9

0,8

0,7

0,6

0,5

0,4

0,3

0,2

0,1

0

Параме

тр по

тока о

тка

зов,

1/(г

од×100 км)

Показано

 

применение

 

различных

 

методов

 

прогнозирования

 

аварийности

 

воздушных

 

линий

 (

ВЛ

) 500 

кВ

 

обширного

 

региона

как

 

традиционных

 

регрессионных

 

методов

 (

пре

-

образование

 

Фурье

спектральный

 

сингулярный

 

анализ

), 

так

 

и

 

методов

базирующихся

 

на

 

искусственном

 

интеллекте

 (

нейронные

 

и

 

нечеткие

 

нейронные

 

сети

). 

Дан

 

прогноз

аварийности

 

ВЛ

 

в

 

основных

 

сетях

 

энергосистем

 

на

 

пятилетний

 

горизонт

 

планирования

.  

Р

анее в [1] анализу был под-

вергнут  временной  ряд 

параметра  потока  отказов 

(частоты  отказов) 

  воз-

душных линий (ВЛ) 500 кВ обширно-

го региона центрально-европейской 

части  страны  за  1974–2018  годы 

(рисунок  1).  Как  видно  из  рисунка, 

этот ряд имеет признаки нерегуляр-

ности, хаотичности: частота отказов 

линий  от  года  к  году  подвергается 

многократной (почти на порядок) из-

менчивости.  Структура  отказов  ВЛ 

500 кВ в рассматриваемом регионе 

исследована  в  [2]  за  период  2011–

2018  годов.  Выявлено,  что  соци-

альные  (воздействие  посторонних 

лиц,  несвоевременное  выявление 

и  устранение  дефектов,  несоблю-

дение сроков и требуемых объемов 

технического  обслуживания  или 

ремонта  и  др.)  и  природные  (голо-

ледно-изморозевые  отложения,  ат-

мосферные  перенапряжения,  при-

родные  пожары  и  др.)  воздействия 

примерно в равной мере оказывают 

влияние на аварийность ВЛ.

Черта  человеческого  мышле-

ния — стремление заглянуть в буду-

щее. В 2000-х годах в работе [3] была 

выдвинута  гипотеза  о  возможной 

цикличности  аварий  в  энергосисте-

мах.  На  основании  статистических 

данных (на рисунке 1 — это данные 

за период 1974–2001 годы) в [3] сде-

лано  предположение,  что  аварий-

ность  в  электрических  сетях  имеет 

колебательный характер с периодом, 

близким к (квази)одиннадцатилетне-

му циклу солнечной активности. При 

этом  изменчивость  частоты  отказов 

ВЛ  описывалась  математическими 

моделями,  содержащими  линейный 

тренд и набор гармонических состав-

ляющих,  определяемых  с  помощью 

преобразования Фурье (таблица 1).

Первый  вариант  модели  из  таб-

лицы  1  состоит  из  линейного  трен-

да и четырех гармоник, а случайная 

составляющая представлена в виде 

гауссовского  белого  шума.  Следуя 

гипотезе существования связи коли-

чества нарушений на ВЛ с солнечной 

активностью, в таблице 1 дан второй 

вариант  —  полигармониче-

ская  модель,  где  в  качестве 

основной  (найквистовой)  ча-

стоты принята гармоника с пе-

риодом 11,06 лет и добавлены 

еще четыре гармоники с крат-

ными  периодами.  В  третьем 

варианте 

математической 

модели (по сравнению со вто-

рым  вариантом)  исключены 

последние две высокочастот-

ные  гармоники  при  неизмен-

ной основной частоте.

На  рисунке  2  приведе-

ны  полученные  автором  [3] 

графики:  сглаженного  ряда 

аварийности ВЛ 500 кВ (кри-


Page 3
background image

69

Рис

. 2. 

Прогноз

 

аварийности

 

ВЛ

 500 

кВ

 [3]

Табл. 1. Математические модели временного ряда частоты отказов [2]

Состав-

ляющая

Параметр

Варианты математических моделей

I

II

III

Линейный

тренд

a

, 1/(год×100 км)

0,167

0,155

0,151

b

, 1/(год×100 км)

0,012

0,013

0,013

Гармоники

циклической 

компоненты

1

, 1/год

12,8

11,06

11,06

G

1

, 1/(год×100 км)

0,081

0,072

0,071

2

, 1/год

5,53

5,53

G

2

, 1/(год×100 км)

0,032

0,029

3

, 1/год

3,9

3,69

3,69

G

3

, 1/(год×100 км)

0,056

0,04

0,033

4

, 1/год

2,8

2,77

G

4

, 1/(год×100 км)

0,087

0,082

5

, 1/год

2,4

2,21

G

5

, 1/(год×100 км)

0,083

0,009

Случайная

состав-

ляющая

m

, 1/(год×100 км)

3,37·10

–17

–2,78

·

10

–17

1,13

·

10

–16

, 1/(год×100 км)

0,07

0,1

0,06

Обозначения

:

a

 

и

 

b

 — 

некоторые

 

коэффициенты

 

линейного

 

тренда

 (

a

 + 

bt

); 

t

 — 

время

;

i

 = 1/ 

f

i

f

i

 — 

основная

 

частота

 

i

-

й

 

гармоники

;

 

__________________

G

A

i

2

 

B

i

2

 

A

i

 

и

 

B

i

  — 

некоторые

 

параметры

 

гармоник

;

m

 

и

 

 — 

параметры

 

гауссовского

 

белого

 

шума

 (

математическое

 

ожида

-

ние

 

и

 

среднее

 

квадратическое

 

отклонение

 

соответственно

).

Табл. 2. Прогноз поведения 

временного ряда параметра 

потока отказов на пять лет

Год

,

1/(год×100 км)

2019

0,12

2020

0,14

2021

0,11

2022

0,25

2023

0,27

Годы

2014

2010

2006

2002

1998

1994

1990

1986

1982

1978

1974

0,8

0,6

0,4

0,2

0

–0,2

Част

ота о

тка

зов.

Со

лне

чная активно

сть

3

1

2

4

вая 1), случайной составляющей (2), 

регрессии  аварийности  ВЛ  500  кВ 

с прогнозом на 10 лет (до 2011 года), 

вычисленной  по  третьей  математи-

ческой  модели  прогнозирования  из 

таблицы  1  (3),  а  также  солнечной 

активности — чисел Вольфа, делен-

ных на 1000 (4).

Как видно из рисунка 2, в 2001 го-

ду  на  предстоящее  пятилетие  2002–

2006  годов  прогнозировалась  до-

статочно  высокая  аварийность  ВЛ 

500 кВ: на уровне 0,5 1/(год×100 км). 

Сравнивая  временной  ряд  на  рисун-

ке 1 и прогноз аварийности на рисун-

ке  2  в  интервале  2002–2006  годов, 

отметим,  что  предсказание  [3]  ока-

залось  во  многом  недостоверным. 

Согласно  [3],  для  ВЛ  500  кВ  при  за-

данном  горизонте  прогнозирования

  ≈  0,5  1/(год×100  км)  при  фактиче-

ских  значениях  преимущественно 

до  0,2–0,3  1/(год×100).  Исключение 

составил  первый  прогнозный  год 

(2002) — 0,54 1/(год×100 км) при факте

0,6  1/(год×100  км).  По  прочим  годам 

рассматриваемого  прогнозного  пери-

ода  присутствовали  примерно  двух-

кратные  отклонения  «прогноз-факт». 

Следовательно,  математическая  мо-

дель прогноза [3] сработала лишь на 

год вперед.

Исследования  [3]  в  области  про-

гнозирования  аварийности  ВЛ  следует  признать 

пионерскими на минувшем 20-летнем периоде. Од-

нако такой подход представляется предельно упро-

щенным  и  не  учитывает  возможности  современ-

ного  математического  аппарата  прогнозирования 

временных рядов, широко используемых в разных 

отраслях знаний.

К примеру, из традиционных регрессионных ме-

тодов есть более мощные средства — спектраль-

ный сингулярный анализ (ССА). Как известно, ССА 

относится  к  глобальным  методам  прогноза  и  ис-

пользуется для выделения периодических и квази-

периодических составляющих из временного ряда. 

Данный  метод  похож  на  преобразование  Фурье. 

Здесь исходный ряд также представляется в виде 

набора  составляющих.  Только  в  ССА  они  не  яв-

ляются в общем случае гармоническими — не от-

дельные гармоники, а более сложные спектры, со-

держащие, в том числе, экспоненты, полиномы и их 

комбинации. В основе метода лежит многомерное 

представление  анализируемого  временного  ряда 

в  виде  матрицы  задержек  —  набора  копий  ряда, 

взятых с лагом, то есть через определенный про-

межуток времени.

 6 (63) 2020


Page 4
background image

70

Рис

. 3. 

Схема

 

элементарного

 

процессора

x

1

x

2

x

n

k

1

k

2

u

y

k

n

Рис

. 4. 

Трехслойная

 

нейросеть

Выходной

слой

Скрытый

слой

Входной

слой

Входы

Выходы

ВОЗДУШНЫЕ

ЛИНИИ

В  работе  [4]  с  помощью  ССА  спрогнозировано 

дальнейшее  поведение  временного  ряда  на  рисун-

ке 1 на последующие пять лет (таблица 2).

Как  видно  из  приведенного  прогноза,  начиная 

с 2022 года ожидается примерно двух-трехкратный 

рост  аварийности  ВЛ  500  кВ,  традиционно  привя-

занный к очередному циклу солнечной активности.

До  сих  пор  речь  шла  о  хорошо  отработанных 

регрессионных  методах  прогнозирования  времен-

ных рядов. Среди альтернативных подходов может 

представлять  большой  научный  и  практический 

интерес  использование  методов,  связанных  с  ис-

кусственным интеллектом, в частности, нейронных 

сетей (далее сокращенно — нейросеть).

Известно,  что  одно  из  возможных  применений 

нейросетей — предсказание поведения динамиче-

ской  системы,  структура  и  параметры  которой  не 

известны, по ранее сгенерированному ею сигналу 

(в нашем случае — временному ряду на рисунке 1). 

Методология  нейросетей  широко  представлена 

в  специализированной  литературе.  Поэтому  лишь 

коснемся ее особенностей.

Искусственная нейронная сеть является матема-

тической моделью, реализующей принципы органи-

зации  и  функционирования  живых  (биологических) 

нейронных  сетей.  Она  представляет  собой  много-

связную систему искусственных нейронов (простых 

элементарных процессоров). Разработано большое 

разнообразие  архитектур  нейросетей:  сверточные, 

радиальные, глубокие и др. Классической и впервые 

реализованной Ф. Розенблаттом в 1957 году счита-

ется архитектура на основе персептрона (рисунок 3). 

В  ней  каждый  элементарный  процессор  включает 

набор усилительных звеньев с коэффициентами 

k

1

k

2

, …, 

k

n

, сумматоров 

 и различных нелинейных эле-

ментов (активаторов); здесь же приведены 

x

1

x

2

, …, 

x

n

 — входные сигналы, 

u

 — суммарный взвешенный 

сигнал, 

y

 — выходной сигнал.

Элементарные  процессоры  в  нейросети  мо-

гут  объединяться  в  так  называемые  слои  (рису-

нок  4).  Нейросеть  может  содержать  только  один 

слой — однослойная нейросеть, два слоя (входной 

и  выходной)  —  двухслойная,  а  также  то  или  иное 

количество  промежуточных  (скрытых)  слоев  — 

трехслойная (рисунок 4), четырехслойная и т.д.

Добавление  скрытых  слоев  приводит  к  возрас-

тающей  алгоритмической  сложности  нейросети. 

При  этом  усиливаются  ее  нелинейные  свойства  за 

счет мажорирования последовательно соединенных 

функций  активации.  Чем  больше  количество  скры-

тых  слоев,  тем  сложнее  внутренняя  организация 

нейросети.  Однозначного  ответа  на  вопрос,  какое 

количество  скрытых  слоев  должно  быть  выбрано 

при  решении  той  или  иной  задачи,  не  существует. 

Нейросеть  уже  с  одним  скрытым  слоем  (трехслой-

ная  сеть)  является  высокомощной  вычислительной 

программой. Добавление каждого скрытого слоя уве-

личивает как сложность кода нейросети, так и время 

обработки.  Таким  образом,  принятая  в  нейросетях 

математическая модель является нелинейной и по-

этому может характеризоваться нетривиальной мно-

гоэкстремальной гиперповерхностью.

Возможность обучения является одним из пре-

имуществ  нейросети  перед  традиционными  алго-

ритмами решения математических задач, но одно-

временно  с  этим,  и  одной  из  серьезных  проблем, 

поскольку даже после обучения нейросеть остает-

ся «черным ящиком». 

Обучение  заключается  в  определении  весов 

связей между нейронами, то есть в настройке ко-

эффициентов  усиления 

k

n

  (рисунок  3).  Для  это-

го  используются  различные  методы,  например, 

квазиньютоновские  (методы  «тяжелого  шарика»), 

имеющие  высокую  степень  зависимости  от  на-

чальных условий, а зачастую и от вычислительных 

ошибок. В силу указанной нелинейности нейросе-

ти  подобные  методы  не  гарантируют  достижения 

глобального  экстремума  (успешности  обучения). 

Другими словами, констатируя успешность завер-

шения  процесса  обучения  нейросети,  на  самом 

деле  нельзя  быть  уверенным,  что  достигнут  гло-

бальный, а не один из многочисленных локальных 

экстремумов. Последнее означает, что представи-

тельность (полнота) обучающей выборки является 

критически  важной  составляющей  правильности 

функционирования нейросети. Так, в одном из из-

вестных  авторам  отечественных  компьютерных 

приложений  для  классификации  текстовых  доку-

ментов при обучении нейросети было использова-

но более 100 млн новостных текстов, состоящих из 

10 млрд слов.

Не  меньшие  проблемы  возникают  при  сравни-

тельно коротких (как на рисунке 1, всего 45 истори-

ческих значений частоты отказов) обучающих вы-

борках вследствие сложности и неопределенности 

исследуемого процесса и собственной нелинейно-

сти нейросети. Одним из путей минимизации такого 

рода проблем являются многократные испытания 


Page 5
background image

71

нейросети при одной и той же обучающей выборке. 

Предполагалось, что среди найденных в процессе 

обучения экстремумов достаточно большое число 

будут  составлять  как  глобальный  экстремум,  так 

и близкие к нему локальные экс тремумы.

В  итоге  для  прогнозирования  аварийности  ВЛ 

500 кВ была выбрана нейросеть с прямой переда-

чей сигнала, то есть без обратной связи. Подобные 

сети успешно применялись при анализе временных 

рядов  в  смежных  областях.  Обучающая  выборка 

была представлена в виде матрицы задержек и со-

держала  значения  частоты  отказов  ВЛ  500  кВ  за 

45 лет наблюдений. Такая сравнительно небольшая 

статистическая выборка обуславливала многократ-

ные циклы «обучение-прогноз». Их общее количе-

ство 

n

  для  каждого  года  горизонта  планирования, 

равного пять лет, составляло от 10

4

 до 10

5

. Начиная 

с 

=  10

4

  гистограммы  распределений  частоты  от-

казов становились слабо зависимыми от 

n

, то есть 

приобретали свойство стационарности.

В  качестве  обучающего  массива  данных  для 

нейросети,  как  и  для  ССА,  задействована  матри-

ца задержек. При ССА ее размеры формировались 

для  достижения  хорошей  обусловленности  (мас-

штабированности),  что  оценивалось  с  помощью 

сингулярных чисел этой матрицы. Для нейросети, 

как  показал  вычислительный  эксперимент,  обуча-

ющая выборка требовала учета максимально воз-

можной  предыстории  для  достижения  минималь-

ной средней квадратической ошибки «эталонного» 

выхода нейросети. При этом количество столбцов 

матрицы  задержек  априорно  задавалось,  равным 

горизонту  прогнозирования  (пять  лет).  Так,  для 

прогноза  на  2019  год  эта  матрица  имела  размер-

ность 40×5:

=

:

Z

1975

Z

1974

Z

1975

Z

1976

Z

1976

Z

1977

Z

1978

Z

1977

Z

1978

Z

1979

Z

2013

Z

2014

Z

2015

Z

2016

Z

2017

Z

2014

Z

2015

Z

2016

Z

2017

Z

2018

Поясним,  что  первые  39  строк  использовались 

для  формирования  обучающих  входов  нейросети, 

а  последняя  строка  —  «эталонных»  выходов.  То 

есть  после  выполнения  процедуры  обучения  вы-

ходной сигнал нейросети должен с исчезающе ма-

лой ошибкой совпадать с «эталоном». Для обуче-

ния нейросети использована функция train в среде 

Matlab. На каждый следующий прогнозный год к ма-

трице  задержек  присоединялась  строка,  получае-

мая в результате добавления прогноза параметра 

потока отказов ВЛ 500 кВ на текущий год, а именно, 

2020 год — 41×5, 2021 год — 42×5 и т.д.

Прогнозирование частоты отказов ВЛ 500 кВ, как 

и в случае ССА, шло на один шаг (год) вперед. В ка-

честве  входного  сигнала  «обученной»  нейросети, 

например, на 2019 год, выступало значение частоты 

отказов в 2018 году; выходным сигналом — прогноз 

на  2019  год,  рассчитанный  функцией  sim  в  среде 

Ïðåîáðàçîâàòåëè
èçìåðèòåëüíûå
íàïðÿæåíèÿ ÏÈÍ
îò 50 Â äî 3000 Â

Âûñîêîâîëüòíûå

ýëåêòðîííûå

êëåùè ÊÒ-1000-Â

äëÿ èçìåðåíèÿ òîêà

äî 1000 À ïðè

íàïðÿæåíèè íà

òîêîâîé øèíå

äî 10 000 Â

Ïðåîáðàçîâàòåëè èçìåðèòåëüíûå

ìîùíîñòè ñåðèè ÏÈÌ

äëÿ êîíòðîëÿ àêòèâíîé ìîùíîñòè

â äèàïàçîíå îò 1 äî 4000 êÂò

Ïðåîáðàçîâàòåëè èçìåðèòåëüíûå

òîêà ñåðèè ÏÈÒ äëÿ èçìåðåíèÿ òîêà

îò 40 ìÀ äî 25 000 À

Преобразователи

 (

датчики

для

 

энергетиков

от

 

ООО

 «

НПО

 «

Горизонт

 

Плюс

»

j%

ä

C=…, 

 

nnn

 

&mon

 

&c%!,ƒ%…2

 

o

ãĊ

“[

(

Ą

.

 

h“2!=

l%“*%"“*%L

 

%K

ã

.)

 

C!

Ëąã

=

Ą

=

Ë

2

 

C!,K%!/

 

“%K“2"

Ë

……%L

 

!=ƒ!=K%2*,

 

ąã

 

 

äË

!

Ë

…, 

 

2%*=

…=C! ›

Ë

…, 

 

,

 

=*2,"…%L

 

ä

%?…%“2,.

 

o!

Ë

%K!=ƒ%"=2

Ëã

,

 

Ë

!2,-,

Ć

,!%"=…/

"…

Ë

Ë

…/

 

"

 

c%“!

ËË

“2!

 

qh

 

pt

 

,

 

C!

Ëą

“2="

ã

 

Ċ

2

 

ą

%“2%L…3

Ċ

 

ƒ=

äË

…3

 

,

ä

C%!2…/

ä

 

=…=

ã

%

Ą

=

ä

 

C%

 

“%%2…%

ĈË

…,

Ċ

 

ĆË

…=

/

*=

ćË

“2"%.

j%

ä

C=…, 

 

nnn

 

&mon

 

&c%!,ƒ%…2

 

o

ãĊ

“[

 

%“3?

Ë

“2"

ã

 

Ë

2

 

K

Ë

“C

ã

=2…3

Ċ

 

ą

%“2="*3

 

C!

Ë

%K!=ƒ%"=2

ËãË

L

 

"%

 

"“

Ë

 

!

ËĄ

,%…/

 

pt

,

 

"

 

“2!=…/

 

qmc.

+7

 

9

2

9

 

9

2

4

 

79

 2

7

+7

 

9

2

9

 

9

2

4

 

87

 

89

www.g

o

riz

ont-pl

us.ru

o!

Ë

%K!=ƒ%"=2

Ëã

,

 

(

ą

=2

ć

,*,)

 

%K

Ë

“C

Ëć

,"=

Ċ

2

 

Ą

=

ãĉ

"=…,

ćË

“*3

Ċ

 

,ƒ%

ã

 

Ć

,

Ċ

 

"

.

%

ą

…/

,

 

"/

.

%

ą

…/

ĆË

C

Ë

L

3

ą

%K…/L

 

"/

.

%

ą

…%L

 

,…2

Ë

!-

Ë

L“

 

0$

2

0

 

ä

`

 

(4$

2

0

 

ä

`).

www.g

o

riz

ont-pl

us.ru

На прав

ах рек

ламы

 6 (63) 2020


Page 6
background image

72

ВОЗДУШНЫЕ

ЛИНИИ

Matlab,  а  при  прогнозировании, 

допустим,  на  2020  год  —  про-

гноз параметра потока отказов на 

2019 год и т.д. 

На  рисунках  5–7  в  качестве 

примера  даны  гистограммы  рас-

пределений  частоты  отказов  ВЛ 

500  кВ  для  двух-,  трех-  и  деся-

тислойной  нейросетей.  Как  вид-

но  из  этих  рисунков,  чем  более 

разнообразней  и  насыщенней 

становится  ее  структура,  тем 

больше «степеней свободы» она 

себе  позволяет,  в  частности,  от-

рицательные  значения  частоты 

отказов  (рисунки  6  и  7).  Итогом 

применения  весьма  развитой 

нейросети  (рисунок  7)  является 

получение  прогноза,  описывае-

мого  (при  нормализации  гисто-

граммы)  нормальным  гауссов-

ским рас пределением случайных 

величин — сопоставлено с гисто-

граммой,  создаваемой  генерато-

ром псевдослучайных чисел.

Таким  образом,  хаотичность 

анализируемого  динамического 

процесса  (связано  со  сверхчув-

ствительностью  к  малым  изме-

нениям  начальных  условий  [4]) 

в  сочетании  с  нелинейностью 

нейросети  может  приводить  при 

одной  и  той  же  обучающей  вы-

борке  к  существенно  различа-

ющимся  прогнозам  частоты  от-

казов,  вплоть  до  отрицательных 

значений.

При  использовании  двух- 

и  трехслойных  нейросетей  наи-

более  вероятный  прогноз  ава-

рийности ВЛ 500 кВ на 2019 год: 

0,1–0,15  1(год×100  км).  Однако 

вероятности таких событий срав-

нительно  невелики:  примерно 

0,36 (рисунок 5) и 0,32 (рисунок 6), 

то есть скорее нет, чем да. Поэто-

му  рассчитано  математическое 

ожидание 

m

 и среднее квадрати-

ческое отклонение 



частоты от-

казов ВЛ 500 кВ на указанный год 

и представлено в таблице 3.

Как видно из представленных 

данных,  увеличение  количества 

слоев  незначительно  влияет  на 

прогнозные  оценки  за  исключе-

нием  появления  уже  при  трех-

слойной  сети  отрицательных 

значений  параметра  потока  от-

казов.  Отметим,  что  еще  в  [5] 

было  показано,  что  использо-

вание  двух-  или  трехслойных 

Рис

. 6. 

Гистограмма

 

распределения

 

частоты

 

отказов

 

ВЛ

 500 

кВ

 (

трехслой

-

ная

 

нейросеть

прогноз

 

на

 2019 

год

, 10

4

 

испытаний

)

Рис

. 7. 

Гистограмма

 

распределения

 

частоты

 

отказов

 

ВЛ

 500 

кВ

 (

десяти

-

слойная

 

нейросеть

прогноз

 

на

 2019 

год

, 10

5

 

испытаний

)

Табл. 3. Математическое ожидание 

m

 и среднее квадратическое отклонение 

 частоты отказов ВЛ 500 кВ на 2019 год

Структура сети

Двухслойная

Трехслойная

Десятислойная

m

, 1/(год×100 км)

0,180

0,182

0,189

, 1/(год×100 км)

0,067

0,074

0,057.

Рис

. 5. 

Гистограмма

 

распределения

 

частоты

 

отказов

 

ВЛ

 500 

кВ

 (

двухслой

-

ная

 

нейросеть

прогноз

 

на

 2019 

год

, 10

4

 

испытаний

)


Page 7
background image

73

нейросетей,  как  прави-

ло, достаточно для про-

гнозирования  даже  ха-

отического  поведения 

динамических  систем. 

Прогнозные 

значения 

аварийности  ВЛ  500  кВ 

на  2019–2023  годы  ука-

заны в таб лице 4.

Свойства  нейронной  сети  усиливаются  достоин-

ством нечеткой логики — возможностью использова-

ния экспертных знаний о структуре объекта в виде 

лингвистических выражений следующего вида: если 

«входы» такие-то, то «выходы» такие-то. Однако ал-

горитмы нечеткой логики сами по себе не содержат 

встроенных  механизмов  обучения  и  самоорганиза-

ции.  Поэтому  полученные  с  их  помощью  решения 

зависят  от  вида  так  называемых  функций  принад-

лежности,  которыми  формализуются  нечеткие  тер-

мы — качественные описания значений параметров, 

например,  типа  «мало»,  «много»,  «очень  много» 

и  др.  Для  прогнозирования  частоты  отказов  ВЛ 

500 кВ была выбрана одна из наиболее простых не-

четких нейросетей Ванга-Менделя. Она реализована 

в среде Matlab с помощью программы ANFIS. В рас-

четах были задействованы несколько функций при-

надлежности:  гауссовского  (gaussmf),  треугольного 

(trimf) и трапецеидального (trapmf) вида. Результаты 

прогнозирования  при  этом  имели  несущественные 

отличия  (на  уровне  тысячных  долей).  Таким  обра-

зом, выбор функции принадлежности для решаемой 

задачи не оказал заметного влияния.

При  решении  задачи  прогнозирования  аварий-

ности ВЛ с помощью программы ANFIS, как и пре-

жде,  использовалась  обучающая  выборка  в  виде 

матрицы задержек для нейросетей. При этом фор-

мирование  функций  принадлежности  производи-

лось на основе экспертной информации, в качестве 

которой использовались результаты прогнозирова-

ния методами ССА и нейросетей. Так, указывались 

следующие диапазоны частоты отказов:

 

– мало — 0÷0,075 1/(год×100 км);

 

– средне — 0,075÷0,275 1/(год×100 км);

 

– много — 0,275÷0,45 1/(год×100 км).

Как видно, одним из управляющих факторов яв-

лялся  запрет  на  отрицательные  значения  частоты 

отказов, а в качестве предпочтительного задавался 

диапазон 0,075÷0,275 1/(год×100 км).

ANFIS-прогнозирование,  как  и  ранее,  велось  на 

один шаг (год) вперед с выполнением 10

4

 опытов для 

каждого  шага  пятилетнего  горизонта  прогнозирова-

Табл. 4. Прогноз частоты отказов ВЛ 500 кВ на 2019–2023 гг.

(двухслойная/десятислойная нейросеть)

Год

2019

2020

2021

2022

2023

m

, 1/(год×100 км) 0,180/0,189

0,133/0,133

0,134/0,134

0,134/0,134

0,159/0,159

, 1/(год×100 км) 0,067/0,057

0,016/0,018

0,016/0,018

0,016/0,018

0,045/0,027

Медные самонесущие

кабели EXCEL и AXCES имеют

очень малый вес и наружный диаметр,

что позволяет использовать недорогие

крюки и зажимы, применяемые при

строительстве ВЛИ 0,4 кВ.
Временные линии используются при:
-  подключении электроэнергии на культурно-массовых

и спортивных мероприятиях,

-  подключении строительных объектов,
-  аварийном подключении абонентов,
-  устройстве временного переключения линий среднего

напряжения при их реконструкции и ремонте.

Барабаны могут соединяться между собой.

Кабель на барабане имеет концевые муфты

или кабельные адаптеры.

На прав

ах рек

ламы

 6 (63) 2020


Page 8
background image

74

ния.  Получить  распределения, 

близкие к гауссовским, не предста-

вилось возможным. Причина кро-

ется в том, что ни одна из функций 

принадлежности,  фигурирующая 

в прогнозаторах, не допускала от-

рицательных  значений  частоты 

отказов. На рисунке 8 в качестве 

примера  приведена  гис тограмма 

прогноза  частоты  отказов  ВЛ 

500 кВ на 2019 год для трехслой-

ной  нечеткой  нейросети.  Сравне-

ние гистограмм на рисунках 6 и 8

(трехслойные  сети)  показыва-

ет,  что  нечеткая  логика  убрала 

крайние  левые  и  правые  значе-

ния  параметра  потока  отказов. 

За  счет  этого  наиболее  вероят-

ный (наибольшее количество исходов опыта) про-

гноз аварийности ВЛ 500 кВ на 2019 год на уровне

0,1–0,15 1(год×100 км) возрос с 32 до 41%.

Проводимые  авторами  иссле дования  вы-

полнялись  не  один  год.  Поэтому  оказалось  воз-

можным  сравнить  прогнозные  и  фактические 

данные  за  истекший  2019  год.  Обработка  ста-

тистических  данных  выявила  частоту  отказов 

ВЛ  500  кВ  рассматриваемого  региона  на  уровне

0,1 1/(год×100 км) при прогнозе 0,12 1/(год×100 км)

методом  ССА.  Нейронные  и  нечеткие  нейросети 

дали  диапазон  0,1–0,15  1/(год×100  км)  при  наи-

более  высокой  вероятности  0,32÷0,41  (опять  ско-

рее  нет,  чем  да).  Если  же  ориентироваться  на 

математическое  ожидание  и  среднеквадратиче-

ское  значение,  то  прогнозный  диапазон  часто-

ты  отказов,  допустим,  для  трехслойной  нейрон-

ной  сети  составит  0,182±0,074  1/(год×100  км)  или 

0,108÷0,256  1/(год×100  км).  Нижняя  граница  это-

го  диапазона  отражает  свершившийся  факт,  од-

нако  верхняя  граница  в  2,5  раза  выше  отчетных

данных.

Хотя  нейросеть  ANFIS  и  считается  универ-

сальным  аппроксиматором,  альтернативой  ей 

являются  специализированные  нейронечеткие  про-

граммы,  к  примеру,  NNFLC  (Neural-Network-Based 

Fuzzy  Logic  Control  System  (Controller)),  FuzzyTECH, 

Wolfram  Mathematica  Fuzzy  Logic  и  др.  Насколько  их 

возможности превосходят ANFIS в плане прогнозиро-

вания временных рядов, ответить в настоящее время 

не  представляется  возможным,  поскольку  данный 

вопрос выходит далеко за рамки настоящей статьи.

ВЫВОДЫ

Таким  образом,  на  перспективу  пять  лет  ме-

тод  спектрального  сингулярного  анализа  дает 

к  2022–2023  годам  примерно  двух-трехкратный 

рост  аварийности  ВЛ  500  кВ  в  регионе:  от  0,1  до

0,25÷0,27  1/(год×100  км).  Нейронные  и  нечеткие  ней-

ронные  сети  предлагают  более  оптимистичные 

прогнозы  (таблица  4):  от  0,11  до  0,2  1/(год×100  км).

Тем не менее и традиционный регрессионный метод 

прогнозирования, и методы, связанные с искусствен-

ным  интеллектом,  сигнализируют,  что  в  обозримой 

перспективе объективно возможен кратный рост ава-

рийности в основных сетях энергосистем. Это целе-

сообразно принять во внимание при организации их 

эксплуатации.  

Рис

. 8. 

Гистограмма

 

распределения

 

частоты

 

отказов

 

ВЛ

 500 

кВ

 (

трехслой

-

ная

 

нечеткая

 

нейросеть

прогноз

 

на

 2019 

год

, 10

4

 

испытаний

)

ЛИТЕРАТУРА
1.  Галиаскаров И.М., Мисриханов М.Ш., Рябченко В.Н., 

Шунтов  А.В.  Об  аварийности  воздушных  линий  ос-

новной  сети  энергосистем  //  ЭЛЕКТРОЭНЕРГИЯ. 

Передача и распределение, 2020, № 1(58). С. 56–59.

2.  Галиаскаров  И.М.  О  надежности  воздушных  линий 

500  кВ,  выработавших  нормативный  срок  службы 

//  ЭЛЕКТРОЭНЕРГИЯ.  Передача  и  распределение, 

2020, № 3(60). С. 66–70 .

3.  Скопинцев  В.А.  Качество  электроэнергетических 

сис тем:  надежность,  безопасность,  экономичность, 

живучесть. М.: Энергоатомиздат, 2009. 332 с.

4.  Галиаскаров И.М., Мисриханов М.Ш., Рябченко В.Н., 

Шунтов  А.В.  Прогнозирование  хаотической  дина-

мики параметра потока отказов воздушных линий // 

Электричество, 2020, № 9. С. 4–10.

5.  Шабунин А.В. Нейронная сеть как предсказатель ди-

намики дискретного отображения // Известия вузов. 

Проб лемы  нелинейной  динамики,  2014,  т.  22,  №  5. 

С. 58–72.

REFERENCES
1.  Galiaskarov I.M., Misrikhanov M.Sh., Ryabchenko V.N., Shunt-

ov A.V. About the failure rate of overhead lines of the bulk pow-

er system //

 

ELECTRIC POWER. Transmission & Distribution, 

2020, no. 1(58), pp. 56-59. (In Russian) 

2.  Galiaskarov I.M. About reliability of 500 kV overhead transmis-

sion lines that have worked out their service life time // ELEC-

TRIC POWER. Transmission & Distribution, 2020, no. 3(60), 

pp. 66-70. (In Russian)

3.  Skopintsev V.A. Quality of power systems: reliability, security, 

cost-effi  ciency,  survivability.  Moscow,  Energoatomizdat  Publ., 

2009. 332 p. (In Russian)

4.  Galiaskarov I.M., Misrikhanov M.Sh., Ryabchenko V.N., Shunt-

ov A.V. Forecasting of chaotic dynamics of the failure rate pa-

rameter of overhead lines // Electricity, 2020, no. 9, pp. 4-10. 

(In Russian)

5.  Shabunin A.V. Neural network as a predictor of discrete map-

ping dynamics // News of Higher Educational Establishments. 

Problems of non-linear dynamics, 2014, vol. 22, no. 5, pp. 58-

72. (In Russian)

ВОЗДУШНЫЕ

ЛИНИИ


Читать онлайн

Показано применение различных методов прогнозирования аварийности воздушных линий (ВЛ) 500 кВ обширного региона: как традиционных регрессионных методов (преобразование Фурье, спектральный сингулярный анализ), так и методов, базирующихся на искусственном интеллекте (нейронные и нечеткие нейронные сети). Дан прогноз аварийности ВЛ в основных сетях энергосистем на пятилетний горизонт планирования.

Поделиться:

«ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение»