Прогнозирование вероятности аварийных отключений на объектах электросетевого комплекса

Page 1
background image

Page 2
background image

28

Прогнозирование вероятности 
аварийных отключений 
на объектах электросетевого 
комплекса

Бурдуков

 

Н

.

И

.,

 

заместитель

 

главного

 

инженера

 

по

 

Ленинградской

 

области

 

ПАО

 «

Ленэнерго

»

Галеев

 

М

.

Т

.,

 

начальник

 

ситуационно

-

аналитического

 

центра

 

ПАО

 «

Ленэнерго

»

Волтов

 

И

.

П

.,

  

главный

 

специалист

 

ситуационно

-

аналитического

 

центра

 

ПАО

 «

Ленэнерго

»

Сегодня

 

все

 

больше

 

компаний

 

производственной

 

отрасли

 

понимают

 

ценность

 

накоплен

-

ной

 

информации

 

и

 

энергетика

 

здесь

 

не

 

исключение

Но

 

все

 

же

как

 

из

 

объема

 

разно

-

образной

 (

почти

 

всегда

 

неструктурированной

информации

 

получить

 

тот

 

необходимый

 

объем

 

данных

который

 

будет

 

полезен

 

для

 

стратегического

 

планирования

 

и

 

системного

 

управления

 

организацией

 

или

 

предприятием

?

СЛОЖНОСТИ

 

ВЫБОРА

 

МОДЕЛИ

 

ПРОГНОЗИРОВАНИЯ

 

АВАРИЙНЫХ

 

СОБЫТИЙ

 

НА

 

ОБЪЕКТАХ

 

ЭЛЕКТРОСЕТЕВОГО

 

ХОЗЯЙСТВА

 

Во

 

многих

 

лидирующих

 

компаниях

 

энергетической

 

отрасли

 

в

 

настоящее

 

время

 

созданы

 

специализи

-

рованные

 

структурные

 

подразделения

 — 

ситуаци

-

онные

 

аналитические

 

центры

  (

САЦ

). 

Их

 

основная

 

задача

 — 

анализ

 

состояния

 

объектов

 

управления

 

и

 

прогнозирование

 

развития

 

проблемной

 

ситуации

В

 

случае

когда

 

речь

 

идет

 

о

 

прогнозировании

 

в

 

си

-

туационном

 

управлении

 

энергетической

 

компанией

прежде

 

всего

подразумеваем

 

вероятность

 

аварий

-

ных

 

отключений

  (

аварийных

 

событий

в

 

определен

-

ный

 

период

 

по

 

заданным

 

параметрам

Бесспорно

при

 

создании

 

такого

  «

высшего

 

алгоритма

» 

прогно

-

зирования

принятие

 

стратегических

 

управленческих

 

решений

 

упростится

что

 

приведет

 

к

 

заметной

 

эконо

-

мической

 

выгоде

 

предприятия

СПР

АВК

А

РАБОТА

 

С

 «

БОЛЬШИМИ

 

ДАННЫМИ

», «

ГЛУБИННЫЙ

 

АНАЛИЗ

 

ДАННЫХ

»

Термины

 Big Data, Data Mining 

или

 

статистический

 

бутстреп

 

(bootstrapping). 

Сейчас

 

эти

 

сло

-

ва

 

все

 

чаще

 

и

 

чаще

 

появляют

-

ся

 

при

 

работе

 

с

 

аналитической

 

отчетностью

И

 

здесь

 

встает

 

философская

 

проблема

борь

-

ба

 

эвристики

 

и

 

теории

эври

-

стических

 

методов

 

и

 

формали

-

стики

опирающейся

 

на

 

точные

 

математические

 

модели

.

У

 

сторонников

 

эвристиче

-

ской

 

методологии

 

сразу

 

же

 

по

-

является

 

закономерная

 

мысль

 

о

 

применении

 

специализиро

-

ванного

 

программного

 

обе

-

спечения

 

с

 

механизмом

  «

ма

-

шинного

 

обучения

» (Machine 

Learning) 

для

 

прогнозирова

-

ния

где

 

все

 

наши

 

модели

 

бу

-

дут

  «

обучаться

», 

проще

 

гово

-

ря

меняться

 

в

 

зависимости

 

от

 

накопленных

 

данных

Но

 

при

 

создании

 

модели

 

машинного

 

обучения

отвечающей

 

за

 

ве

-

роятность

 

аварийных

 

отклю

-

чений

 

в

 

электросетях

мы

 

на

 

первом

 

же

 

этапе

 

столкнемся

 

с

 

проблемой

аварийные

 

от

-

ключения

 

могут

 

быть

 

вызва

-

ны

 

факторами

отсутствую

-

щими

 

в

 

обучающей

 

выборке

а

 

так

 

же

 

возможна

  «

некор

-

ректность

» 

входных

 

данных

К

 

сожалению

эту

 

проблему

 

не

 

решает

 

увеличение

 

объ

-

ема

 

выборки

как

 

в

 

других

 

случаях

Поэтому

 

разработка

 

алгоритма

 

машинного

 

обуче

-

ния

  «

Вероятность

 

аварийных

 

отключений

 

в

 

электросетях

» 

требует

 

самой

 

тесной

 

консо

-

лидации

 

знаний

 

специалистов

 

технического

 

отдела

 

компа

-

нии

  (

внутренние

 

факторы

и

 

ситуационного

 

управления

 

(

внешние

 

факторы

). 

А

 

также

 

IT-

специалиста

который

 

все

 

эти

 

факторы

 

сможет

 

интегри

-

ровать

 

в

 

единый

  «

высший

» 

алгоритм

Очевидно

что

 

в

 

са

-

мом

 

ближайшем

 

будущем

 

будет

 

создана

 

такая

 

модель

оптимизированная

 

к

 

эксплуа

-

тации

.

Исследовательские

 

рабо

-

ты

 

по

 

поиску

  «

значимости

» 

связей

 

внешних

 

и

 

внутренних

 

факторов

 

начаты

 

в

 

ПАО

 «

Лен

-

энерго

» 

с

 

января

 2017 

года

.

ЭЛЕКТРОСНАБЖЕНИЕ


Page 3
background image

29

Американскому

 

философу

 

Джорджу

 

Сантаяна

 

принадлежит

 

очень

 

красивый

 

образ

: «

Подобно

 

тому

как

 

все

 

искусства

 

тяготеют

 

к

 

музыке

все

 

науки

 

стре

-

мятся

 

к

 

математике

». 

Прежде

 

всего

при

 

создании

 

прогнозов

 

для

 

каждого

 

фактора

 

должна

 

быть

 

вы

-

брана

 

и

 

обоснована

 

своя

 

математическая

 

модель

Математическое

 

представление

 

должно

 

быть

 

мак

-

симально

 

оптимизировано

 

к

 

эксплуатации

в

 

этом

 

и

 

состоит

 

обоснованность

 

модели

К

 

примеру

мы

 

можем

 

воспользоваться

 

аппаратом

 

математической

 

статистики

выбрать

 

теорию

 

вероятностей

постро

-

ить

 

модель

 

с

 

неким

 

количеством

 

параметров

Мо

-

дель

 

будет

 

настроена

 

по

 

предыдущим

 

историческим

 

результатам

 

превосходно

Но

 

результат

 

прогноза

 

на

 

завтра

 

разойдется

 

с

 

реальностью

 

настолько

что

 

мо

-

дель

 

окажется

 

вредной

Эта

 

модель

 

не

 

оптимизиро

-

вана

 

к

 

эксплуатации

Второй

 

вопрос

 (

но

 

не

 

менее

 

важный

связан

 

с

 

про

-

веркой

 

значимости

 

влияния

 

параметров

 

на

 

прогноз

.

ОСОБЕННОСТИ

 

ПОИСКА

 

ЗАКОНОМЕРНОСТЕЙ

 

В

 

СТАТИСТИЧЕСКОЙ

 

ИНФОРМАЦИИ

ПРОГНОЗИРОВАНИЕ

 

ВРЕМЕННЫХ

 

РЯДОВ

 

Использование

 

научного

 

подхода

 

требует

 

от

 

анали

-

тика

осуществляющего

 

прогнозирование

знания

 

на

-

чального

 

состояния

 

объекта

 

и

 

законов

 

их

 

изменения

Следовательно

для

 

синтеза

 

прогноза

 

аналитику

 

требуется

 

составить

 

гипотезу

 

о

 

временной

 

развертке

 

событий

  (

сформировать

 

теорию

), 

исходя

 

из

 

сведе

-

ний

 

о

 

состоянии

 

интересующего

 

объекта

.

До

 

начала

 

исследовательских

 

работ

 

в

 

ПАО

  «

Лен

-

энерго

» 

была

 

разработана

 

сравнительная

 

характери

-

стика

 

возможных

 

методов

 

анализа

 

данных

 (

таблица

 1). 

В

 

ней

 

рассмотрены

 

наиболее

 

характерные

 

методы

ис

-

ходя

 

из

 

разнородности

 

входных

 

данных

 

и

 

маленького

 

«

шага

» 

временных

 

рядов

 (

как

 

выяснилось

 

позже

для

 

многих

 

параметров

 

будущей

 

системы

). 

В

 

сентябре

 2016 

года

 

в

 

ситуационно

-

аналити

-

ческом

 

центре

 

ПАО

  «

Ленэнерго

» 

начались

 

рабо

-

ты

 

по

 

глубокому

 

анализу

 

отчетности

 

об

 

аварийных

 

событиях

 

на

 

объектах

 

электросетевого

 

комплекса

 

в

 2014–2016 

годах

Одной

 

из

 

целей

 

данной

 

детали

-

зированной

 

работы

 

стало

 

выявление

 

модели

 

прогно

-

зирования

обладающей

 

наибольшей

 

точностью

После

 

предварительного

 

анализа

 

природы

 

ста

-

тистических

 

данных

 

было

 

решено

 

воспользоваться

 

классическими

 

методами

так

 

как

выбирая

 

данный

 

путь

 

исследований

 

можно

 

было

 «

убить

 

двух

 

зайцев

». 

Во

-

первых

основательно

 

проработать

 

сам

 

класси

-

ческий

 (

статистический

метод

 

и

 

добиться

 

его

 

опти

-

мизации

 

математическими

 

методами

Во

-

вторых

на

 

Табл

. 1. 

Сравнительная

 

характеристика

 

возможных

 

методов

 

анализа

 

данных

Способ

 (

алгоритм

)

Точность

Масштаби

-

руемость

Пригодность

 

к

 

исполь

 

зованию

Трудо

 

емкость

Быстрота

Классические

 

методы

 

(

линейная

 

регрессия

)

нейтральная

высокая

высокая

(

легко

 

адаптируемая

)

низкая

(

нейтральная

)

высокая

Нейронные

 

сети

высокая

низкая

низкая

нейтральная

(

высокая

)

низкая

Полиномиальные

 

нейронные

 

сети

высокая

высокая

высокая

низкая

(

нейтральная

)

низкая

(

нейтральная

)

основании

 

заключений

 

классического

 

метода

 

соста

-

вить

 

связи

 (

зависимости

для

 

нейронных

 

сетей

 

и

 

их

 

разновидностей

.  

Был

 

составлен

 

план

 

исследовательских

 

работ

 

и

 

список

 

действий

 

для

 

построения

 

прогностической

 

модели

включавший

 

в

 

себя

:

1. 

Анализ

 

временной

 

последовательности

 

на

 

пред

-

мет

 

наличия

 

пропущенных

 

и

 

выпадающих

 

зна

-

чений

  (

в

 

случае

 

необходимости

коррекция

 

этих

 

значений

).

2. 

Определение

 

наличия

 

тренда

 

и

 

его

 

типа

Опреде

-

ление

 

наличия

 

периодичности

 

в

 

последователь

-

ности

.

3. 

Проверка

 

последовательности

 

на

 

стационар

-

ность

.

4. 

Анализ

 

последовательности

 

на

 

предмет

 

необходи

-

мости

 

предварительной

 

обработки

 (

логарифмиро

-

вание

взятие

 

разнос

 

тей

).

5. 

Выбор

 

модели

.

6. 

Определение

 

параметров

 

модели

Прогноз

 

на

 

ос

-

новании

 

выбранной

 

модели

.

7. 

Оценка

 

точности

 

прогнозирования

 

модели

.

8. 

Анализ

 

характера

 

ошибок

 

выбранной

 

модели

.

9. 

Определение

 

адекватности

 

выбранной

 

модели

 

и

в

 

случае

 

необходимости

ее

 

замена

 

и

 

возвра

-

щение

 

к

 

предыдущим

 

пунктам

.

После

 

подготовки

 

исходных

 

данных

 

для

 

анализа

 

(

агрегирования

), 

определилась

 

весьма

 

интересная

 

закономерность

 

сильной

 

зависимости

 

количества

 

аварийных

 

отключений

 

от

 

некоторых

 (

не

 

всех

погод

-

ных

 

факторов

.

ОПИСАНИЕ

 

МОДЕЛИ

ДАЛЬНЕЙШЕЕ

 

РАЗВИТИЕ

 

ПРОГНОЗИРОВАНИЯ

 

КОЛИЧЕСТВА

 

АВАРИЙНЫХ

 

ОТКЛЮЧЕНИЙ

В

 

ПАО

 «

ЛЕНЭНЕРГО

»

В

 

процессе

 

определений

 

зависимости

 

каждого

 

ис

-

следуемого

 

параметра

 

на

 

количество

 

аварийных

 

от

-

ключений

 

в

 

сетях

 

ПАО

 «

Ленэнерго

» 

использовались

 

классические

 

методы

 

проверки

 

гипотез

 — 

t

-

критерий

 

Стьюдента

 

и

 

F

-

тест

.

Наиболее

 

сильными

 

параметрами

имеющими

 

значение

 

близкое

 

к

 1 (

или

 –1, 

в

 

случае

 

обратной

 

свя

-

зи

по

 

критерию

 

Стьюдента

оказались

 

семь

 

погод

-

ных

 

факторов

:

1) 

скорость

 

ветра

;

2) 

направление

 

ветра

;

3) 

температура

 

воздуха

;

4) 

относительная

 

влажность

 

воздуха

;

5) 

точка

 

росы

;

6) 

относительное

 

атмосферное

 

давления

;

7) 

погодные

 

явления

 (

дождь

гроза

морось

снег

туман

).

 2 (41) 2017


Page 4
background image

30

Чтобы

 

составить

 

общую

 

формулу

 

прогно

-

зирования

 — 

линейно

 

регрессионную

 — 

необ

-

ходимо

 

было

 

перевести

 

некоторые

 

парамет

 

ры

 

в

 

фиктивные

 

переменные

Например

, «

погод

-

ные

 

явления

» 

и

 «

направление

 

ветра

» 

не

 

могут

 

напрямую

 

попасть

 

в

 

модель

 

прогнозирования

 

(

рисунок

 1). 

В

 

этих

 

целях

 

была

 

проведена

 

про

-

цедура

  «

оцифровки

» (

переменным

 

приписы

-

вались

 

цифровые

 

метки

 

по

 

определенным

 

правилам

). 

Таким

 

образом

с

 

точки

 

зрения

 

математики

наши

 

номинальные

 

переменные

 

превратились

 

в

 

фиктивные

 

переменные

.

Для

 

всех

 

остальных

  (

нефиктивных

пере

-

менных

 

коэффициенты

 

просчитываются

 

по

 

стандартным

 

правилам

с

 

помощью

 

метода

 

наименьших

 

квадратов

.

Отдельно

 

рассчитан

 

и

 

введен

 

в

 

модель

 

параметр

 

сезонности

 (

три

 

сезона

лето

зима

осень

-

весна

имеющие

 

свой

  «

вес

» 

на

 

основе

 

анализа

 

временных

 

рядов

). 

Построение

 

ад

-

дитивных

 

моделей

 

сезонности

где

 

значение

 

признака

 

в

 

период

 

времени

 

t

 

представляется

 

в

 

виде

 

суммы

 

трех

 

слагаемых

 (

тренда

сезон

-

ности

случайной

 

компоненты

), 

закрыло

 

во

-

прос

 

количества

 

аварийных

 

событий

 

в

 

осен

-

не

-

зимний

 

период

.

В

 

итоге

 

математическая

 

модель

 

получи

-

лась

 

очень

 

гибкой

позволяющей

 

вводить

 

до

-

статочно

 

много

 

новых

 

параметров

 

в

 

систему

 

(

естественно

после

 

доказательства

 

значимо

-

сти

 

параметра

).

Как

 

видно

 

из

 

графика

 

модели

 

прогнози

-

рования

 

и

 

реальных

 

значений

 

аварийных

 

со

-

бытий

значения

 

прогноза

 

почти

 

всегда

 

совпадают

 

с

 

реальными

 

значениями

 

и

 

всегда

 

попадают

 

в

 

прогно

-

зируемый

 

коридор

 (

рисунок

 2). 

Это

 

говорит

 

о

 

пригод

-

ности

 

модели

 

к

 

эксплуатации

.

Для

 

того

 

чтобы

 

сузить

 

коридор

 

и

 

избежать

 

явно

 

выпадающих

 

значений

на

 

последнем

 

этапе

 

в

 

систему

 

вводится

 

метод

 

Гаусса

-

Зейделя

 

и

 

Фибоначчи

Эти

 

ма

-

тематические

 

формулы

 

позволяют

 

минимизировать

 

отклонения

 

прогноза

 

от

 

реальных

 

значений

.

В

 

результате

 

после

 

завершения

 

всех

 

этапов

 

ис

-

следования

стало

 

очевидно

что

 

полученная

 

модель

 

имеет

 

большую

 

статистическую

 

мощность

 

и

 

отвечает

 

на

 

все

 

поставленные

 

первостепенные

 

задачи

Автоматизация

 — 

модель

 

способна

 

обрабаты

-

вать

 

большие

 

потоки

 

входных

 

данных

модель

 

легко

 

интегрировать

 

с

 

системой

 

управления

 

базы

 

данных

.

Точность

 — 

изначально

 

модель

 

имела

 

коэффи

-

циент

 

детерминации

  (

зависимость

 

всех

 

переменных

 

модели

равный

 70%, 

но

 

при

 

вводе

 

дополнительных

 

значимых

 

параметров

  (

t

-

критерий

 

Стьюдента

 

боль

-

ше

 0,8) 

этот

 

показатель

 

увеличивается

также

 

увели

-

чение

 

точности

 

прогноза

 

достигнуто

 

путем

 

ввода

 

в

 

си

-

стему

 

методов

 

сглаживания

 

динамических

 

рядов

.

Адаптируемость

 

— 

в

 

зависимости

 

от

 

целей

 

и

 

за

-

дач

 

модель

 

можно

 

применять

 

на

 

разных

 

географиче

-

ских

 

и

 

временных

 

уровнях

что

 

не

 

потребует

 

полного

 

перерасчета

 

математической

 

составляющей

а

 

толь

-

ко

 

отдельных

 

параметров

Гибкость

 

— 

построение

 

модели

 

из

 

начальных

 

па

-

раметров

 

дает

 

возможность

 

экспериментировать

 

при

 

Рис

. 1. 

График

 

зависимости

 

аварийных

 

отключений

 

от

 

силы

 

ветра

 (

определенный

 

исследуемый

 

период

определенная

 

геогра

-

фическая

 

область

) — 

зависимость

 

почти

 

линейная

Рис

. 2. 

График

 

модели

 

прогнозирования

 

по

 

погодным

 

парамет

 

рам

:

Y-

отклик

 — 

реальное

 

количество

 

аварийных

 

событий

; Y-

прогноз

 —

прогнозируемая

 

величина

Макс

-

Мин

 — 

прогнозируемый

 

коридор

ее

 

реализации

 

и

 

в

 

процессе

 

эксплуатации

 (

тем

 

самым

 

обеспечивается

 

необходимая

 

гибкость

 

модели

). 

Все

 

закономерности

открытые

 

в

 

ходе

 

аналитиче

-

ских

 

работ

будут

 

основой

 

для

 

продолжения

 

иссле

-

дований

 

и

 

создания

 

более

 

совершенного

 

механизма

 

прогнозирования

/

моделирования

своего

 

рода

  «

выс

-

шего

» 

алгоритма

.

Стоит

 

отметить

что

 

текущая

 

модель

разрабо

-

танная

 

в

 

ПАО

 «

Ленэнерго

», 

строит

 

прогнозы

 

общего

 

количества

 

аварийных

 

событий

 

за

 

определенный

 

пе

-

риод

  (

от

 

одной

 

до

 

восьми

 

недель

). 

Это

 

необходимо

 

учитывать

 

при

 

работе

 

в

 

рамках

 

системной

 

аналитики

Сейчас

 

в

 

ПАО

 «

Ленэнерго

» 

идут

 

работы

 

по

 

опре

-

делению

 

взаимосвязей

 

между

 

другими

 

внешними

 

факторами

а

 

также

 

внутренними

  (

индекс

 

состояния

 

оборудования

графики

 

ТО

 

и

 

другие

). 

Это

 

позволит

 

воплотить

 

более

 

совершенную

 

модель

 

прогнозирова

-

ния

 

аварийных

 

отключений

 

в

 

создаваемой

  «

Единой

 

базе

 

данных

 

САЦ

 

ПАО

 «

Ленэнерго

».  

ЛИТЕРАТУРА

1. 

Елисеева

 

И

.

И

., 

Курышева

 

С

.

В

Фиктивные

 

переменные

 

в

 

анализе

 

данных

 // 

Социология

методология

методы

математическое

 

моделирование

, 2010, 

 30. 

С

. 43–63.

2. 

Чубукова

 

И

.

А

. Data Minning [

Электронный

 

ресурс

]. 

URL: http://www.kodges.ru/komp/database/336211-data-
mining-2016.html.

3. 

Лукашин

 

Ю

.

П

Адаптивные

 

методы

 

краткосрочного

 

про

-

гнозирования

 

временных

 

рядов

М

.: 

Изд

-

во

  «

Финансы

 

и

 

статистика

», 2003. 415 

с

ЭЛЕКТРОСНАБЖЕНИЕ


Читать онлайн

Сегодня все больше компаний производственной отрасли понимают ценность накопленной информации и энергетика здесь не исключение. Но все же, как из объема разнообразной (почти всегда неструктурированной) информации получить тот необходимый объем данных, который будет полезен для стратегического планирования и системного управления организацией или предприятием?

Поделиться:

«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» № 1(70), январь-февраль 2022

Превентивное управление нагрузкой в сетях 0,4 кВ в целях предотвращения возникновения аварийных ситуаций

Управление сетями / Развитие сетей Энергоснабжение / Энергоэффективность Релейная защита и автоматика
Удинцев Д.Н. Милованов П.К. Зуев А.И.
«ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение» № 1(70), январь-февраль 2022

Принципы формирования цифровой платформы для управления надежностью распределительных электрических сетей в современных условиях эксплуатации

Управление сетями / Развитие сетей Энергоснабжение / Энергоэффективность Цифровая трансформация / Цифровые сети / Цифровая подстанция
Крупенев Д.С. Пискунова В.М. Гальфингер А.Г.
«ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение» № 1(70), январь-февраль 2022

Новые технологии удаленного мониторинга и энергоэффективности электрооборудования сетей

Энергоснабжение / Энергоэффективность Цифровая трансформация / Цифровые сети / Цифровая подстанция Диагностика и мониторинг
ООО «Сименс»
«ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение» № 1(70), январь-февраль 2022

Обеспечить равные возможности для всех при справедливом распределении ответственности

Интервью Управление производственными активами / Техническое обслуживание и ремонты / Подготовка к ОЗП Энергоснабжение / Энергоэффективность
Интервью с Председателем Комитета по энергетике Государственной Думы Завальным П.Н.
«ЭЛЕКТРОЭНЕРГИЯ. Передача и распределение»