Андрей
МОЗОХИН
,
к
.
т
.
н
.,
ведущий
инженер
отдела
эксплуатации
АСДУ
Управления
КиТ
АСУ
филиала
ПАО
«
МРСК
Центра
» —
«
Костромаэнерго
»
Значение
средств
измерений
и
технического
учета
в
ос
-
новной
сети
35–110
кВ
распределительной
сетевой
компа
-
нии
трудно
переоценить
.
В
данном
контексте
речь
идет
не
только
о
балансах
мощности
и
электроэнергии
на
оптовом
и
розничном
рынках
,
основными
аспектами
становятся
на
-
дежность
и
качество
энергоснабжения
потребителей
.
Мак
-
симальный
эффект
от
использования
имеющихся
и
вновь
устанавливаемых
средств
измерений
на
подстанциях
воз
-
можен
лишь
за
счет
внедрения
интеллектуальных
блоков
прогнозирования
энергопотребления
,
оптимизации
потерь
,
поддержки
принятия
решения
персоналом
.
Машинное
об
-
учение
,
анализ
больших
массивов
данных
и
их
обработка
требуются
на
всех
уровнях
оперативно
-
технологического
управления
,
начиная
с
подстанции
и
заканчивая
центром
управления
сетями
.
Существующим
наработкам
и
перспек
-
тивам
развития
автоматизированных
систем
технологиче
-
ского
управления
(
АСТУ
)
на
объектах
электросетевого
ком
-
плекса
и
посвящена
данная
статья
.
Д
анные
автоматизированных
систем
технологи
-
ческого
управления
с
объектов
электросетевого
комплекса
используются
на
всех
уровнях
опера
-
тивно
-
технологического
управления
с
целью
пла
-
нирования
и
коррекции
текущих
режимов
энерго
-
системы
для
коммерческого
и
технического
учета
элек
-
троэнергии
.
Одновременность
процессов
производства
и
потребления
электрической
энергии
обусловливает
не
-
обходимость
одновременного
измерения
производимой
,
передаваемой
и
потребляемой
энергии
и
мощности
,
высо
-
коточного
прогнозирования
потребления
электроэнергии
,
а
также
выработки
технических
,
организационных
и
эконо
-
мических
мер
по
оптимизации
режимов
работы
энергоси
-
стем
,
выравниванию
графиков
нагрузки
.
Это
требует
расши
-
рения
функциональных
возможностей
АСТУ
.
Одной
из
возможностей
повышения
эффективности
АСТУ
является
включение
в
ее
состав
подсистемы
прогнозирова
-
ния
электропотребления
на
различные
интервалы
времени
(
месяц
,
неделю
,
сутки
вперед
).
Это
позволит
значительно
повысить
эффективность
управления
процессами
произ
-
водства
,
передачи
и
потребления
электроэнергии
.
Анализ
отклонений
прогнозируемого
потребления
от
реально
суще
-
ствующего
позволяет
упреждающе
реконфигурировать
сеть
,
автоматизировать
расчет
нагрузок
для
сетевых
и
сбытовых
компаний
,
локализовать
очаги
потерь
электроэнергии
,
авто
-
матизировать
выявление
неучтенного
потребления
.
На
рисунке
1
в
обобщенном
виде
представлена
структу
-
ра
автоматизированной
интеллектуальной
системы
контро
-
ля
и
учета
электроэнергии
,
расширение
функциональных
возможностей
которой
обеспечивается
подсистемой
про
-
гнозирования
.
Сигналы
с
первичных
измерителей
(
ПИ
)
поступают
в
под
-
систему
измерения
,
которая
выполняет
основные
функции
АСТУ
.
Выходная
информация
с
этой
подсистемы
поступает
на
вход
подсистемы
прогнозирования
выработки
и
потреб
-
ления
энергии
и
на
вход
анализатора
отклонений
прогнозов
9
Технический
учет
—
расширение
горизонтов
Рис
. 1.
Структура
интеллектуальной
системы
контроля
и
учета
электроэнергии
Многослойный
персептрон
Линейная
НС
Линейная
НС
Обобщенно
-
регрессионная
НС
Радиальная
базисная
НС
ВПИ
РП
Рис
. 2.
Структура
каскадной
нейронной
сети
Подсистема
измерения
СППР
SCADA
Анализатор
отклонений
прогнозов
ПИ
Подсистема
прогнозирования
от
показателей
измерения
.
С
ана
ли
за
тора
и
с
подсисте
-
мы
измерения
информация
поступает
на
систему
под
-
держки
принятия
решений
(
СППР
)
и
SCADA.
Информа
-
ция
с
этих
блоков
использует
-
ся
для
целей
управления
про
-
изводством
,
передачи
и
сбыта
электроэнергии
.
Технические
средства
из
-
мерения
количества
и
каче
-
ства
электроэнергии
и
мощ
-
ности
достаточно
хорошо
разработаны
и
используются
с
самого
начала
создания
и
развития
сетей
электроснаб
-
жения
.
Более
того
,
эти
средства
постоянно
улучшаются
и
модернизируются
в
соответствии
с
общим
развитием
на
-
уки
и
техники
.
В
настоящее
время
осуществляется
переход
к
микропроцессорным
системам
обработки
информации
[1].
Наиболее
проблематичным
является
реализация
подсисте
-
мы
прогнозирования
.
Хотя
в
настоящее
время
существует
множество
методик
и
программных
средств
прогнозирова
-
ния
потребления
электроэнергии
,
все
они
требуют
предва
-
рительной
адаптации
под
конкретные
условия
режимов
ра
-
боты
энергетических
объектов
.
Поэтому
в
первую
очередь
стоит
задача
разработки
достаточно
универсальной
подси
-
стемы
прогнозирования
.
Наиболее
перспективным
направлением
в
области
про
-
гнозирования
на
сегодняшний
день
является
использование
математического
аппарата
искусственных
нейронных
сетей
.
Адаптация
подсистемы
прогнозирования
к
конкретным
усло
-
виям
на
различных
уровнях
иерархии
измерения
происходит
на
этапе
обучения
нейронной
сети
,
что
повышает
точность
процессов
прогнозирования
[2].
Применение
искусственных
нейронных
сетей
(
ИНС
)
для
прогнозирования
рассматривается
во
многих
работах
.
Од
-
нако
не
существует
строго
определенного
алгоритма
выбо
-
ра
количества
нейронов
в
сети
,
их
структуры
и
процедуры
подготовки
исходных
данных
,
отсутствуют
четкие
рекомен
-
дации
по
составу
входных
переменных
и
количеству
необхо
-
димых
наблюдений
.
Выбор
переменных
осуществляется
ин
-
туитивно
,
а
вопрос
о
том
,
сколько
наблюдений
нужно
иметь
для
обучения
сети
,
часто
является
открытым
.
Известен
ряд
эвристических
правил
,
увязывающих
число
необходимых
наблюдений
с
размерами
сети
.
Например
,
простейшее
из
них
гласит
,
что
число
наблюдений
должно
быть
в
десять
раз
больше
числа
связей
в
сети
.
Однако
этого
часто
бывает
недостаточно
.
Наибольшая
точность
прогнозирования
достигается
в
случае
объедине
-
ния
различными
способами
разнотипных
нейронных
сетей
в
единую
систему
[3].
В
связи
с
этим
для
получения
макси
-
мально
возможной
универсальности
выбран
способ
постро
-
ения
подсистемы
прогнозирования
на
основе
составной
кас
-
кад
ной
нейронной
сети
(
рисунок
2).
10
Ежеквартальный
спецвыпуск
№
2(9),
июль
2018
Интеллектуальный
учет
Рис
. 3.
Прогноз
и
ошибка
прогноза
энергопотребления
филиала
«
Костромаэнерго
»
за
2015–2016
гг
.
Рис
. 4.
Перспективы
использования
функционала
интеллектуальной
АСКУЭ
Первый
каскад
пред
-
ставляет
собой
ансамбль
из
наиболее
эффективных
ней
-
ронных
сетей
.
В
ансамбль
объединены
следующие
се
-
ти
:
многослойный
персеп
-
трон
,
линейная
,
об
об
щен
но
-
ре
грес
си
он
ная
и
радиальная
базисная
сети
.
На
вход
этих
сетей
подаются
одни
и
те
же
входные
переменные
(
ВП
).
Ансамбли
имеют
луч
-
шее
качество
прогноза
,
чем
отдельные
сети
.
Усредне
-
ние
прогнозов
по
всем
мо
-
делям
с
различной
струк
-
турой
и
обучение
на
основе
различных
множеств
дан
-
ных
позволяет
уменьшить
дисперсию
модели
(
переобуче
-
ние
),
не
увеличивая
смещение
модели
(
недообучение
).
Это
связано
с
тем
,
что
в
одних
случаях
при
разных
режимах
,
гра
-
фиках
нагрузок
и
потребления
электроэнергии
более
точные
прогнозы
дают
различные
виды
нейронных
сетей
.
При
этом
заранее
неизвестно
,
какой
вид
сети
будет
давать
наиболее
точный
прогноз
.
Поэтому
каждая
сеть
обучается
отдельно
,
а
результирующий
прогноз
формируется
как
усредненная
методом
взвешенных
наименьших
квадратов
величина
.
Для
этого
используется
второй
каскад
,
состоящий
из
линейной
нейронной
сети
.
На
вход
этой
усредняющей
сети
подаются
результаты
прогнозов
,
полученных
от
отдельных
нейронных
сетей
первого
каскада
.
Нейронная
сеть
выходного
каскада
индивидуально
обучается
методом
обратного
распростра
-
нения
ошибки
по
алгоритму
,
минимизирующему
средне
-
квадратичное
отклонение
величины
прогноза
от
истинного
значения
.
Благодаря
этому
веса
синаптических
связей
на
-
страиваются
таким
образом
,
что
обеспечивается
опреде
-
ление
результирующей
величины
прогноза
(
РП
),
которая
имеет
минимальное
квадратичное
отклонение
от
величин
прогнозов
,
выдаваемых
отдельными
нейронными
сетями
первого
каскада
[4].
Экспериментальные
исследования
показали
,
что
приме
-
нение
для
прогнозирования
рассмотренной
каскадной
ней
-
ронной
сети
позволяет
получить
ошибку
прогнозирования
менее
5%
в
100%
случаев
и
менее
2,5%
в
90%
от
общего
объема
прогнозных
данных
(
рисунок
3).
В
соответствии
со
структурой
,
представленной
на
рисун
-
ке
1,
и
теми
задачами
,
которые
возлагаются
на
СППР
,
она
должна
строиться
как
система
обработки
и
интеллектуаль
-
ного
анализа
данных
(Data Mining).
Процесс
поддержки
при
-
нятия
решений
основан
на
поиске
скрытых
закономерностей
в
полученных
данных
.
При
этом
используются
также
методы
искусственного
интеллекта
,
прикладной
статистики
,
теории
баз
данных
.
Таким
образом
,
предложенная
структура
АСТУ
,
включа
-
ющая
в
себя
подсистемы
прогнозирования
и
поддержки
при
-
нятия
решений
,
позволяет
повысить
эффективность
управ
-
ления
процессами
передачи
,
распределения
и
потребления
электроэнергии
за
счет
анализа
и
прогнозирования
потребления
электроэнергии
с
достаточно
высокой
точностью
благодаря
автоматической
адаптации
к
различным
режимам
,
графикам
производства
и
потребления
электроэнергии
.
На
рисунке
4
пред
-
ставлена
перспективная
схема
функциональных
возможностей
интеллектуальной
автоматизи
-
рованной
информационно
-
измерительной
систе
-
мы
учета
электроэнергии
(
АИИСУЭ
) «
Смарт
-
Энерго
Прогноз
»,
разработанной
в
Костромском
филиале
ПАО
«
МРСК
Центра
».
Как
видно
из
ри
-
сунка
4,
интеллектуальный
модуль
прогнозирова
-
ния
может
находиться
не
только
на
уровне
центра
обработки
данных
(
ЦОД
)
региональной
сетевой
компании
,
но
и
на
подстанции
.
Тем
самым
позво
-
11
Целевой
вектор
Реальные
данные
Входной
вектор
Прогноз
Модуль
прогнози
-
рования
Модуль
обучения
Обученные
нейронные
сети
Среда
выпол
-
нения
Коммер
-
ческое
ПО
АСКУЭ
Клиентское
ПО
Клиент Поставщик
ПО
поставщика
Рис
. 5.
Схема
прогнозирования
по
принципу
«
модель
как
услуга
»:
Коммерческое
ПО
—
платная
среда
разработки
;
Клиент
—
компания
потребитель
услуг
;
Поставщик
—
разработчик
программного
продукта
;
Модуль
прогнозирования
—
программный
продукт
,
разработанный
в
коммерческом
ПО
;
Среда
выполнения
—
набор
библиотек
для
работы
ПО
;
Модуль
обучения
—
модуль
для
обучения
нейронной
сети
ляя
оперативно
производить
балансировку
объекта
в
режиме
реального
времени
.
В
последнем
случае
на
устройство
сбора
и
передачи
данных
(
УСПД
)
устанавливается
специализиро
-
ванное
программное
обеспечение
(
СПО
)
для
анализа
потерь
и
балансировки
объекта
диспетчеризации
.
В
счетчиках
на
стороне
потребителя
также
могут
применяться
программные
модули
«
СмартЭнергоПрогноз
».
В
этом
случае
они
должны
интегрироваться
заводом
-
производителем
на
этапе
сборки
или
при
эксплуатации
,
не
нарушая
целостности
прибора
.
Сложность
практической
реализации
перспективной
функциональной
модели
«
Смарт
Энерго
Прогноз
»
вызва
-
на
тем
,
что
для
создания
прогнозных
моделей
изначально
используется
удобная
для
разработчика
среда
проектиро
-
вания
,
такая
как
MathLab.
Приобретение
коммерческой
ли
-
цензии
MathLab
для
потенциального
пользователя
системы
в
разы
удорожает
стоимость
конечного
продукта
.
Чтобы
упростить
создание
отчуждаемого
программного
продукта
и
сохранить
при
этом
приемлемую
рыночную
сто
-
имость
,
следует
рассмотреть
следующие
модели
коммер
-
циализации
: «
модель
как
услуга
» (
рисунок
5)
и
«
прогноз
как
услуга
» (
рисунок
6).
Поскольку
в
схеме
прогнозирования
по
принципу
«
мо
-
дель
как
услуга
»
не
предполагается
наличие
лицензии
на
среду
разработки
,
клиент
не
нуждается
в
дорогостоящей
лицензии
.
Такое
решение
позволит
создать
систему
про
-
гнозирования
,
стоимость
которой
будет
минимальной
для
клиента
.
Более
того
,
использование
той
же
среды
,
в
которой
производилась
прогнозная
модель
,
позволит
получить
гото
-
вый
программный
продукт
в
кратчайшие
сроки
.
К
недостаткам
такого
подхода
можно
отнести
необходи
-
мость
периодических
контактов
с
поставщиком
и
наличие
квалифицированных
сотрудников
,
способных
обучать
ней
-
ронную
сеть
.
Устранить
эти
недостатки
позволяет
принцип
«
прогноз
как
услуга
».
Избежать
недостатков
схемы
прогнозирования
«
мо
-
дель
как
услуга
»
можно
,
если
построить
систему
в
виде
веб
-
сервиса
,
доступного
клиенту
по
сети
Интернет
.
В
этом
случае
модуль
прогнозирования
,
система
обучения
,
а
так
-
же
коммерческое
ПО
размещаются
на
веб
-
сервере
.
Клиент
взаимодействует
с
данным
сервисом
через
браузер
персо
-
нального
компьютера
,
где
может
вручную
загружать
файлы
с
целевым
и
входным
векторами
,
передавать
реальные
12
Ежеквартальный
спецвыпуск
№
2(9),
июль
2018
Интеллектуальный
учет
Целевой
вектор
Реальные
данные
Входной
вектор
Прогноз
Модуль
прогнози
-
рования
Модуль
обучения
Обученные
нейронные
сети
Коммерческое
ПО
АСКУЭ
Клиент
Поставщик
Веб
-
сервер
Рис
. 6.
Схема
прогнозирования
по
принципу
«
прогноз
как
услуга
»
данные
энергопотребления
и
получать
в
результате
необ
-
ходимый
прогноз
.
Недостаток
«
прогноз
как
услуга
» —
пере
-
дача
коммерческих
данных
клиента
через
Интернет
.
Таким
образом
,
использование
данной
схемы
будет
затруднено
на
режимных
объектах
.
ВЫВОДЫ
Подводя
итог
,
стоит
отметить
,
что
для
обеспечения
воз
-
можности
анализа
распределения
электроэнергии
,
вы
-
явления
«
очагов
»
потерь
и
адресной
разработки
меро
-
приятий
по
их
оптимизации
необходимы
современные
технические
решения
в
части
подстанционного
учета
,
интеллектуализация
АСТУ
.
С
появлением
цифровых
из
-
мерительных
трансформаторов
высокой
точности
,
раз
-
витием
технического
учета
,
становится
актуальной
ин
-
теграция
систем
технического
и
коммерческого
учета
,
а
также
их
интеллектуализация
.
Функциональные
воз
-
можности
интеллектуального
модуля
прогнозирования
сложно
переоценить
,
так
как
на
каждом
уровне
опера
-
тивно
-
технического
управления
имеет
место
обработка
больших
массивов
данных
,
оптимизация
режимов
работы
сети
,
поддержка
принятия
решений
диспетчера
.
Построение
систем
прогнозирования
энергопотребле
-
ния
на
основе
искусственных
нейронных
сетей
является
перспективным
научным
направлением
по
нескольким
при
-
чинам
.
Во
-
первых
,
такие
системы
обладают
гибкостью
,
что
позволяет
использовать
одну
и
ту
же
структуру
системы
для
прогнозирования
поведения
различных
объектов
.
Во
-
вторых
,
интеллектуальные
системы
на
основе
нейронных
сетей
и
машинного
обучения
показывают
хорошую
точность
прогнозирования
по
сравнению
с
системами
,
построенными
на
иных
принципах
.
ЛИТЕРАТУРА
1.
Гутовцев
А
.
Л
.
Современные
принципы
автоматизации
энерго
-
учета
в
энергосистемах
//
Промышленные
АСУ
и
контроллеры
,
2003,
№
4.
С
. 4–10.
2.
Осовский
С
.
Нейронные
сети
для
обработки
информации
.
Пер
.
с
польского
И
.
Д
.
Рудинского
.
М
.:
Финансы
и
статистика
, 2002.
344
с
.
3.
Староверов
Б
.
А
.,
Мормылев
М
.
А
.
Прогнозирование
и
управле
-
ние
энергопотреблением
с
помощью
ансамбля
нейронных
сетей
/
Проблемы
автоматизации
и
управления
в
технических
систе
-
мах
:
Тр
.
международной
научно
-
технической
конференции
.
Пен
-
за
:
Изд
-
во
ПГУ
, 2009.
С
. 239–242.
4.
Староверов
Б
.
А
.,
Гнатюк
Б
.
А
.
Повышение
эффективности
систе
-
мы
автоматизированного
коммерческого
учета
электроэнергии
за
счет
введения
функций
прогнозирования
//
Вестник
Иванов
-
ского
государственного
энергетического
университета
, 2013,
вып
. 6.
С
. 10–15.
13
Значение средств измерений и технического учета в основной сети 35–110 кВ распределительной сетевой компании трудно переоценить. В данном контексте речь идет не только о балансах мощности и электроэнергии на оптовом и розничном рынках, основными аспектами становятся надежность и качество энергоснабжения потребителей. Максимальный эффект от использования имеющихся и вновь устанавливаемых средств измерений на подстанциях возможен лишь за счет внедрения интеллектуальных блоков прогнозирования энергопотребления, оптимизации потерь, поддержки принятия решения персоналом. Машинное обучение, анализ больших массивов данных и их обработка требуются на всех уровнях оперативно-технологического управления, начиная с подстанции и заканчивая центром управления сетями. Существующим наработкам и перспективам развития автоматизированных систем технологического управления (АСТУ) на объектах электросетевого комплекса и посвящена данная статья.
