На данный момент наблюдается ориентированность на автоматизацию различных технологических операций, в том числе в энергетике. Автоматизация некоторых технологических процессов (мониторинг и диагностика подстанций) обладает определённым рядом достоинств: сокращение затрат на периодические выезды для проведения диагностики; своевременное выявление дефектов и ненормальных режимов работы подстанции.
Именно поэтому энергоснабжающие предприятия стремятся внедрять систему Smart Grid – «Умная сеть». Сейчас приобретает актуальность использование нейросетей для проведения диагностики электрооборудования.
Интеллектуальной основой цифровых подстанций являются расчетные модели, обеспечивающие предиктивный анализ состояния энергосети и ее отдельных объектов. Используя концепцию цифровых подстанций, можно: осуществлять контроль перетоков мощностей с последующим определением уровня напряжения в точках сети, контроль токовой нагрузки оборудования – длительность и факт перегрузки, локализация места повреждения в электрической сети (ЭС), эффективное использование оборудования и адаптивное распределение нагрузки на узлы сети [1, с. 133-144].
Применение нейронных сетей – перспективное направление автоматизации для прогнозирования энергопотребления с использованием элементов диспетчеризации в работе электрических систем.
При помощи нейронных сетей можно выполнять несколько задач:
1. Прогнозирование нагрузок на основе нескольких алгоритмов: усреднение фактических профилей за четыре предшествующих дня и суммирование мощностей от всех электроприёмников с учетом коэффициента пользования, регрессионных моделей (коэффициенты подбираются по функциональной зависимости потребления от времени и от температуры окружающего воздуха (полином невысокой степени);
2. Оптимизация распределения нагрузки: нейронная сеть в ходе своего обучения и на основании графиков нагрузок также может принимать решения по отбору мощности от каждого доступного источника так, чтобы максимизировать интегральный экономический эффект от поставки электроэнергии при соблюдении ограничений по надежности. При распределении известной (достоверно предсказанной) нагрузки можно минимизировать эксплуатационные расходы на генерацию. При принятии решения для каждого источника следует учитывать потерн при передаче электроэнергии до нагрузки, уровень загрязнения окружающей среды вследствие работы источника и другие нефинансовые факторы. Эти условия затрудняют применение традиционных методов решения оптимизационных задач типа математического программирования и открывают поле для привлечения нейросетей [2, с. 98-102];
3. Оценка и прогнозирование технического состояния энергетического оборудования: существуют методики очень грубой оценки индикаторов технического состояния путем простых алгебраических преобразований первичных характеристик, однако их нельзя считать удовлетворительными для высокотехнологичных электрических сетей. Для осуществления предиктивной аналитики состояния оборудования подстанций стали применять технологии архитектуры глубокого обучения. Выделены трудности применения предиктивной аналитики на основе нейросетей: большое число входных сигналов; малое количество массивов значений характеристик, зарегистрированных во время сбоев и размеченных результатами их анализа. В целях уменьшения числа сигналов входной поток переводят в частотную область путем быстрого преобразования Фурье, либо вейвлет-разложения. Чтобы задействовать распознавательный потенциал сверточных сетей, строится двумерная картина входного потока в частотно-временной области. Рекуррентные сети также находят применение для анализа временных рядов характеристик;
4. Диагностирование отказов: известны разработки в области автоматической диагностики отказов и аварий на базе сверточных нейросетей и автокодировщиков. Благодаря высокой скорости срабатывания хорошо обученной нейросети появляется перспектива перехода к превентивному анализу состояния распределенной электроэнергетической сети до наступления аварий и определения мер по их предотвращению. При помощи нейросетей и предиктивной аналитики можно верифицировать топологию ЭС, разложения интегральных профилей потребления на профили отдельных энергоприемников (дезагрегации) и т. п.
Нейросети обладают значительным потенциалом применения в интеллектуальном управлении ЭС на базе цифровых двойников. Уже сейчас они позволяют решать ряд задач с ошибкой порядка 10%, что считается достаточным для многих практических целей. Нейросетевые средства прогнозирования нагрузки, цен и генерации целесообразно включать в базовое математическое обеспечение цифрового двойника, в то время как средства диагностики технического состояния и аварий относятся к специализированным приложениям. В перспективе нейросети смогут полноценно осуществлять контроль за работой энергосистемы и помогать оперативно-диспетчерскому персоналу в управлении режимами.
