Software & Systems

В Российской Федерации огромное количество населенных пунктов удалены от централизованного электроснабжения и имеют слабые транспортные связи с промышленно развитыми районами [1]. В частности, в Томской области 21 населенный пункт с суммарным населением в 33 700 человек изолирован от распределительных электрических сетей. Существующие системы мониторинга электросетей устарели и требуют постоянного присутствия дежурных операторов. Информирование ремонтных бригад о неисправностях и сбоях в работе электросети слабое, и, по данным Минэнерго, время его может составлять более суток [2]. Таким образом, надежное и качественное электроснабжение удаленных районов России на сегодняшний день особенно актуально.

Причинами проблем электроснабжения удаленных районов [3] являются следующие: плохое техническое состояние электросетей, дальняя транспортировка топлива и зависимость от его поставок, ограниченность сроков сезонного завоза топлива, слабое развитие транспортной инфраструктуры, зависимость от бюджетного финансирования.

В настоящее время в качестве средства мониторинга состояния электросети используются специализированные программно-аппаратные средства, различные АСУ ТП, требующие специальной подготовки операторов. Проведенный аналитический обзор источников относительно автоматизации работы электросетей и электроподстанций показал, что предлагаемые решения схожи по функциона- лу и позволяют контролировать процесс пере- дачи и распределения электроэнергии, снизить затраты на техническое обслуживание, повысить общую безопасность электросети и пр. Наиболее популярными являются решения «под ключ» от компаний «ОЛАЙСИС» и «Экнис-Инжиниринг». По данным Минэнерго (https://minenergo.gov.ru/node/11201), в удаленных районах России часть автоматизированных программно-аппаратных комплексов устарели и не позволяют в полной мере оценивать состояние электросети и электроподстанции. Внедрение новых решений зачастую невозможно из-за низкого бюджетного финансирования. Кроме того, подобные программно- аппаратные комплексы не учитывают влияние воздействий природного и техногенного ха- рактера, не имеют возможности составлять оптимальный режим эксплуатации электроподстанций с учетом их текущего состояния в природной и техногенной ситуациях. Для информирования ремонтных бригад дежурные группы операторов используют имеющиеся каналы связи. Отсутствует автоматическая фиксация нарушений и сбоев в режиме работы электросети и высокой нагрузки электроподстанции.

Для решения данных проблем предлагается разработать мобильное приложение оценки состояния электросети и выбора оптимального режима эксплуатации подстанции. Оно позволит своевременно информировать операторов и ремонтные бригады о неисправностях и сбоях в работе электросети, выбирать оптимальные режимы эксплуатации электроподстанций, тем самым снизив производствен- ные затраты на обслуживание электросетей [4].

Мобильное приложение оценки состояния электросети на основе смарт-структуры

Предлагаемое мобильное приложение работает на основе смарт-структуры, состоящей из модулей сбора данных с различных датчиков, анализа и обработки полученных данных, предоставления информации о состоянии электросети и рекомендаций по оптимальному режиму работы (рис. 1).

Для анализа и обработки электромагнитных данных (напряжение, сила тока, сопротивление и т.д.) и данных природного и техногенного характера (температура, влажность, сила ветра, землетрясение и т.п.), полученных с различных датчиков и устройств, применяются методы машинного обучения, в частности, логический анализ данных [5]. Использование этого метода в предлагаемой смарт-структуре позволяет получать закономерности и классификаторы, учитывающие все характеристики электросети, внешние воздействия природного и техногенного характера и их совокупность, что обусловливает повышение точности оценки состояния электросети и подстанции, а следовательно, точности прогноза изменения состояния электросети и рекомендаций по оптимальному режиму работы и необходимым ремонтным и обслуживающим работам.

Определение закономерностей и формирование классификаторов состояния электросети основаны на последовательном анализе характеристик электросети и внешних воздействий и их совокупностей на соответствие выбранному признаку [6]. В закономерность попадают те характеристики и их закономерности, которые полностью покрывают классификационный признак состояния электросети и подстанции, то есть соответствуют ему. Из закономерностей формируются классификаторы состояний электросети. Как правило, данные о состоянии электросети и подстанции неполные и неточные. В таких случаях для построения классификаторов и оценки состояния электросети следует использовать закономерности с частичным покрытием классификационного признака. При этом необходимо заранее определить ограничения и погрешности на покрытие.

С учетом ограничений, погрешностей и параметров оптимизационной модели получим закономерности с небольшой степенью и максимальным покрытием. Увеличение количе- ства характеристик электросети и внешних воз- действий с низким покрытием классификаци- онного признака приводит к снижению информативности формируемых закономерностей. Решить эту проблему позволяет максимальное увеличение степени уже сформированных закономерностей при сохранении количества покрываемых наблюдений своего класса [7].

В результате применения процедуры увеличения степени закономерностей характеристик электросети и их совокупностей для неполных и неточных данных получается классификатор, состоящий из логических правил с максимальным покрытием и степенью выше исходной. Обобщающая способность полученного классификатора выше исходной, что обусловлено сокращением количества характеристик электросети и внешних воздействий с низким покрытием выбранного классификационного признака.

Редукция построенного классификатора состояний электросети производится на основе рекуррентной конъюнкции закономерностей с учетом ограничений и погрешностей покрытий классификационного признака. Закономерности, не соответствующие ограничениям и погрешности покрытий, удаляются из классификатора [8]. Удаляются также закономерности, для которых количество наблюдений, противоположных признаку состояния, ниже, чем у оставшихся в классификаторе (рис. 2). Таким образом, редукция классификатора заключается в следующем:

-     определение значения количества на­блюдений, противоположных классификационному признаку состояния, для каждой закономерности в исходном классификаторе;

-     сортировка закономерностей в порядке убывания значения количества противоположных наблюдений Sk для каждого класса;

-     удаление закономерностей из классификатора с учетом погрешности и формирование из оставшихся новых классификаторов;

-  проверка оптимальности классификатора; увеличение количества непокрытых наблюдений множества данных свидетельствует о недостаточности закономерностей в классификаторе.

Высокая точность классификации состояний электросети при редукции путем рекуррентной конъюнкции закономерностей обусловлена уменьшением среднего значения показателя наблюдений с низким покрытием классификационного признака и увеличением среднего значения показателя наблюдений с высоким покрытием признака для набора зако- номерностей каждого класса. Повышение интерпретируемости классификатора состояний электросети происходит за счет редукции, критерием остановки которой является увеличение количества непокрытых наблюдений множества данных [9].

Для повышения точности оценки состояния электросети и подстанции предлагается для каждой закономерности из полученных классификаторов определять весовой коэффициент ai, физический смысл которого заключается в важности выбранной закономерности при ее наступлении на общее состояние электросети:

,                                                 (1)

где Ni – количество совпадений выделенной закономерности в классификаторах; M – общее количество классификаторов.

Весовой коэффициент закономерности принимает значение от 0 до 1: 1 – наиболее значимая закономерность при оценке состояния электросети и подстанции, 0 – закономерность не имеет значения для определения состояния электросети.

После определения весовых коэффициентов для каждой закономерности строится граф связанности D = (V, E) для классификаторов состояний электросети, в котором вершинами V будут закономерности, а ребрами E = (u, v): u, v Î V – связи между ними; вес ребра равен значению весового коэффициента закономерности. Далее строится аналогичный по структуре граф связанности критериев оценки состояния электросети D¢ = (V, E). В качестве кри- териев оценки состояния электросети и подстанции выступают нормативные и критические значения исследуемых характеристик и параметров. С учетом положений нечеткой логики осуществляется сравнение вершин двух графов:

              (2)

         (3)

В случае положительного сравнения закономерности и соответствующего ему критерия происходит маркирование узла графа классификаторов состояний. Далее рассчитывается путь между маркированными узлами, который используется при расчете комплексной оценки состояния электросети и подстанции. Если ei,j – ребро, соединяющее вершины vi и vj, и весовая функция f: E ® , то путь G между маркированными узлами рассчитывается как

.                                     (4)

Особенность метода заключается в поочередном сравнении закономерностей характеристик электросети и их совокупностей с учетом их значимости и соответствующих им критериев оценки состояния электросети и подстанции, что позволяет уменьшить нечеткость сравниваемых множеств [10].

Значение комплексной оценки состояния электросети и подстанции находится в диапазоне от 0 до 1. При необходимости данный диапазон может быть разделен на конечное число диапазонов, каждому из которых ставится в соответствие набор рекомендаций по ремонту и оптимальному режиму эксплуатации электросети и подстанции. Административный и обслуживающий персонал получает сообщение о состоянии и режиме работы электросети и подстанции.

Блок-схема алгоритма получения оценки состояния электросети представлена на рисунке 3.

Заключение

Предложенный способ автоматизации процесса оценки состояния электросети и подстан- ции с использованием смарт-структур может быть использован при проектировании и обслуживании электросетей и электроподстанций в удаленных районах России. Разработанное на основе предлагаемого способа автоматизации мобильное приложение позволяет получать точную оценку состояния электросети и подстанции, что повышает точность рекомендаций по ремонту и оптимальному режиму эксплуатации электросети.

В процессе построения закономерностей и формирования классификаторов для оценки состояния учитываются все возможные характеристики электросети и подстанции, внешнее воздействие в виде природных и техногенных факторов, их совокупности и связи между ними. Проведенное стендовое тестирование мобильного приложения и имитационное моделирование различных нештатных ситуаций позволили рассчитать точность оценки состояния электросети, составившую 96 %. Точность рекомендаций по ремонту и оптимальному ре- жиму функционирования электросети и подстанции составила 89 %. Под точностью реко- мендаций подразумевается, что предлагаемые действия позволяют улучшить или стабилизи- ровать состояние электросети и препятствуют ее выходу из строя.

Литература

1.    Барч Д.В. Совершенствование системы обслуживания устройств электроснабжения на основе мониторинга и диагностики // Изв. ПГУПС. 2012. № 3. С. 103–110.

2.    Полуботко А.А. Системная надежность региональных электросетей // Национальные интересы: приоритеты и безопасность. 2011. Т. 7. № 36. С. 64–68.

3.    Чайка Л.В. Пространственные аспекты развития электроэнергетики Европейского Севера России // Экономические и социальные перемены: факты, тенденции, прогноз. 2013. № 1. С. 84–97.

4.    Gagarina L.G., Shevnina Ju.S., Chirkov A.V. Оn the issue of modeling complex nonlinear systems. Proc. CAMSTech-II, 2021, pp. 323–328.

5.    Лекун Я. Как учится машина. Революция в области нейронных сетей и глубокого обучения; [пер. с франц.]. М.: Альпина нон-фикшн, 2021. 420 с.

6.    Шевнина Ю.С. Метод декомпозиции сложной нелинейной системы на основе процессного подхода // СУИТ. 2021. № 3. С. 24–29. DOI: 10.36622/VSTU.2021.85.3.005.

7.    Воропаева Н.В. Декомпозиция дискретных нелинейных систем с быстрыми и медленными переменными // Вестн. СамГУ. Естественно-научн. сер. 2010. № 4. С. 28–41.

8.    Кузьмич Р.И., Масич И.С., Ступина А.А. Модели формирования закономерностей в методе логического анализа данных // СУИТ. 2017. № 1. С. 33–37.

9.    Furnkranz J., Gamberger D., Lavrac N. Foundations of Rule Learning. Springer-Verlag Publ., 2012, 334 p. DOI: 10.1007/978-3-540-75197-7.

10. Zimmermann A., De Raedt L. Cluster grouping: From subgroup discovery to clustering. Machine Learning, 2009, vol. 77, no. 1, pp. 125–159. DOI: 10.1007/s10994-009-5121-y.

References

1. Barch D.V. Improvement of the service system based on monitoring and diagnostics of power supply equipment. Proc. of Petersburg Transport University, 2012, no. 3, pp. 103–110 (in Russ.).
2. Polubotko A.A. System reliability of regional electric networks. National Interests: Priorities and Security, 2019, no. 36, pp. 64–65 (in. Russ.).
3. Chayka L.V. Spatial aspects of electric power industry development in Russia’s European north. Economic and Social Changes: Facts, Trends, Forecast, 2013, no. 1, pp. 72–84 (in Russ.).
4. Gagarina L.G., Shevnina Ju.S., Chirkov A.V. Оn the issue of modeling complex nonlinear systems. Proc. CAMSTech-II, 2021, pp. 323–328.
5. Le Cun Y. Quand la Machine Apprend: La Révolution des Neurones Artificiels et de L'apprentissage Profond. 2019, 399 p. (Russ. ed.: Moscow, 2021, 420 p.).
6. Shevnina Yu.S. Decomposition method for a complex nonlinear system based on a process approach. Control Systems and Information Technologies, 2021, no. 3, pp. 24–29. DOI: 10.36622/VSTU.2021.85.3.005 (in Russ.).
7. Voropaeva N.V. Decomposition of discrete nonlinear systems with fast and slow variables. Vestn. of Samara University. Natural Science Ser., 2010, no. 4, pp. 28–41 (in Russ.).
8. Kuzmich R.I., Masich I.S., Stupina A.A. Models for formation of patterns in the method of logical analysis of data. Control Systems and Information Technologies, 2017, no. 1, pp. 33–37 (in Russ.).
9. Furnkranz J., Gamberger D., Lavrac N. Foundations of Rule Learning. Springer-Verlag Publ., 2012, 334 p. DOI: 10.1007/978-3-540-75197-7.
10. Zimmermann A., De Raedt L. Cluster grouping: From subgroup discovery to clustering. Machine Learning, 2009, vol. 77, no. 1, pp. 125–159. DOI: 10.1007/s10994-009-5121-y.