Аннотация
Эффективное управление эксплуатационной надёжностью заводской системы электроснабжения требует своевременного прогнозирования времени восстановления (Тв) и параметра потока отказов (ω) для различных классов напряжения и типов оборудования. Эти величины определяют ущерб от недовыработки продукции и позволяют обоснованно сформировать бюджет капитальных и текущих ремонтов электросетевого и подстанционного оборудования. Традиционные статистические методы (экспоненциальное сглаживание, скользящее среднее, линейная регрессия) не всегда учитывают нелинейные зависимости между отказами, погодными условиями и нагрузкой подстанций. В статье предлагается подход, основанный на применении нейронной сети для прогнозирования Тв и ω на следующий год. Использован многослойный перцептрон с восемью входными признаками и двумя выходными – Тв и ω, обеспечивающий устойчивую работу при коротких временных рядах. Для оценки точности прогноза применён метод скользящего окна. Исходными данными служат журналы аварийных отключений за 2008‑2020 гг., сведения о количестве оборудования и мощности подстанций для рассчитываемого узла (ЦЭС‑ПВЭС‑ПС95). Для каждого класса напряжения (3, 6, 10, 35, 110, 220 кВ) и типа оборудования (трансформатор, кабельная линия, воздушная линия, выключатель) построены законы распределения времени восстановления, оценена их эволюция. Разработанный алгоритм также вычисляет недоотпущенную электроэнергию для заданного энергоузла. Результаты визуализированы в виде многостраничных отчётов (PDF, Excel), содержащих графики динамики Тв и ω, таблицы законов распределения и сравнение прогнозных значений с фактическими. Предложенный метод может быть использован диспетчерскими и ремонтными службами для планирования технического обслуживания и оценки вероятного ущерба от аварийных отключений.
Ключевые слова
надежность электроснабжения, параметр потока отказов, время восстановления, нейросетевое прогнозирование, недоотпуск электроэнергии, энергоузел, законы распределения времени восстановления, аварийные отключения
1. Большев В.Е. Использование машинного обучения для прогнозирования отключений электроэнергии на ЛЭП 110 кВ на основе параметров самих ЛЭП // Журнал Сибирского федерального университета. Техника и технологии. 2025. Т. 18. № 1. С. 19‑32.
2. Прогнозирование отказов воздушных линий 35 кВ на основе нейросети для обеспечения надёжности электроснабжения агропромышленного комплекса / Ш.З. Зиниев, В.А. Каргин, И.В. Кротов, Т.Б. Эзирбаев // Вестник Алтайского государственного аграрного университета. 2026. № 2 (256). С. 79‑85. doi: 10.53083/1996-4277-2026-256-2-79-85.
3. Луковенко А.С., Зеньков И.В. Методы расчета надежности системы электроснабжения // Вестник Иркутского государственного технического университета. 2021. Т. 25. № 1(156). С. 57-65. doi: 10.21285/1814-3520-2021-1-57-65.
4. Ковалёв С.П. Применение нейронных сетей глубокого обучения в математическом обеспечении цифровых двойников электроэнергетических систем // Системы и средства информатики. 2021. Т. 31. № 1. С. 133‑144. doi: 10.14357/08696527210111.
5. Разработка модели прогнозирования технического состояния нефтепромыслового энергомеханического оборудования с применением искусственной нейронной сети / И.С. Сухачев, С.В. Сидоров, В.В. Сушков, В.Р. Антропова // Электротехнические и информационные комплексы и системы. 2022. Т. 18. № 1. С. 88-94. doi: 10.17122/1999-5458-2022-18-1-88-94.
6. Колоденкова А.Е., Верещагина С.С. Разработка комплексного подхода к обнаружению неисправностей электрооборудования с использованием сверточных нейронных сетей // Известия ЮФУ. Технические науки. 2025. № 1(243). С. 279-287. doi: 10.18522/2311-3103-2025-1-279-287.
7. Некрасов И.В., Константиновский Ю.Д., Кукин Н.С. Оптимизация вероятностных эксплуатационных характеристик нейросетевого алгоритма предиктивной диагностики отказов промышленного оборудования за счёт автоматизированной обработки обучающей выборки // Динамика и виброакустика. 2024. Т. 10. №3. C. 81-92. doi: 10.18287/2409-4579-2024-10-3-81-92.
8. Бояркин Д.А., Крупенев Д.С., Якубовский Д.В. Использование методов машинного обучения при оценке надежности электроэнергетических систем методом Монте-Карло // Вестник Южно-Уральского государственного университета. Серия: Математическое моделирование и программирование. 2018. Т. 11. № 4. С. 146-153. doi: 10.14529/mmp180411.
9. Failure Prediction Based on Deep Neural Networks in Power Backbone Networks / F. Ji, H. Wu, C. Wang, L. Sheng, L. Wang, L. Jin, L. Wu, Y. Liu, R. Zhu // 2024 22nd International Conference on Optical Communications and Networks (ICOCN). IEEE, 2024. doi: 10.1109/ICOCN63276.2024.10648539.
10. SHAP-Enhanced Artificial Intelligence Machine Learning Framework for Data-Driven Weak Link Identification in Regional Distribution Grid Power Supply Reliability / Y. Zhang, J. Shi, Sh. Huang, L. Geng, Z. Wang, H. Sun, Q. Yu, D. Liu, X. Yao, W. Zuo, M. Guo, X. Che // Energies. 2025. No. 18 (20). Art. No. 5372. DOI: 10.3390/en18205372.
11. Определение оптимальных мест установки реклоузеров в распределительной магистральной сети 6-10 кВ / А.В. Варганова, В.А. Ефимова, Е.В. Макушин, Д.О. Позин, Р.Г. Мугалимов // Электротехнические системы и комплексы. 2024. №2(63). С. 66-73. doi: 10.18503/2311-8318-2024-2(63)-66-73.
Малафеев А.В., Зайцев Я.А. Прогнозирование надежности системы электроснабжения промышленного предприятия на основе искусственного интеллекта// Электротехнические системы и комплексы. 2026. № 3(72). С. 22-26. https://doi.org/10.18503/2311-8318-2026-3(72)-22-26
© Малафеев А.В., Зайцев Я.А. 2026 Контент доступен под лицензией Creative Commons Attribution 4.0 License