Аннотация
Изменение структуры и цифровизация процессов производства, передачи и распределения электроэнергии приводят к необходимости совершенствования существующих способов противоаварийного и режимного управления энергосистемами. Внедрение возобновляемых источников электроэнергии, парогазовых и газотурбинных установок и систем управления на базе силовой электроники приводят к уменьшению эквивалентной инерционной постоянной энергосистемы и, как следствие, увеличению скорости протекания переходных процессов и увеличению неопределённости электрическиx режимов. В результате существенно повышаются требования к быстродействию и адаптивности систем противоаварийной автоматики. В связи с новыми условиями функционирования современных энергосистем, в статье предлагается адаптивная система выбора управляющих воздействий для сохранения статической устойчивости по принципу «После» на основе методов машинного обучения, которые обладают высоким быстродействием и адаптивностью. В исследовании предложен способ обучения и применения разработанной системы. Численный эксперимент выполнен на математической модели энергосистемы IEEE24. Для предложенной системы выбора управляющих воздействий для сохранения статической устойчивости в исследовании были рассмотрены следующие методы машинного обучения: К-ближайших соседей; случайный лес; экстремальный градиентный бустинг; метод опорных векторов; адаптивный бустинг; ограниченная машина Больцмана; свёрточная нейронная сеть. Выбор различных методов машинного обучения обоснован необходимостью рассмотрения методов с различным математическим базисом. В результате проведённого эксперимента в качестве приемлемой модели машинного обучения для решаемой задачи был выбран метод случайного леса, с точностью на тестовой выборке 93% при задержке выбора управляющих воздействий в 0,017 мс. В выводах приведены направления для дальнейших исследований.
Ключевые слова
централизованная система противоаварийной автоматики, статическая устойчивость, управляющие воздействия, машинное обучение
1. Кощеев Л.А., Шульгинов Н.Г. ЦСПА на базе алгоритмов нового поколения – очередной этап в развитии противоаварийного управления в энергосистемах //Известия НТЦ Единой энергетической системы. 2013. №. 1. С. 7-14.
2. Воропай Н.И., Осак А.Б., Смирнов С.С. Анализ системной аварии 2016 г. в ЕЭС России, вызванной повреждением оборудования на Рефтинской ГРЭС // Электричество. 2018. № 3. С. 27-32. doi: 10.24160/0013-5380-2018-3-27-32
3. Carreras B.A., Newman D.E., Dobson I. North American Blackout Time Series Statistics and Implications for Blackout Risk // IEEE Transactions on Power Systems. 2016. No. 6(31). Pp. 4406-4414. doi: 10.1109/TPWRS.2015.2510627
4. Xue Y., Xiao S. Generalized congestion of power systems: insights from the massive blackouts in India // Journal of Modern Power Systems and Clean Energy. 2013. No. 1. Pp. 91-100. doi: 10.1007/s40565-013-0014-2
5. Bulk Power Systems Emergency Control Based on Machine Learning Algorithms and Phasor Measurement Units Data: A State-of-the-Art Review / M. Senyuk, S. Beryozkina, M. Safaraliev, A. Pazderin, I. Odinaev, V. Klassen, A. Savosina, F. Kamalov // Energies. 2024. No. 17(4). 764. doi: 10.3390/en17040764
6. Сенюк М.Д., Дмитриева А.А. Апробация алгоритма анализа динамической устойчивости и противоаварийного управления режимом синхронного генератора на многомашинной модели энергосистемы // Электротехнические системы и комплексы. 2022. № 1(54). С. 46-53. doi: 10.18503/2311-8318-2022-1(54)-46-53
7. Alimi O.A., Ouahada K., Abu-Mahfouz A.M. A Review of Machine Learning Approaches to Power System Security and Stability // IEEE Access. 2020. Vol. 8. Pp. 113512-113531. doi: 10.1109/ACCESS.2020.3003568
8. Advances in Transmission Network Fault Location in Modern Power Systems: Review, Outlook and Future Works / H. Panahi, R. Zamani, M. Sanaye-Pasand, H. Mehrjerdi // IEEE Access. 2021. Vol. 9. Pp. 158599-158615. doi: 10.1109/ACCESS.2021.3129838
9. Yang Y., Zhang X., Yang L. Data-driven power system small-signal stability assessment and correction control model based on XGBoost // Energy Reports. 2022. No. 5(8). Pp. 710-717. doi: 10.1016/j.egyr.2022.02.249
10. Gurung S., Naetiladdanon S., Sangswang A. A Surrogate Based Computationally Efficient Method to Coordinate Damping Controllers for Enhancement of Probabilistic Small-Signal Stability // IEEE Access. 2021. Vol. 9. Pp. 32882-32896. doi: 10.1109/ACCESS.2021.3060502
11. Dorado-Rojas S.A., Bogodorova T., Vanfretti L. Time Series-Based Small-Signal Stability Assessment using Deep Learning // North American Power Symposium (NAPS). IEEE, 2021. Pp. 1-6. doi: 10.1109/NAPS52732.2021.9654643
12. Power System Small-signal Stability Assessment Model Based on Residual Graph Convolutional Networks / Yinsheng Su, Mengxuan Guo, Haicheng Yao, Lin Guan, Jiyu Huang, Siting Zhu, Zhi Zhong // J. Phys.: Conf. Ser. 2021. No. 1(2095). 012011. doi: 10.1088/1742-6596/2095/1/012011
13. Dorado-Rojas S.A., de Castro Fernandes M., Vanfretti L. Synthetic Training Data Generation for ML-based Small-Signal Stability Assessment // IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids (SmartGridComm). IEEE, 2020. Pp. 1-7. doi: 10.1109/SmartGridComm47815.2020.9302991
14. Deep Learning for Power System Security Assessment / J.-M.H. Arteaga, F. Hancharou, F. Thams, S. Chatzivasileiadis // IEEE Milan PowerTech. IEEE, 2019. Pp. 1-6. doi: 10.1109/PTC.2019.8810906
15. A Unified Online Deep Learning Prediction Model for Small Signal and Transient Stability / S.K. Azman, Y.J. Isbeih, M.S.E. Moursi, K. Elbassioni // IEEE Transactions on Power Systems. 2020. No. 6(35). Pp. 4585-4598. doi: 10.1109/TPWRS.2020.2999102
16. Online Tracking of Small-Signal Stability Rightmost Eigenvalue Based on Reference Point / X. Cun, X. Chen, G. Geng, Q. Jiang // IEEE Access. 2023. Vol. 11. Pp. 40469-40478. doi: 10.1109/ACCESS.2023.3267802
17. Максименко Д.М., Машалов Е.В., Неуймин В.Г. Оценивание состояния на базе оптимизационного алгоритма в ПК RastrWin // Известия НТЦ Единой энергетической системы. 2013. № 2(69). С. 36-43.
18. Илюшин П.В., Мокеев А.В., Наровлянский В.Г. Возможности и перспективы применения УСВИ в энергорайонах с распределенными источниками энергии // Методические вопросы исследования надежности больших систем энергетики: матер. 90-го заседания Междунар. научного семинара им. Ю.Н. Руденко. Выпуск 69. Книга 1. Иркутск: Федеральное государственное бюджетное учреждение науки Институт систем энергетики им. Л.А. Мелентьева Сибирского отделения Российской академии наук, 2018. С. 28-37.
19. Централизованная защита дальнего резервирования в частично наблюдаемой электрической сети на основе синхронизированных векторных измерений / П.И. Бартоломей, С.Е. Шендер, М.Д. Сенюк, В.В. Классен // Электротехнические системы и комплексы. 2024. №3(64). С. 12-22. doi: 10.18503/2311-8318-2024-3(64)-12-22
20. Кафтанников И.Л., Парасич А.В. Особенности применения деревьев решений в задачах классификации // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2015. № 3(15). С. 26-32. doi: 10.14529/ctcr150304
21. Bao Y., Yang S. Two Novel SMOTE Methods for Solving Imbalanced Classification Problems // IEEE Access. 2023. Vol. 11. Pp. 5816-5823. doi: 10.1109/ACCESS.2023.3236794
22. Аксютина Е.М., Белов Ю.С. Обзор архитектур и методов машинного обучения для анализа больших данных // Электронный журнал: наука, техника и образование. 2016. № 1. С. 134-141.
23. Study on load-shedding model based on improved power flow tracing method in power system risk assessment / R. Niu, Y. Zeng, M. Cheng, X. Wang // 4th International Conference on Electric Utility Deregulation and Restructuring and Power Technologies (DRPT). IEEE, 2011. Pp. 45-50, doi: 10.1109/DRPT.2011.5993860
24. Алгоритм оценки статической устойчивости и выбора управляющих воздействий по условию обеспечения статической устойчивости в послеаварийном режиме / Е.В. Исаев, П.Я. Кац, А.А. Лисицын, А.В. Николаев, Е.А. Тен // Известия НТЦ Единой энергетической системы. 2013. № 1(68). С. 48-57.
25. Глущенко К.П. К вопросу о применении коэффициента Джини и других показателей неравенства // Вопросы статистики. 2016. № 2. С. 71-80.
26. Стандарт СТО 59012820.29.240.001-2011. Автоматическое противоаварийное управление режимами энергосистем. Противоаварийная автоматика энергосистем. Условия организации процесса. Условия создания объекта. Нормы и требования. Москва, 2011.
Сенюк М.Д., Паздерин А.В., Классен В.В. Совершенствование централизованной системы противоаварийной автоматики электроэнергетической системы на основе методов машинного обучения // Электротехнические системы и комплексы. 2024. № 4(65). С. 14-24. https://doi.org/10.18503/2311-8318-2024-4(65)-14-24