Аннотация
Противоаварийное управление современными энергосистемами предъявляет повышенные требования к быстродействию алгоритмов анализа и обеспечению допустимых параметров послеаварийных режимов работы. Увеличение скорости протекания переходных процессов за счёт снижения суммарной инерции энергосистем и появления новых видов аварийных процессов приводят к необходимости разработки и внедрения принципа противоаварийного управления по способу «После», предполагающего синтез закона изменения параметров электрического режима в темпе протекания переходного процесса. Одним из классов математических методов, способных обеспечить быстродействие и адаптивность противоаварийного управления современных энергосистем являются алгоритмы машинного обучения. В исследовании представлена адаптивная методика выбора управляющих воздействий для обеспечения допустимых токовых загрузок элементов электрической сети и уровней напряжений в послеаварийных режимах работы на основе алгоритмов машинного обучения. Рассмотрены основные направления исследований, рассматриваемых задач противоаварийного управления, выявлены их достоинства и недостатки. Апробация предложенной методики выполнена на математической модели энергосистемы IEEE14, с применением которой была сгенерирована синтетическая выборка данных, состоящая из 13205 электрических режимов. Задача выбора управляющих воздействий была разбита на две подзадачи, состоящие из выбора объёма воздействий и мест их реализации. Для выбора объёмов реализации управляющих воздействий по обоим рассмотренным критериям качества послеаварийного режима работы энергосистемы был выбран алгоритм случайного леса. Классификация мест реализации управляющих воздействий выполнена с применением графовой нейронной сети. В выводах представлены основные результаты исследования и приводятся направления для будущих работ.
Ключевые слова
энергосистема, управляющее воздействие, противоаварийное управление, машинное обучение, математическое моделирование
1. Суворов А.А. Механизмы возникновения субсинхронных колебаний в энергосистемах с силовыми инверторными преобразователями. Ч. 1 //Электричество. 2025. №1. С. 17-31. doi: 10.24160/0013-5380-2025-1-17-31
2. Интеграция системы мониторинга запасов устойчивости с технологическими инструментами рынка электроэнергии и мощности / С.Л. Костоглодова, Д.С. Лоцман, Д.М. Максименко, В.Г. Неуймин, А.Ю. Останин // Известия НТЦ Единой энергетической системы. 2021. № 1(84). С. 89-95.
3. Методы оценки низкочастотных колебаний в энергосистеме / М.Д. Сенюк, А.В. Паздерин, А.С. Бердин, В.В. Классен // Электричество. 2024. № 8. С. 4-14. doi: 10.24160/0013-5380-2024-8-4-14
4. Definition and Classification of Power System Stability – Revisited & Extended / N. Hatziargyriou, J. Milanovic, C. Rahmann, V. Ajjarapu, C. Canizares, I. Erlich // IEEE Transactions on Power Systems. 2021. No. 36(4). Pp. 3271-3281. doi: 10.1109/TPWRS.2020.3041774
5. Автоматическое противоаварийное управление в энергосистемах / А.С. Герасимов, Л.А. Кощеев, В.А. Крицкий, А.А. Лисицын // Электрические станции. 2020. № 1. С. 41-49.
6. Апросин К.И., Хохрин А.А., Иванов Ю.В. Оценка дозировки управляющих воздействий автоматики предотвращения нарушения устойчивости на базе синхронизированных векторных измерений // Релейщик. 2021. №3(41). С. 26-31.
7. 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. doi: 10.18503/2311-8318-2024-4(65)-14-24
8. Лужковский Ю.И. Согласование работы локальной автоматики предотвращения нарушения устойчивости и автоматики ограничения перегрузки оборудования // Известия высших учебных заведений. Электромеханика. 2014. № 3. С. 103-105.
9. Алгоритмы адаптивной автоматики ограничения перегрузки воздушной линии электропередачи с контролем температуры провода / Е.И. Сацук, Ю.И. Лужковский, А.С. Засыпкин, Тетерин А.Д. // Энергетик. 2015. № 12. С. 8-12.
10. Decision Tree Detection Method for Overload Fault of Distribution Network Lines Under Load Disturbance / J. Duan, R. Liu, X. Hu, J. Hao, J. Luo // 3rd International Conference on Energy, Power and Electrical Engineering (EPEE). IEEE, 2023. Pp. 1078-1081. doi: 10.1109/EPEE59859.2023.10352010
11. A Self-Evolving Agent System for Power System Online Corrective Control / T. Gao, T. Zhang, R. Si, P. Xu, C. Lv, J. Zhang // IEEE Journal of Radio Frequency Identification. 2022. Vol. 6. Pp. 876-880. doi: 10.1109/JRFID.2022.3205727
12. Online Preventive Control for Transmission Overload Relief Using Safe Reinforcement Learning With Enhanced Spatial-Temporal Awareness / H. Cui, Y. Ye, J. Hu, Y. Tang, Z. Lin, G. Strbac // IEEE Transactions on Power Systems. 2024. No. 39(1). Pp. 517-532. doi: 10.1109/TPWRS.2023.3257259
13. Labed I., Labed D. Extreme learning machine-based alleviation for overloaded power system // IET Gener. Transm. Distrib., 2019. No. 13(22). Pp. 5058-5070. doi: 10.1049/iet-gtd.2019.0531
14. Sengupta A. Prevention of Load Encroachment Using Model Predictive Control // IEEE Transactions on Power Delivery. 2021. No. 6(36). Pp. 3657-3670. doi: 10.1109/TPWRD.2020.3046359
15. Improvement and Testing of Upgraded Power Lines Unloading Automatics by Power Overload with Correction of Tripping Characteristics / A.A. Dautov, M.G. Popov, K.S. Goryachevskiy, I.V. Sinianskiy, V.A. Odruzova // IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). IEEE, 2021. Pp. 833-838. doi: 10.1109/ElConRus51938.2021.9396175
16. Glavic M., Cutsem T.V. Adaptive wide-area closed-loop undervoltage load shedding using synchronized measurements // IEEE PES General Meeting. IEEE, 2010. Pp. 1-8. doi: 10.1109/PES.2010.5589279
17. Kisengeu S.M., Nyakoe G.N., Muriithi C.M. Under Voltage Load Shedding using Hybrid Metaheuristic Algorithms for Voltage Stability Enhancement: A Review // IEEE PES/IAS PowerAfrica. IEEE, 2020. Pp. 1-5. doi: 10.1109/PowerAfrica49420.2020.9219810
18. Adaptive Power System Emergency Control Using Deep Reinforcement Learning / Q. Huang, R. Huang, W. Hao, J. Tan, R. Fan, Z. Huang // IEEE Transactions on Smart Grid. 2020. No. 2(11). Pp. 1171-1182. doi: 10.1109/TSG.2019.2933191
19. Yasin Z.M., Rahman T.K.A., Zakaria Z. Quantum-Inspired Evolutionary Programming-Artificial Neural Network for prediction of undervoltage load shedding // 2013 IEEE 8th Conference on Industrial Electronics and Applications (ICIEA). IEEE, 2013. Pp. 583-588. doi: 10.1109/ICIEA.2013.6566436
20. An emergency control strategy for undervoltage load shedding of power system: A graph deep reinforcement learning method / Y. Pei, J. Yang, J. Wang, P. Xu, T. Zhou, F. Wu // IET Gener. Transm. Distrib. 2023. No. 17. Pp. 2130-2141. doi: 10.1049/gtd2.12795
21. Zhu L., Luo Y. Deep Feedback Learning Based Predictive Control for Power System Undervoltage Load Shedding // IEEE Transactions on Power Systems. 2021. No. 4(36). Pp. 3349-3361. doi: 10.1109/TPWRS.2020.3048681
22. Алгоритм расчета управляющих воздействий по условию обеспечения нормативного запаса по напряжению в узлах схемы и недопущения токовой перегрузки сетевых элементов в послеаварийном режиме энергосистемы / Е.В. Исаев, П.Я. Кац, А.А. Лисицын, А.В. Николаев, Е.А. Тен // Известия НТЦ Единой энергетической системы. 2013. № 1. С. 58-68.
23. Solheim O.R., Hoverstad B.A., Korpas M. Using Graph Neural Networks in Reinforcement Learning With Application to Monte Carlo Simulations in Power System Reliability Analysis // IEEE Access. 2024. Vol. 12. Pp. 160175-160189. doi: 10.1109/ACCESS.2024.3486354
Сенюк М.Д., Паздерин А.В., Классен В.В. Обеспечение допустимых токовых загрузок и уровней напряжений в централизованных системах противоаварийной автоматики на основе алгоритмов машинного обучения // Электротехнические системы и комплексы. 2025. № 2(67). С. 15-24. https://doi.org/10.18503/2311-8318-2025-2(67)-15-24