Аннотация
Применение машинного обучения в виртуальных электрических станциях представляет собой важную область исследования, благодаря которой можно повысить надежность и эффективность работы энергетических объектов. Виртуальные электрические станции представляют собой сложные динамические структуры, требующие постоянного мониторинга, адаптивного управления для поддержания стабильности и оптимизации производительности. В рамках данной работы предложено решение, способное определять необходимый объем управляющих воздействий, для передачи энергосистеме в ответ на полученные данные, чтобы предотвратить возникновение аварийной ситуации на энергетическом объекте. В качестве методов исследования использовались теоретический анализ научной литературы по машинному обучению и управлению энергосистемами, анализ и предобработка данных, включая методы описательной статистики, визуализацию данных и алгоритм выбора значимых признаков Boruta. Решение задачи продемонстрировано на модифицированной тестовой модели IEEE 39-Bus с добавлением ветрогенераторов, где задача определения объема управляющих воздействий формализована как задача многоклассовой классификации. Для её решения были применены алгоритмы машинного обучения: CatBoost, случайный лес, экстремальный градиентный бустинг и нейронные сети, основанные на PyTorch. Эти алгоритмы позволяют предсказать изменения в энергетической сети на основе исторических данных, что может помочь в прогнозировании нагрузок и оптимизации использования ресурсов. Наилучшие результаты были получены с помощью нейронных сетей, которые обеспечили среднюю точность определения необходимого объема управляющих воздействий в 98%. Это свидетельствует о высокой эффективности применяемых алгоритмов машинного обучения в энергетических системах. Полученные результаты демонстрируют практическую применимость метода для повышения эффективности противоаварийного управления в условиях стохастичной генерации энергии. Данное исследование подчеркивает важность машинного обучения в энергетическом секторе и открывает возможности для дальнейшего развития интеллектуальных систем управления энергосетями.
Ключевые слова
энергосистема, противоаварийная автоматика, управляющие воздействия, математическое моделирование, машинное обучение, виртуальные электрические станции
1. 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.
2. Расчёт управляющих воздействий по условиям статической устойчивости в программном обеспечении централизованной системы противоаварийной автоматики нового поколения / С.А. Павлушко, А.В. Жуков, Е.И. Сацук, П.Я. Кац, А.А. Лисицын // Электрические станции. 2015. № 2. С. 35-40.
3. Лисицын А.А., Чаплюк С.В. Автоматическое определение пусковых органов ЦСПА // Известия НТЦ Единой энергетической системы. 2018. № 2. С. 6-11.
4. Подходы к разработке отказоустойчивой распределенной вычислительной системы для целей противоаварийного управления / А.К. Ландман, М.В. Петрушков, А.Э. Петров, О.О. Сакаев, А.В. Субботин-Чукальский // Научные проблемы транспорта Сибири и Дальнего Востока. 2014. № 4. С. 335-340.
5. Подходы к созданию интегрированных систем противоаварийного управления на базе унифицированных программно-технических комплексов противоаварийной автоматики / А.К. Ландман, А.М. Петров, А.Э. Петров, О.О. Сакаев // Новое в российской электроэнергетике. 2012. № 7. С. 29-39.
6. Фишов А.Г., Карджаубаев Н.А. Децентрализованное мультиагентное регулирование напряжения в электрических сетях // Вестник Иркутского государственного технического университета. 2018. Т. 22. № 6 (137). С. 183–195. doi: 10.21285/1814-3520-2018-6-183-195
7. 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.
8. Zhu Q., Dang J., Chen J. A method for power system transient stability assessment based on deep belief networks // Proc. CSEE. 2018. Vol. 38. P. 735-743. doi: 10.3390/en17235864
9. 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. Vol. 35. No. 6. Pp. 4585-4598. doi: 10.1109/TPWRS.2020.2999102
10. A Deep Reinforcement Learning Framework for Automatic Operation Control of Power System Considering Extreme Weather Events / X. Liu, J. Liu, Y. Zhao, J. Liu // IEEE Power & Energy Society General Meeting (PESGM). IEEE, 2022. doi: 10.1109/PESGM48719.2022.9916843.
11. A Safe Policy Learning-Based Method for Decentralized and Economic Frequency Control in Isolated Networked-Microgrid Systems / Y. Xia, Y. Xu, Y. Wang, S. Mondal, S. Dasgupta, A.K. Gupta // IEEE Transactions on Sustainable Energy. 2022. Vol. 13. No. 4. Pp. 1982-1993. doi: 10.1109/TSTE.2022.3178415
12. A Learning-Based Power Management Method for Networked Microgrids Under Incomplete Information / Q. Zhang, K. Dehghanpour, Z. Wang, Q. Huang // IEEE Transactions on Smart Grid. 2020. Vol. 11. No. 2. Pp. 1193-1204. doi: 10.1109/TSG.2019.2933502
13. Applications of Reinforcement Learning in Frequency Regulation Control of New Power Systems / T. Zhou, Y. Wang, Y. Xu, Z. Wang, K. Dehghanpour // International Conference on Cyber-Physical Social Intelligence (ICCSI). IEEE, 2022. Pp. 501-506. doi: 10.1109/ICCSI55536.2022.9970560
14. Applying machine learning techniques for forecasting flexibility of virtual power plants / P. MacDougall, A.M. Kosek, H. Bindner, G. Deconinck // IEEE Electrical Power and Energy Conference (EPEC). IEEE, 2016. doi: 10.1109/EPEC.2016.7771738
15. Sierla S., Pourakbari-Kasmaei M., Vyatkin V. A taxonomy of machine learning applications for virtual power plants and home/building energy management systems // Automation in Construction. 2022. Vol. 136. 104174. doi: 10.1016/j.autcon.2022.104174
16. Li X., Luo F., Li C. Multi-agent deep reinforcement learning-based autonomous decision-making framework for community virtual power plants // Applied Energy. 2024. Vol. 360. 122813. doi: 10.1016/j.apenergy.2024.122813
17. Athay T., Podmore R., Virmani S. A Practical Method for the Direct Analysis of Transient Stability // IEEE Transactions on Power Apparatus and Systems. 1979. Vol. PAS-98. No. 2. Pp. 573-584. doi: 10.1109/tpas.1979.319407
18. Pai A. Energy Function Analysis for Power System Stability. Springer, 1989. doi: 10.1007/978-1-4613-1635-0
19. Kursa M.B., Rudnicki W.R. Feature selection with the Boruta package // Journal of Statistical Software. 2010. Vol. 36. P. 1–13. doi: 10.18637/jss.v036.i11
20. CatBoost: unbiased boosting with categorical features / L. Prokhorenkova, G. Gusev, A. Vorobev, A.V. Dorogush, A. Gulin // Advances in Neural Information Processing Systems (NeurIPS). 2018. Vol. 31.
21. Chen T., Guestrin C. XGBoost: A scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. Pp. 785-794. doi: 10.1145/2939672.29397
22. Куриленко И.Е., Никонов И.Е. Решение задачи классификации сообщений в системах голосового взаимодействия // Вестник МЭИ. 2020. № 5. С. 132-139. doi: 10.24160/1993-6982-2020-5-132-139
23. Mohammed A., Kora R. A comprehensive review on ensemble deep learning: Opportunities and challenges // Journal of King Saud University - Computer and Information Sciences. 2023. Vol. 35. No. 2. Pp. 757-774. doi: 10.1016/j.jksuci.2023.01.014
24. LQR-Based Adaptive Virtual Inertia for Grid Integration of Wind Energy Conversion System Based on Synchronverter Model / Gil- W. Gonzalez, O.D. Montoya, A. Escobar-Mejia, J.C. Hernandez // Electronics. 2021. No. 10(9). 1022. doi: 10.3390/electronics10091022
25. Bulk Low-Inertia Power Systems Adaptive Fault Type Classification Method Based on Machine Learning and Phasor Measurement Units Data / M. Senyuk, S. Beryozkina, I. Zicmane, M. Safaraliev, V. Klassen, F. Kamalov // Mathematics. 2025. No. 13(2). 316. doi: 10.3390/math13020316
Беззубов А.А., Сенюк М.Д., Аксенов К.А. Использование машинного обучения для идентификации управляющих воздействий виртуальных электрических станций // Электротехнические системы и комплексы. 2025. № 4(69). С. 79-87. https://doi.org/10.18503/2311-8318-2025-4(69)-79-87
© Беззубов А.А., Сенюк М.Д., Аксенов К.А, 2025 Контент доступен под лицензией Creative Commons Attribution 4.0 License