ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПРЕДОТВРАЩЕНИЯ АВАРИЙ ДЛЯ ПОДСТАНЦИЙ IV АРХИТЕКТУРЫ
DOI:
https://doi.org/10.14529/ctcr260402Ключевые слова:
предотвращение аварий, цифровая подстанция, IV архитектура, устройство объединения, прогнозирование аварийных режимов, нейронная сеть, Bi-GRU, алгоритм без блокировок, МЭК 61850Аннотация
Цель исследования: создать для подстанций IV архитектуры систему предотвращения аварий, в которой нейросеть работает прямо в устройстве объединения. Система должна замечать развивающийся аварийный режим раньше, чем сработает релейная защита, и выдавать прогнозную оценку не позже чем через 2 мс, не задерживая публикацию потоков Sampled Values. Материалы и методы. Задача сведена к классификации многомерного временного ряда: окно из 1000 отсчётов трёх фазных токов и трёх фазных напряжений (100 мс при частоте 10 кГц) модель относит к одному из 17 режимов. Использованы глубокое обучение с физической регуляризацией на основе законов Кирхгофа, квантование и прунинг модели, теория параллельных вычислений и модель массового обслуживания M/M/1. Реальных аварийных записей мало, поэтому обучающая выборка сгенерирована по физической модели переходных процессов; в неё вошли короткие замыкания, обрывы фаз и нарушения качества электроэнергии по ГОСТ 32144–2013. Вычисления выполняет отечественная плата «Авача», данные поступают от цифрового комбинированного трансформатора тока и напряжения 110 кВ класса точности 0,2S. Результаты. Предложена архитектура CNN + Bi-GRU с механизмом внимания (393 тыс. параметров); по F1-мере она обошла модели CNN, GRU, Bi-GRU и CNN + LSTM. После экспорта в TorchScript и квантования весов до 8 бит модель занимает 450 КБ и даёт F1-меру 95,9 % при времени вывода 0,9 мс. Асинхронный алгоритм из трёх контуров с кольцевым буфером без блокировок пропускает до 50 000 выборок/с с задержкой не более 800 мкс; одного конвейера хватает примерно на шесть присоединений. Лабораторная проверка устройства объединения на 1000 сценариях аварийных режимов дала точность 95,7 %; оценка формировалась за 1,2 ± 0,3 мс, и публикация SV ни разу не прервалась. Заключение. Система работает на полевом уровне параллельно с релейной защитой. Прогноз уходит диспетчеру отчётом MMS, чтобы тот успел принять предупредительные меры, а в критическом режиме устройство объединения само публикует сообщение GOOSE. Результаты внедрены в ООО «Челэнергоприбор».Библиографические ссылки
1. IEC 61850-9-2:2011. Communication networks and systems for power utility automation – Part 9-2: Specific communication service mapping (SCSM) – Sampled values over ISO/IEC 8802-3. Geneva: IEC, 2011.
2. IEC 61850-8-1:2011. Communication networks and systems for power utility automation – Part 8-1: Specific communication service mapping (SCSM) – Mappings to MMS (ISO 9506-1 and ISO 9506-2) and to ISO/IEC 8802-3. Geneva: IEC, 2011.
3. Положение ПАО «Россети» «О единой технической политике»: утв. решением Совета директоров ПАО «Россети», протокол от 28.12.2024 № 673. М.: ПАО «Россети», 2024. 161 с.
4. СТО 34.01-4.1-027-2026. Системы защиты, автоматизации и управления IV архитектуры построения ПС. Общие технические требования. Введ. 31.08.2026. М.: ПАО «Россети», 2026. 36 с.
5. Deep Learning for Time Series Classification: a Review / H. Ismail Fawaz, G. Forestier, J. Weber et al. // Data Mining and Knowledge Discovery. 2019. Vol. 33, no. 4. P. 917–963. DOI: 10.1007/s10618-019-00619-1
6. Эволюция использования и применения машинного обучения и искусственного интеллекта в разработке корпоративных информационных систем и в системах поддержки принятия решений / А.А. Шинкарев, М.В. Ядрышникова, О.В. Логиновский и др. // Вестник ЮУрГУ. Серия «Компьютерные технологии, управление, радиоэлектроника». 2025. Т. 25, № 4. С. 17–42. DOI: 10.14529/ctcr250402
7. Эффективное управление организационными и производственными структурами: моногр. / О.В. Логиновский, А.В. Голлай, О.И. Дранко и др.; под ред. О.В. Логиновского М.: Инфра-М, 2020. 450 с. DOI:10.12737/1087996
8. Управление промышленными предприятиями: стратегии, механизмы, системы: моногр. / О.В. Логиновский, А.А. Максимов, В.Н. Бурков и др.; под ред. О.В. Логиновского, А.А. Максимова. М.: Инфра-М, 2018. 410 с.
9. Логиновский О.В., Белякова В.А. Модели интегрированного управления наукоемким производством // Системы управления и информационные технологии. 2025. № 2-1 (100). С. 81–86.
10. IEC 61850-5:2013. Communication networks and systems for power utility automation – Part 5: Communication requirements for functions and device models. Geneva: IEC, 2013.
11. Raissi M., Perdikaris P., Karniadakis G.E. Physics-informed Neural Networks: A Deep Learning Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations // Journal of Computational Physics. 2019. Vol. 378. P. 686–707. DOI: 10.1016/j.jcp.2018.10.045
12. Топольский Д.В., Топольский Н.Д., Юмагулов Н.И. Разработка технических решений для создания электронного оборудования информационного взаимодействия цифровых электрических подстанций // Приборы и системы. Управление, контроль, диагностика. 2024. № 6. С. 18–23.
13. Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation / K. Cho, B. van Merriënboer, C. Gulcehre et al. // arXiv preprint: arXiv:1406.1078. 2014. DOI: 10.48550/arXiv.1406.1078
14. Bahdanau D., Cho K., Bengio Y. Neural Machine Translation by Jointly Learning to Align and Translate // International Conference on Learning Representations (ICLR). 2015. DOI: 10.48550/arXiv.1409.0473
15. Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference / B. Jacob, S. Kligys, B. Chen et al. // IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). 2018. P. 2704–2713. DOI: 10.48550/arXiv.1712.05877
16. Herlihy M., Shavit N. The Art of Multiprocessor Programming. Burlington: Morgan Kaufmann, 2008. 508 p.
17. ГОСТ 32144–2013. Электрическая энергия. Совместимость технических средств электромагнитная. Нормы качества электрической энергии в системах электроснабжения общего назначения. М.: Стандартинформ, 2014. 16 с.







