Исследователи из Федерального научного агроинженерного центра ВИМ Российской академии сельскохозяйственных наук совместно с независимыми коллегами из США создали систему, которая с помощью методов машинного обучения прогнозирует вероятность отключений на высоковольтных линиях электропередачи. Этот инструмент помогает энергетическим компаниям заблаговременно выявлять уязвимые участки сетей и более эффективно планировать ремонт и модернизацию.
Внезапные отключения остаются ключевой проблемой в энергетическом секторе: по разным оценкам, до половины всех сбоев в энергосистеме происходит на воздушных линиях электропередачи. В течение многих лет прогнозы составлялись на основе исторической статистики, визуальных проверок и анализа погодных факторов, таких как грозы, ветер, обледенение линий электропередачи или падение деревьев. В своём новом исследовании учёные применили другой подход: они использовали внутренние технические параметры линий для выявления закономерностей, которые не видны при традиционном подходе.
Для этого они собрали данные о 395 линиях электропередачи напряжением 110 кВ в Орловской области и проанализировали девять параметров, в том числе протяжённость линий, долю линий, проходящих через леса и населённые пункты, тип опор, срок службы, индекс технического состояния и тип провода. Данные были обработаны с помощью методов исследовательского анализа для выявления скрытых закономерностей. Обработанные данные были использованы для обучения пяти различных алгоритмов машинного обучения: метода опорных векторов, логистической регрессии, случайного леса и двух фреймворков градиентного бустинга – LightGBM и CatBoost. Чтобы повысить точность прогнозов, исследователи применили специальные методы для устранения дисбаланса в выборке, поскольку количество сбоев превышало количество примеров нормальной работы.
Наилучшие результаты показала логистическая регрессия. Эта модель достигла качества прогнозирования 0,78 при обучении и 0,84 при тестировании с использованием метрики ROC AUC, что доказывает её способность уверенно различать линии с высоким и низким риском отключения питания. Более того, она не только прогнозировала сбои, но и позволяла понять, какие именно параметры создают риск аварии.
Например, исследование показало, что ключевым фактором риска является не формальная оценка состояния линии электропередачи или её возраст, а протяжённость: чем длиннее маршрут, тем выше вероятность аварии. Интересно, что линии электропередачи, проходящие через населённые пункты, на самом деле снижают риск, возможно, благодаря более частым проверкам и своевременному техническому обслуживанию. Кроме того, линии с большим количеством железобетонных опор выходили из строя чаще, чем линии с металлическими опорами. На транзитных линиях также наблюдался более высокий уровень аварийности. При этом такие параметры, как срок службы или индекс технического состояния, оказались незначительными, вероятно, потому, что критически важные активы регулярно обслуживаются независимо от возраста.
В целом результаты исследования в очередной раз наглядно продемонстрировали, как машинное обучение может выявлять скрытые зависимости и по-новому взглянуть на проблемы, которые десятилетиями решались традиционными методами. В будущем исследователи планируют расширить базу данных, включив в неё другие регионы и периоды времени, чтобы создать более надёжные модели и приблизиться к практической реализации подобных прогнозов в энергетических компаниях.
Источник: Ассоциация «Глобальная энергия»
Оцените новость
0
0
0
0
0
0
0