Интеллектуальная система предотвращения аварий для подстанций IV архитектуры
Рубрика: Управление в технических системах
Статья в выпуске: 4 т.26, 2026 года.
Бесплатный доступ
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».
Короткий адрес: https://sciup.org/147255562
IDS: 147255562 | УДК: 004.032.26:621.311 | DOI: 10.14529/ctcr260402
Intelligent emergency prevention system for substations of the IV architecture
Aim. To create an emergency prevention system for IV architecture substations in which a neural network runs directly in the merging unit. It must detect a developing emergency before relay protection operates and produce a forecast within 2 ms without delaying Sampled Values publication. Materials and methods. The task is reduced to multivariate time series classification: the model assigns a window of 1000 samples of three phase currents and three phase voltages (100 ms at 10 kHz) to one of 17 modes. The study applies deep learning with physical regularization based on Kirchhoff's laws, quantization, pruning, parallel computing theory and the M/M/1 queueing model. Real emergency records are scarce, so the training set was generated from a physical model of transients; it covers short circuits, phase breaks and power quality disturbances according to GOST 32144–2013. Computations run on the domestic Avacha board; data come from a 110 kV digital combined current and voltage transformer of class 0.2S. Results. A CNN + Bi-GRU architecture with attention (393 thousand parameters) is proposed; it outperformed CNN, GRU, Bi-GRU and CNN + LSTM in F1-score. After TorchScript export and 8-bit weight quantization, the model takes 450 KB and gives an F1-score of 95.9 % at 0.9 ms per inference. The asynchronous three-loop algorithm with a lock-free ring buffer sustains up to 50,000 samples/s with a latency up to 800 μs; one pipeline covers about six bays. Laboratory tests on 1000 emergency scenarios showed 95.7 % accuracy and a 1.2 ± 0.3 ms assessment time, and SV publication never stopped. Conclusion. The system operates at the field level in parallel with relay protection. The forecast reaches the dispatcher as an MMS report, leaving time for preventive actions, and in a critical mode the merging unit publishes a GOOSE message. The results were implemented at Chelenergopribor LLC.