Методы и алгоритмы проактивного управления цифровыми подстанциями в активно-адаптивных электроэнергетических системах

Цифровая трансформация активно развивает интеллектуальные энергосистемы – неотъемлемый элемент умного производства и качества жизни. В этой связи на цифровизацию энергетики направлены значительные ресурсы и достижения в информационных технологиях, электронике, экономике и управлении [1, 2].

Как отмечает академик Д.А. Новиков, энергетическая политика России нацелена на эффективное использование ресурсов для экономического роста и повышения качества жизни. Решение этих задач требует не экстенсивного наращивания мощностей, а модернизации технологий управления – перехода к интеллектуальной энергетике [3]. Ключевая черта новой энергетики – повышение гибкости управления и способности адаптироваться к изменению внешних условий, что отражено в концепции «интеллектуальная электроэнергетическая система с активно-адаптивной сетью» [4].

Гибкость обеспечивается новым взглядом на информацию и управление. Меняется не только объем, но и состав информации: проактивное управление основывается на прогнозах потребления и генерации, экономических и финансовых данных [3].

С позиций теории организационных систем [5, 6], совокупность цифровых подстанций образует иерархическую организационную сеть с распределением функций, включением лиц, принимающих решения, и необходимостью координации в условиях временных ограничений.

Основа перехода к интеллектуальным энергосистемам – цифровые подстанции и цифровые измерительные трансформаторы. В новой парадигме подстанция становится активным агентом с функциями мониторинга, анализа и принятия решений [7, 8], а цифровые трансформаторы – информационными агентами, формирующими потоки данных в стандарте МЭК 61850-9-2 для управленческих решений [9, 10].

Однако существующая практика базируется на реактивной модели, где управляющее воздействие следует за аварией. Временной лаг между первыми признаками аварии и ее идентификацией часто достаточен для развития тяжелой системной аварии из-за высокой динамики процессов и ограничений человека при восприятии больших объемов информации.

Переход к проактивному управлению становится организационной необходимостью: способность заблаговременно идентифицировать признаки аварии и предоставить лицу, принимающему решение, верифицированный прогноз – ключевой фактор повышения живучести организационной сети. Возникает научная задача разработки методов интеллектуальной поддержки принятия решений, трансформирующих данные цифровых трансформаторов в прогнозные оценки состояний объекта.

На рис. 1 представлено сравнение вариантов организации управления цифровой подстанцией. Традиционная централизованная архитектура управления приводит к задержкам до 10–15 мс. В предлагаемой архитектуре устройство объединения становится активным интеллектуальным агентом, способным выполнять проактивный анализ локально и инициировать воздействия, сокращая время реакции до 1–2 мс.

Рис. 1. Сравнение вариантов организации управления цифровой подстанцией Fig. 1. Comparison of options for organizing digital substation control

Цифровые трансформаторы создают информационную основу для проактивного управления (рис. 2). Аппаратной основой оконечного блока выбрана отечественная платформа «Авача» (рис. 3) с поддержкой МЭК 61850, аппаратным ускорителем и синхронизацией Precision Time Protocol (PTP) в соответствии со стандартом IEEE 1588.

Цель исследования – разработка методов и алгоритмов проактивного управления энергообъектами в активно-адаптивных электроэнергетических системах, обеспечивающих интеллектуальную поддержку обоснованности и оперативности принятия решений диспетчерским персоналом на основе прогнозного анализа данных цифровых трансформаторов.

Рис. 2. Функциональная схема измерительной системы на основе цифрового трехфазного трансформатора

Fig. 2. Functional diagram of the measuring system based on a digital three-phase transformer

Рис. 3. Плата обработки цифровых сигналов «Авача»

Fig. 3. Digital signal processing board “Avacha”

1.    Постановка задач

А на л из со в р е ме нного с осто яния исследований в области интеллектуальн ых эне р г о си сте м и те ор ии актив ных с ис те м по з в о ляет выделить ключевые нерешенные научные пр обл е м ы упра в л е ния цифр овым и по дс та нц иями к ак активными агентами организационной сист е м ы [ 1 1 –15].

Первая проблема – о птима льное распределение полномочий между дисп етч е рс к им це нтр ом и р а спр е де л ен ны ми а ге нта м и. Т ребуется формализовать, какие функции мог у т бы т ь де ле г ир о в а ны на по л евой ур ов е нь для по в ы шения быстродействия и живучести системы.

Вторая проблема – ко о р динация автономных агентов в условиях неполн о й инфо р ма ции и по т е нц иал ьно го к онф ли к т а ло к а льных целей. Необходимы алгоритмы согласо в а нно й р а боты дл я достижения глобальной цели – у с тойч ив о с т и эне р го с наб ж е ния [ 1 6 ] .

Третья проблема – ар х ите кт ура с ис те м поддержки принятия решений, встраиваемых в аген та . Т р е бу е тс я ба ла н с меж д у т о ч ностью прогноза, интерпретируемостью, вы чис л ител ьн ой с лож но с т ью и у с той чив о с т ью п ри огра нич ени ях р е а льн о г о в р е ме ни [17 , 18 ] .

Четвертая проблема – об е сп е че ние у с то йчивос ти и бе з опасности распределенной системы: з а щ ита от с бо е в , ки б е р а та к и о ш ибочных решений на основе применения ис к ус ств е нно г о инт е л л екта ( ИИ ) , в кл ю ча я механизмы доверия и резервирования, совместимые с М ЭК 6 1 8 5 0 [1 9 , 2 0] .

Для д о с т и ж е ния цели не об х о д им о ре ш ить с ле ду ющ ие задачи:

• 1.    Разработать концепцию распределенного проактивного противоаварийного управления цифровой подстанцией.

• 2.    Предложить метод интеллектуальной поддержки решений на основе гибридной нейросетевой архитектуры.

• 3.    Обосновать принцип распределения функций с асинхронным алгоритмом lock-free синхронизации.

• 4.    Разработать методику обучения нейросетевой модели для проактивного анализа.

• 5.    Создать методологию интеграции в инфраструктуру цифровых подстанций, совместимую с МЭК 61850.

• 6.    Экспериментально подтвердить работоспособность алгоритмов проактивного управления на платформе «Авача».

2.    Концепция распределенного проактивного управления цифровыми подстанциями

Классическая энергосистема представляет собой централизованную иерархическую структуру с реактивной моделью управления, характеризующуюся инерционностью, низкой адаптивностью и уязвимостью к каскадным авариям [3, 5, 21]. В рамках концепции активно-адаптивных сетей предлагается архитектура распределенного проактивного управления, основанная на перераспределении функций анализа и принятия решений между уровнями иерархии. Ключевой элемент – трансформация цифровой подстанции в активного агента с функциями автономного мониторинга, анализа и принятия решений [7, 8, 11].

В традиционной архитектуре (рис. 4) данные последовательно передаются через устройство объединения в шину процесса к централизованным устройствам РЗА, что приводит к задержкам 10–15 мс [1].

Рис. 4. Схема движения данных при аварийной ситуации в традиционной архитектуре цифровой подстанции

Fig. 4. Data flow diagram in an emergency situation in the traditional architecture of digital substation

В предлагаемой архитектуре устройство объединения становится активным интеллектуальным агентом, выполняющим проактивный анализ локально и инициирующим управляющие воздействия (рис. 5). Сохраняется обратная совместимость: устройство продолжает передавать SV-пакеты в шину процесса для традиционных РЗА, создавая резервный канал защиты [22].

Модуль Ввода Данных	Модуль Предобработки		Нейросетевой Модуль	Модуль Принятия Решений	Модуль Выходных Сигналов
- *	Z-Score Нормализация		GRU + Внимание (TorchScript)	Учет Временных Характеристик	GOOSE-сообщения (МЭК 61850-8-1)
МЭК 61850-9-2			Ч. • > >
		■		•^ь	W А
ш	Преобразование			Сложная Логика
РТР	Кларка (SIMD) Sis		Hardware Акселератор	Управления
Синхронизация	■ ■1	II	(Линейная Алгебра)
< 1 мкс
		■в	• •
	Оф.
Кольцевой буфер (Shared Memory)	Конвейер Обработки		Оптимизированный Граф	L                 4

Рис. 5. Модульная архитектура программного комплекса интеллектуального устройства объединения Fig. 5. Modular architecture of the software complex of the intelligent merging unit

Ключевые принципы концепции:

• –    децентрализация обработки данных на месте их генерации;

• –    распределенная архитектура принятия решений с автономными узлами;

• –    сохранение резервирования традиционных систем РЗА;

• –    интеграция нейросетевых моделей для прогнозирования аварийных режимов.

3 . Метод интеллектуальной поддержки принятия решенийна основе гибридной нейросетевой архитектуры

Техническая реализация предполагает оснащение устройства объединения вычислительными модулями для машинного обучения. Оценка эффективности показывает сокращение времени реакции до 1–2 мс за счет исключения промежуточных этапов передачи данных и организации локального контура принятия решений. Дополнительное преимущество – повышение отказоустойчивости: каждый модуль работает автономно, обеспечивая локальную защиту при отказах других компонентов.

Для реализации проактивного управления необходим аналитический инструментарий, способный выявлять сложные зависимости в высокочастотных потоках данных от цифровых трансформаторов [17, 18]. Традиционные методы требуют ручного конструирования признаков и недостаточно адаптивны [23]. В таблице представлен сравнительный анализ архитектур нейронных сетей для проактивного анализа.

Сравнительный анализ архитектур нейронных сетей для проактивного анализа Comparative analysis of neural network architectures for proactive analysis

Архитектура сети	Точность (F1-score), %	Время вывода, мс	Потребление памяти, МБ	Поддержка временных зависимостей	Способность к выделению локальных паттернов	Пригодность для встраивания
CNN (только сверточные слои)	89,2 ± 1,5	0,4	0,3	Низкая	Высокая	Высокая
LSTM (однонаправленная)	92,8 ± 0,9	1,8	1,1	Высокая	Низкая	Средняя
GRU (однонаправленная)	93,1 ± 0,8	1,5	0,9	Высокая	Низкая	Средняя
Bi-LSTM (двунаправленная)	94,5 ± 0,7	2,3	1,8	Очень высокая	Низкая	Низкая
Bi-GRU (двунаправленная)	94,8 ± 0,6	1,9	1,4	Очень высокая	Низкая	Средняя
CNN + LSTM	95,2 ± 0,5	2,1	1,6	Высокая	Высокая	Средняя
CNN + Bi-GRU с вниманием	96,1 ± 0,4	1,7	1,2	Очень высокая	Высокая	Высокая

Задача формализована как многоклассовая классификация многомерных временных рядов. Пространство входных сигналов: X £ R^T*^F, где T - длина временной последовательности (1000 отсчетов, что соответствует 100 мс при частоте дискретизации 10 кГц), F = 6 – количество измерительных каналов (три фазы тока и три фазы напряжения) [9].

Множество классов включает нормальный режим и 16 типов аварий. Ограничение времени реакции т_тах = 2 мс формализовано как

Tinf(fs) + Тсотт — Ттах, что требует алгоритмов с гарантированным временем выполнения [10].

На основе сравнительного анализа (см. таблицу) обоснован выбор гибридной архитектуры CNN + Bi-GRU с механизмом внимания, обеспечивающей оптимальный баланс точности (96,1 % F1-score) и вычислительной эффективности (0,8 MFLOPS).

Сверточные слои выделяют локальные паттерны, двунаправленные GRU анализируют временные зависимости в прямом и обратном направлениях, механизм внимания фокусируется на информативных участках сигнала.

Для преодоления дефицита реальных данных об авариях разработан генератор синтетических данных на основе физического моделирования 17 типов режимов с вариацией ключевых параметров [8, 24]. Предобработка включает z-score нормализацию, разбиение на окна и аугментацию.

Для физической осмысленности решений в функцию потерь введен регуляризационный член, штрафующий нарушения законов электротехники: 'Lke{A,B,c}i k (t) ~ 0. Обучение оптимизировано с использованием модифицированной функции потерь, AdamW и стратегии постепенного размораживания слоев [25].

После обучения модель экспортируется в TorchScript с квантованием до 8 бит и прунингом, что сокращает объем до 450 КБ [26]. Результирующая модель обеспечивает точность 96,1 % при эффективности 0,8 MFLOPS, позволяя реализацию на встраиваемых платформах.

Выводы

Разработаны методы и алгоритмы проактивного управления энергообъектами в активноадаптивных системах, обеспечивающие интеллектуальную поддержку решений диспетчерского персонала [3, 5].

Разработана концепция распределенного проактивного управления с переносом функций поддержки на полевой уровень. Децентрализация [7, 21] сокращает время реакции до 1–2 мс [10].

Предложен метод поддержки решений на основе CNN + Bi-GRU с вниманием, трансформирующий данные в прогнозные оценки с точностью 96,1 % при эффективности 0,8 MFLOPS. Сравнительный анализ [17, 18, 23] подтвердил преимущества подхода.

Обоснован принцип распределения функций с асинхронным алгоритмом lock-free синхронизации, обеспечивающий обработку до 50 000 выборок/с с задержкой менее 800 мкс [9].

Разработана методология интеграции в инфраструктуру цифровых подстанций, совместимая с МЭК 61850 и регламентами, обеспечивающая поэтапное внедрение без остановки процессов [8].

Создана методика генерации синтетических данных для 17 типов аварий [24]. Квантование и прунинг сократили объем модели до 450 КБ при точности 95,9 % и времени вывода менее 0,8 мс [25, 26].

Экспериментально подтверждена работоспособность на платформе «Авача»: точность 95,7 %, время реакции 1,2±0,3 мс. Результаты внедрены в ООО «Челэнергоприбор».

Разработанные методы реализуют новую организационную структуру управления, соответствующую стратегии создания интеллектуальных активно-адаптивных систем [1, 3], и повышают живучесть энергосистем за счет раннего выявления аварийных режимов. Дальнейшие исследования могут быть направлены на развитие методов адаптивного обучения нейросетевых моделей в процессе эксплуатации, расширение номенклатуры диагностируемых аварийных режимов, а также на создание унифицированных программно-аппаратных решений для масштабирования системы на подстанции более высоких классов напряжения и интеграцию с перспективными стандартами МЭК 61850 второго поколения.