Группа исследователей из Нигерии и Южной Африки предложила использовать технологии искусственного интеллекта для определения точных причин потерь электроэнергии при передаче. В стандартной практике потери в энергосистеме рассчитываются в целом, а меры по их устранению сводятся к общим техническим мерам, таким как установка компенсирующих устройств. Исследователи решили глубже изучить этот вопрос и выяснить, что именно вызывает потери на конкретных участках электросети, будь то технические неисправности, погрешности измерений, воровство или другие факторы.
Для этого они проанализировали данные с высоковольтной линии 132 кВ в Нигерии, которая проходит через промышленную зону с большим количеством крупных потребителей. Эта линия электропередачи играет важную роль в электроснабжении местных предприятий, в том числе металлургических и перерабатывающих заводов. Для анализа были выбраны 12 участков электросети с наибольшей нагрузкой и выраженными потерями. Данные были собраны с помощью интеллектуальных счётчиков Schneider PM5100, установленных на различных участках линии электропередачи. Счётчики фиксировали объёмы поставляемой и потребляемой электроэнергии.
На первом этапе исследователи тщательно обработали полученные данные, устранив пробелы, нормализовав значения, закодировав категории и сформировав временные последовательности для обучения моделей нейронных сетей. Затем они вычислили разницу в объёмах энергии между объёмами, поданными в сеть, и объёмами, фактически зарегистрированными потребителями. Потери классифицировались в зависимости от значения: потери, превышающие 40%, считались хищением электроэнергии, потери в диапазоне 30–40% классифицировались как активные (омические) потери, 20–30% – как потери от коронного разряда, 10–20% – как реактивные потери, 5–10% – как нормальные технические потери, а значения ниже 5% считались ошибками измерения.
Эти данные были использованы для обучения шести моделей ИИ: классических моделей LSTM и GRU, их гибридов, двунаправленной модели BiLSTM и модели LSTM с механизмом внимания, который позволяет системе фокусироваться на наиболее значимых участках временного ряда. Все модели были созданы и протестированы в среде Python с использованием библиотек TensorFlow и Keras.
Лучший результат показала модель LSTM с механизмом внимания, которая достигла точности 83,84%. Обычные модели LSTM и GRU были немного менее точными – около 83%. Модель BiLSTM показала точность 82,07%. Анализ распределения классов потерь показал, что подавляющее большинство потерь, или 1440 из 1980 наблюдений, были связаны с хищением электроэнергии. Другие виды потерь, в том числе реактивные потери, потери на корону и погрешности измерения, встречались гораздо реже.
Также был проведён статистический анализ. Некоторые участки сетки продемонстрировали высокую нестабильность: значительные отклонения, отрицательные значения и резкие скачки. Всё это указывает на возможные технические проблемы или организационные сбои.
Широкое внедрение предложенного подхода может дать инженерам-энергетикам полезный инструмент, позволяющий не только регистрировать потери, но и быстро определять их характер. Это значительно улучшит управляемость системы, позволит выявлять проблемные области, принимать обоснованные решения и сокращать расходы. Этот подход может оказаться особенно актуальным в развивающихся странах, где уровень потерь в электросетях может превышать 30%.
Африканские учёные предлагают использовать искусственный интеллект для выявления причин потерь электроэнергии
Группа исследователей из Нигерии и Южной Африки предложила использовать технологии искусственного интеллекта для определения точных причин потерь электроэнергии при передаче. В стандартной практике потери в энергосистеме рассчитываются в целом, а меры по их устранению сводятся к общим техническим мерам, таким как установка компенсирующих устройств. Исследователи решили глубже изучить этот вопрос и выяснить, что именно вызывает потери на конкретных участках электросети, будь то технические неисправности, погрешности измерений, воровство или другие факторы.
Для этого они проанализировали данные с высоковольтной линии 132 кВ в Нигерии, которая проходит через промышленную зону с большим количеством крупных потребителей. Эта линия электропередачи играет важную роль в электроснабжении местных предприятий, в том числе металлургических и перерабатывающих заводов. Для анализа были выбраны 12 участков электросети с наибольшей нагрузкой и выраженными потерями. Данные были собраны с помощью интеллектуальных счётчиков Schneider PM5100, установленных на различных участках линии электропередачи. Счётчики фиксировали объёмы поставляемой и потребляемой электроэнергии.
На первом этапе исследователи тщательно обработали полученные данные, устранив пробелы, нормализовав значения, закодировав категории и сформировав временные последовательности для обучения моделей нейронных сетей. Затем они вычислили разницу в объёмах энергии между объёмами, поданными в сеть, и объёмами, фактически зарегистрированными потребителями. Потери классифицировались в зависимости от значения: потери, превышающие 40%, считались хищением электроэнергии, потери в диапазоне 30–40% классифицировались как активные (омические) потери, 20–30% – как потери от коронного разряда, 10–20% – как реактивные потери, 5–10% – как нормальные технические потери, а значения ниже 5% считались ошибками измерения.
Эти данные были использованы для обучения шести моделей ИИ: классических моделей LSTM и GRU, их гибридов, двунаправленной модели BiLSTM и модели LSTM с механизмом внимания, который позволяет системе фокусироваться на наиболее значимых участках временного ряда. Все модели были созданы и протестированы в среде Python с использованием библиотек TensorFlow и Keras.
Лучший результат показала модель LSTM с механизмом внимания, которая достигла точности 83,84%. Обычные модели LSTM и GRU были немного менее точными – около 83%. Модель BiLSTM показала точность 82,07%. Анализ распределения классов потерь показал, что подавляющее большинство потерь, или 1440 из 1980 наблюдений, были связаны с хищением электроэнергии. Другие виды потерь, в том числе реактивные потери, потери на корону и погрешности измерения, встречались гораздо реже.
Также был проведён статистический анализ. Некоторые участки сетки продемонстрировали высокую нестабильность: значительные отклонения, отрицательные значения и резкие скачки. Всё это указывает на возможные технические проблемы или организационные сбои.
Широкое внедрение предложенного подхода может дать инженерам-энергетикам полезный инструмент, позволяющий не только регистрировать потери, но и быстро определять их характер. Это значительно улучшит управляемость системы, позволит выявлять проблемные области, принимать обоснованные решения и сокращать расходы. Этот подход может оказаться особенно актуальным в развивающихся странах, где уровень потерь в электросетях может превышать 30%.
Источник: Ассоциация «Глобальная энергия»
- «Светосервис-Ставрополье»: строительство инфраструктуры жизнеобеспечения для нового горного курорта «Мамисона»Вчера
- Новые трехфазные ИБП SMARTWATT ULTIMAВчера
- Как чемпионаты профмастерства влияют на кадровый потенциал страны — IEK GROUP провела конференцию с экспертами электротехнического рынкаВчера
- Компании «Релематика» и «Сузор’е Льва» провели в Минске технический семинарВчера
👉 Подписывайтесь на Elec.ru. Мы есть в Телеграм, ВКонтакте и Одноклассниках