Разработка структуры гибридной нейронной сети для системы мониторинга и идентификации неисправностей электрической подстанции

Железнодорожный транспорт потребляет более 7 % энергии, вырабатываемой электростанциями РФ, которая расходуется как на тягу поездов, так и на питание нетяговых потребителей (депо, станций, мастерских, а также районных потребителей). Таким образом, электрическая подстанция (ЭП) должна обеспечивать надежное электропитание различных устройств железнодорожного транспорта и электроснабжение всех потребителей железнодорожного транспорта. В связи с этим возникает потребность в своевременном выявлении неисправностей в работе ЭП для обеспечения бесперебойного питания, а также предупреждения аварийных ситуаций. В настоящей работе приведена обобщенная схема мониторинга и идентификации неисправностей ЭП с использованием гибридной нейронной сети (ГНС). Схема представлена в нотации IDЕF0 с подробным описанием выполняемых функций. Рассмотрен алгоритм предобработки данных для проверки четких и нечетких значений выбранных параметров, влияющих на работу ЭП. Предложена структура ГНС, которая основана на работе сверточной нейронной сети, извлекающей признаки и шаблоны значений параметров, а также рекуррентной нейронной сети, обрабатывающей четкие входные данные. Разработанная ГНС позволит сократить время обработки входных данных, своевременно получить оценку технического состояния ЭП в условиях разнородных данных, а также провести мероприятия, направленные на предупреждение выхода подстанции из строя.

1. Keawlumyai, N. Reliability evaluation of electrical substations considering load growth / N. Keawlumyai, W. Witoontorn, S. Chaitusaney // 11th International Conference on Electrical Engineering / Electronics, Computer, Telecommunications and Information Technology (ECTI-CON). – 2014. – Р. 1–6. – URL: https://ieeexplore.ieee.org/document/7207048 (дата обращения: 02.12.2024).

2. Rodriguez, M. Enhancing Prescriptive Capabilities in Electrical Substations: A Systemic Impact Factor Approach for Failure Impact Analysis / M. Rodriguez, A. Crespo Marquez, V. Gonzalez-Prida // Energies. – 2024. – Vol. 4. – Р. 1–14. – URL: https://www.mdpi.com/1996-1073/17/4/770 (дата обращения: 02.12.2024).

3. Шабанов, В. К вопросу об определении электрических нагрузок трансформаторных подстанций / В. Шабанов, A. Рахимбердина, И. Яникиев // Electrical and data processing facilities and systems. – 2022. – Vol. 1. – P. 114–122. – DOI 10.17122/1999-5458-2022-18-1-114-122.

4. Щегловитова, Е. В. Классификация трансформаторных подстанций / Е. В. Щегловитова, А. И. Зотова // Energy Systems. – 2024. – Vol. 1. – P. 122–127. – DOI 10.34031/ES.2024.1.016.

5. Bustos-Brinez, O. Application of data analysis techniques for characterization and estimation in electrical substations / O. Bustos-Brinez, A. Zambrano, J. Rosero Garcia // Frontiers in Energy Research. – 2024. – Vol. 12. – P. 1–19. – DOI 10.3389/fenrg.2024.1372347.

6. Leiva Vilaplana, J. Virtualized Protection, Automation, and Control in Electrical Substations : An Open-Source Dynamic Cost-Benefit Assessment Model / J. Leiva Vilaplana, N. Kabbara, T. Coste [et al.] // IEEE Access. – 2024. – P. 1–17. – DOI 10.1109/ACCESS.2024.3435972.

7. ГОСТ 22782.0-81. Электрооборудование взрывозащищенное. Общие технические требования и методы испытаний (с Изменениями N 1, 2, 3). – Москва : Издательство стандартов, 1984. – 28 с.

8. ГОСТ 32144-2013. Электрическая энергия. Совместимость технических средств электромагнитная. Нормы качества электрической энергии в системах электроснабжения общего назначения. – Москва : Стандартинформ, 2014. – 19 с.

9. Wu, D. The effects of data preprocessing on probability of default model fairness / D. Wu // World Journal of Advanced Engineering Technology and Sciences. – 2024. – Vol. 12. – P. 872–878. – URL: https://arxiv.org/pdf/2408.15452 (дата обращения: 02.12.2024).

10. Almarshad, M. Polysomnography Raw Data Extraction, Exploration, and Preprocessing / M. Almarshad, S. BaHammam, S. Islam, S. Al-Ahmadi, A. Bahammam // Springer/Nature. – 2024. – DOI 10.1007/978-3-031-68263-6_2.

11. Кузнецов, А. Д. Эффективная предобработка данных перед их анализом / А. Д. Кузнецов, М. Д. Порохня, В. В. Фиоктистова // Молодежные исследования сегодня : сборник статей VII Международной научно-практической конференции. – Петрозаводск : Международный центр научного партнерства «Новая Наука» (ИП Ивановская И. И.), 2024. – С. 120–126. – ISBN 978-5-00215-227-8.

12. Тарасов, В. И. Роль предобработки данных при прогнозировании временных рядов / В. И. Тарасов, М. О. Усманов, А. Д. Пономарев // Искусственный интеллект в автоматизированных системах управления и обработки данных : Сборник статей II Всероссийской научной конференции : в 5 т. Т. 2. Москва, 27–28 апреля 2023 года. – Москва : КДУ, Добросвет, 2023. – С. 145–150. ISBN 978-5-7913-1352-2.

13. Караткевич, М. С. Исследование влияния способов предобработки данных на результаты обучения модели регрессии LightGBM / М. С. Караткевич // Устойчивое развитие общества : новые научные подходы и исследования : сборник материалов II Международной научно-практической конференции. – Москва : АЛЕФ, 2024. – С. 109–119. – ISBN 978-5-605-09446-3.

14. Kolodenkova A.E. Selection of Basic Parameters for the Diagnosis of Industrial Electrical Equipment Using Computer Technology / A. E. Kolodenkova, S. S. Vereshchagina // Proceedings – 2022 International Conference on Industrial Engineering, Applications and Manufacturing, ICIEAM 2022. – Sochi, 2022. – P. 982–986. – ISBN 978-1-6654-8370-4.

15. Kolodenkova, A. E. Development of a Unified Diagnostic Complex of Electrical Equipment for Intelligent Systems / A. E. Kolodenkova, S. S. Vereshchagina // International Russian Automation Conference (RusAutoCon). – Сочи, 2023. – P. 209–213. – ISBN 979-8-3503-4556-8.

16. Томин, Н. В. Концепция построения интеллектуальной системы “искусственный диспетчер” для автоматической системы управления электрическими сетями на базе глубокого обучения с подкреплением / Н. В. Томин // Известия Российской академии наук. Теория и системы управления. – 2020. – № 6. – С. 132–151. – DOI 10.31857/S0002338820050121.

17. Кокшев, П. А. Преимущества применения нейронной сети с архитектурой многослойного персептрона для сетевого анализатора данных цифровой подстанции. Динамика нелинейных дискретных электротехнических и электронных систем : материалы XIV Всероссийской научнотехнической конференции / П. А. Кокшев, Н. А. Галанина // Чувашский государственный университет имени И. Н. Ульянова. – Чебоксары, 2021. – С. 127–129. – ISBN 978-5-7677-3286-9.

18. Cheng, L. Research on visualization monitoring technology of vulnerable high-voltage electrical equipment in substation based on BP artificial neural network / L. Cheng, X. Hu // Applied Mathematics and Nonlinear Sciences. – 2024. – Т. 9. – P. 1–23. – DOI 10.2478/amns-2024-1634.

19. Kenessov, Y. Construction of a recurrent neural network-based electrical load forecasting model for a 110 kV substation: a case study in the Western Region of The Republic of Kazakhstan / Y. Kenessov, K. Tokhtibakiev, A. Saukhimov [et al.] // Eastern-European Journal of Enterprise Technologies. – 2024. – Vol. 2. – P. 6–15. – DOI 10.15587/1729-4061.2024.299192.

20. Колоденкова, А. Е. Подход к обнаружению неисправностей электрооборудования с использованием сверточных нейронных сетей / А. Е. Колоденкова, С. С. Верещагина // Гибридные и синергетические интеллектуальные системы : сборник статей по материалам научной VII Всероссийской Поспеловской конференции. – Калининград, Санкт-Петербург : Русская христианская гуманитарная академия им. Ф. М. Достоевского, 2024. – С. 281–286. – ISBN 978-5-907855-25-0.