Методы интеллектуального анализа данных аварийных событий и технологических нарушений в электрических системах

В данной работе рассматривается разработка системы анализа технологических нарушений в электросетях. Математический аппарат данной системы базируется на современных методах машинного обучения. Разработанная система выполняет такие задачи как: прогнозирование аварий в трансформаторах и на линиях электропередач, оценка важности компонента электросети, а также визуализация и мониторинг состояния электросети.

Введение ……………………………………………………………………………………………………. 3
Постановка задачи……………………………………………………………………………………… 5
Обзор литературы………………………………………………………………………………………. 7
Глава 1. Обзор решений……………………………………………………………………………. 12
1.1. Обзор технических решений …………………………………………………………… 12
1.2. Обзор методов ………………………………………………………………………………… 14
Глава 2. Разработка программного комплекса …………………………………………… 15
2.1. Архитектура решения……………………………………………………………………… 15
2.1.1. Стек технологий ……………………………………………………………………….. 15
2.1.2. Структура модулей……………………………………………………………………. 20
2.2. Разработка аналитического компонента системы …………………………….. 21
2.3. Апробация и тестирование ……………………………………………………………… 28
2.3.1. Постановка эксперимента …………………………………………………………. 28
2.3.2. Результаты эксперимента ………………………………………………………….. 33
Выводы ……………………………………………………………………………………………………. 43
Заключение ……………………………………………………………………………………………… 44
Результаты работы ………………………………………………………………………………… 44
Перспективы развития…………………………………………………………………………… 45
Список литературы ………………………………………………………………………………….. 47

Результаты работы

По результатам работы, был выполнен ряд задач.
На языке программирования Python, с использованием СУБД Influx и
средства визуализации GRAFANA, был разработан модуль обработки
временных данных от компонентов электросети.
При построении алгоритма обработки исходных данных, поступающих
от датчиков системы, были реализованы следующие подзадачи:
1. Разработана функция чтения осциллограмм в формате COMTRADE и
сохранения в базе данных временных рядов Influx.
2. Разработана функций визуализации осциллограмм.
3. Разработка функций анализа данных об аварийных событиях и
технологических нарушениях в электрических системах.
Построение алгоритма оценки компонентов электросети, на основе
прироста количества компонент связности и проведение сравнения данного
алгоритма оценки с классическими метриками, осуществлено посредствам
реализации следующих подзадач:
1. Определены и продемонстрированы свойства сети. Рассчитаны
связность графа и центральности вершин.
2. Построен алгоритм оценки важности компонента сети, с точки зрения
последствий его отключения от сети.
3. Произведена оценка последствий селективного и случайного
отключения компонентов, в соответствии с метриками closeness, degree и
разработанной метрикой на основе прироста компоненты связности.
Разработка алгоритма прогнозирования вероятности отказа
трансформатора на основе, данных анализа растворенных газов, с точностью
результатов 76% и построение алгоритм прогнозирования вероятности аварии
на ЛЭП, на основе анализа шума, с точностью результатов 80%, осуществлено
по средствам реализации следующих подзадач:
1. Произведен сбор информации о физических свойствах компонентов
электросети.
2. Представлен обзор методов анализа данных об аварийных событиях и
технологических нарушениях в электрических системах.
3. Произведено обоснование выбора метода прогнозирования.
4. Реализован алгоритм обработки исходных данных.
5. Реализован алгоритм прогнозирования на основе методов машинного
обучения.
Разработан модуль визуализации электрокомпонентов и их параметров
на географической карте.

Перспективы развития

Разработанная система имеет широкие возможности развития по
нескольким направлениям.
По части графовых методов, является рациональным рассмотрение
новых алгоритмов центральности узлов, а также использования
альтернативных электротехнических или экономических метрик сравнения
алгоритмов. Применение экономических метрик сравнения алгоритмов
расчета центральностей позволит провести оптимизацию издержек, связанных
с умышленным или случайным отключением компонента системы.
С точки зрения развития базы методов машинного обучения,
использованных в системе, имеет смысл рассмотреть методы на основе
нейронных сетей, а также ансамблевые методы. Однако применение большого
количества новых методов, с одной стороны, позволит увеличить точность
прогнозирования, с другой же стороны, увеличит расчетное время работы
алгоритмов. Отсюда можно сделать вывод, что увеличение базы
рассматриваемых методов машинного обучения рационально для крупных
систем, имеющих большие расчетные мощности, и обеспечивающих важные
электросети регионального или федерального масштаба.
По части структуры разработанного программного обеспечения
оптимизация архитектуры системы может рассматриваться в двух
направлениях. Использование дополнительных библиотек и модулей, для
визуализации аварий, или, наоборот, отказ от использования стороннего
программного обеспечения и разработка крупномасштабной системы, с
собственным географическим модулем и модулем визуализации. Первый тип
преобразования системы подойдет для процесса разработки, при котором
заказчик не желает брать риски и финансовую ответственность, связанные с
поддержкой и обновление программного обеспечения. Второй тип, подойдет
для крупных систем, в которых есть кадровые ресурсы, для осуществления
доработки и поддержки, но при этом необходима гарантия сохранности
информации внутри системы.
Любой сценарий развития разработанной системы из предложенных
приведет к качественному ее улучшению, однако для успешной реализации
необходимо учитывать соответствующие риски и понимать все технические,
экономические и социальные аспекты такого преобразования.

1. Алексеев В.Е., Таланов В.А. Графы. Модели вычислений. Структуры
данных: Учебник //Нижний Новгород: Изд-во ННГУ. –2005. –307 с.
2. ГОСТ 19431. Энергетика и электрификация. Термины и определения
3. ГОСТ 24291. Электрическая часть электростанции и электрической
сети. Термины и определения.
4. ГОСТ Р 55438-2013 Единая энергетическая система и изолированно
работающиеэнергосистемы.Оперативно-диспетчерскоеуправление.
Релейная защита и автоматика. Взаимодействие субъектов электроэнергетики
и потребителей электрической энергии при создании (модернизации) и
эксплуатации. Общие требования (с Изменением N 1)
5. ГОСТ 16110-82 Трансформаторы силовые. Термины и определения
6. Ahmed Abu-Siada. Power Transformer Condition Monitoring and
Diagnosis// The Institution of Engineering and Technology. – 2018. – 326 с.
7. Aida Asadi Majd, Haidar Samet & Teymoor Ghanbari. k-NN based fault
detection and classification methods for power transmission systems//Prot Control
Mod Power Syst 2. – 2017. – 32 c.
8. A. Recioui, B. Benseghier and H. Khalfallah. Power system fault detection,
classification and location using the K-Nearest Neighbors//4th International
Conference on Electrical Engineering (ICEE), Boumerdes. – 2015.– 287 c.
9. Bowen Kan, Wendong Zhu, Guangyi Liu, Xi Chen, Di Shi, Weiqing Yu.
Topology Modeling and Analysis of a Power Grid Network Using a Graph
Database// International Journal of Computational Intelligence Systems, Vol. 10. –
2017. – 1355–1363 c.
10.Božić Miloš, Stojanović Miloš, Stajić Zoran, Vukić D. Power
transformer fault diagnosis based on dissolved gas analysis with logistic
regression//Przeglad Elektrotechniczny – 2013. – 83-87 c.
11.C37.111-1999 – IEEE Standard Common Format for Transient Data
Exchange (COMTRADE) for Power Systems.
12.C. Schneider, J. Staninovski, L. Cheim, J. Vines, S. Varad. Transformer
Reliability Taking Predictive Maintenance Program to the Next Level// Cigre Study
Committee A2. – 2017. – 10 c.
13.Debani Prasad Mishra, Papia Ray. Fault detection. Location and
classification of a transmission line// Neural Comput & Applic. – 2018. – 1424 c.
14.Hui Hwang Goh, Sy yi, Sim, Asad Shaykh, Md.Humayun Kabir, Chin
Wan Ling,Qing Shi Chua, Kai Chen Goh. Transmission Line Fault Detection: A
Review// Indonesian Journal of Electrical Engineering and Computer Science. –
2017. – 205 c.
15.Fang Yuan, Jiang Guo, Zhihuai Xiao, Bing Zeng, Wenqiang Zhu,Sixu
Huang. A Transformer Fault Diagnosis Model Based on Chemical Reaction
Optimization and Twin Support Vector Machine// Energies. – 2019. – 18 c.
16.Matthew O. Jackson. Social and Economic Networks // Princeton
University Press. – 2008. – 647 с.
17.M. Akbari, P. Khazaee. Failure Modes and Effects Analysis (FMEA)
for Power Transformers// 28th International Power System Conference. – 2013. – 7
c.
18.Pallav Kumar Bera, Rajesh Kumar, Can Isik. Identification of Internal
Faults in Indirect Symmetrical Phase Shift Transformers Using Ensemble
Learning//arxiv.org–1991.[Электронныйресурс].URL:
https://arxiv.org/abs/1811.04537
19.Prasenjit Shil, Ameren, Tom Anderson, SAS Institute Inc. Distribution
Transformer Health Monitoring and Predictive Asset Maintenance// SAS global
forum. – 2019. – 3944 с.
20.Raji Murugan, Raju Ramasamy. Failure analysis of power transformers
for effective maintenance planning in electric utilities//Engineering Failure
Analysis. – 2015. – 182-192 c.
21.Ricard V. Sole, Marti Rosas-Casals, Bernat Corominas-Murtra and
Sergi Valverde. Robustness of the European power grids under intentional attack
//arxiv.org.–1991.[Электронныйресурс].URL:
https://arxiv.org/abs/0711.3710v1
22.Sayari Das, Shiv P. Sing, Bijaya K. Panigrahi. Transmission line fault
detection and location using Wide Area Measurements// Electric Power Systems
Research– 2017. – 96-105 c.
23.S. Souahlia, K. Bacha and A. Chaari. SVM-based decision for power
transformers fault diagnosis using Rogers and Doernenburg ratios DGA//10th
International Multi-Conferences on Systems, Signals & Devices. – 2013. – 495 c.
24.Valabhoju Ashok, Anamika Yadav. A real‐time fault detection and
classification algorithm for transmission line faults based on MODWT during power
swing//WileyOnlineLibrary.–2019.[Электронныйресурс].URL:
https://onlinelibrary.wiley.com/doi/full/10.1002/2050-7038.12164
25.Vandermaar John. Condition Assessmenе of Power Transformers//
Power and Energy Society General Meeting – Conversion and Delivery of Electrical
Energy in the 21st Century. – 2008. – 168 c.
26.Zhang Zhe-wen, Wang Yong, Ying Ding, Tian lei, Zhou Ying-jian. A
Transformer Fault Diagnosis Method Based on Bayesian Network// Journal of
Physics: Conference Series. – 2019. – 8 c.