Обеспечение динамической устойчивости электроэнергетических систем на основе методов машинного обучения в системах централизованного противоаварийного управления

Михаил Дмитриевич Сенюк; Андрей Владимирович Паздерин; Виктор Викторович Классен

Обеспечение динамической устойчивости электроэнергетических систем на основе методов машинного обучения в системах централизованного противоаварийного управления

Михаил Дмитриевич Сенюк, Андрей Владимирович Паздерин, Виктор Викторович Классен

Аннотация

Рукопись поступила в редакцию 11.01.2025, утверждена редколлегией в печать 7.07.2025.

Предложена методика развития системы централизованной противоаварийной автоматики за счёт использования алгоритмов машинного обучения при выборе управляющих воздействий для обеспечения динамической устойчивости в послеаварийном режиме работы энергосистемы. Блок выбора управляющих воздействий на основе алгоритмов машинного обучения может быть использован для управления в случае каскадного развития аварийного процесса, в остальных случаях используется существующая система централизованного противоаварийного управления. Тестирование методики выполнено на математической модели энергосистемы IEEE39, для выбора управляющих воздействий в которой были рассмотрены алгоритмы К-ближайших соседей, случайный лес, экстремальный градиентный бустинг, адаптивный бустинг, машина опорных векторов и ограниченная машина Больцмана. Наибольшая точность в 95,4% при задержке выбора управляющих воздействий в 0,071_мс была получена для алгоритма случайного леса.

DOI: 10.71841/EP.elst.2025.1128.7.05

Ключевые слова

: энергосистема, динамическая устойчивость, управляющее воздействие, противоаварийное управление, машинное обучение, алгоритмы классификации, математическое моделирование

Полный текст:

PDF

Литература

Кучеров, Ю.Н. Современные тенденции развития электроснабжения мегаполисов с целью повышения управляемости режимов работы энергосистемы / Ю.Н. Кучеров, С.А. Утц, Д.Н. Ярош // Электричество. – 2017. – №. 6. – С. 4 -- 15.

Wu, Q.H. Control and stability of large-scale power system with highly distributed renewable energy generation: viewpoints from six aspects / Q.H. Wu [et al.] // SEE Journal of Power and Energy Systems. – 2023. – Vol. 9, No. 1. – P. 8 -- 14.

Кощеев, Л.А. ЦСПА на базе алгоритмов нового поколения-очередной этап в развитии противоаварийного управления в энергосистемах / Л.А. Кощеев, Н.Г. Шульгинов // Известия НТЦ Единой энергетической системы. – 2013. – № 1. – С. 7.

Аржанников, С.Г. Алгоритмическое обеспечение ПТК верхнего уровня ЦСПА ОЭС Сибири и перспективы его развития / С.Г. Аржанников [и др.] // Известия НТЦ Единой энергетической системы. – 2013. – № 1. – С. 91.

Успенский, М.И. Крупные аварии в ЭЭС: причины и меры противодействия им / М.И. Успенский, С.О. Смирнов // Релейная защита и автоматизация. – 2011. – № 1. – С. 32 -- 34.

Ефимов, Д.Н. Примеры анализа каскадных аварий в ЕЭС СССР и России / Д.Н. Ефимов // Методические вопросы исследования надежности больших систем энергетики. – 2016. – С. 256 – 266.

Sarajcev, P. Artificial intelligence techniques for power system transient stability assessment / P. Sarajcev [et al.] // Energies. – 2022. – Vol. 15, No. 2. – P. 507.

Chen, M. XGBoost-based algorithm interpretation and application on post-fault transient stability status prediction of power system / M. Chen [et al.] // IEEE Access. – 2019. – Vol. 7. – P. 13149 -- 13158.

Zeng, H. Distributed deep reinforcement learning-based approach for fast preventive control considering transient stability constraints / H. Zeng [et al.] // CSEE Journal of Power and Energy Systems. – 2021. – Vol. 9, No. 1. – P. 197 -- 208.

Xie, Z. Power System Transient Stability Preventive Control via Aptenodytes Forsteri Optimization with an Improved Transient Stability Assessment Model / Z. Xie [et al.] // Energies. – 2024. – Vol. 17, No. 8. – P. 1942.

Olson, J.D. Automated machine learning pipeline framework for classification of pediatric functional nausea using high-resolution electrogastrogram / J.D. Olson [et al.] // IEEE Transactions on Biomedical Engineering. – 2021. – Vol. 69, No. 5. – P. 1717 -- 1725.

Лисицын, А.А. Алгоритм выбора управляющих воздействий в ЦСПА нового поколения по условиям обеспечения динамической устойчивости / А.А. Лисицын, М.А. Эдлин // Электрические станции. – 2015. – №. 11. – С. 21 -- 24.

Sha, L. Leveraging class balancing techniques to alleviate algorithmic bias for predictive tasks in education / L. Sha [et al.] // IEEE Transactions on Learning Technologies. – 2022. – Vol. 15, No. 4. – P. 481 -- 492.

He, P. Decentralized adaptive under frequency load shedding scheme based on load information / P. He, B. Wen, H. Wang // IEEE Access. – 2019. – Vol. 7. – P. 52007 -- 52014.

Senyuk, M. Methodology for Transient Stability Enhancement of Power Systems Based on Machine Learning Algorithms and Fast Valving in a Steam Turbine / M. Senyuk [et al.] // Mathematics. – 2024. – Vol. 12, No. 11. – P. 1644.