РАННЕЕ ОБНАРУЖЕНИЕ И КЛАССИФИКАЦИЯ АВАРИЙ В ЭНЕРГОСИСТЕМАХ МЕТОДАМИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

EARLY DETECTION AND CLASSIFICATION OF FAULTS IN POWER SYSTEMS USING ARTIFICIAL INTELLIGENCE METHODS

Kirkoro Ivan Nikolaevich

Student, Institute of Cybersecurity and Digital Technologies, Russian Technological University MIREA,

Russia, Moscow

Borovskoy Vladislav Alexandrovich

Student, Institute of Cybersecurity and Digital Technologies, Russian Technological University MIREA,

Russia, Moscow

Nefedov Alexandr Sergeevich

Student, Institute of Cybersecurity and Digital Technologies, Russian Technological University MIREA,

Russia, Moscow

АННОТАЦИЯ

Рассмотрены методы раннего обнаружения и классификации аварийных режимов в электрических сетях с применением искусственного интеллекта. Основное внимание уделено нейросетевым архитектурам для анализа осциллограмм, каскадным моделям, работающим на уровне подстанционных терминалов, и гибридным экспертно-нейросетевым системам, объединяющим обучение с подкреплением и верифицируемые правила релейной защиты. Приведены результаты практического внедрения, обозначены проблемы нехватки размеченных данных, киберустойчивости и нормативных ограничений.

ABSTRACT

The methods of early detection and classification of fault conditions in power grids using artificial intelligence are considered. The focus is on neural network architectures for oscillogram analysis, cascaded models operating at the level of substation terminals, and hybrid expert-neural systems combining reinforcement learning with verifiable relay protection rules. Practical implementation results are presented, and the problems of a lack of labeled data, cyber resilience, and regulatory constraints are outlined.

Ключевые слова: Искусственный интеллект, энергосистемы, аварийные режимы, нейронные сети, релейная защита.

Keywords: Artificial intelligence, power systems, fault conditions, neural networks, relay protection.

Усложнение топологии сетей, рост доли распределённой генерации и ужесточение требований к надёжности электроснабжения делают традиционные средства анализа аварий недостаточно быстрыми. Ручная расшифровка осциллограмм может занимать часы, тогда как первые минуты после возникновения короткого замыкания или обрыва критически важны для локализации повреждения и восстановления нормальной схемы. Искусственный интеллект (ИИ) предлагает инструментарий, позволяющий перевести аварийную аналитику в режим реального времени, автоматически распознавая тип и место неисправности по сигнатурам токов и напряжений.

Центральное направление автоматизации аварийной диагностики — обработка цифровых записей аварийных событий, формируемых устройствами регистрации (цифровыми осциллографами, терминалами РЗА). Нейронные сети продемонстрировали способность выделять характерные признаки разных видов повреждений, незаметные для инженера при визуальном просмотре.

В работах Хренникова и соавторов показано, что системы ИИ в электроэнергетике эволюционируют по двум магистральным путям: продукционные экспертные системы и обучаемые нейросетевые модели. Для задач распознавания аварий наиболее продуктивен гибридный подход, при котором блок предварительной обработки извлекает информативные признаки (вейвлет-коэффициенты, спектральные составляющие, фрактальные размерности), а полносвязная или свёрточная нейросеть выполняет классификацию.

Свёрточные сети (CNN) зарекомендовали себя как эффективный инструмент классификации осциллограмм по типам повреждений: однофазное на землю, междуфазное, двойное на землю, обрыв фазы. Входным образом сети служит двумерное представление сигнала — вейвлет-спектрограмма или просто матрица «время × канал», — после чего CNN автоматически выявляет пространственно-временные паттерны. Эксперименты на синтезированных и реальных данных показывают точность классификации выше 95 %.

Для задач, где важна временная динамика, применяют рекуррентные сети (LSTM, GRU). Они способны улавливать долгосрочные зависимости в сигнале и потому особенно полезны при распознавании перемежающихся дуговых замыканий или каскадного развития аварии.

Практическая реализация требует, чтобы алгоритм работал непосредственно на подстанционном оборудовании с ограниченными вычислительными ресурсами. Решением стали двухуровневые каскадные нейросетевые архитектуры, упомянутые в обзоре Беклемешева и Никишина применительно к электросетевому комплексу Калининградской области.

Первый уровень — «лёгкая» модель (редуцированная CNN или решающее дерево), постоянно анализирующая скользящее окно сигнала. Её задача — зафиксировать факт аномалии, то есть выполнить детектирование события. Порог срабатывания настраивается так, чтобы исключить ложные тревоги от коммутационных помех. При обнаружении аномалии активируется второй уровень — более глубокая сеть, которая получает полную осциллограмму и выполняет детальную классификацию типа повреждения с оценкой расстояния до места короткого замыкания. Такое разделение позволяет минимизировать энергопотребление и вычислительную нагрузку в нормальном режиме.

В зарубежной практике аналогичный подход реализован в системе AWARE (Advanced Waveform Anomaly Recognition Engine), внедрённой компанией Southern California Edison. Пилотные испытания показали, что уникальные «отпечатки» формы сигнала для разных типов отказов (повреждение подземного кабеля, пробой изолятора, схлёстывание проводов) уверенно распознаются каскадной моделью с точностью локализации до конкретной единицы оборудования порядка 80 %. Российские разработки, в частности комплекс КАТРАН и аналогичные системы на базе терминалов серии «Бреслер», также начинают включать блоки машинного обучения для ускоренного анализа аварий.

Чисто нейросетевой подход имеет известный недостаток: «чёрный ящик» не объясняет, почему принято то или иное решение. Для релейной защиты, где цена ошибки чрезвычайно высока, важна интерпретируемость. Поэтому в ответственных приложениях нейросеть дополняют экспертной системой, работающей на продукционных правилах.

Примером служит архитектура, предложенная для синтеза алгоритмов РЗА в составе программно-аппаратного комплекса «Цифровой двойник энергосистемы». Детектирование события выполняет нейросеть DQN, обученная с подкреплением, однако принятие окончательного решения о срабатывании защиты возлагается на верифицированный блок логических правил, сформированный методами динамического программирования и генетического алгоритма. Так достигается и высокая скорость реакции, и доказательная база для инженера-релейщика.

Первый серьёзный барьер — дефицит размеченных данных. Для обучения моделей необходимы тысячи реальных осциллограмм с экспертными заключениями. Создание общедоступных репозиториев аварийных записей, аннотированных опытными специалистами, становится критической задачей. Второе ограничение связано с кибербезопасностью: интеллектуальный терминал, включённый в сеть передачи данных, может стать мишенью для состязательных атак, когда специально сформированный сигнал вводит нейросеть в заблуждение. Требуется разработка методов повышения робастности моделей. Наконец, нормативная база пока не регламентирует применение ИИ в составе устройств релейной защиты, что сдерживает тиражирование успешных пилотных проектов.

Раннее обнаружение и классификация аварий — одна из наиболее подготовленных к промышленному внедрению областей применения ИИ в электроэнергетике. Каскадные нейросетевые архитектуры, гибридные экспертно-нейросетевые системы и методы обучения с подкреплением уже сегодня обеспечивают быстродействие и точность, превосходящие ручной анализ осциллограмм. Ключевые усилия профессионального сообщества должны быть направлены на формирование эталонных наборов данных, стандартизацию требований к киберзащищённости интеллектуальных устройств и адаптацию нормативной базы к новым технологическим реалиям.

Список литературы:

1. Khrennikov A., Lyubarsky Y., Khrennikov A. Principles of Constructing Artificial Intelligence Systems and their Application in Electrical Power Industry // Energy Systems Research. 2021. № 1. С. 59–68.
2. Беклемешев И.С., Никишин А.Ю. Концепция использования нейронных сетей в электросетевом комплексе, перспективы применения в Калининградской области // Электротехника, электронная техника, информационные технологии. 2024. № 3. С. 42–51.
3. Лебедев А.А., Волошин А.А., Волошин Е.А., Гэн Ш. Применение методов искусственного интеллекта для синтеза алгоритмов релейной защиты и автоматики в ПАК ЦДЭС // Электроэнергия. Передача и распределение. 2026. № 2. С. 33–41.
4. Араздурдыева Г. Интеллектуализация энергосистем: искусственный интеллект как драйвер перехода к проактивному управлению энергопотоками // Наука и мировоззрение. 2025. № 4. С. 27–35.
5. Куликов А.Л., Гурина Л.А., Томин Н.В. Метод восстановления режимов энергорайонов с распределёнными энергетическими ресурсами на основе графовых нейронных сетей // Известия РАН. Энергетика. 2026. № 1. С. 44–68.
6. Беззубов А.А., Сенюк М.Д., Аксенов К.А. Использование машинного обучения для идентификации управляющих воздействий виртуальных электрических станций // Электротехнические системы и комплексы. 2025. Т. 69, № 4. С. 79–88.