Применение глубокого обучения
для оценки безопасности N-1
в электроэнергетических системах
Исследование возможностей нейронных сетей в ускорении анализа безопасности электроэнергетических систем и обеспечения их устойчивости
Ключевые результаты
1. Обзор оценки безопасности N-1 и роли глубокого обучения
1.1. Определение оценки безопасности N-1 и вычислительные проблемы
Оценка безопасности N-1 представляет собой краеугольный камень эксплуатации и планирования энергосистем, предназначенный для обеспечения устойчивости сети к выходу из строя любого отдельного элемента, такого как линия электропередачи, трансформатор или генератор. Основной принцип безопасности N-1 требует, чтобы энергосистема оставалась стабильной и работоспособной, а все напряжения на шинах и токи в ветвях находились в допустимых эксплуатационных пределах после неожиданного отключения любого отдельного элемента.
Вычислительные проблемы
- Для системы с
Nветвями анализ N-1 требуетNотдельных расчетов режимов - Вычислительная сложность резко возрастает при рассмотрении N-k-аварий
- Итерационный характер расчетов режимов переменного тока (метод Ньютона-Рафсона)
- Интеграция возобновляемых источников энергии увеличивает неопределенность
Вычислительная проблема оценки безопасности N-1 в основном связана с итерационным характером расчетов режимов переменного тока. Например, в одной из работ отмечается, что для тестового примера с 118 шинами оценка 166 потенциальных N-1 изменений топологии может занять несколько минут, если каждый расчет режима переменного тока занимает 1 секунду. Однако анализ N-3 для той же системы будет включать более 790 000 потенциальных топологий, что потребует более 9 дней вычислений на одном компьютере.
1.2. Предлагаемый подход на основе глубокого обучения: бинарная классификация состояний до аварии
Чтобы устранить вычислительное узкое место традиционной оценки безопасности N-1, машинное обучение и, в частности, глубокое обучение, стали весьма перспективной альтернативой. Основная идея заключается в обучении нейронной сети предсказывать для данного состояния системы до аварии, приведет ли отказ любого элемента к состоянию после аварии, в котором будут нарушены эксплуатационные ограничения.
Бинарная классификация
Нейронная сеть принимает на вход текущие рабочие условия энергосистемы и выдает бинарную метку: "1", если система предсказуемо безопасна по критерию N-1 (после аварии нет нарушений), или "0", если предсказуемо небезопасна (после аварии происходит хотя бы одно нарушение) [3].
Процесс обучения использует большую базу данных, созданную на основе обширного моделирования в автономном режиме. Эта база данных содержит множество различных состояний системы до аварии, сценариев аварий на линиях и соответствующих результатов полного анализа N-1. Ожидается, что нейронная сеть в ходе этого обучения изучит сложные нелинейные взаимосвязи между условиями работы системы до аварии и статусом безопасности N-1 без необходимости выполнять подробные, требующие много времени расчеты режимов для каждого нового сценария в режиме реального времени.
2. Архитектуры глубокого обучения для оценки безопасности энергосистем
Глубокое обучение предлагает множество архитектур нейронных сетей, подходящих для оценки безопасности энергосистем. Выбор архитектуры часто зависит от того, как представляются состояние энергосистемы и ее топология на входе модели.
| Тип архитектуры | Описание | Представление входных данных | Ключевые преимущества |
|---|---|---|---|
| Сверточные нейронные сети (CNN) | Глубокие нейронные сети, предназначенные для обработки данных, подобных сетке, с использованием сверточных слоев для извлечения признаков | Моментальные снимки энергосистемы в виде 2D-"изображений" (матрицы P, Q, V) | Автоматическое изучение пространственных иерархий признаков; высокая точность и скорость |
| Графовые нейронные сети (GNN) | Нейронные сети, предназначенные для работы с данными, имеющими структуру графа | Энергосистема представлена в виде графа (узлы — шины, ребра — линии) с признаками узлов/ребер | Естественное моделирование топологии энергосистемы; хорошая обобщаемость |
| Многослойные перцептроны (MLP) | Классические нейронные сети прямого распространения с одним или несколькими скрытыми слоями | Вектор параметров состояния системы до аварии и информации об аварии | Простота, легкость реализации; базовый вариант для сравнения |
| Глубокие сверточные сети (DCNN) | CNN с большим количеством слоев, позволяющих изучать более сложные признаки | Аналогично CNN (2D-изображения или структурированные данные сетки) | Может изучать более абстрактные и сложные признаки, чем стандартные CNN или MLP |
Сверточные нейронные сети
Моментальные снимки энергосистемы преобразуются в трехканальные изображения, аналогичные RGB-изображениям. Три канала представляют: активную мощность (P), реактивную мощность (Q) и величину напряжения (V).
Графовые нейронные сети
Естественное представление энергосистемы как графа, где шины — это узлы, а линии электропередачи — ребра. Позволяет учитывать как электрические, так и топологические признаки.
Глубокие сверточные сети
Усовершенствованные CNN с большим количеством слоев для изучения сложных признаков в системах с высокой долей возобновляемых источников энергии.
3. Представление входных данных и разработка признаков
3.1. Представление состояний энергосистемы в качестве входных данных для нейронных сетей
Представление состояний энергосистемы в качестве входных данных для нейронных сетей является критическим аспектом разработки эффективных моделей глубокого обучения для оценки безопасности N-1. Цель состоит в том, чтобы преобразовать сложную, многогранную информацию о рабочей точке энергосистемы в формат, который нейронные сети могут эффективно обрабатывать.
Представление на основе сетки (для CNN)
- • Трехканальные изображения (P, Q, V)
- • Диагональные элементы: инъекции мощности
- • Внедиагональные элементы: потоки мощности
- • Нормализация значений от 0 до 1
Графовое представление (для GNN)
- • Узлы: шины с электрическими параметрами
- • Ребра: линии с параметрами (R, X, B)
- • Топологические признаки: centrality
- • Естественное моделирование топологии
3.2. Включение информации об авариях (отключения линий)
Включение информации о конкретной аварии (например, какая линия электропередачи отключена) имеет решающее значение для точного прогнозирования нейронной сетью статуса безопасности N-1 состояния системы до аварии.
Методы включения информации об авариях:
Для MLP/CNN:
One-hot кодирование отключенной линии в виде L-мерного бинарного вектора
Для GNN:
Изменение структуры графа (удаление ребра или обнуление его признаков)
3.3. Учет изменчивости возобновляемых источников энергии во входных данных
Растущая интеграция возобновляемых источников энергии (ВИЭ), таких как ветровая и солнечная энергия, вносит значительную изменчивость и неопределенность в работу энергосистемы, что необходимо учитывать при оценке безопасности N-1.
Подходы к учету ВИЭ:
- Включение сценариев генерации на ВИЭ как части входных данных
- Использование генеративно-состязательных сетей (GAN) для создания реалистичных сценариев
- Обучение на разнообразных наборах данных, охватывающих весь диапазон изменчивости ВИЭ
- Включение параметров, характеризующих текущее состояние генерации ВИЭ
Одно исследование по оценке статической безопасности N-1 предложило метод, в котором сначала строилась двухдискриминаторная генеративно-состязательная сеть (D2GAN) для генерации реалистичных сценариев ветровой и солнечной генерации [3]. Эти сгенерированные сценарии затем использовались в качестве входных данных для DCNN. Было обнаружено, что сценарии, сгенерированные D2GAN, лучше соответствуют реальным историческим данным, чем сценарии, сгенерированные методом Монте-Карло, что привело к более высокой точности работы DCNN.
4. Обучение моделей глубокого обучения для безопасности N-1
4.1. Использование больших баз данных данных моделирования до и после аварии
Успешное обучение моделей глубокого обучения для оценки безопасности N-1 в значительной степени зависит от наличия больших, качественных баз данных, содержащих состояния системы до аварии, моделируемые события аварий и результирующие состояния системы после аварии.
NESTA 162-узловая система
Общее количество точек данных, охватывающих все возможные случаи отказов N-1
IEEE 118-шинная система
Сгенерированных случаев, каждый представляет энергосистему в условиях после аварии
Эти базы данных обычно создаются в автономном режиме с использованием обширного моделирования энергосистем. Для каждого состояния до аварии моделируются различные аварии N-1, часто с использованием полных решателей режимов переменного тока, таких как метод Ньютона-Рафсона. Полученные наборы данных часто оказываются несбалансированными, поскольку большинство случаев являются безопасными, поскольку энергосистемы спроектированы так, чтобы соответствовать критерию N-1 при большинстве условий.
4.2. Определение выходных меток: бинарная классификация (безопасный/небезопасный)
Для целей оценки безопасности N-1 с использованием глубокого обучения выходные данные нейронной сети обычно определяются как бинарная классификация, указывающая, является ли система "безопасной" или "небезопасной" после указанной аварии.
Критерии небезопасного состояния:
- • Напряжение на любой шине выходит за допустимые пределы (< 0.90 о.е. или > 1.10 о.е.)
- • Ток в любой линии превышает ее термический предел
- • Нарушение любого другого эксплуатационного ограничения
Этот статус безопасности (0 для безопасного, 1 для небезопасного) затем служит целевой меткой для обучения нейронной сети. В наборе данных из 21 379 случаев, сгенерированных для системы IEEE 118-шин, 19 668 случаев были безопасными, а 1 711 — небезопасными, что иллюстрирует типичный дисбаланс в таких наборах данных [5].
4.3. Функции потерь и оптимизация для критически важных приложений
В критически важных для безопасности приложениях, таких как оценка N-1, выбор функции потерь и стратегии оптимизации имеет первостепенное значение, особенно с учетом часто несбалансированного характера наборов данных и высокой стоимости ошибочной классификации небезопасных состояний как безопасных (ложноотрицательных результатов).
Бинарная кросс-энтропия
Стандартная функция потерь для классификации
L = -(y * log(ŷ) + (1-y) * log(1-ŷ))
Фокусная функция потерь
Уменьшает вес хорошо классифицированных примеров и фокусируется на трудных случаях
Взвешенная функция потерь
Присваивает более высокие штрафы ложным отрицаниям, чтобы уменьшить риск пропуска небезопасных состояний
Результаты использования взвешенной фокусной функции потерь:
В одном исследовании реализация "взвешенной фокусной (WF) функции потерь" в GNN для N-1 ROPF привела к значительному снижению ошибок типа II (ложных отрицаний) с 0.358% до 0.059% — примерно в шесть раз, при этом общий уровень ошибок остался относительно неизменным [11].
5. Производительность и эффективность глубокого обучения в анализе N-1
5.1. Точность и надежность моделей глубокого обучения
Модели глубокого обучения продемонстрировали многообещающую точность и надежность в задачах оценки безопасности N-1, часто достигая высоких показателей производительности на эталонных энергосистемах.
Ключевые результаты по надежности:
- GNN с взвешенной фокусной функцией потерь снизили ошибки типа II с 0.358% до 0.059%
- DCNN-метод для оценки статической безопасности N-1 показал надежные результаты
- GCN превзошли MLP с аналогичным количеством параметров в тестах на обобщаемость
5.2. Вычислительное ускорение по сравнению с традиционными методами
Одной из основных причин использования глубокого обучения для оценки безопасности N-1 является возможность значительного вычислительного ускорения по сравнению с традиционными итеративными методами, такими как полные расчеты режимов переменного тока с использованием метода Ньютона-Рафсона.
Это резкое ускорение позволяет проводить оценку безопасности почти в реальном времени, что важно для оперативного принятия решений, особенно в динамичных условиях работы энергосистемы. GNN-модели (GDNN, PI-EVGNN) оказались в 100-400 раз быстрее, чем традиционные решатели (ACPF, DCPF), выполняя приблизительно 1.5 минут для 100 000 сценариев N-3 в системе на 118 шин, по сравнению с почти 5 часами для ACPF/DCPF [4].
5.3. Обобщение на новые сценарии и условия системы
Способность моделей глубокого обучения обобщаться на новые сценарии и условия системы является критическим фактором для их практического развертывания в оценке безопасности N-1.
Результаты обобщения:
Исследования показывают, что GNN обладают хорошей способностью к обобщению благодаря их врожденной способности обрабатывать структуры графов и изучать локальные закономерности, которые могут быть перенесены. Модели GDNN и PI-EVGNN, обученные исключительно на топологиях N-0 и N-1, продемонстрировали способность выполнять точный скрининг критических аварий для сценариев N-2 и N-3 без исчерпывающего переобучения.
Новая рабочая точка
Двойные аварии (N-1-1)
6. Генерация данных и моделирование сценариев для обучения
6.1. Важность качественных обучающих данных
Производительность и надежность моделей глубокого обучения для оценки безопасности N-1 фундаментально зависят от качества и характеристик обучающих данных. Качественные обучающие данные должны быть всеобъемлющими, репрезентативными и точно размеченными.
Всеобъемлющие
Должны охватывать широкий диапазон возможных рабочих условий, включая изменения нагрузки, разные диспетчеризации генерации и различные топологии сети
Репрезентативные
Должны точно отражать статистическое распределение этих условий в реальной эксплуатации энергосистемы
Точно размеченные
Статус безопасности для каждой точки данных должен быть правильно определен с помощью строгих расчетов режимов переменного тока
Примеры генерации данных:
- NESTA 162-узловая система: сгенерировано более 1 миллиона точек данных, охватывающих все возможные случаи отказов N-1 и множество рабочих точек
- IEEE 118-шинная система: 21 379 случаев, созданных путем систематического изменения рабочих точек и применения аварий в напряженных условиях
- Методология включает постепенное увеличение перетоков мощности до возникновения нарушения или расходимости решения
6.2. Методы Монте-Карло для генерации сценариев
Методы Монте-Карло (MC) — это распространенный подход к генерации разнообразного набора рабочих сценариев энергосистемы для обучения моделей глубокого обучения. Эти методы предполагают случайную выборку параметров системы, таких как нагрузки и выходная мощность генераторов, из заданных распределений вероятностей для создания множества правдоподобных рабочих точек.
Преимущества и ограничения методов Монте-Карло:
Преимущества:
- • Простота реализации
- • Возможность генерации большого объема данных
- • Широкое распространение и понятность
Ограничения:
- • Чисто случайная выборка может неэффективно охватывать все пространство
- • Может недостаточно представлять редкие, но важные события
- • Зависит от точности базовых вероятностных моделей
Одно исследование по оценке статической безопасности N-1 с использованием DCNN сравнило сценарии, сгенерированные двухдискриминаторной генеративно-состязательной сетью (D2GAN), с сценариями, сгенерированными стандартным методом Монте-Карло [3]. Результаты показали, что сценарии, сгенерированные D2GAN, лучше соответствуют реальным сценариям, чем сгенерированные методом MC.
6.3. Продвинутые методы, такие как генеративно-состязательные сети (GAN) для аугментации данных
Генеративно-состязательные сети (GAN) появляются как мощный инструмент для аугментации данных и генерации сценариев в контексте обучения моделей глубокого обучения для оценки безопасности энергосистем. GAN состоят из двух нейронных сетей, генератора и дискриминатора, которые обучаются одновременно в соревновательной манере.
D2GAN (Двухдискриминаторная GAN)
Использовалась для генерации сценариев ветровой и солнечной генерации для обучения DCNN для оценки статической безопасности N-1
SCANN (Smart Contingency Analysis NN)
Разрабатывается на основе LEAP, дополненной состязательной сетью для генерации несбалансированных данных режимов
Преимущества GAN для генерации данных:
- Способность изучать базовое распределение данных и генерировать новые выборки, которые статистически похожи на обучающие данные
- Полезны для создания разнообразных наборов данных, особенно для редких событий или сценариев, которые трудно получить с помощью традиционных методов
- Путем аугментации существующих наборов данных сгенерированными GAN выборками модели глубокого обучения можно обучать более надежно
- Потенциальное улучшение способности к обобщению и производительности на новых данных
7. Примеры использования и практические приложения
7.1. Применение к стандартным тестовым системам (например, IEEE Bus Systems)
Модели глубокого обучения для оценки безопасности N-1 были широко протестированы и проверены на стандартных тестовых системах IEEE, которые служат эталоном для сравнения различных методологий и оценки производительности.
Примеры применения:
- CNN на системе NESTA 162-узла: достигнуто более 98% точности и полноты более 99.14% в идентификации опасных состояний
- DCNN на IEEE 14-, 30- и 118-шинных системах: продемонстрирована эффективность и превосходная производительность по сравнению с традиционными методами
- GNN на 6-, 24-, 57- и 118-шинных системах: оценка производительности для аварий N-1, N-2 и N-3
- GCN на IEEE 118-шинной системе: достигнуты высокие показатели F1-score и G-mean при использовании электрических и топологических признаков
7.2. Производительность в системах с высокой долей возобновляемой энергетики
Производительность моделей глубокого обучения для оценки безопасности N-1 в энергосистемах с высокой долей возобновляемых источников энергии (ВИЭ) является критической областью исследований, учитывая растущую интеграцию ветровой и солнечной энергии.
DCNN-подход для систем с высокой долей ВИЭ:
В одном из исследований предложен новый метод оценки статической безопасности N-1 на основе Deep Convolutional Neural Network (DCNN) специально для энергосистем с высокой долей ВИЭ. Этот метод сначала использовал двухдискриминаторную генеративно-состязательную сеть (D2GAN) для генерации реалистичных сценариев ветровой и солнечной генерации.
Численные результаты, основанные на исторических данных о ветровой и солнечной генерации, показали, что сценарии, сгенерированные D2GAN, более репрезентативны для реальных условий, чем сценарии, полученные методами Монте-Карло. Более того, DCNN-подход оказался надежным и эффективным (до 300 раз быстрее, чем традиционные методы) для анализа аварий N-1 в таких системах [3].
Вызовы
- • Значительная изменчивость и неопределенность от ВИЭ
- • Необходимость в обучающих данных, представляющих стохастическую природу ВИЭ
- • Учет экстремальных событий и быстро меняющихся условий
Преимущества глубокого обучения
- • Способность изучать сложные взаимосвязи из больших наборов данных
- • Охват различных уровней выработки ВИЭ и корреляций
- • Быстрый и надежный инструмент для современных энергосистем
Архитектура системы оценки безопасности N-1 с глубоким обучением
8. Проблемы и перспективы развития
8.1. Интерпретируемость и надежность моделей глубокого обучения
Значительной проблемой широкого внедрения моделей глубокого обучения для критически важных приложений, таких как оценка безопасности N-1, является их присущая "чернобоксность", которая приводит к отсутствию интерпретируемости и может препятствовать надежности.
Проблемы
- • Непрозрачный процесс принятия решений сложными нейронными сетями
- • Нежелание операторов полагаться на предсказания без понимания
- • Серьезные последствия ошибочных предсказаний
- • Идентифицировано как основной недостаток ИНС
Пути решения (XAI)
- • Исследование методов объяснения ИИ (XAI)
- • Механизмы внимания и карты значимости
- • Распространение relevance по слоям
- • Количественная оценка неопределенности предсказаний
Требования к будущим исследованиям:
- Разработка более интерпретируемых архитектур глубокого обучения, специфичных для энергосистем
- Методы пост-hoc объяснения, адаптированные к приложениям в энергосистемах
- Понимание того, как CNN интерпретируют 2D-представления энергосистем
- Анализ обработки графовых данных GNN для классификации безопасности
- Обеспечение устойчивости и надежности моделей, особенно для выборок вне распределения
8.2. Обработка аварий N-k и более сложных сценариев
Хотя многие текущие исследования сосредоточены на оценке безопасности N-1, значительной проблемой и важным направлением на будущее является расширение моделей глубокого обучения для обработки аварий N-k (одновременный отказ k элементов, где k > 1) и более сложных рабочих сценариев.
Текущие ограничения:
Исследование GNN и GDNN изучило способность этих моделей, обученных на топологиях N-0 и N-1, и протестировало их на новых топологиях N-2 и N-3. Хотя модели показали некоторую способность оценивать напряжения узлов в этих случаях аварий высокого порядка, их производительность в классификации критических нарушений была неоднозначной, с относительно низким recall для определенных условий.
Иерархические модели
Многоуровневые архитектуры для обработки сложных взаимодействий в авариях N-k
Обучение с подкреплением
Последовательное принятие решений при авариях
Физически информированные сети
Интеграция физических ограничений и доменных знаний
Разработка моделей, которые могут обеспечить надежный скрининг N-k на основе данных обучения N-1 или с минимальными данными N-k, стала бы крупным прорывом. Кроме того, сценарии, включающие динамическую устойчивость в дополнение к статической безопасности, или учитывающие влияние корректирующих действий после аварии, добавляют дополнительные уровни сложности.
8.3. Интеграция в реальную работу энергосистемы
Конечная цель разработки быстрых и точных моделей глубокого обучения для оценки безопасности N-1 — их интеграция в реальную работу энергосистемы. Значительное ускорение вычислений, предлагаемое этими моделями, делает их очень подходящими для онлайн-приложений.
Приложения реального времени
- • Мониторинг безопасности в реальном времени
- • Анализ аварий в рамках SCOPF
- • Комплексные и частые проверки безопасности
- • Ранее обнаружение потенциальной небезопасности
Требования к интеграции
- • Обеспечение устойчивости и надежности
- • Решение проблемы "черного ящика"
- • Непрерывное обучение и адаптация
- • Программная интеграция с EMS
- • Обновление нормативных рамок
Будущее видение:
Это указывает на будущее, в котором глубокое обучение является неотъемлемой частью инструментария для эксплуатации энергосистем, повышая устойчивость сети и операционную эффективность. Способность оценивать большое количество аварий или рабочих точек быстро, потенциально на стандартном оборудовании, таком как ноутбуки, может позволить более комплексные и частые проверки безопасности, чем это возможно в настоящее время.
В одной из работ по CNN для оценки безопасности кратко обсуждается возможность интеграции таких глубоких нейронных сетей в систему оптимальных потоков мощности с ограничениями безопасности, где CNN может помочь идентифицировать ограничения, ведущие к безопасности N-1 и малой динамической устойчивости, которые затем включаются в задачу оптимизации [21].
Заключение
Применение глубокого обучения для оценки безопасности N-1 в электроэнергетических системах представляет собой значительный прорыв в области энергетики. Модели на основе CNN, GNN и DCNN демонстрируют исключительную производительность, достигая точности более 98% и ускорения вычислений в 300 раз по сравнению с традиционными методами.
Несмотря на сохраняющиеся проблемы, такие как интерпретируемость моделей и обработка сложных аварий N-k, непрерывное развитие методов объяснимого ИИ (XAI) и физически информированных нейронных сетей открывает путь к полной интеграции этих технологий в системы управления энергосистемами.
Будущее энергетики — за интеллектуальными системами, способными обеспечить надежную, эффективную и устойчивую работу сложных энергосистем с высокой долей возобновляемых источников энергии.