Details

В работе рассмотрены современные подходы к анализу режимов работы электрических подстанций с использованием нейросетевых моделей. Проведён обзор инженерных и цифровых методов диагностики, включая классические методы симметричных составляющих, алгоритмы машинного обучения и различные архитектуры искусственных нейронных сетей (MLP, LSTM, GNN). Разработана цифровая модель подстанции с учётом физических процессов и реализована система сбора и обработки экспериментальных данных. Основное внимание уделено задаче предиктивного анализа и раннего обнаружения коротких замыканий (КЗ) по измерениям токов и напряжений. В рамках работы протестированы и сравнены несколько нейросетевых решений, включая графовые нейронные сети и рекуррентные архитектуры (LSTM). Экспериментальные исследования показали, что при попытке прогнозирования КЗ за 10–20 шагов до события даже самые современные модели не способны надёжно предсказывать аварии — значения метрик (recall и F1-score по КЗ) остаются на уровне случайного угадывания. На более коротких горизонтах (5 шагов) наблюдается частичное улучшение качества прогноза, однако показатели всё ещё недостаточны для практического внедрения без доработок. Сделан вывод о необходимости дальнейших исследований, связанных с расширением информативности признаков, применением гибридных архитектур и интеграцией дополнительных источников данных для повышения надёжности раннего обнаружения аварийных режимов в энергетических системах.

The work considers modern approaches to the analysis of operating modes of electrical substations using neural network models. An overview of engineering and digital methods is presented, including classical methods of symmetric conditions, machine learning algorithms and various designs of artificial neural networks (MLP, LSTM, GNN). A digital model of the substation is developed taking into account physical processes and a system for collecting and processing experimental data is implemented. The main attention is paid to the tasks of predictive analysis and early detection of short circuits (SC) based on current and voltage measurements. In the course of the work, several neural network solutions are tested and compared, including graph neural networks and recurrent structures (LSTM). Experimental studies show that when starting to predict SC 10-20 steps before the event, even the most modern models are not able to reliably predict a disaster - the value metric (recall and F1-score for SC) remains at the level of random guessing. At more stringent horizons (5 steps), a partial improvement in the forecast quality is observed, but the indicators are still laid down for practical support without modifications. As a result, research is needed, areas with the expansion of information indicators, the use of a hybrid architecture and the integration of additional data sources to determine the reliability of early detection of emergency modes within the procedure.

• ВКР Титульный лист_БевзИВ
• ВКР_Задание_Бевз корр
• Основной текст_БевзИВ_испрв.pdf
  • РЕФЕРАТ
  • ABSTRACT
  • ВВЕДЕНИЕ
  • Глава 1 Описание электрической подстанции и ее компонентов
    • 1.1 Основной функционал электрической подстанции
    • 1.2 Режимы работы трансформатора
    • 1.3 Работа трансформатора в режиме холостого хода
    • 1.4 Релейная защита в электроэнергетических системах
    • 1.5 Описание цифровой модели электроподстанции
  • Глава 2 Методы анализа состояний энергетической системы.
    • 2.1 Инженерные методы
    • 2.2 Методы машинного обучения для анализа режимов подстанций
    • 2.3 Нейросетевые решения для анализа энергетических систем
      • 2.3.1 Многослойный персептрон
      • 2.3.2 Свeрточные нейронные сети
      • 2.3.3 Рекуррентные нейронные сети
      • 2.3.4 Графовые нейронные сети
  • Глава 3 Разработка GNN для анализа модели подстанции
    • 3.1 Подготовка и обработка данных
    • 3.2 Нормализация данных
    • 3.3 Разработка и обучение модели GNN
    • 3.4 Подготовка данных для GNN предиктивной аналитики
  • ЗАКЛЮЧЕНИЕ
    • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
    • ПРИЛОЖЕНИЕ А
    • Код программы нормализации и подготовки данных
    • ПРИЛОЖЕНИЕ Б
    • Код программы преобразования данных в графы, создания и обучения модели GNN для классификации
    • ПРИЛОЖЕНИЕ В
    • Код программы преобразование данных в графы, создание и обучения модели GNN для предиктивной аналитики