Специалисты из Нигерии и Южной Африки предложили применять технологии искусственного интеллекта, чтобы определять точные причины потерь электроэнергии при ее передаче. В стандартной практике потери в энергосистеме учитываются суммарно, и борьба с ними сводится к универсальным техническим мерам, например, установке компенсирующих устройств. Но ученые решили подойти к вопросу глубже и выяснить, что именно вызывает потери на конкретных участках сети: технические неисправности, ошибки в измерениях, хищения или другие факторы.
Ученые проанализировали данные с высоковольтной линии 132 кВ в Нигерии, проходящей через промышленный район с большим количеством крупных потребителей. Эта линия играет главную роль в энергоснабжении местных предприятий, включая металлургические и перерабатывающие заводы. Для анализа было выбрано 12 участков сети с наибольшей нагрузкой и выраженными потерями. Источником данных стали умные счетчики Schneider PM5100, установленные на различных отводах от линии. Они фиксировали объемы поданной и потребленной электроэнергии.
На основе этих данных были обучены шесть моделей ИИ: классические LSTM и GRU, их гибриды, двунаправленная BiLSTM, а также модель LSTM с механизмом внимания (Attention Mechanism), который позволяет системе акцентировать внимание на наиболее значимых участках временного ряда. Все модели создавались и тестировались в среде Python с использованием библиотек TensorFlow и Keras.
Лучший результат продемонстрировала модель LSTM с Attention, достигнув точности 83,84%. Немногим менее точными оказались обычные LSTM и GRU модели — около 83%. Результат BiLSTM — 82,07%. Анализ распределения классов потерь показал, что подавляющее большинство случаев связано с хищением электроэнергии — 1440 из 1980 наблюдений. Остальные типы потерь, включая реактивные, коронные и ошибки учета, встречались гораздо реже.
Широкое внедрение предложенного учеными подхода может дать энергетикам полезный инструмент, позволяющий не только фиксировать факты потерь, но и оперативно определять их природу. Это значительно повышает управляемость системой: дает возможность точечно выявлять проблемные участки, принимать обоснованные решения, снижать издержки. В условиях развивающихся стран, где уровень потерь в сетях может превышать 30%, такой подход особенно актуален.
Фото: © Глобальная энергия
Источник: Глобальная энергия
