115
альтернативные инвестиционные стратегии с целью
снижения расходов на эксплуатацию и техническое
обслуживание
оборудования
путем
оптимизации
расходов. На основе анализа больших данных и
предиктивного моделирования представители инженерной
инфраструктуры получают возможность создавать планы
капиталовложений для ремонта и технического
обслуживания части сетей, которые имеют наибольший
риск выхода из строя.
С3 Asset and System Risk позволяет постоянно
оценивать
состояние
работоспособности
системы
электроснабжения. Данный программный комплекс
вычисляет показатель инвестиционного риска, который
учитывает как вероятность отказа оборудования, так и
критичность определенных объектов для всех объектов
электрохозяйства от подстанции до питающей линии
распределительной сети и счетчика потребителя
электроэнергии. Кроме того, данная система может
создавать запрос о необходимости персонала для
оптимизации графиков обслуживания оборудования,
подверженных риску.
Компания Weather Company Outage Prediction ввела
модель прогнозирования отключений, которая использует
статистические данные об отключениях за последние 3
года и о погоде. Поскольку каждый район обладает
своими особенностями погодных условий, а также
уникальностью
разнообразия
электротехнического
оборудования, то для повышения точности прогноза для
анализа используются данные нескольких лет о том, какие
повреждения и отключения происходят в результате
различных погодных условий. Модель использует систему
отслеживания штормов, опирающуюся на 162 глобальные
погодные модели и данные более чем 250 000
метеостанций по всему миру.
Компанией Statnett также была разработана модель
прогнозирования отказов в электроэнергетической
системе Норвегии [5]. Она использует кривые,
полученные для каждой воздушной линии на основе
данных по количеству отказов и по погодным условиям за
предыдущие несколько лет. Для каждой ЛЭП
рассматриваются 2 кривые: одна из них описывает отказ
из-за воздействия ветра, а другая описывает ожидаемый
отказ, связанный с воздействием молний. При подготовке
к неблагоприятным погодным условиям информацию по
каждой линии объединяют с данными прогноза погоды.
В Индии было разработано приложение для
прогнозирования вероятность отключения электричества
в городе Бангалор [6]. Программа использует данные о
внеплановых отключениях электроэнергии, численность
населения района, максимальную и минимальную
температуру окружающей среды, а также информацию о
том, является ли день праздничным или выходным. Также
данная модель может быть использована и для
прогнозирования отключений в других городах, по
которым имеются необходимые данные.
Рассмотренные отечественные модели не эффективны
для прогнозирования отключения ЛЭП, так как не
учитывают погодных условий, а иностранные аналоги -
особенностей российского климата и архитектуры
электрических систем и сетей.
III.
П
РЕДЛАГАЕМОЕ РЕШЕНИЕ
Для реализации и тестирования предлагаемого
решения использовались данные об отключениях линий
электропередач в Санкт-Петербурге и Ленинградской
области в 2020 году. Каждое отключение сопровождалось
информацией о времени его возникновения, времени его
ликвидации. Также было известно, в каком районе
электрической сети произошла авария. Также из
открытого источника [7] были получены данные о
погодных условиях в рассматриваемых районах
Ленинградской области.
Информация об аварийных отключениях и о погодных
условиях была объединена в один массив. Все данные
были разделены на обучающую выборку и тестовую в
соотношении 4:1 с учетом того, что весь массив данных
представляет собой временной ряд (рис.2). Модели
предсказания
были
реализованы
при
помощи
соответствующих функций из таких пакетов как:
statsmodels, sklearn, lightgbm. Подбор параметров модели
осуществлялся полным перебором при помощи функции
GridSearchCV.
Сравнивались следующие модели: наивная модель 1
(следующее значение равно текущему), наивная модель 2
(следующее значение равно сумме текущего и среднему
арифметическому текущего и предыдущего), простое
экспоненциальное
сглаживание,
двойное
экспоненциальное
сглаживание,
тройное
экспоненциальное сглаживание, ARIMA, SARIMA,
SARIMAX, линейная регрессия, случайный лес,
градиентный бустинг. Последние три относятся к
прогностическим моделям машинного обучения, их
отличительной особенностью является то, что при
прогнозировании они учитывают не только динамику
изменения числа аварийных отключений на протяжении
всего отрезка времени, соответствующего обучающей
выборке, но также учитывается динамика изменения
погодных условий. Используя уже обученную модель,
можно получить прогноз числа аварийных отключений,
зная прогноз погоды.
При
помощи
каждой
модели
совершалось
прогнозирование только одного наблюдения, для каждого
из которых рассчитывались параметры модели с
обновлением обучающей выборки (перенос следующего
по хронологии наблюдения из тестовой в обучающую
выборку).
Все модели, кроме наивных, требуют подбора
гиперпараметров. Модели машинного обучения ввиду
своей сложности требуют более тщательного подбора для
увеличения точности прогноза. Для этих моделей
параметры подбирались полным перебором при помощи
функции
GridSearch.
Также
с
целью
учета
дополнительной информации о предыдущих аварийных
отключениях были созданы новые признаки, например,
среднее число аварийных отключений за предыдущую
неделю или месяц. Остальные же модели не обладают
столь высокой сложности в программном исполнении,
подбор параметров происходит автоматически, эти
модели строят прогноз, только исходя из имеющегося
временного ряда, который должен быть обязательно
стационарным, данное требование выполняется во всех
наборах данных.
