Разработка интеллектуального советчика для мониторинга и оценки безопасности режимов работы энергосети на основе самоорганизующихся карт Кохонена (SOM)

    Задачи оперативного мониторинга электроэнергетических систем (ЭС) часто фокусируются на фиксации произошедших на предприятии аварий, но современные исследования также отмечают, что необходимым пунктом в контроле критических случаев ЭС является ранняя оценка отклонения режима от его нормы. Одним из эффективных вариантов решения является использование самоорганизующейся карты (SOM), которая способна строить двумерное представление нормальных режимов, в ходе чего при необычном состоянии будет расти показатель риска.

    Работая над этим исследованием, мной было принято решение осветить теоретический аспект темы и описать возможное программное решение, способное работать в режиме реального времени и выдавать операторам ЭС интерпретируемые предупреждения с простыми рекомендации для устранения аварийного случая.

    Этап 1. Исследование состояний системы.

    Начнем с того, как вообще работает наша потенциальная система в теории. Формально состояние описывается вектором, нормированным относительно базового режима x_t ∈ R^d, нормированным относительно базового режима:

    Помимо этого, рассматривается показатель R(x_t) и правило оповещения D_t = {R(x_t ) > θ}, где θ выбирается по ROC‑критерию так, чтобы удержать долю ложных тревог и сохранить чувствительность. Наша цель – показать, что без разметки аварий можно построить воспроизводимый индикатор на данных SCADA/PMU с задержкой вычислений до 50–100 мс, с понятной логикой и измеряемым качеством.

    Этап 2. Эффективность приципа SOM.

    Более подробно рассмотрим принцип работы самоорганизующейся карты. SOM, или же карта Кохонена – это метод машинного обучения без учителя, используемый для создания пространства с низкой размерностью (обычно двумерного) для представления многомерного набора данных с сохранением топологической структуры данных. Она состоит их сетки нейронов, которые связаны со своими соседями. Во время обучения входные данные представляются в сеть, и каждый нейрон вычисляет свое сходство с входными данными. Нейрон с наибольшим сходством становится победителем, получая статус BMU (Best Matching Unit), а его веса корректируются для лучшего соответствия входным данным.

    В нашей задаче SOM строит двумерную решетку прототипов {m_i }^K_(i=1) , которая будет имитировать распределение режимов ЭС и сохранять соседство похожих состояний. Плотные области карты соответствуют часто встречающимся нормальным режимам, периферия и разреженные участки – редким или «непривычным». Благодаря этому текущий вектор легко соотнести с «типичным» кластером (безопасно) или с «опасной» областью (повышенный риск), опираясь на те же наблюдаемые параметры сети.

    Как же будет проходить работа карты? Предлагаю рассмотреть этот этап подробнее. Для входа  выберем ближайший прототип по евклидову расстоянию:

    Следом за этим начнется обновление узлов с учетом их соседства на решетке. Каждый узел i как бы «двигает» свой прототип в сторону:

где r_i - координаты узла, α - шаг обучения, σ - радиус соседства. Карта сначала схватывает общий рисунок, а потом аккуратно доводит детали. Качество этой настройки мы проверяем средней дистанцией от точек до своих «узлов‑представителей», на научном языке это называется ошибкой квантизации:

    Дополнительно используется матрица расстояний между соседними прототипами, по которой видно разделение кластеров (U‑Matrix). Вот пример того, как может выглядеть подобная матрица на основе работы Альфреда Ульча с многомерным датасетом:

    Работая с данными, мы не должны забывать про потенциальное возникновение дрейфа, для его учета параметры прототипов обновляются малыми шагами на недавних временных окнах, что позволяет подстраивать модель, не разрушая ранее выученную топологию.

    Этап 3. Обучаем данные на практических стурктурах.

    Начальная инициализация по главным компонентам (PCA) ускоряет схождение и снижает артефакты на ранних этапах обучения. После стабилизации адаптации размер карты выбирается как компромисс между разрешающей способностью и устойчивостью к шуму (как пример, решётки 10×10 или 20×20), при этом качество контролируется по ошибке квантизации и стабильности кластерной структуры на валидационных подмножествах.

    А как же формируются сами данные? Рассмотрим следующий два типа измерений:

1. SCADA (Supervisory Control and Data Acquisition) – это диспетчерские измерения и статусы в электроэнергетике, «телеметрия верхнего уровня» с периодичностью от секунд до минут.
2. PMU (Phasor Measurement Unit) – это высокочастотные фазовые данные, синхронизированные по времени с частотой от 25 измерений в секунду.

    Для оценки аварийных ситуаций SCADA и PMU используют следующие величины:

    Потоки синхронизируются по единой временной шкале, пропуски и выбросы корректируются, а признаки стандартизируются по соответствующей формуле:

    Если видим сильные выбросы, заменяем средние и стандартные отклонения на робастные оценки, используя медиану или её аналоги. Далее усиливается временная стабильность признаков: добавляем скользящее среднее и стандартное отклонение на фиксированных временных интервалах. Базовый вектор признаков формируется из локальных параметров узлов и линий и их сетевых агрегатов, что обеспечивает одновременно детальный и системный взгляд на режим.

    Следующий шаг – устранение корреляций. Отбираем информативные признаки, чтобы модель не «слышала» одно и то же дважды, и, наконец, приводим SCADA и PMU к единому времени. Если их данные поступают с разной частотой, значения между ними автоматически пересчитываются так, чтобы удавалось сравнивать сигналы в одни и те же моменты времени.

     Еще одна важная деталь для нашей разработки, это оценка рисков. Показатель риска объединяет удаленность от «нормы» и редкость текущего состояния:

где m_c  – прототип BMU, ρ_c – локальная плотность обучающих точек возле BMU, w₁,w₂ ≥ 0 . Для сопоставимости вводится нормировка через экспоненциальное сглаживание, где μ_R, σ_R вычисляются на нормальном периоде:

    Принцип работы проекта на отобранных данных.

    Пороговая схема использует два уровня предупреждения для оператора: θ₁ (желтый), отвечающий за демонстрацию заметного отклонения от привычного режима, но без явных признаков аварии, и θ₂ (красный), предупреждающий о повышенной вероятности перегрузок или развития нештатной ситуации, θ₂ > θ₁. Значения порогов для предупреждений выбираются так, чтобы система срабатывала достаточно рано, но не слишком часто ошибалась: для этого перебирают разные варианты и смотрят, при каких порогах количество ложных тревог (1%-5%) соответствует допустимому уровню для оператора. Это позволяет заранее задать, сколько ложных срабатываний можно терпеть, и подобрать оптимальные границы для жёлтого и красного сигнала. Для объяснимости дополнительно рассчитываются вклады признаков в решение о том или ином уровне предупреждения:

    Экспоненциальное сглаживание R* приглушает разовые шумовые всплески, но продолжает реагировать на изменение показателя.

    Для устойчивых кластеров SOM заранее формируются профили типичных отклонений и соответствующие им действия. Пример: при локальном снижении напряжений (z_V < 0) и росте реактивных потоков (z_Q > 0) возникнет предложение повысить компенсацию реактивной мощности и ограничить перетоки по перегруженным ветвям. Для систем передачи переменного тока (FACTS) поступит рекомендация корректировать уставки в допустимых пределах.

    Немного подробнее о самом программном решении.

    Вот мы и разобрались с теоретической ML составляющей вопроса! Но, чтобы не ограничиваться сухим описанием работы карт Кохонена, расскажу про принцип работы данного проекта.

    Цель разработки прототипа – создать инструмент для автоматического мониторинга состояния ЭС, который позволит своевременно выявлять отклонения от нормального режима работы, оценивать уровень риска возникновения аварийных ситуаций и предоставлять оператору понятные рекомендации по реагированию. Такой подход направлен на повышение надёжности и безопасности электросети, сокращение времени на принятие решений и снижение вероятности ошибок.

    Прототип должен работать в реальном времени, интегрироваться с существующими системами сбора данных, обеспечивать прозрачность причин тревог и быть готовым к промышленному внедрению после успешного тестирования и экспертной оценки.

1. Инструмент вычисляет R*(x_t), присваивает уровень риска и формирует краткую рекомендацию.
2. Интерфейс и API предоставляют карту SOM, причины и журнал, а также числовой риск, уровень и текст совета.

    Автоматического воздействия на оборудование мы не предусматриваем. SOM планируется обучать в n-й промежуток времени.

    Пожалуй, стоит кратко описать принцип работы еще раз, чтобы закрепить концепцию разработки в статье:

    Результаты планируется оформлять таблицами, ROC‑кривыми, распределением опережения; на U‑Matrix будут подсвечиваться зоны, где чаще возникают предупреждения.

    Было бы плохо описать прототип, как идеал, и не упомянуть его ограничения. Метод чувствителен к масштабу и составу признаков, поэтому обязательно существуют нормировка и контроль дрейфа . Пороговые настройки зависят от регламента работы диспетчерской: низкие пороги повышают чувствительность и создают избыток тревог, высокие снижают нагрузку и повышают риск опозданий.

    Заключение.

    Подведем итоги. В данной статье мы рассмотрели мониторинг режимов энергетических систем с применением SOM относительно данных SCADA и PMU. Такой подход предоставляет частый и эффективный анализ аварийных случаев в энергетике, что позволяет снизить риски преступления «красного» уровня тревоги. Как можно увидеть, реализация требует кропотливой работы, в бета-версии мы используем табличные рекомендации, но в будущем хотим реализовать связывание советов с расчетами оптимальных режимов и учитывать экономические критериев.

    Список литературы, использованный для подготовки статьи и теоритической версии прототипа:

[1] Интеллектуальные SCADA-системы: истоки и перспективы [Сайт] / Е.В. Кузнецова, А.М. Сидоров // Киберленинка. – 2024. – URL: https://cyberleninka.ru/article/n/intellektualnye-scada-sistemy-istoki-i-perspektivy/viewer (дата обращения: 28.09.2025)

[2] Виды режимов энергетических систем [Сайт] / Н.И. Иванов // Киберленинка. – 2023. – URL: https://cyberleninka.ru/article/n/vidy-rezhimov-energeticheskih-sistem/viewe (дата обращения: 30.09.2025)

[3] Самоорганизующаяся карта [Сайт] / С. Горбаченко. – URL: http://gorbachenko.self-organization.ru/articles/Self-organizing_map.pdf (дата обращения: 05.10.2025)

[4] Data mining: Kohonen maps [Сайт] / RAnalytics. – URL: https://ranalytics.github.io/data-mining/105-Cohonen-Maps.html (дата обращения: 06.10.2025)

[5] Кохонен К. С. Самоорганизующиеся карты : учебное пособие / К. С. Кохонен. – Минск : БНТУ, 2024. – 50 с. (дата обращения: 06.10.2025)

[6] Исследование самоорганизующихся карт Кохонена [Сайт] / О.П. Смирнов // Киберленинка. – 2023. – URL: https://cyberleninka.ru/article/n/issledovanie-samoorganizuyuschihsya-kart-kohonena/viewer (дата обращения: 8.10.2025)

[7] Нейронная сеть Кохонена для визуализации и анализа данных [Сайт] / С.В. Иванов // Киберленинка. – 2024. – URL: https://cyberleninka.ru/article/n/neyronnaya-set-kohonena-dlya-vizualizatsii-i-analiza-dannyh/viewer (дата обращения: 10.10.2025)

[8] Анализ и моделирование оптимизационных алгоритмов квантования сигналов для информационных систем [Сайт] / А.В. Петров, И.С. Смирнова // Киберленинка. – 2023. – URL: https://cyberleninka.ru/article/n/analiz-i-modelirovanie-optimizatsionnyh-algoritmov-kvantovaniya-signalov-dlya-informatsionnyh-sistem/viewer (дата обращения: 12.10.2025)

[9]  Вычислительные облака и их использование в Selectel [Сайт] / И. Селтель. – Хабр, 2025. – URL: https://habr.com/ru/companies/selectel/articles/808335/ (дата обращения: 13.10.2025)

[10] Параметрическая идентификация линий электропередачи на основе синхронизированных векторных измерений [Сайт] / В.Н. Лебедев // Киберленинка. – 2023. – URL: https://cyberleninka.ru/article/n/parametricheskaya-identifikatsiya-liniy-elektroperedachi-na-osnove-sinhronizirovannyh-vektornyh-izmereniy/viewer (дата обращения: 18.10.2025)

[11] UMatrix: a Tool to visualize Clusters in high dimensional Data [Сайт] / A. Ultsch. –  https://www.researchgate.net/publication/228530835_UMatrix_a_Tool_to_visualize_Clusters_in_high_dimensional_Data (дата обращения: 30.10.2025)