Специалисты Национального исследовательского ядерного университета «МИФИ» совместно с Институтом искусственного интеллекта AIRI и Ивановским государственным энергетическим университетом представили технологию на базе искусственного интеллекта, позволяющую в режиме реального времени выявлять и анализировать аварийные события в электрических сетях.
В действующей практике при возникновении коротких замыканий и других нарушений защитная автоматика фиксирует осциллограммы – цифровые записи переходных процессов. Их последующий анализ требует участия инженеров: данные выгружаются на внешние носители и передаются для расшифровки, что может занимать от нескольких часов до нескольких суток.
Предложенное решение предполагает перенос аналитики непосредственно на уровень энергообъектов. Разработанная учеными НИЯУ МИФИ каскадная архитектура нейросетей обеспечивает обработку сигналов высокой частоты дискретизации на периферийных устройствах, включая оборудование подстанций.
По словам младшего научного сотрудника Института интеллектуальных кибернетических систем НИЯУ МИФИ Александра Коваленко, система включает несколько уровней обработки.
- Мы разработали концепцию, состоящую из нескольких моделей. Легковесные модели работают очень быстро, позволяя детектировать высокочастотные сигналы. Есть второй этап – более тяжеловесные модели, которые уже не спеша размечают временные метки на осциллограмме.
Дополнительно в архитектуру исследователи предлагают интегрировать языковые модели ИИ, формирующие автоматические отчёты для диспетчерских служб.
- В этих отчётах будет говориться о том, на каком участке произошла авария, тип неисправности и предполагаемые действия, – уточнил Коваленко.
Скорость обработки составляет доли секунды, что позволяет перейти от постфактум-анализа к непрерывному мониторингу состояния электросетевой инфраструктуры.
Разработка сформировалась в рамках образовательных и научных проектов с участием студентов. Первоначально задача сводилась к оценке возможностей методов машинного обучения для классификации событий на осциллограммах, однако в дальнейшем проект был масштабирован до концепции прикладного решения.
- Многие студенты прошли в рамках своих дипломных работ через наш проект. Начинали мы просто с того, чтобы попробовать машинное обучение, а пришли к целой концепции, которая потенциально может выглядеть как прототип решения для реальной практики, – подчеркнул Александр Коваленко.
Ключевым фактором, по мнению Коваленко, стала работа с реальными данными, что обеспечивает высокую релевантность модели для отраслевых задач. На текущий момент технология находится на стадии прототипа и уже привлекла внимание энергетических компаний, заинтересованных в повышении надёжности и автоматизации сетевого хозяйства.