Машинное обучение ускорит оценку надёжности энергосистем при сбоях

Учёные из международного исследовательского коллектива представили в архиве препринтов arXiv новую методику оценки безопасности энергосистем на основе машинного обучения. Работа описывает автоматическое разбиение аварийных сценариев на три класса — безопасные, умеренные и критические. Такой подход позволяет энергетикам быстрее реагировать на потенциальные отключения и предотвращать масштабные сбои.

В основе исследования лежит классический контингент-анализ N-k, при котором моделируется отказ от одного до трёх элементов сети одновременно. Для генерации входных данных использовался метод Ньютона—Рафсона, а в качестве показателя устойчивости — общий индекс производительности OPI. Расчёты выполнялись на стандартных тестовых схемах IEEE-14 и IEEE-30.

Для повышения качества моделей специалисты применили четыре схемы предобработки данных: обычную нормализацию, балансировку классов методом SMOTE, снижение размерности через PCA и комбинацию SMOTE и PCA. Сравнение проводилось по метрикам точности, полноты и F1-меры, при этом разработчики особо следили за корректным распознаванием опасных состояний.

Наиболее высокой эффективности добился алгоритм Random Forest: он получил F1-меру 0,97 на сети IEEE-30 и 0,86 на IEEE-14. Метод опорных векторов (SVM) выигрывал от применения PCA, что заметно повышало точность классификации. Метод k-ближайших соседей, напротив, лучше работал в связке с SMOTE и PCA.

Авторы также выяснили, что уменьшение размерности данных вносит больший вклад в итоговое качество моделей, чем борьба с дисбалансом классов. Однако балансировка улучшает полноту выявления аварий, хотя и ценой роста ложных срабатываний. Исследователи подчёркивают: машинное обучение способно стать практичным и масштабируемым инструментом мониторинга энергосистем в реальном времени.