Студенты и сотрудники НИЯУ МИФИ совместно с коллегами из Института искусственного интеллекта AIRI и Ивановского государственного энергетического университета разработали метод использования искусственного интеллекта для молниеносного анализа аварий в электрических сетях
Сегодня, когда происходит короткое замыкание или другой сбой, защитная автоматика фиксирует осциллограмму — «слепок» поведения сети в момент аварии. Однако, чтобы выяснить причину, инженерам приходится вручную копировать эти данные на внешний носитель, везти их в офис или отправлять производителю оборудования. Процесс занимает часы, а то и дни.
Ученые МИФИ предложили принципиально иное решение. Разработанная ими каскадная архитектура нейросетей способна анализировать сигналы с высокой частотой дискретизации прямо на месте — прямо на подстанции, на периферийных устройствах.
«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», — объяснил младший научный сотрудник Института интеллектуальных кибернетических систем НИЯУ МИФИ Александр Коваленко.
Поверх технических моделей исследователи предлагают использовать языковые модели ИИ. Они будут автоматически составлять человекочитаемые отчёты и отправлять их на центральный пульт управления.
«В этих отчётах будет говориться о том, на каком участке произошла авария, тип неисправности и предполагаемые действия», — уточнил Коваленко.
Вся диагностика, по словам учёного, занимает доли секунды. Это позволяет перейти от реактивной системы к онлайн-мониторингу состояния электросетей.
Примечательно, что прорыв стал возможен благодаря образовательному процессу. Изначально партнёры из Ивановского энергетического университета просто хотели понять, способен ли ИИ различать события на осциллограммах. К решению задачи подключили студентов МИФИ.
«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.
По его словам, главная ценность таких партнёрств — работа с реальными, «живыми» данными, а не с синтетическими датасетами из интернета. Сейчас разработка находится на стадии прототипа, но уже вызывает интерес у профильных энергетических компаний, заинтересованных в повышении надёжности и автоматизации своих сетей.