Описание проекта
Проект направлен на разработку системы прогнозирования каскадных отказов в электросетях на основе графовых нейросетей (GNN). Ключевая идея — использование естественного графового представления энергосистемы для моделирования распространения аварий: узлы (генераторы, подстанции) соединяются ребрами (линии электропередачи), что позволяет GNN выявлять сложные зависимости между элементами сети.
Принципы работы:
1. Графовое представление энергосистемы: электрическая сеть моделируется как граф, где каждый узел содержит информацию о нагрузке, генерации и напряжении, а каждое ребро — о пропускной способности и параметрах линии. Это позволяет алгоритму учитывать не только изолированные характеристики оборудования, но и его взаимосвязи в сети .
2. Прогнозирование распространения отказов: GNN-модель анализирует, как начальное отключение одного элемента (например, перегрузка линии) влияет на соседние узлы через перераспределение потоков мощности. Система предсказывает, какие линии с высокой вероятностью войдут в "субкритический перегруз" — состояние, при котором нагрузка превышает стабильные пределы, но не достигает порога срабатывания защиты, создавая скрытую угрозу вторичных отказов . Точность прогнозирования на тестовых системах достигает F1-меры 96.42% для IEEE 39-bus и 84.59% для IEEE 118-bus .
3. Физически обоснованное обучение: в отличие от традиционных "черных ящиков", модель интегрирует законы Кирхгофа и топологические метрики (например, центральность между узлами) для обеспечения физической достоверности предсказаний. Добавление физических ограничений повышает точность прогнозирования, а использование дробных операторов Лапласа позволяет моделировать аномальное распространение возмущений, характерное для реальных энергосистем .
4. Мгновенный анализ в реальном времени: обученная модель выполняет прогноз за миллисекунды, что критически важно для диспетчеров. В то время как традиционные симуляторы (на основе OPA или Manchester Model) требуют минут на расчет одного сценария, GNN обеспечивает пропускную способность до 169 образцов в секунду, что превышает требования SCADA-систем .
Ожидаемый результат: создание инструмента оперативной оценки рисков, который позволяет:
- Выявлять "слабые звенья" сети до наступления аварии
- Прогнозировать масштаб возможного блэкаута (объем отключенной нагрузки) с коэффициентом детерминации R² до 0.95
- Сократить экономические потери от отключений электроэнергии
