ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ ВЫЯВЛЕНИЯ ИСТОЧНИКОВ КОММЕРЧЕСКИХ ПОТЕРЬ В ЭЛЕКТРОСЕТЯХ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ ВЫЯВЛЕНИЯ ИСТОЧНИКОВ КОММЕРЧЕСКИХ ПОТЕРЬ В ЭЛЕКТРОСЕТЯХ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
Ахметов Ильнур Вазирович
канд. физ.-мат. наук, доц., Уфимский государственный нефтяной технический университет,
РФ, г. Уфа
Ситдыков Ильдус Гилманович
зам директора ООО «Уфаэнергоучет»,
РФ, г. Уфа
APPLICATION OF NEURAL NETWORKS TO IDENTIFY SOURCES OF COMMERCIAL LOSSES IN POWER NETWORKS
Ilnur Akhmetov
Ph.D. in Physical and Mathematical Sciences, Associate Professor, Ufa State Petroleum Technological University,
Russia, Ufa
Ildus Sitdykov
Ufaenergouchet LLC,
Russia, Ufa
АННОТАЦИЯ
В данной работе рассмотрены вопросы актуальности использования нейронных сетей для выявления источников коммерческих потерь в электросетях на основе данных, получаемых с помощью систем информационно-измерительного контроля и учёта энергопотребления.
ABSTRACT
This paper discusses the relevance of using neural networks to identify sources of commercial losses in power networks based on data obtained using information-measuring control and energy consumption accounting systems.
Ключевые слова: учёт энергопотребления, коммерческие потери, прогнозирование, нейронные сети.
Keywords: energy accounting, commercial losses, forecasting, neural networks.
Системы учета электрической энергии (информационно-измерительные системы по контролю и учету энергопотребления) прошли большой путь развития от простых индукционных приборов учета с ручным сбором данных до многоуровневых автоматизированных систем, где многофункциональные электронные счетчики работают в комплексе с другими элементами системы учета [1].
Современные системы — это комплекс аппаратных и программных средств, обеспечивающих дистанционный сбор, хранение и обработку информации об энергетических потоках в электросетях. Автоматизированная система коммерческого учета электроэнергии (АСКУЭ) реализует задачу точного измерения количества потребленной или переданной энергии с учетом заданных параметров и тарифов, а также автоматически приводит технологические данные в удобную для анализа форму.
Схематическая структура системы АСКУЭ включает 4 уровня:
1) на нижнем уровне первичные измерительные приборы (счетчики) измеряют количество электроэнергии в точках учета;
2) на втором уровне находятся устройства сбора и подготовки данных (УСПД), которые осуществляют ежедневный сбор измерительных данных с территориально распределенных счетчиков, накопление, обработку и передачу этих данных на верхние уровни;
3) третий уровень — это персональный компьютер или сервер центра сбора и обработки данных (ЦСОД) с различных УСПД, который осуществляет итоговую обработку информации и преобразование в форму, удобную для анализа и управления;
4) высший уровень системы производит сбор информации с узлов третьего уровня, дополнительную структуризацию, архивирование данных, формирование документов для взаиморасчетов на рынке электроэнергии.
Рисунок 1. Схема передачи данных в АСКУЭ с применением технологии Power Line Communication (PLC)
Глобальной задачей, стоящей перед энергосистемой, является развитие и модернизация интеллектуальной системы учета, которая позволит в значительной степени снизить потери электроэнергии, не связанные с технологическим процессом, обеспечить адресное воздействие на неплательщиков за поставленную электроэнергию, а также повысить наблюдаемость электросетевого комплекса, что приведет к повышению надежности функционирования энергосистемы и качеству обслуживания конечных потребителей электроэнергии.
Потерями электроэнергии в электросетях считают разность между количеством переданной электроэнергии от производителя и количеством учтенной электроэнергии потребителя. Виды потерь:
1) технические, обусловленные физическими процессами в проводах и электрооборудовании, происходящими при передаче электроэнергии по электрическим сетям;
2) расход электроэнергии на собственные нужды подстанций, необходимый для обеспечения работы технологического оборудования подстанций и жизнедеятельности обслуживающего персонала, определяемый по показаниям счетчиков, установленных на трансформаторах собственных нужд подстанций;
3) потери электроэнергии, обусловленные инструментальными погрешностями их измерения (инструментальные потери);
4) коммерческие потери, обусловленные хищениями электроэнергии, несоответствием показаний счетчиков оплате за электроэнергию бытовыми потребителями и другими причинами в сфере организации контроля за потреблением энергии. Это то, что называется безучетным потреблением.
Безучетное потребление – это нарушение договорных обязательств со стороны потребителя, которое выражается:
1) во вмешательстве в работу прибора учета;
2) несанкционированном подключении проводки до прибора учета;
3) повреждении (самостоятельном снятии) пломб, в том числе антимагнитных и других знаков визуального контроля;
4) несвоевременном информировании об утрате прибора учета или его неисправности;
5) в других действиях, искажающих данные приборов учета.
Таким образом, у энергосбытовых и сетевых компаний всегда присутствуют потери. Уровень потерь в распределительных сетях в среднем по России 15,3%. В развитых странах текущий уровень потерь – 6%. Целевой ориентир Для РФ и развитых стран – 4%. То есть необходимо довести уровень потерь до суммарных значений технических потерь, потерь, связанных с собственными нуждами, и инструментальными погрешностями, которые на данном уровне развития технологий пока неизбежны. И соответственно свести к минимуму коммерческие потери. Реализованные пилотные проекты с таким результатом уже есть в некоторых странах.
Сокращение потерь энергии с 15,3% до 4%, приведет к экономии до 100 млрд. рублей в год. Получатели эффектов: государство, потребители, сетевые организации и сбытовые компании. Снижение потерь важно в силу того, что высокие расходы и потери приводят к росту тарифов за электроэнергию. А данные расходы касаются большинства людей. Поэтому снижение потерь – это основное направление, над которым работают в части оптимизации.
Для оптимизации недостаточно просто поставить приборы учета. Необходимо онлайн контролировать ситуацию, видеть профиль потребителя, мониторить сеть и управлять ею. Необходимо контролировать несанкционированный доступ к прибору учета, в постоянном режиме времени видеть, не взламывают ли данные приборы. Иначе невозможно эффективно справляться с потерями. Только построение интеллектуальной системы, как части цифровой сети, позволяет реализовать данный функционал.
Повлиять на корректную работу приборов учета с целью занижения показаний пытались всегда. Раньше использовали магниты и прочие предметы для замедления счётного механизма. С появлением интеллектуальных приборов учета их стали модифицировать («перепрошивать») другими способами: от установки резисторов в плату прибора учета до внедрения специальных модулей на платах прибора (рисунок 2), управляемых дистанционно с пульта, с помощью которых можно произвольно занижать показания от 10 до 90% или переводить в штатный режим без занижения показаний во время проверки со стороны энергоснабжающей организации.
Рисунок 2. Внедрение специальных модулей на платах прибора учета
В результате страдают честные потребители. К примеру, на входе в дом установлен общедомовой прибор учета. Сбытовая компания собирает данные с квартирных счетчиков (рисунок 3) и общедомовых приборов.
Рисунок 3. Сбор данных с квартирных счетчиков
Разница между показанием общедомового счетчика и суммарным со всех квартир и офисов в этом здании (подъезде) считается общедомовыми нуждами, которые пропорционально делят между жителями и офисами. В результате за тех, кто искусственно занижает показания (безучетные потребители), платят добросовестные потребители. Поэтому крайне важен постоянный мониторинг и выявление источников коммерческих потерь для оптимизации деятельности энергосистемы, для предотвращения хищений и роста тарифов на электроэнергию.
Кроме того, для анализа коммерческих потерь рассматривают пофидерный баланс. Фидер – это питающая линия, отходящая от шин подстанции. Чтобы свести баланс, нужна полная картина, где все объекты связаны между собой топологически. То есть необходимо видеть, сколько энергии передано с подстанции потребителям (полезный отпуск) и сколько получено ими фактически. Если сумма не сводится (небаланс), значит есть факт коммерческих потерь из-за безучетных потребителей. Для анализа баланса необходим непрерывный онлайн мониторинг. Графики потребления по конкретному потребителю позволяют видеть специфику потребления каждого. Однако это сложно сделать, когда приборов десятки тысяч и характер потребления у части из них меняется. Сложно понять, где действительно есть нарушение, куда нужно выехать и устранить проблему, так как это требует огромных временных и трудозатрат.
Сейчас для энергосистемы принципиально важна интеллектуальная цифровая сеть для перехода от стандартных показателей надежности на видение и предвидение сети.
В рамках данной работы планируется создание программного комплекса, который будет самостоятельно следить за перекосами в потреблении (небалансами), выявлять причины и информировать об этом. Программный комплекс будет обрабатывать большие данные с помощью предобученной нейронной сети и определять, в каких приборах обнаружена аномалия (подозрения на то, что счетчик «перепрошит») и сообщать об этом. Это позволит осуществлять адресные выезды и своевременно устранять несанкционированное воздействие.
Существующие на рынке информационно-измерительные системы контроля и учёта энергопотребления (Пирамида, Меркурий-Энергоучет и пр) ежедневно собирают информацию с десятков/сотен тысяч приборов учета и могут сигнализировать об отклонении от среднего потребления на заданное пороговое значение. Но проблема в том, что такие отклонения могут быть по огромному количеству причин (отъезд в отпуск, сезонный переезд на дачу, включение/отключение электрического отопления, начало строительных работ и пр). Получаемые сотни ложноположительных сигналов об отклонениях создают много шума и не позволяют выявлять действительные проблемы с перепрошивкой приборов учета и определять истинные причины пофидерного небаланса. Это сложная многочасовая интеллектуальная работа экспертов. Без предварительного анализа электросетевые компании не смогут направлять бригады для выезда на такое количество ситуаций, тк большинство выездов будут пустыми и нерезультативными.
Наш программный комплекс решает данный вопрос с применением искусственного интеллекта. Проведенный нами анализ с июля 2021 года позволил определить паттерны потребления перепрошитых приборов и сформировать размеченную базу данных для обучения нейронной сети. Таким образом, наш программный комплекс будет имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека.
После проведения первоначальных исследований мы сформировали размеченную базу данных, пригодную для использования в нейронных сетях. Выявление мошенничества со стороны потребителя с помощью искусственного интеллекта (ИИ) можно обрабатывать двумя способами:
1) c использованием структуры Long short-term memory (LSTM, рисунок 4) [2]. В соответствии с предоставленными данными временные ряды можно анализировать, используя метод скользящих окон, для выявления наличия серьезных изменений. Данные о потреблении будут нормализованы по среднему значению и стандартному отклонению и переданы в модель, которая состоит из нескольких слоев LSTM с входными данными в виде временных рядов со значениями потребления на ежедневной основе. Окно заданного размера будет сдвигаться на 1 день и полученные данные будут передаваться модели. На выходе будет TimeDistributed слой со значением потребления на следующий день. Эта модель обнаружит аномальное значение при разнице между ожидаемым значением и реальным значением превышающем пороговое значение. В случае повторения аномальных значений потребления за пределами установленного временного диапазона, система может поднять флаг для этого потребителя.
Рисунок 4. Схема LSTM
2) Другой способ — использование 2D-слоев свертки в модели бинарной классификации. Данные будут делиться еженедельно. Каждая неделя становится строкой, и в качестве входных данных будут использоваться n строк данных. Данные значения должны быть нормализованы. Это создает двумерный массив row*col. Данные, истинность которых проверены метрологическим оборудованием во время выездов на объекты, являются обязательными для этой модели. Если мы возьмем 8 недель в качестве входных данных и потребление первых 5 недель было близким, но потребление последних трех недель сильно отличается, это должно быть помечено как мошенничество, в противном случае помечается нормальным. Эти данные могут быть переданы модели для выявления мошенничества в системе.
В обоих случаях будут использованы данные о сезонном потреблении от разных потребителей за 3–5 лет. Обе модели могут изучать разницу сезонного потребления электроэнергии на основе данных и обнаруживать неестественное потребление.
Для повышения точности результатов обе системы будут совершенствоваться достаточным количеством итераций. Стандартный процесс итераций, который будем использовать, заключается в обучении модели, использовании модели на практике, сопоставлении новых результатов модели с результатами предыдущего алгоритма LSTM, проверки результатов предсказания с выездом по адресу счетчика и дальнейшей коррекцией модели предсказания с целью создания нового массива данных для продолжения обучения. Для этого придется осуществить многократные выезды с обследованиями приборов учёта на местах.
Есть большая доля вероятности, что некоторые случаи вмешательства в приборы учета могли остаться незамеченными на этапе подготовки данных. Такие случаи будут негативно отражаться на качестве и уровне уверенности обученной модели. Для выявления таких ложноотрицательных данных весь массив данных, используемый для обучения будет заново пропущен через модель в целях выявления Outliers. По результатам предсказаний все данные с уровнем уверенности ниже 90% будут проверены на подлинность.
Для дополнительного улучшения и коррекции массива данных и обеспечения data consistency также будет использован метод k-fold Cross-Validation [3]. При этом методе все данные обучения и теста будут разделены на 10 равных частей, модель будет обучена, путем использования 9 частей, а остальные данные будут использованы для тестов. По результатам тестов все случаи несовпадения будут обследованы и скорректированы по необходимости. Данные шаги будут повторяться для оставшихся 9 частей массива для обеспечения совместимости данных.
Список литературы:
- Панов М., Хмелев И., Смирнов А. Нейронные сети на службе энергетиков // Открытые системы. СУБД, 2016. №4. – С. 39–41.
- Николенко С., Кадурин А., Архангельская Е. Глубокое обучние. – СПб.: Питер, 2018. – 480 с.
- Цвенгер И.Г., Низамов И.Р. Применение нейросетевых регуляторов в системах управления электроприводами // Вестник Казанского технологического университета, №8, 2017. – С. 231–245.