Повышение распознаваемости аварийных режимов релейной защитой методами деревьев решений
Ключевые слова:
распознавание коротких замыканий, машинное обучение, решающее дерево, случайный лес, градиентный бустинг, релейная защита и автоматика, имитационное моделирование, алгоритм
Аннотация
В условиях внедрения в электрические сети современных активных элементов и устройств (гибкие электропередачи, управляемые шунтирующие реакторы, накопители энергии, источники распределенной генерации и др.) традиционные методы распознавания аварийных режимов для корректного функционирования устройств релейной защиты и автоматики (РЗА) иногда становятся неэффективными. С развитием и массовым внедрением стандарта МЭК 61850, а также программных комплексов имитационного моделирования появляется доступ к большому объему информации о режимах электрической сети, что позволяет разрабатывать принципиально новые алгоритмы для РЗА, в том числе на основе методов машинного обучения. В статье исследуется новый подход к распознаванию повреждения на линиях электропередачи с ответвлениями путем одновременного анализа нескольких информационных признаков и применения групповых алгоритмов машинного обучения: дерево решений, случайный лес и градиентный бустинг. Для получения обучающих выборок применяются имитационное моделирование и метод Монте-Карло. Результаты тестирования исследуемых методов показали требуемую гибкость, способность использования большого количества информационных параметров (многопараметричность), а также лучшие результаты распознавания повреждений по сравнению с дистанционным органом релейной защиты. Реализация алгоритма решающего дерева для микропроцессорных устройств РЗА не потребует модернизации аппаратной части, а связана с доработкой специального программного обеспечения.
Литература
1. Положение ПАО «Россети» «О единой технической политике в электросетевом комплексе» Приложение №4 к решению Совета директоров ПАО «МРСК Центра». Протокол от 25.05.2021 № 19/21.
2. Шарыгин М.В., Куликов А.Л. Статистические методы распознавания режимов в релейной защите и автоматике сетей электроснабжения. – Электрические станции, 2018, № 2 (1039), с. 32–39.
3. Лоскутов А.А., Митрович М., Осокин В.Ю. Повышение распознаваемости режимов функционирования системы электроснабжения на основе методов машинного обучения. – Релейная защита и автоматизация, 2020, № 4 (41), с. 26–34
4. Лоскутов А.А., Пелевин П.С., Митрович М. Разработка логической части интеллектуальной многопараметрической релейной защиты. – Электричество, 2020, № 5. с. 12–18.
5. Куликов А.Л., Лоскутов А.А., Совина А.Н. Использование машинного обучения и искусственных нейронных сетей для распознавания витковых замыканий в силовых трансформаторах. – Электричество, 2022, № 10, с. 34–44.
6. Рибейро П.Ф. и др. Обработка сигналов в интеллектуальных сетях энергосистем. М.: Техносфера, 2020, 496 с.
7. Rebizant W., Szafran J., Wiszniewski A. Digital Signal Processing in Power System Protection and Control. London: Springer, 2011, 316 p.
8. Hasan A.N., Pouabe P.S., Twala B. The Use of Machine Learning Techniques to Classify Power Transmission Line Fault Types and Locations. – International Conference on Optimization of Electrical and Electronic Equipment, 2017, pp. 221–226, DOI:10.1109/OPTIM.2017.7974974.
9. Witten I.H., Frank E. Data Mining: Practical Machine Learning Tools and Techniques. Amsterdam: Elsevier, 2005, 525 p.
10. Michie D., Spiegelhalter D., Taylor C. Machine Learning, Neural and Statistical Classification. Ellis Horwood, 1994, 290 p.
11. Bishop C.M. Pattern Recognition and Machine Learning. Berlin: Springer, 2006, 738 p.
12. Breiman L. et al. Classification and Regression Trees. New York: Routledge, 1984, 368 p.
13. Yongli Z., Limin H., Jinling L. Bayesian Networks-Based Approach for Power Systems Fault Diagnosis. – IEEE Transactions on Power Delivery, 2006, No. 21, pp. 636–369, DOI: 10.1109/TPWRD.2005.858774.
14. Ермаков С.М. Метод Монте-Карло в вычислительной математике. СПб., 2009, 192 c.
15. Шкаф дифференциальной защиты линии типа ШЭ2607 091. Руководство по эксплуатации. ЭКРА.656453.126 РЭ. Чебоксары: ООО НПП «ЭКРА», 2008.
16. Лямец Ю.Я. и др. Эффекты многомерности в релейной защите. – Электричество, 2011, № 9, с. 48–54.
17. Андреев В.А. Релейная защита и автоматика систем электроснабжения. М.: Высшая школа, 2006, 639 с.
18. Fawcett T. An Introduction to ROC Analysis. – Pattern Recognition Letters, 2006, No. 8, pp. 861–874, DOI:10.1016/j.patrec.2005.10.010.
19. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Berlin: Springer, 2001, 745 p.
20. Ширман Я.Д., Манжос В.Н. Теория и техника обработки радиолокационной информации на фоне помех. М.: Радио и связь, 1981, 416 с.
21. Kulikov A., Loskutov A., Bezdushniy D. Relay Protection and Automation Algorithms of Electrical Networks Based on Simulation and Machine Learning Methods. – Energies, 2022, vol. 15, No. 18, p. 6525, DOI:10.3390/en15186525.
22. Xia Y.Q., Li K.K., David A.K. Adaptive Relay Setting for Stand-Alone Digital Distance Protection. – IEEE Transactions on Power Delivery, 1994, vol. 9, No.1. pp. 480–491, DOI: 10.1109/61.277720.
23. Qi W., Swift G., McLaren P. Distance Protection Using an Artificial Neural Network. – Sixth International Conference on Developments in Power System Protection (Conf. Publ. No. 434). Nottingham, UK, 1997. pp. 286–290, DOI: 10.1049/cp:19970083.
24. Hutter F., Kotthoff L., Vanschoren J. Automated Machine Learning. Cham, Switzerland: Springer, 2019, 219 p.
25. Mueller A.S., Guido S. Introduction to Machine Learning with Python. Sebastopol, CA: O’Reilly, 2016, 338 p.
---
Исследование выполнено в рамках государственного задания в сфере научной деятельности (тема №FSWE-2022-0005)
#
1. Polozhenie PAO «Rosseti» «O edinoy tekhnicheskoy politike v elektrosetevom komplekse» Prilozhenie №4 k resheniyu Soveta direktorov PAO «MRSK TSentra». Protokol ot 25.05.2021 № 19/21 (The Regulation of PJSC ROSSETI "On the Unified Technical Policy in the Electric Grid Complex" Appendix No. 4 to the decision of the Board of Directors of PJSC IDGC of Centre. Protocol No. 19/21 dated 05/25/2021.).
2. Sharygin M.V., Kulikov A.L. Elektricheskie stantsii – in Russ. (Power Plants), 2018, No. 2 (1039), pp. 32–39.
3. Loskutov A.A., Mitrovich M., Osokin V.Yu. Releynaya zashchita i avtomatizatsiya – in Russ. (Relay Protection and Automation), 2020, No. 4 (41), pp. 26–34.
4. Loskutov A.A., Pelevin P.S., Mitrovich M. Elektrichestvo – in Russ. (Electricity), 2020, No. 5. pp. 12–18.
5. Kulikov A.L., Loskutov A.A., Sovina A.N. Elektrichestvo – in Russ. (Electricity), 2022, No. 10, pp. 34–44.
6. Ribeyro P.F. et al. Obrabotka signalov v intellektual'nyh setyah energosistem (Signal Processing in Intelligent Power Grid Networks). М.: Tekhnosfera, 2020, 496 p.
7. Rebizant W., Szafran J., Wiszniewski A. Digital Signal Processing in Power System Protection and Control. London: Springer, 2011, 316 p.
8. Hasan A.N., Pouabe P.S., Twala B. The Use of Machine Learning Techniques to Classify Power Transmission Line Fault Types and Locations. – International Conference on Optimization of Electrical and Electronic Equipment, 2017, pp. 221–226, DOI:10.1109/OPTIM.2017.7974974.
9. Witten I.H., Frank E. Data Mining: Practical Machine Learning Tools and Techniques. Amsterdam: Elsevier, 2005, 525 p.
10. Michie D., Spiegelhalter D., Taylor C. Machine Learning, Neural and Statistical Classification. Ellis Horwood, 1994, 290 p.
11. Bishop C.M. Pattern Recognition and Machine Learning. Berlin: Springer, 2006, 738 p.
12. Breiman L. et al. Classification and Regression Trees. New York: Routledge, 1984, 368 p.
13. Yongli Z., Limin H., Jinling L. Bayesian Networks-Based Approach for Power Systems Fault Diagnosis. – IEEE Transactions on Power Delivery, 2006, No. 21, pp. 636–369, DOI: 10.1109/TPWRD.2005.858774.
14. Ermakov S.M. Metod Monte-Karlo v vychislitel'noy matematike (Monte Carlo Method in Computational Mathematics). SPb., 2009, 192 p.
15. Shkaf differentsial'noy zashchity linii tipa SHE2607 091. Rukovodstvo po ekspluatatsii. EKRA.656453.126 RE (Differential Protection Cabinet of the Line Type ShE2607 091. Operating Manual. EKRA.656453.126 RE). Cheboksary: OOO NPP «EKRA», 2008.
16. Lyamets Yu.Ya. et al. Elektrichestvo – in Russ. (Electricity), 2011, No. 9, pp. 48–54.
17. Andreev V.А. Releynaya zashchita i avtomatika sistem elektrosnabzheniya (Relay Protection and Automation of Power Supply Systems). М.: Vysshaya shkola, 2006, 639 p.
18. Fawcett T. An Introduction to ROC Analysis. – Pattern Recognition Letters, 2006, No. 8, pp. 861–874, DOI:10.1016/j.patrec.2005.10.010.
19. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Berlin: Springer, 2001, 745 p.
20. Shirman Ya.D., Manzhos V.N. Teoriya i tekhnika obrabotki radiolokatsionnoy informatsii na fone pomekh (Theory and Technique of Radar Information Processing Against the Background of Interference). М.: Radio i svyaz', 1981, 416 p.
21. Kulikov A., Loskutov A., Bezdushniy D. Relay Protection and Automation Algorithms of Electrical Networks Based on Simulation and Machine Learning Methods. – Energies, 2022, vol. 15, No. 18, p. 6525, DOI:10.3390/en15186525.
22. Xia Y.Q., Li K.K., David A.K. Adaptive Relay Setting for Stand-Alone Digital Distance Protection. – IEEE Transactions on Power Delivery, 1994, vol. 9, No.1. pp. 480–491, DOI: 10.1109/61.277720.
23. Qi W., Swift G., McLaren P. Distance Protection Using an Artificial Neural Network. – Sixth International Conference on Developments in Power System Protection (Conf. Publ. No. 434). Nottingham, UK, 1997. pp. 286–290, DOI: 10.1049/cp:19970083.
24. Hutter F., Kotthoff L., Vanschoren J. Automated Machine Learning. Cham, Switzerland: Springer, 2019, 219 p.
25. Mueller A.S., Guido S. Introduction to Machine Learning with Python. Sebastopol, CA: O’Reilly, 2016, 338 p.
---
The research was carried out within the framework of the state assignment in the field of scientific activity (topic no. FSWE-2022-0005)
2. Шарыгин М.В., Куликов А.Л. Статистические методы распознавания режимов в релейной защите и автоматике сетей электроснабжения. – Электрические станции, 2018, № 2 (1039), с. 32–39.
3. Лоскутов А.А., Митрович М., Осокин В.Ю. Повышение распознаваемости режимов функционирования системы электроснабжения на основе методов машинного обучения. – Релейная защита и автоматизация, 2020, № 4 (41), с. 26–34
4. Лоскутов А.А., Пелевин П.С., Митрович М. Разработка логической части интеллектуальной многопараметрической релейной защиты. – Электричество, 2020, № 5. с. 12–18.
5. Куликов А.Л., Лоскутов А.А., Совина А.Н. Использование машинного обучения и искусственных нейронных сетей для распознавания витковых замыканий в силовых трансформаторах. – Электричество, 2022, № 10, с. 34–44.
6. Рибейро П.Ф. и др. Обработка сигналов в интеллектуальных сетях энергосистем. М.: Техносфера, 2020, 496 с.
7. Rebizant W., Szafran J., Wiszniewski A. Digital Signal Processing in Power System Protection and Control. London: Springer, 2011, 316 p.
8. Hasan A.N., Pouabe P.S., Twala B. The Use of Machine Learning Techniques to Classify Power Transmission Line Fault Types and Locations. – International Conference on Optimization of Electrical and Electronic Equipment, 2017, pp. 221–226, DOI:10.1109/OPTIM.2017.7974974.
9. Witten I.H., Frank E. Data Mining: Practical Machine Learning Tools and Techniques. Amsterdam: Elsevier, 2005, 525 p.
10. Michie D., Spiegelhalter D., Taylor C. Machine Learning, Neural and Statistical Classification. Ellis Horwood, 1994, 290 p.
11. Bishop C.M. Pattern Recognition and Machine Learning. Berlin: Springer, 2006, 738 p.
12. Breiman L. et al. Classification and Regression Trees. New York: Routledge, 1984, 368 p.
13. Yongli Z., Limin H., Jinling L. Bayesian Networks-Based Approach for Power Systems Fault Diagnosis. – IEEE Transactions on Power Delivery, 2006, No. 21, pp. 636–369, DOI: 10.1109/TPWRD.2005.858774.
14. Ермаков С.М. Метод Монте-Карло в вычислительной математике. СПб., 2009, 192 c.
15. Шкаф дифференциальной защиты линии типа ШЭ2607 091. Руководство по эксплуатации. ЭКРА.656453.126 РЭ. Чебоксары: ООО НПП «ЭКРА», 2008.
16. Лямец Ю.Я. и др. Эффекты многомерности в релейной защите. – Электричество, 2011, № 9, с. 48–54.
17. Андреев В.А. Релейная защита и автоматика систем электроснабжения. М.: Высшая школа, 2006, 639 с.
18. Fawcett T. An Introduction to ROC Analysis. – Pattern Recognition Letters, 2006, No. 8, pp. 861–874, DOI:10.1016/j.patrec.2005.10.010.
19. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Berlin: Springer, 2001, 745 p.
20. Ширман Я.Д., Манжос В.Н. Теория и техника обработки радиолокационной информации на фоне помех. М.: Радио и связь, 1981, 416 с.
21. Kulikov A., Loskutov A., Bezdushniy D. Relay Protection and Automation Algorithms of Electrical Networks Based on Simulation and Machine Learning Methods. – Energies, 2022, vol. 15, No. 18, p. 6525, DOI:10.3390/en15186525.
22. Xia Y.Q., Li K.K., David A.K. Adaptive Relay Setting for Stand-Alone Digital Distance Protection. – IEEE Transactions on Power Delivery, 1994, vol. 9, No.1. pp. 480–491, DOI: 10.1109/61.277720.
23. Qi W., Swift G., McLaren P. Distance Protection Using an Artificial Neural Network. – Sixth International Conference on Developments in Power System Protection (Conf. Publ. No. 434). Nottingham, UK, 1997. pp. 286–290, DOI: 10.1049/cp:19970083.
24. Hutter F., Kotthoff L., Vanschoren J. Automated Machine Learning. Cham, Switzerland: Springer, 2019, 219 p.
25. Mueller A.S., Guido S. Introduction to Machine Learning with Python. Sebastopol, CA: O’Reilly, 2016, 338 p.
---
Исследование выполнено в рамках государственного задания в сфере научной деятельности (тема №FSWE-2022-0005)
#
1. Polozhenie PAO «Rosseti» «O edinoy tekhnicheskoy politike v elektrosetevom komplekse» Prilozhenie №4 k resheniyu Soveta direktorov PAO «MRSK TSentra». Protokol ot 25.05.2021 № 19/21 (The Regulation of PJSC ROSSETI "On the Unified Technical Policy in the Electric Grid Complex" Appendix No. 4 to the decision of the Board of Directors of PJSC IDGC of Centre. Protocol No. 19/21 dated 05/25/2021.).
2. Sharygin M.V., Kulikov A.L. Elektricheskie stantsii – in Russ. (Power Plants), 2018, No. 2 (1039), pp. 32–39.
3. Loskutov A.A., Mitrovich M., Osokin V.Yu. Releynaya zashchita i avtomatizatsiya – in Russ. (Relay Protection and Automation), 2020, No. 4 (41), pp. 26–34.
4. Loskutov A.A., Pelevin P.S., Mitrovich M. Elektrichestvo – in Russ. (Electricity), 2020, No. 5. pp. 12–18.
5. Kulikov A.L., Loskutov A.A., Sovina A.N. Elektrichestvo – in Russ. (Electricity), 2022, No. 10, pp. 34–44.
6. Ribeyro P.F. et al. Obrabotka signalov v intellektual'nyh setyah energosistem (Signal Processing in Intelligent Power Grid Networks). М.: Tekhnosfera, 2020, 496 p.
7. Rebizant W., Szafran J., Wiszniewski A. Digital Signal Processing in Power System Protection and Control. London: Springer, 2011, 316 p.
8. Hasan A.N., Pouabe P.S., Twala B. The Use of Machine Learning Techniques to Classify Power Transmission Line Fault Types and Locations. – International Conference on Optimization of Electrical and Electronic Equipment, 2017, pp. 221–226, DOI:10.1109/OPTIM.2017.7974974.
9. Witten I.H., Frank E. Data Mining: Practical Machine Learning Tools and Techniques. Amsterdam: Elsevier, 2005, 525 p.
10. Michie D., Spiegelhalter D., Taylor C. Machine Learning, Neural and Statistical Classification. Ellis Horwood, 1994, 290 p.
11. Bishop C.M. Pattern Recognition and Machine Learning. Berlin: Springer, 2006, 738 p.
12. Breiman L. et al. Classification and Regression Trees. New York: Routledge, 1984, 368 p.
13. Yongli Z., Limin H., Jinling L. Bayesian Networks-Based Approach for Power Systems Fault Diagnosis. – IEEE Transactions on Power Delivery, 2006, No. 21, pp. 636–369, DOI: 10.1109/TPWRD.2005.858774.
14. Ermakov S.M. Metod Monte-Karlo v vychislitel'noy matematike (Monte Carlo Method in Computational Mathematics). SPb., 2009, 192 p.
15. Shkaf differentsial'noy zashchity linii tipa SHE2607 091. Rukovodstvo po ekspluatatsii. EKRA.656453.126 RE (Differential Protection Cabinet of the Line Type ShE2607 091. Operating Manual. EKRA.656453.126 RE). Cheboksary: OOO NPP «EKRA», 2008.
16. Lyamets Yu.Ya. et al. Elektrichestvo – in Russ. (Electricity), 2011, No. 9, pp. 48–54.
17. Andreev V.А. Releynaya zashchita i avtomatika sistem elektrosnabzheniya (Relay Protection and Automation of Power Supply Systems). М.: Vysshaya shkola, 2006, 639 p.
18. Fawcett T. An Introduction to ROC Analysis. – Pattern Recognition Letters, 2006, No. 8, pp. 861–874, DOI:10.1016/j.patrec.2005.10.010.
19. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning. Berlin: Springer, 2001, 745 p.
20. Shirman Ya.D., Manzhos V.N. Teoriya i tekhnika obrabotki radiolokatsionnoy informatsii na fone pomekh (Theory and Technique of Radar Information Processing Against the Background of Interference). М.: Radio i svyaz', 1981, 416 p.
21. Kulikov A., Loskutov A., Bezdushniy D. Relay Protection and Automation Algorithms of Electrical Networks Based on Simulation and Machine Learning Methods. – Energies, 2022, vol. 15, No. 18, p. 6525, DOI:10.3390/en15186525.
22. Xia Y.Q., Li K.K., David A.K. Adaptive Relay Setting for Stand-Alone Digital Distance Protection. – IEEE Transactions on Power Delivery, 1994, vol. 9, No.1. pp. 480–491, DOI: 10.1109/61.277720.
23. Qi W., Swift G., McLaren P. Distance Protection Using an Artificial Neural Network. – Sixth International Conference on Developments in Power System Protection (Conf. Publ. No. 434). Nottingham, UK, 1997. pp. 286–290, DOI: 10.1049/cp:19970083.
24. Hutter F., Kotthoff L., Vanschoren J. Automated Machine Learning. Cham, Switzerland: Springer, 2019, 219 p.
25. Mueller A.S., Guido S. Introduction to Machine Learning with Python. Sebastopol, CA: O’Reilly, 2016, 338 p.
---
The research was carried out within the framework of the state assignment in the field of scientific activity (topic no. FSWE-2022-0005)
