Разработка AI-системы балансировки нагрузки электросети Grid Stability

Разработка AI-системы балансировки нагрузки электросети Grid Stability

Стабильность энергосистемы — это баланс между генерацией и потреблением в каждый момент времени. Отклонение частоты от 50 Гц на ±0.2 Гц требует немедленного реагирования. AI ускоряет это реагирование и предупреждает нестабильности до их возникновения.

Прогнозирование нагрузки и дисбаланса

Short-term load forecasting (STLF):

Горизонт 15 минут – 2 часа, точность MAPE 1–3% — базовое требование для балансирования. Трансформеры (Informer) показывают лучшие результаты на длинных контекстах:

from darts import TimeSeries
from darts.models import TFTModel
from darts.utils.timeseries_generation import datetime_attribute_timeseries
import pandas as pd

def train_load_forecast_model(load_data, weather_data, calendar_data):
    """
    TFT (Temporal Fusion Transformer) для прогноза нагрузки
    load_data: TimeSeries с 15-минутными данными потребления
    """
    series = TimeSeries.from_dataframe(load_data, value_cols=['load_mw'])

    # Ковариаты: известные заранее (погода, праздники)
    future_covariates = TimeSeries.from_dataframe(
        pd.concat([weather_data[['temperature', 'solar_rad', 'wind']],
                   calendar_data[['is_holiday', 'day_type']]], axis=1)
    )

    model = TFTModel(
        input_chunk_length=96,   # 24 часа истории (×4 = 96 интервалов по 15 мин)
        output_chunk_length=8,   # 2 часа вперёд
        hidden_size=128,
        lstm_layers=2,
        num_attention_heads=4,
        dropout=0.1,
        batch_size=64,
        n_epochs=50,
        add_relative_index=True,
        add_encoders={'cyclic': {'future': ['hour', 'dayofweek']}}
    )

    model.fit(series, future_covariates=future_covariates, val_series=series[-96*30:])
    return model

Прогноз остатка мощности:

Residual load = system_load - renewable_generation. С ростом ВИЭ вариативность остатка увеличивается. Неопределённость прогноза ВИЭ → вероятностный прогноз (конфидентный интервал) → оценка объёма резервов.

Управление резервами

Frequency Regulation:

При отклонении частоты регуляторы реагируют по уровням:

• FCR (Frequency Containment Reserve): автоматика, 0–30 сек
• FRR (Frequency Restoration Reserve): AGC, 30 сек – 15 мин
• RR (Replacement Reserve): диспетчирование, 15 мин – часы

ML-задача: оценить достаточность резервов при прогнозируемой неопределённости:

• P(frequency excursion) при разных объёмах FCR/FRR
• Стохастическая оптимизация: стоимость резерва vs. риск аварии

Battery Storage для регулирования частоты:

BESS обладает наилучшей скоростью отклика (< 100 мс). RL-агент управляет стратегией зарядки/разрядки:

• State: частота сети, SoC батареи, прогноз нагрузки, цена балансирующего рынка
• Action: мощность заряда/разряда
• Reward: доход от рынка FCR - деградация батареи

Transient Stability Assessment

Оценка переходной устойчивости после коротких замыканий:

После КЗ и его отключения — устойчива ли система? Классический метод: численное интегрирование уравнений движения — 10–60 секунд на один контингент. Для анализа N-1 (все возможные аварии) — часы.

ML-ускоренная оценка:

import torch
import torch.nn as nn
import numpy as np

class TransientStabilityNN(nn.Module):
    """
    Оценка переходной устойчивости по pre-fault состоянию системы.
    Вход: вектор мощностей/напряжений до аварии + тип контингента
    Выход: стабильна / нестабильна (бинарная классификация)
    """
    def __init__(self, n_buses, n_generators, n_contingency_types):
        super().__init__()
        input_dim = n_buses * 4 + n_generators * 3 + n_contingency_types

        self.net = nn.Sequential(
            nn.Linear(input_dim, 256), nn.ReLU(), nn.Dropout(0.3),
            nn.Linear(256, 128), nn.ReLU(), nn.Dropout(0.2),
            nn.Linear(128, 64), nn.ReLU(),
            nn.Linear(64, 1), nn.Sigmoid()
        )

    def forward(self, x):
        return self.net(x)

Скорость: 1–5 мс на контингент vs. 30+ секунд для PSS/E симуляции. Accuracy 97–99% на тестовой выборке типовых топологий.

Управление перегрузками (Congestion Management)

Прогнозирование перегрузок линий:

RL-инфраструктура предсказывает перегрузки до их возникновения:

• Thermal limits: превышение допустимой токовой нагрузки → деградация изоляции
• N-1 security: при отключении любого элемента → оставшаяся схема допустима?

Redispatch:

Перераспределение генерации для разгрузки перегруженных линий:

• Снизить генератор A (в зоне переизбытка), повысить генератор B (в зоне дефицита)
• ML-ускоренный поиск минимальной редиспетчеризации

Интеграция с ОДУ/ЦДУ

• SCADA/EMS (Energy Management System): приём телеметрии, отправка уставок
• СМПР (система мониторинга переходных режимов): PMU данные для динамического мониторинга
• Балансирующий рынок (ОРЭМ): автоматическая подача заявок на FCR/FRR

Срок разработки: 6–10 месяцев для AI-системы балансировки с прогнозом нагрузки, оценкой устойчивости и BESS-управлением.