Zestaw danych z rzeczywistymi oscylogramami z sieci elektroenergetycznych

Dlaczego drobne zakłócenia elektryczne mają znaczenie

Co sekundę rozległe sieci energetyczne po cichu utrzymują nasze światła, szpitale i centra danych w działaniu. Ukryte w stacjach transformatorowych urządzenia ochronne nieustannie nasłuchują tętna sieci — napięć i prądów, które ujawniają, czy wszystko działa prawidłowo, czy zbliża się awaria. W artykule opisano nowy, publicznie dostępny zbiór tych „bicia serca” — zestaw rzeczywistych oscylogramów rejestrujących zachowanie systemów energetycznych podczas normalnej pracy, drobnych zakłóceń i poważnych usterek. Został on przygotowany, by pomóc inżynierom i systemom sztucznej inteligencji uczynić nasze zasilanie bardziej niezawodnym i odpornym.

Podsłuchiwanie sieci

Nowoczesne stacje są wypełnione przekaźnikami ochrony i terminalami automatyki — urządzeniami, które obserwują sieć i natychmiast wyzwalają wyłączniki, gdy coś pójdzie nie tak. W miarę jak systemy energetyczne stają się coraz bardziej złożone — z zmiennym zapotrzebowaniem, źródłami odnawialnymi i wrażliwą elektroniką — przekaźniki muszą odróżniać nieszkodliwe fluktuacje od niebezpiecznych awarii w ułamkach sekundy. Robią to, rejestrując oscylogramy: szczegółowe szeregi czasowe napięć i prądów próbkowane tysiące razy na sekundę. Do tej pory większość badań i wiele systemów ochrony opartych na AI korzystało w dużej mierze z sygnałów syntetycznych, generowanych komputerowo, które nie oddają w pełni złożoności rzeczywistych sieci — takich jak błędy sensorów, nieprzewidywalne obciążenia czy zaburzenia wywołane wyładowaniami atmosferycznymi.

Duża biblioteka rzeczywistych sygnałów

Autorzy zebrali zestaw 50 765 oscylogramów pochodzących ze stacji przemysłowych, głównie w sieciach średniego napięcia o zakresie od 0,4 do 35 kilowoltów. Nagrania powstały podczas rutynowego uruchamiania urządzeń oraz w ramach analiz rzeczywistych zdarzeń w sieci. Wszystkie pliki przechowywane są w standardowym formacie COMTRADE powszechnie stosowanym w branży energetycznej, a także udostępnione jako wstępnie przetworzone pliki CSV do analizy danych i uczenia maszynowego. Aby chronić prywatność i informacje handlowe, zespół usunął nazwy zakładów i producentów, daty nagrań oraz oryginalne nazwy plików, a także ujednolicił sposób oznaczania kanałów, tak by użytkownicy widzieli spójny zestaw kanałów napięć i prądów niezależnie od marki urządzenia czy układu stacji.

Rozumienie sygnałów

Starannie wybrana podgrupa 480 oscylogramów otrzymała szczegółową adnotację wykonaną przez ludzi. Eksperci przejrzeli sygnały analogowe i podzielili każdy moment czasu na cztery intuicyjne grupy: normalna praca lub czysty szum, rutynowe operacje przełączeniowe, takie jak otwieranie wyłączników czy rozruchy silników, zdarzenia nieprawidłowe odbiegające od norm, które jednak nie wymagają natychmiastowego wyłączenia, oraz poważne awarie, które powinny wyzwolić urządzenia ochronne. Tak szczegółowe oznakowanie pozwala badaczom trenować i testować algorytmy, które nie tylko wykrywają, że „coś się wydarzyło”, lecz także rozpoznają, jakiego typu było to zdarzenie. Zespół odfiltrował również szerszy zbiór, identyfikując ponad 20 000 oscylogramów zawierających wyraźne zaburzenia, co daje skoncentrowany punkt wyjścia dla osób zainteresowanych nietypowymi zachowaniami.

Od surowych przebiegów do inteligentniejszej ochrony

Aby sprawdzić jakość etykiet, autorzy wytrenowali kilka typów sieci neuronowych na oznakowanej podgrupie. Najpierw użyli autoenkodera — modelu AI, który kompresuje sygnały do zwartego wewnętrznego opisu, a następnie je rekonstruuje — aby nauczyć się cech bezpośrednio z przebiegów. Przy wizualizacji tych skompresowanych opisów cztery kategorie zdarzeń tworzyły wyraźnie oddzielone klastry, co wskazuje, że etykiety eksperckie uchwyciły rzeczywiste różnice w sygnałach. Standardowe klasyfikatory, takie jak sieci konwolucyjne i rekurencyjne, były następnie w stanie rozpoznać cztery typy zdarzeń z wysoką dokładnością, szczególnie w przypadku zdarzeń nieprawidłowych i awarii. Dowodzi to, że zbiór danych jest dobrze dostosowany do rozwijania i benchmarkowania metod uczenia maszynowego do monitorowania sieci.

Budowanie podstaw dla przyszłej inteligencji sieci

Dla osób niebędących specjalistami kluczowy wniosek jest taki: ten zbiór danych oferuje realistyczne laboratorium do poprawy ochrony i sterowania sieciami energetycznymi. Ponieważ zawiera dane zarówno oznakowane, jak i nieoznaczone, a narzędzia przetwarzające są udostępnione otwarcie, badacze mogą badać wszystko — od podstawowego wykrywania anomalii po zaawansowane adaptacyjne systemy ochrony, które dostosowują się do zmieniających się warunków sieci. Z czasem modele trenowane i walidowane na tych rzeczywistych oscylogramach mogą pomóc zakładom energetycznym we wcześniejszym wykrywaniu problemów, ograniczaniu awarii i bezpieczniejszej integracji większej ilości źródeł odnawialnych — czyniąc niewidoczną infrastrukturę codziennego życia bardziej odporową i inteligentną.

Cytowanie: Evdakov, A., Filatova, G., Yablokov, A. et al. A dataset of real-world oscillograms from electrical power grids. Sci Data 13, 262 (2026). https://doi.org/10.1038/s41597-026-06587-8

Słowa kluczowe: niezawodność sieci energetycznej, wykrywanie awarii, zbiór oscylogramów, ochrona przekaźnikowa, uczenie maszynowe w energetyce