Hybrydowy system zespołowy i wyjaśnialna sztuczna inteligencja (XAI) do wykrywania wyspowego zasilania w sieciach rozdzielczych bez fałszywych alarmów

Dlaczego ochrona zasilania ma naprawdę znaczenie

W miarę jak domy i miejscowości instalują coraz więcej paneli fotowoltaicznych na dachach, małych turbin wiatrowych i innych lokalnych źródeł energii, nasza sieć elektryczna staje się czystsza, ale też bardziej złożona. Jednym z najpoważniejszych zagrożeń w tym nowym środowisku jest tzw. „wyspowanie” — sytuacja, w której sąsiedztwo wciąż produkuje energię elektryczną mimo odłączenia od głównej sieci. W artykule przedstawiono inteligentny, dwuetapowy system sztucznej inteligencji, który ma na celu szybkie i niezawodne wykrywanie wyspowania przy jednoczesnym unikaniu zbędnych wyłączeń, które irytują odbiorców i obciążają system.

Kiedy sąsiedztwo staje się własną wyspą

Wyobraźmy sobie ulicę, na której główny przewód został wyłączony w celu konserwacji lub po awarii, a mimo to instalacje fotowoltaiczne na dachach nadal zasilają lokalne przewody. Pracownicy mogą mylnie uznać linię za nieaktywną, podczas gdy nadal jest pod napięciem, a sprzęt może zostać uszkodzony, gdy sieć zostanie ponownie podłączona niesynchronicznie. Ze względu na te ryzyka bezpieczeństwa międzynarodowe przepisy wymagają, by lokalne generatory przestały zasilać wyizolowany odcinek w ciągu dwóch sekund. Tradycyjne urządzenia ochronne monitorują zmiany napięcia lub częstotliwości albo celowo zakłócają sieć, by obserwować reakcję, ale te metody albo nie wykrywają wszystkich przypadków wyspowania, albo uruchamiają się zbyt często podczas nieszkodliwych zdarzeń, takich jak rozruchy silników czy przełączanie kondensatorów. Operatorzy muszą godzić się na kompromis między pominięciem niebezpiecznego wyspowania a wywoływaniem uciążliwych wyłączeń.

Dlaczego potrzebne są inteligentniejsze narzędzia uczące się

Naukowcy zwrócili się ku uczeniu maszynowemu, aby rozróżniać wyspowanie od innych zakłóceń, ucząc się wzorców bezpośrednio z danych. Wcześniejsze badania stosowały pojedyncze modele, takie jak sieci neuronowe czy drzewa decyzyjne, które odpowiadały na proste pytanie tak/nie: „czy to jest wyspowanie?”. Problem w tym, że kategoria „nie” obejmuje wiele różnych sytuacji — zwarcia, operacje przełączania, normalne zachowanie sieci — które w pomiarach z jednego punktu sieci mogą wyglądać bardzo podobnie. Strojenie pojedynczego modelu, by był bardziej czuły, zmniejsza ryzyko pominięcia wyspowania, ale zwykle zwiększa liczbę fałszywych alarmów. Podobnie, strojenie go na uniknięcie uciążliwych wyłączeń zwiększa ryzyko przeoczenia prawdziwego wyspowania. Wiele z tych modeli jest też trudnych do zinterpretowania, co budzi nieufność inżynierów sieci przy użyciu ich w krytycznych funkcjach ochronnych.

Dwustopniowy strażnik dla sieci

Autorzy proponują inną strategię: podzielić zadanie ochrony na dwa wyspecjalizowane etapy współpracujące ze sobą. W pierwszym etapie algorytm „Isolation Forest” działa jak ciągły strażnik wytrenowany wyłącznie na normalnym zachowaniu sieci. Jego zadanie jest bardzo proste — sygnalizować kiedy przychodzące pomiary wydają się nietypowe. Etap ten jest dostrojony tak, by być niezwykle czułym, aby niemal każde odchylenie, w tym subtelne przypadki wyspowania, zostało szybko wykryte. Dopiero po wykryciu takiej anomalii uruchamia się drugi etap. Tam mocny model „XGBoost” wykonuje bardziej wnikliwą analizę, nie tylko decydując, czy zdarzenie to wyspowanie, ale klasyfikując je w kilku kategoriach, takich jak wyspowanie, zwarcia, przełączanie kondensatorów, rozruchy silników czy rutynowe zmiany obciążenia. Ucząc model rozpoznawać te różne sygnatury osobno, system znacznie lepiej unika fałszywych wyłączeń, nie osłabiając jednocześnie czujności.

Zajrzeć do czarnej skrzynki dzięki wyjaśnieniom

Aby zbudować zaufanie do tego zautomatyzowanego decydenta, ramy używają także narzędzia wyjaśniającego o nazwie SHAP. Dla każdego zdarzenia SHAP określa, w jakim stopniu różne cechy — takie jak szybkość zmian częstotliwości sieci, tempo przesunięcia mocy czy stopień zniekształcenia napięcia — skłaniają decyzję w kierunku lub przeciwko wyspowaniu. W czasie rzeczywistym system rejestruje kilka najważniejszych czynników, dzięki czemu operatorzy widzą, dlaczego rozkazano zadziałanie wyłącznika lub pozostawienie go zamkniętego. Podczas testów i strojenia bardziej szczegółowe wykresy SHAP pomagają badaczom dostrzec, gdzie model się myli, na przykład gdy przełączenie kondensatora naśladuje wyspowanie. Te spostrzeżenia poprowadziły projekt adaptacyjnego progu zaufania: system wymaga silniejszych dowodów przed wyłączeniem, gdy wzorce są niejednoznaczne, i może nieznacznie poluzować wymogi, gdy dowody są jednoznaczne i spójne.

Jak dobrze działa nowy system

Zespół przetestował podejście na publicznie dostępnym symulowanym zbiorze danych mikrogridu, który zawiera setki przykładów zdarzeń wyspowania i niewyspowania w różnych warunkach eksploatacyjnych. Po wyodrębnieniu siedmiu fizycznie sensownych cech z krótkich okien danych napięcia i prądu, wytrenowano i dostrojono oba etapy, a następnie oceniono wydajność na wcześniej niewidzianych przypadkach. System kaskadowy wykrył 96 procent zdarzeń wyspowania, co oznacza, że bardzo niewiele wysp pozostało niezauważonych w teście, przy jednoczesnym utrzymaniu wskaźnika fałszywych alarmów na poziomie około 2,7 procent. Dokładność ogólna osiągnęła 96,8 procent, a metoda przewyższyła jednoczęściowe modele uczenia maszynowego i tradycyjny hybrydowy schemat oparty na progach. Nawet po dodaniu realistycznego szumu pomiarowego wydajność spadała stopniowo, zamiast się załamywać, a czas przetwarzania pozostał poniżej dziesięciu milisekund — znacznie szybciej niż wymagają standardy sieciowe.

Co to oznacza dla codziennej niezawodności

Dla osób niebędących specjalistami kluczowe przesłanie jest takie, że artykuł przedstawia praktyczny sposób, by uzyskać „najlepsze z obu światów” w ochronie nowoczesnej, bogatej w odnawialne źródła sieci. Najpierw pytając „czy dzieje się coś nietypowego?”, a dopiero potem „dokładnie co się dzieje?”, system omija zwykły kompromis między wykrywaniem każdego niebezpiecznego wyspowania a unikaniem niepotrzebnych wyłączeń. Dodatkowa warstwa wyjaśnień pozwala inżynierom zobaczyć logikę stojącą za każdym rozkazem wyłączenia, przekształcając czarną skrzynkę w narzędzie, które można inspekcjonować i udoskonalać. Choć badanie opiera się na danych symulowanych i będzie musiało zostać potwierdzone na rzeczywistych pomiarach, wskazuje ono drogę do bezpieczniejszej, bardziej niezawodnej integracji paneli dachowych, małych farm wiatrowych i innych rozproszonych generatorów z systemami energetycznymi, od których wszyscy zależymy.

Cytowanie: Shahade, S.K., Jawadekar, A.U. & Shahade, A.K. An ensemble hybrid and explainable AI (XAI) framework for zero false-positive islanding detection in distribution networks. Sci Rep 16, 13460 (2026). https://doi.org/10.1038/s41598-026-43913-x

Słowa kluczowe: wykrywanie wyspowania, generacja rozproszona, uczenie maszynowe, ochrona systemów elektroenergetycznych, wyjaśnialna AI