Набор реальных осциллограмм из электрических сетей

Почему мелкие электрические сбои важны

Каждую секунду обширные энергосети незаметно поддерживают свет, работу больниц и работу центров обработки данных. Внутри подстанций защитные устройства постоянно «слушают» пульс сети — сигналы напряжения и тока, которые показывают, всё ли в порядке или приближается отказ. В этой статье описан новый общедоступный массив таких «сердец»: набор реальных осциллограмм, фиксирующих поведение энергосистем при штатной работе, небольших возмущениях и серьёзных авариях. Он предназначен помочь инженерам и системам искусственного интеллекта сделать электроснабжение более надёжным и устойчивым.

Подслушивая сеть

Современные подстанции наполнены терминалами релейной защиты и автоматики — устройствами, которые наблюдают сеть и мгновенно срабатывают на отключение при неисправности. По мере усложнения энергосистем с колеблющимся потреблением, возобновляемыми источниками и чувствительной электроникой такие реле должны за доли секунды отличать безвредные флуктуации от опасных повреждений. Они делают это, записывая осциллограммы: детализированные временные ряды напряжений и токов, снятые с частотой в тысячи отсчётов в секунду. До сих пор большая часть исследований и многих ИИ-схем защиты опиралась на синтетические, сгенерированные компьютером сигналы, которые не способны полностью воспроизвести всю неохотливую сложность реальных сетей — ошибки датчиков, непредсказуемые нагрузки или помехи от молний.

Большая библиотека реальных сигналов

Авторы собрали набор из 50 765 осциллограмм, снятых на промышленных подстанциях, в основном в сетях среднего напряжения от 0,4 до 35 киловольт. Эти записи получены при штатных пусконаладочных работах и при расследованиях реальных событий в сети. Все файлы сохранены в стандартном формате COMTRADE, широко используемом в отрасли, а также предоставлены в виде предварительно обработанных CSV-файлов для анализа данных и применения машинного обучения. Для защиты приватности и коммерческой информации команда удалила названия объектов и производителей, даты записи и исходные имена файлов, а также стандартизировала маркировку каналов, чтобы пользователи видели единый набор каналов напряжения и тока независимо от бренда устройства или планировки подстанции.

Как понимать эти сигналы

Тщательно отобранный поднабор из 480 осциллограмм получил подробную разметку человеком. Эксперты просмотрели аналоговые сигналы и разделили каждый момент времени на четыре интуитивные группы: нормальная работа или чистый шум, рутинные коммутационные операции (например, включение/выключение выключателей или запуск двигателей), ненормальные события, отклоняющиеся от регламентов но не требующие немедленного отключения, и серьёзные аварийные события, которые должны инициировать срабатывание защит. Такая детализированная маркировка позволяет исследователям обучать и тестировать алгоритмы, которые не только обнаруживают, что «что-то произошло», но и распознают, какого рода событие это было. Команда также отфильтровала общую коллекцию и выделила более 20 000 осциллограмм с явными возмущениями, что даёт целенаправленную отправную точку для тех, кто интересуется необычным поведением.

От сырых волн к более умной защите

Чтобы проверить качество разметки, авторы обучили несколько типов нейронных сетей на размеченном поднаборе. Сначала они применили автокодировщик — модель ИИ, которая сжимает сигналы в компактное внутреннее представление, а затем восстанавливает их — чтобы извлечь признаки непосредственно из форм волн. При визуализации этих сжатых представлений четыре категории событий образовали ясно разделённые кластеры, что показывает: экспертная разметка отражает реальные различия в сигналах. Стандартные классификаторы, такие как сверточные и рекуррентные сети, затем смогли с хорошей точностью распознавать четыре типа событий, особенно ненормальные и аварийные события. Это демонстрирует, что набор данных хорошо подходит для разработки и бенчмаркинга методов машинного обучения для мониторинга сети.

Создание основы для будущего интеллекта сетей

Для неспециалистов главное: этот набор данных предлагает реалистичную лабораторию для улучшения методов защиты и управления энергосетями. Поскольку он включает как размеченные, так и неразмеченные данные, а также открыто публикуемые инструменты обработки, исследователи могут изучать всё — от базового обнаружения аномалий до продвинутых адаптивных схем защиты, которые сами подстраиваются под меняющиеся условия сети. Со временем модели, обученные и проверенные на этих реальных осциллограммах, могут помочь энергокомпаниям обнаруживать проблемы раньше, сокращать отключения и безопасно интегрировать больше возобновляемой генерации — делая невидимую инфраструктуру повседневной жизни более надёжной и интеллектуальной.

Цитирование: 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

Ключевые слова: надежность энергосети, обнаружение неисправностей, набор осциллограмм, релейная защита, машинное обучение в энергетике