Гибридная ИИ‑система для идентификации нарушений качества электроэнергии в электрической сети

Почему важно состояние вашей электроэнергии

Большинство из нас ожидает, что электричество из розетки будет плавным и стабильным, тихо питая всё — от зарядных устройств до промышленных роботов. На самом деле напряжение и ток в современных сетях часто колеблются, проседают и скачут, когда подключаются и отключаются солнечные панели, электроника и тяжёлое оборудование. Эти небольшие, но частые нарушения, называемые помехами качества питания, могут приводить к перегреву оборудования, сбивать цифровые системы управления и сокращать срок службы чувствительных устройств. В этом исследовании объясняется, как гибридный инструмент на базе искусственного интеллекта быстро распознаёт и классифицирует такие нарушения, даже когда они происходят одновременно, помогая сохранять свет и защищать электронику.

Скрытые помехи в повседневной электроэнергии

Электрическая энергия должна следовать плавной синусоидальной форме при фиксированной частоте. На практике её постоянно выводят из равновесия нелинейные устройства, такие как приводы с изменяемой скоростью, зарядные устройства для телефонов и силовая электроника в системах возобновляемой энергии. Они вызывают разные типы нарушений: провалы (sags), когда напряжение кратковременно падает; подъёмы (swells), когда оно растёт; мерцание (flicker), из‑за которого свет мерцает; резкие переходные процессы и добавленные гармоники, которые «шероховатят» форму сигнала. Когда эти явления перекрываются — например, провал вместе с гармониками или несколько типов одновременно — традиционные системы мониторинга испытывают трудности с их разделением. В то же время точная идентификация комбинации важна для решения, является ли причиной неисправный прибор, авария в сети или проектная ошибка.

Превращение «грязных» сигналов в полезные отпечатки

Авторы строят систему по этапам, так что каждый шаг превращает исходный сигнал в более ясную информацию. Сначала они применяют математический инструмент под названием преобразование Стоколова (Stockwell Transform), которое показывает, как частотный состав напряжения меняется во времени. Это создаёт временно‑частотную карту, которая подчёркивает, например, короткие всплески высокочастотного шума при переходных процессах или повторяющиеся полосы от гармоник. Из этих карт вычисляют простые числовые дескрипторы, такие как средняя мощность, пиковые значения и мерки формы. Чтобы не перегружать обучающий алгоритм лишними данными, затем применяют критерий хи‑квадрат — статистический фильтр, который сохраняет лишь те признаки, которые сильнее всего связаны с различиями между типами нарушений.

Обучая ИИ с памятью распознавать шаблоны

Отобранные признаки становятся входными данными для сети Long Short Term Memory (LSTM), типа рекуррентной нейронной сети, хорошо работающей с последовательностями. В отличие от более простых моделей, рассматривающих каждый момент отдельно, эта сеть поддерживает внутреннюю память, фиксирующую, как развивается нарушение во времени. Исследователи обучают её на 18 классах сигналов, включая нормальную работу, шесть одиночных типов нарушений и множество двойных, тройных и даже четырёхкратных комбинаций. Они генерируют 18 000 примеров сигналов, используя стандартные формулы и детализированные моделирования двух эталонных энергосистем, известных как сети IEEE на 9 и 33 узла. Чтобы тест был реалистичным, они также добавляют разные уровни случайного шума, имитируя «грязные» условия реальных сетей.

Применение метода в виртуальных и реальных временных сетях

После обучения гибридная система испытывается в нескольких сценариях. На синтетических сигналах она правильно классифицирует большинство случаев: точность превышает 99 процентов для одиночных нарушений и остаётся выше 96 процентов, когда одновременно возникают четыре разных проблемы и присутствует шум. Авторы затем выходят за рамки чистой симуляции, создавая помехи в детализированных программных моделях и на аппаратной платформе «hardware in the loop» под названием OPAL‑RT, которая выполняет модели сети в реальном времени. В этих более требовательных тестах метод по‑прежнему достигает примерно 99 процентов средней точности, превосходя традиционную нейронную сеть и ряд ранее опубликованных подходов. Важно, что он остаётся робастным при введении измерительного шума.

Что это значит для обычных потребителей электроэнергии

Для обычного пользователя работа указывает на появление более интеллектуальных устройств мониторинга, которые могут незаметно наблюдать за сетью и быстро указывать не только на наличие проблемы, но и на её точный тип, даже когда они переплетены. Операторы сетей и крупные потребители энергии могли бы использовать такие инструменты, чтобы отслеживать растущее разнообразие возобновляемых источников и электронных нагрузок, не будучи заваленными данными. Хотя метод по‑прежнему опирается на большие обучающие наборы и потребуется адаптация к новым типам нарушений по мере эволюции сетей, он демонстрирует, что сочетание продвинутого анализа сигналов с ИИ с памятью даёт более ясную и надёжную картину состояния нашей электроэнергии в режиме реального времени.

Цитирование: Debnath, R., Majumder, A., Jain, A.K. et al. A hybrid AI framework for identification of power quality disturbances in electrical network. Sci Rep 16, 15758 (2026). https://doi.org/10.1038/s41598-026-35376-x

Ключевые слова: качество питания, электрическая сеть, искусственный интеллект, анализ сигналов, обнаружение нарушений