Архитектура LSTM для предсказания границ устойчивости в реальном времени в нескольких областях, без зависимости от поставарийного анализа в энергосистемах

Сохранение электричества при всё более неустойчивой сети

По мере того как энергосети подключают всё больше ветровых и солнечных ферм и работают ближе к своим пределам, операторам становится труднее понять, насколько близка сеть к отключению. В этой статье представлен новый способ наблюдения за сетью в реальном времени с помощью модели искусственного интеллекта, которая считывает быстрые электрические измерения и преобразует их в понятный показатель состояния. Цель — дать сотрудникам диспетчерской дополнительные ценные секунды для реакции до того, как возмущение перерастёт в масштабные отключения.

Почему обеспечение устойчивости сети становится сложнее

Электроэнергетические системы должны одновременно контролировать три составляющие: напряжение, частоту и согласованное вращение генераторов. Проблема в любой из этих областей может потянуть за собой остальные, приводя к каскадным отказам. Традиционно инженеры оценивают эти типы устойчивости отдельно и часто только после возникновения неисправности, используя медленные симуляции или упрощённые правила «да/нет». Такой подход всё меньше отвечает требованиям современных сетей с большим объёмом возобновляемой генерации, где условия быстро меняются и запас прочности невелик.

Один индикатор безопасности для множества скрытых рисков

Авторы предлагают единый «комплексный индекс динамической безопасности» (CDSI), который сводит несколько сложных мер устойчивости в одно число от 0 до 1. Этот индекс объединяет оценку восстановления напряжения после возмущения, поведение углов генераторов и удалённость частоты системы от опасных пределов. Значение, близкое к 1, означает, что сеть находится в комфортно безопасном состоянии; значение, близкое к 0, сигнализирует об опасности. Индекс также разбит на пять категорий — нормальное, тревога, сильный риск, срочно и неустойчиво — чтобы операторы могли соотнести свои действия с уровнем угрозы вместо опоры на грубое «устойчиво/неустойчиво».

Обучение ИИ читать параметры сети в реальном времени

Чтобы предсказывать этот индекс до развития серьёзных последствий, исследование использует тип нейронной сети для временных рядов — long short-term memory (LSTM) — в сочетании со стандартной глубокой сетью. Вместо ожидания полного поставарийного развития, модели нужны измерения, снятые непосредственно перед и во время аварии, в основном на клеммах генераторов, где уже часто установлены высокоскоростные датчики (фазорные измерительные устройства). Эти измерения включают напряжения, потоки мощности и скорость их изменений. В обширных компьютерных экспериментах на стандартных тестовых сетях система научилась сопоставлять эти короткие фрагменты данных с категориями CDSI с точностью более 98%.

Доверие к предсказаниям ИИ

Ключевая проблема в диспетчерских — понять, почему алгоритм подаёт сигнал тревоги. Авторы решают это, добавив механизм «внимания», который выделяет входы, оказавшие наибольшее влияние на каждое предсказание. Например, при событии, угрожающем в первую очередь частоте, модель естественно сосредотачивается на изменениях мощности генераторов; при проблемах с напряжением — больше внимания уделяется быстрым колебаниям напряжения в слабых точках сети. Это упрощает привязку предупреждений к конкретному оборудованию или локациям, повышая уверенность, что система отражает реальные физические процессы, а не ведёт себя как «чёрный ящик».

От исследовательского инструмента к помощи в диспетчерской

В целом работа показывает, что возможно сочетать насыщенные физикой симуляции с современным ИИ, чтобы работающая сеть мониторилась с помощью единого, непрерывно обновляемого показателя устойчивости. Поскольку модели требуется лишь короткое окно данных и ограниченный охват датчиков, она может выдавать результаты менее чем за миллисекунду на одно рабочее состояние — достаточно быстро для применения в реальном времени. Для непрофессионала основной вывод в том, что этот подход может дать операторам более понятный «индикатор топлива» устойчивости, позволяя им предпринимать умеренные корректирующие действия на ранней стадии вместо радикальных аварийных мер позже, что помогает сохранять подачу электроэнергии в более чистой, но более уязвимой системе.

Цитирование: Shahriyari, M., Safari, A., Quteishat, A. et al. An LSTM architecture for real-time multi-domain stability boundary prediction beyond post-fault dependency in power systems. Sci Rep 16, 6330 (2026). https://doi.org/10.1038/s41598-026-36571-6

Ключевые слова: устойчивость энергосети, интеграция возобновляемой энергии, глубокое обучение, мониторинг в реальном времени, надежность электроэнергии