Гибридная ансамблевая и объяснимая система ИИ (XAI) для обнаружения островного режима с нулевыми ложными срабатываниями в распределительных сетях

Почему важно сохранять электричество в безопасности

По мере того как в домах и населённых пунктах появляется всё больше кровельных солнечных панелей, малых ветряков и других локальных источников энергии, наша электроэнергетическая система становится чище, но и сложнее. Одной из самых серьёзных опасностей в этой новой реальности является «островной режим» — ситуация, когда район продолжает вырабатывать электричество, несмотря на то, что он отключён от основной сети. В статье предлагается интеллектуальная двухступенчатая система искусственного интеллекта, которая стремится обнаруживать островной режим быстро и надёжно, избегая при этом ненужных отключений, которые раздражают потребителей и нагружают сеть.

Когда район превращается в «остров»

Представьте улицу, где главный кабель отключён для обслуживания или после неисправности, а солнечные установки на крышах продолжают подавать электричество в местные сети. Рабочие могут подумать, что участок обесточен, хотя он всё ещё находится под напряжением, и оборудование может быть повреждено при повторном подключении сети, если фазы не совпадут. Из‑за этих рисков международные правила требуют, чтобы локальные генераторы прекращали питание островного участка в течение двух секунд. Традиционные защитные устройства следят за изменениями напряжения или частоты либо специально нарушают работу сети, чтобы посмотреть на реакцию, но эти методы либо пропускают некоторые случаи островного режима, либо срабатывают слишком часто при безвредных явлениях — например, при пуске мотора или переключении конденсатора. Энергокомпании вынуждены выбирать между риском пропустить опасный остров и вызвать множество ложных срабатываний.

Зачем нужны более умные инструменты обучения

Исследователи обратились к машинному обучению, чтобы отличать островной режим от других возмущений, обучаясь паттернам напрямую по данным. Ранее использовались одиночные модели — нейросети или деревья решений — которые отвечали на простой вопрос «это островной режим или нет?». Проблема в том, что категория «нет» охватывает множество различных ситуаций — аварии, переключения, обычное поведение сети — которые по измерениям в одной точке могут выглядеть очень похоже. Настройка одной модели на большую чувствительность снижает шанс пропустить остров, но обычно увеличивает число ложных тревог. И наоборот, настройка на сокращение ложных срабатываний повышает вероятность пропустить реальный остров. Многие из этих моделей также трудно интерпретировать, что вызывает у инженеров по защите сомнения доверять им в критических задачах.

Двухступенчатый «часовой» для сети

Авторы предлагают иной подход: разделить задачу защиты на две специализированные стадии, которые работают совместно. На первой стадии алгоритм «Isolation Forest» действует как постоянно дежурящий часовой, обученный только на нормальном поведении сети. Его задача предельно проста — поднять тревогу всякий раз, когда входные измерения выглядят необычно. Эта стадия настроена на чрезвычайную чувствительность, чтобы отлавливать почти любые отклонения, включая тонкие случаи островного режима. Только при обнаружении аномалии включается вторая стадия. Здесь мощная модель XGBoost выполняет более тщательную проверку: она не просто решает, является ли событие островным, а классифицирует его по нескольким категориям — островной режим, аварии, переключение конденсаторов, пуски моторов, рутинные изменения нагрузки. Обучая модель распознавать эти подписи отдельно, система становится значительно лучше в предотвращении ложных отключений, не снижая при этом бдительности.

Заглянуть внутрь «чёрного ящика» с помощью объяснений

Чтобы повысить доверие к автоматизированному решению, в рамки встроен инструмент объяснений SHAP. Для каждого события SHAP оценивает, насколько разные признаки — например скорость изменения частоты сети, темпы сдвига мощности или искажение напряжения — сдвигают решение в сторону или против версии с островом. В реальном времени система сохраняет несколько наиболее важных вкладов, чтобы операторы могли увидеть, почему автомат приказал открыть или удержать выключатель. При тестировании и настройке более подробные графики SHAP помогают исследователям обнаруживать, где модель путается — например, когда переключение конденсатора имитирует островной режим. Эти наблюдения легли в основу адаптивного порога доверия: система требует более сильных доказательств перед отключением, когда признаки выглядят неоднозначно, и может немного ослабить требовательность, когда доказательства ясные и последовательные.

Какова эффективность новой системы

Команда протестировала подход на общедоступном смоделированном наборе данных микро‑сети, который включает сотни примеров островных и неостровных событий в различных режимах работы. После выделения семи физически обоснованных признаков из коротких окон данных по напряжению и току они обучили и настроили обе стадии, а затем оценили работу на ранее невидимых случаях. Каскадная система обнаружила 96 % островных событий, то есть в тесте почти не осталось пропущенных островов, при этом уровень ложных тревог составил примерно 2,7 %. Общая точность достигла 96,8 %, и метод превзошёл одиночные модели машинного обучения и традиционную пороговую гибридную схему. Даже при добавлении реалистичного шума в измерения производительность снижалась плавно, а не разрушалась, и время обработки оставалось ниже десяти миллисекунд — гораздо быстрее требуемого по стандартам для сетей.

Что это значит для повседневной надёжности

Для неспециалистов ключевая идея такова: в статье представлен практический способ получить «лучшее из обоих миров» при защите современной сети с высоким уровнем возобновляемой генерации. Сначала спросив «происходит ли что‑то необычное?», а затем — «что именно происходит?», система избегает привычного компромисса между выявлением всех опасных островов и предотвращением ненужных отключений. Дополнительный уровень объяснений позволяет инженерам увидеть логику каждого приказа на срабатывание, превращая чёрный ящик в инструмент, который можно проверять и совершенствовать. Хотя исследование в основном опирается на моделированные данные и требует подтверждения на реальных измерениях, оно указывает путь к более безопасной и надёжной интеграции кровельных солнечных панелей, малых ветропарков и других распределённых генераторов в повседневные энергосистемы, от которых мы все зависим.

Цитирование: 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

Ключевые слова: обнаружение островного режима, распределённая генерация, машинное обучение, защита энергосистемы, объяснимая ИИ