Авторизация
 
  • 14:24 – Эффективность снижения тарифов на Дальнем Востоке
  • 16:51 – Инвестиции в инфраструктуру – 2020
  • 15:29 – По ветру. Обзор ветроэнергетического рынка России
  • 13:06 – Финансовые результаты «ФСК ЕЭС» за 2019 год по РСБУ
  • 12:53 – Финансовые результаты «Россети Северо-Запад» за 2019 год по РСБУ

Максимально приближенная действительность. Универсальные методы предсказательной аналитики

Развитие сетей передачи данных и появление большого количества данных само по себе неспособно улучшить качество принимаемых решений. Напротив, скорость поступления и обилие информации могут затруднить ее анализ, показать несуществующие зависимости. Но все не так плохо. Скорее, даже наоборот.


Предиктивная (она же предсказательная) аналитика в энергетике востребована уже многие годы. По крайней мере с 1983 года предприятия отрасли используют различные статистические методы для планирования ремонтных работ, формирования запасов топлива на электрических станциях, прогнозных расчетов режимов работы электрических сетей. Уже в то время существовала распределенная система сбора данных о режимах работы электрических сетей, которая давала реальную информацию о характеристиках электрических режимов. На основе реальных данных строились реальные (пусть и упрощенные) модели работы распределительной сети и генерирующих мощностей, что позволяло оптимально распределять нагрузки по магистральным линиям, оптимизировать запасы топлива на станциях, учитывая реальную нагрузку на генерирующие мощности и прогнозировать их вывод в ремонт. Важно подчеркнуть, что в отличие от приближенных и неточных моделей (например, построенных на основе дифференциальных уравнений), предсказательные, основанные на реальных исторических данных, отражают объективную физическую картину сети: от генерации до потребителя, без упрощений и неточностей. А главное, реальные физические данные, накопленные в виде истории, дают возможность давать осторожную, но максимально приближенную к действительности картину будущего развития ситуации.
Важно понимать, что само по себе развитие сетей передачи данных не улучшает качества принимаемых решений. Напротив, скорость поступления и обилие информации могут усложнить ее анализ и показать несуществующие зависимости. Для исключения таких ошибок необходимо создать промежуточный аналитический уровень, который должен обработать данные на предмет выявления ошибок и исключения условий, не влияющих на анализируемый показатель, при необходимости дополнения данными, которые были пропущены при получении, сравнивая их с историческими, и свернуть пространство параметров до уровня, понятного для оперативного персонала.
Обилие информации на входе позволяет разносторонне анализировать ситуацию, включая в цикл обработки данные, которые ранее оставались слабо востребованными: погодные условия и долгосрочные прогнозы, в том числе стихийных бедствий, учет мелких потребителей и производителей энергии, состояние элементов сети (трансформаторов и т.п.). Иными словами, создается достоверная информационная среда для оперативного персонала с выявленными тенденциями поведения, основанными на физических/цифровых моделях сети.
Как только получена реальная физическая модель элементов сети, возникает возможность оптимизации их работы. Можно выявить степень влияния различных систем друг на друга и управлять ими в целях снижения возможного негатива. Зная реальную степень износа, возможно осуществлять перераспределение потоков энергии между элементами сети. Возможно точное планирование ремонтных работ на основе реальных данных о загрузке и износе и прогнозах будущей нагрузки, что позволит снизить вероятность возникновения аварийных ситуаций. Подобные системы не имеют ограничений по направлению применения: методы предсказательной аналитики универсальны.
Использование описанных методов неизбежно приводит к повышению качества принимаемых решений. Прежде всего они базируются на реальной физической картине, а не на приблизительных расчетных показателях и учитывают максимальное количество влияющих факторов. Информация избавлена от избыточности без потери достоверности и точно соответствует наблюдаемому процессу, отражая генерацию, распределение, потребление, ремонты, запасы топлива и т.п.
Неточность цифровых моделей может быть критична для целого ряда ответственных элементов системы. Поэтому важна четкость построения первоначальной модели и последующего ее «дообучения» под реальные объекты.
Экспертные системы могут аккумулировать опыт экспертов-людей из разных частей системы и формировать выдачу подсказок персоналу, опираясь на лучшие практики решения проблем, а системы, основанные на нейронных сетях (частный случай статистической модели) могут быстро находить типичные сбои в работе систем, что позволяет системам общего управления мгновенно и самостоятельно принимать решения в сложных ситуациях или выдавать оператору уже подготовленную критически важную информацию для принятия решения. Глобальные статистические модели могут связывать между собой все энергетические подсистемы для организации оптимального движения в сторону выбранных критериев: минимизации потерь, минимума аварий, минимизации расхода топлива, надежного снабжения промышленности и ЖКХ.
Мы рассмотрели очень упрощенную модель подобной системы. Однако и в ней уже четко видны потенциальные угрозы. Неточность цифровых моделей может быть критична для целого ряда ответственных элементов системы (котлы, турбогенераторы, трансформаторы). Поэтому важна четкость построения первоначальной модели и последующего ее «дообучения» под реальные объекты. Ошибки в работе аналитической части системы могут привести к неверным выводам персонала. Для исключения этого важен подход, опирающийся на типичность поведения системы, и любое отклонение должно приводить к контролю ее работы со стороны экспертов и переводу ее работы в привычную для подобной ситуации зону с детальным последующим анализом. Ошибки в исходных данных, неумышленные и умышленные, могут привести к неверному выбору вектора управления и аварии. Здесь важен принцип типичности — резкие изменения возможны, но только при аварии (а ее должны идентифицировать специализированные системы) или иных резких изменениях режимов, что должно быть подтверждено различными иными подсистемами. Кроме того, данные, накопленные в системе (возможно, уже в виде готовых цифровых моделей), должны быть защищены от модификации, например, с помощью технологии блокчейн.
Реальные физические данные, накопленные в виде истории, дают максимально приближенную к действительности картину будущего развития ситуации.
И, конечно, требуется дальнейшее развитие предсказательной аналитики как одного из множества методов ИИ, предназначенных для решения указанных задач. Каждый из них имеет свои ограничения и проблемы и не позволяет в полной мере решить все указанные проблемы. Однако комбинация методов уже сегодня позволяет строить системы, приближающие нас к будущему энергетики.


Валерий Милых, руководитель группы IoT компании Softline
рейтинг: 
  • 0
Оставить комментарий
иконка
Посетители, находящиеся в группе Гости, не могут оставлять комментарии к данной публикации.
Свежий номер
  • Комментируют
  • Сегодня
  • Читаемое
Курс валют предоставлен сайтом old.kurs.com.ru