Аварийность воздушных линий в основных сетях энергосистем:прогноз и факт
DOI:
https://doi.org/10.24160/0013-5380-2026-7-25-31Ключевые слова:
воздушные линии, параметр потока отказов, хаотичность, старший показатель Ляпунова, вейвлет-спектр, нейронные сети, прогнозированиеАннотация
В статье сравниваются прогнозные оценки аварийности воздушных линий (ВЛ) 500 кВ в обширном регионе, полученные в 2018 г. методами спектрального сингулярного анализа и нейронных сетей на перспективу 2019–2023 г., с фактическими отчетными данными. Подтвержден примерно двукратный предсказываемый рост аварийности линий в указанном временном промежутке. Показано, что нечеткая нейронная сеть наиболее точно предсказала рост аварийности. Подвергнута анализу организационная структура отказов ВЛ 500 кВ в разных временных промежутках. Выявлено, что если ранее социальные и природные воздействия примерно в равной мере оказывали влияние на аварийность ВЛ, то в настоящее время уклон явно сместился в социальную область. Обнаружено возрастание хаотичности временного ряда параметра потока отказов рассматриваемых линий: рост положительного значения старшего показателя Ляпунова с 0,2 до 0,285. Последнее объективно сокращает приемлемые горизонты планирования с пяти до четырех лет, поскольку они, как известно из теории детерминированного (динамического) хаоса, обратно пропорциональны значению данного показателя. Обоснованы модифицированные подходы при использовании нейронных сетей и на их базе дается прогноз аварийности ВЛ 500 кВ на последующую заданную перспективу.
Библиографические ссылки
1. Скопинцев В.А. Качество электроэнергетических систем: надёжность, безопасность, экономичность, живучесть. М.: Машиностроение, 2015, 352 с.
2. Галиаскаров И.М. и др. Еще раз о цикличности аварий в основных сетях энергосистем. – Электричество, 2019, № 11, с. 4–11.
3. Галиаскаров И.М. и др. Прогнозирование хаотической динамики параметра потока отказов воздушных линий. – Электричество, 2020, № 9, с. 4–10.
4. Галиаскаров И.М. и др. О прогнозировании аварийности воздушных линий основной сети энергосистем. – Электричество, 2020, № 6, с. 6–12.
5. Wolf A. et al. Determining Lyapunov Exponent Form a Time Series – Physica D: Nonlinear Phenomena, 1986, vol. 16, No. 3, pp. 285–317, DOI: 10.1016/0167-2789(85)90011-9.
6. Higuchi T. Approach to an Irregular Time Series on the Basis of Fractal Theory – Physica D: Nonlinear Phenomena, 1988, vol. 31, No. 2, pp. 277–283, DOI: 10.1016/0167-2789(88)90081-4.
7. Benettin G. et al. Lyapunov Characteristic Exponents for Smooth Dynamical Systems and for Hamiltonian Systems. A Method for Computing All of Them. Part II: Numerical Application – Meccanica, 1980, vol. 15, pp. 21–30, DOI: 10.1007/BF02128236.
8. Danca M.-F., Kuznetsov N. MATLAB code Lyapunov exponents of fractional order system. – arXiv, 2018, DOI: 10.48550/arXiv. 1804.01143.
9. MATLAB & Simulink Radar Toolbox User Guide (R2021a). MathWorks Inc., 2021, 696 p.
10. Демидович Б.П., Марон И.А., Шувалова Э.З. Численные методы анализа. Приближение функций, дифференциальные и интегральные уравнения. СПб.: Лань, 2022, 400 с.
11. Малла С. Вейвлеты в обработке сигналов. М.: Мир, 2005, 671 с.
12. Хайкин С. Нейронные сети. Полный курс. М.: Диалектика-Вильямс, 2020, 1101 с.
13. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2017, 652 p.
14. Aggarwal C. Neural Networks and Deep Learning: A Textbook. Cham, Switzerland: Springer International Publishing AG, 2018, 497 p.
15. Beale M.H., Hagan M.T., Demuth H.B. MATLAB. Deep Learning Toolbox User's Guide (R2021a). MathWorks Inc., 2021, 3012 p.
#
1. Skopintsev V.A. Kachestvo elektroenergeticheskih sistem: na-dyozhnost’, bezopasnost’, ekonomichnost’, zhivuchest’ (Quality of Elec-tric Power Systems: Reliability, Safety, Efficiency, Survivability). M.: Mashinostroenie, 2015, 352 p.
2. Galiaskarov I.M. et al. Elektrichestvo – in Russ. (Electricity), 2019, No. 11, pp. 4–11.
3. Galiaskarov I.M. et al. Elektrichestvo – in Russ. (Electricity), 2020, No. 9, pp. 4–10.
4. Galiaskarov I.M. et al. Elektrichestvo – in Russ. (Electricity), 2020, No. 6, pp. 6–12.
5. Wolf A. et al. Determining Lyapunov Exponent Form a Time Series – Physica D: Nonlinear Phenomena, 1986, vol. 16, No. 3, pp. 285–317, DOI: 10.1016/0167-2789(85)90011-9.
6. Higuchi T. Approach to an Irregular Time Series on the Basis of Fractal Theory – Physica D: Nonlinear Phenomena, 1988, vol. 31, No. 2, pp. 277–283, DOI: 10.1016/0167-2789(88)90081-4.
7. Benettin G. et al. Lyapunov Characteristic Exponents for Smooth Dynamical Systems and for Hamiltonian Systems. A Method for Computing All of Them. Part II: Numerical Application – Meccanica, 1980, vol. 15, pp. 21–30, DOI: 10.1007/BF02128236.
8. Danca M.-F., Kuznetsov N. MATLAB code Lyapunov exponents of fractional order system. – arXiv, 2018, DOI: 10.48550/arXiv.1804.01143.
9. MATLAB & Simulink Radar Toolbox User Guide (R2021a). MathWorks Inc., 2021, 696 p.
10. Demidovich B.P., Maron I.A., Shuvalova E.Z. Chislennye metody analiza. Priblizhenie funktsiy, differentsial’nye i integral’nye uravneniya (Numerical Methods of Analysis. Approximation of Functions, Differential and Integral Equations). SPb.: Lan’, 2022, 400 p.
11. Malla S. Veyvlety v obrabotke signalov (Wavelets in Signal Processing). M.: Mir, 2005, 671 p.
12. Haykin S. Neyronnye seti. Polnyy kurs (Neural Networks. A Comprehensive Foundation). M.: Dialektika-Vil’yams, 2020, 1101 p.
13. Goodfellow I., Bengio Y., Courville A. Deep Learning. MIT Press, 2017, 652 p.
14. Aggarwal C. Neural Networks and Deep Learning: A Textbook. Cham, Switzerland: Springer International Publishing AG, 2018, 497 p.
15. Beale M.H., Hagan M.T., Demuth H.B. MATLAB. Deep Learning Toolbox User's Guide (R2021a). MathWorks Inc., 2021, 3012 p
