ОБЗОР ПРИМЕНЕНИЯ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В РАМКАХ ЗАДАЧИ ОЦЕНКИ БАЛАНСОВОЙ НАДЕЖНОСТИ ЭЭС
DOI:
https://doi.org/10.14529/power260201Ключевые слова:
балансовая надежность, искусственный интеллект, электроэнергетические системы, перспективное развитие, надежность, машинное обучение, искусственные нейронные сети, метаэвристические алгоритмы оптимизацииАннотация
Статья представляет собой обзор современных методов искусственного интеллекта (ИИ), применяемых для оценки балансовой надежности (БН) электроэнергетических систем (ЭЭС). Рассматриваются ключевые проблемы традиционных подходов, в числе которых метод статистического моделирования (МСМ). К ним относятся высокая вычислительная сложность и ограниченная точность при анализе стохастических процессов. Основное внимание уделено трем направлениям: машинному обучению (классификация состояний системы, ускорение расчетов), искусственным нейронным сетям (прогнозирование дефицитных режимов, замена оптимизационных алгоритмов) и метаэвристическим методам (поиск критических состояний, оптимизация структуры ЭЭС). Особое значение имеют технологии, позволяющие сократить время расчетов без потери точности, такие как гибридные модели, сочетающие искусственные нейронные сети (ИНС) с методами нечеткой логики, и алгоритмы на основе роевого интеллекта. Проведенный анализ показывает, что применение ИИ не только повышает эффективность оценки надежности, но и открывает новые возможности для адаптивного управления энергосистемами в условиях роста доли возобновляемых источников энергии. Результаты могут быть полезны для специалистов, занимающихся проектированием и эксплуатацией ЭЭС, а также для дальнейших исследований в области интеллектуальных методов анализа надежности.
Скачивания
Библиографические ссылки
Глоссарий СО ЕЭС [Электронный ресурс]. URL: https://www.so-ups.ru/functioning/glossary/ (дата обращения: 04.02.2025).
Обоскалов В.П. Надежность обеспечения баланса мощности электроэнергетических систем. Екатеринбург: ГОУ ВПО УГТУ-УПИ, 2002. 209 с.
Ковалев Г.Ф., Лебедева Л.М. Надежность систем электроэнергетики. Новосибирск: Наука, 2015. 224 с.
Applications of artificial intelligence in power system operation, control and planning: a review / U. Pan-dey, A. Pathat, A. Kumar et. al. // Clean Energy. 2023. Vol. 7, no. 6. P. 1199–1218. DOI: 10.1093/ce/zkad061 DOI: https://doi.org/10.1093/ce/zkad061
A Comprehensive Review on the Role of Artificial Intelligence in Power System Stability, Control, and Pro-tection: Insights and Future Directions / I. Alhamrouni, N.H.A. Kahar, M. Salem et.al. // Applied Sciences. 2024. Vol. 14, no. 14. P. 1–39. DOI: 10.3390/app14146214 DOI: https://doi.org/10.3390/app14146214
An Introduction to Machine Learning / S. Badillo, B. Banfai, F. Birzele et al. // Clin Pharma and Therapeu-tics. 2020. Vol. 107, no. 4. P. 871–885. DOI: 10.1002/cpt.1796 DOI: https://doi.org/10.1002/cpt.1796
Бояркин Д.А., Крупенёв Д.С., Якубовский Д.В. Использование методов машинного обучения для определения дефицитов мощности электроэнергетических систем // Информационные и математические технологии в науке и управлении. 2018. № 4 (12). С. 61–69. DOI: 10.25729/2413-0133-2018-4-06 DOI: https://doi.org/10.25729/2413-0133-2018-4-06
Бояркин Д.А. Использование многозадачной регрессии для анализа случайных состояний электроэнергетической системы при оценке надёжности методом Монте-Карло // Математика и математическое моделирование. 2021. № 2. С. 34–49. DOI: 10.24108/mathm.0221.0000251 DOI: https://doi.org/10.24108/mathm.0221.0000251
Krupenev D.S., Boyarkin D.A., Iakubovskiy D.V. Development of a methodology for assessing the ade-quacy of electric power systems // Global Energy Interconnection. 2022. Vol. 5, no. 5. P. 543–550. DOI: 10.1016/j.gloei.2022.10.008 DOI: https://doi.org/10.1016/j.gloei.2022.10.008
Urgun D., Singh C. A Hybrid Monte Carlo Simulation and Multi Label Classification Method for Compo-site System Reliability Evaluation // IEEE Trans. Power Syst. 2019. Vol. 34, no. 2. P. 908–917. DOI: 10.1109/TPWRS.2018.2878535 DOI: https://doi.org/10.1109/TPWRS.2018.2878535
Cervan D., Coronado A.M., Luyo J.E. Cluster-based stratified sampling for fast reliability evaluation of composite power systems based on sequential Monte Carlo simulation // International Journal of Electrical Power & Energy Systems. 2023. Vol. 147. P. 108813. DOI: 10.1016/j.ijepes.2022.108813 DOI: https://doi.org/10.1016/j.ijepes.2022.108813
European Resource Adequacy Assessment 2023 Edition. Annex 2: Methodology. [Электронный ресурс]. URL: https://www.entsoe.eu/outlooks/eraa/2023/report/ERAA_2023_Annex_2_Methodology.pdf (дата обращения: 19.02.2025).
Supervised learning-assisted modeling of flow-based domains in European resource adequacy assess-ments / Z.B. Bakhshideh, J.-F. Toubeau, K. Bruninx et al. // Applied Energy. 2022. Vol. 325. P. 119875. DOI: 10.1016/j.apenergy.2022.119875 DOI: https://doi.org/10.1016/j.apenergy.2022.119875
Composite Reliability Assessment Based on Monte Carlo Simulation and Artificial Neural Networks / A.M. Leite da Silva, L.C. de Resende, L.A. da Fonseca Monso, V. Miranda // IEEE Trans. Power Syst. 2007. Vol. 22, no. 3. P. 1202–1209. DOI: 10.1109/TPWRS.2007.901302 DOI: https://doi.org/10.1109/TPWRS.2007.901302
Urgun D., Singh C. Composite Power System Reliability Evaluation Using Importance Sampling and Convolutional Neural Networks // 2019 20th International Conference on Intelligent System Application to Power Systems (ISAP). New Delhi, India: IEEE, 2019. P. 1–6. DOI: 10.1109/ISAP48318.2019.9065985 DOI: https://doi.org/10.1109/ISAP48318.2019.9065985
Kamruzzaman Md., Bhusal N., Benidris M. A convolutional neural network-based approach to compo-site power system reliability evaluation // International Journal of Electrical Power & Energy Systems. 2022. Vol. 135. P. 107468. DOI: 10.1016/j.ijepes.2021.107468 DOI: https://doi.org/10.1016/j.ijepes.2021.107468
Amjady N. Generation Adequacy Assessment of Power Systems by Time Series and Fuzzy Neural Net-work // IEEE Trans. Power Syst. 2006. Vol. 21, no. 3. P. 1340–1349. DOI: 10.1109/TPWRS.2006.879250 DOI: https://doi.org/10.1109/TPWRS.2006.879250
Adequacy assessment of a wind-integrated system using neural network-based interval predictions of wind power generation and load / R. Ak, Y.-F. Li, V. Vitelli, E. Zio // International Journal of Electrical Power & Energy Systems. 2018. Vol. 95. P. 213–226. DOI: 10.1016/j.ijepes.2017.08.012 DOI: https://doi.org/10.1016/j.ijepes.2017.08.012
Masumi A., Korkali M. Adversarially Robust Power Grid Resource Adequacy Estimation with Deep Gen-erative Modeling // Electric Power Systems Research. 2025. Vol. 241. P. 111374. DOI: 10.1016/j.epsr.2024.111374 DOI: https://doi.org/10.1016/j.epsr.2024.111374
Yarramsetty C., Moger T., Jena D. Composite Power System Reliability Evaluation Using Artificial Neural Networks // 2023 International Conference on Electrical, Electronics, Communication and Computers (ELEXCOM). Roorkee, India: IEEE, 2023. P. 1–5. DOI: 10.1109/ELEXCOM58812.2023.10370159 DOI: https://doi.org/10.1109/ELEXCOM58812.2023.10370159
A Method for Power System Reliability Assessment Based on BP Neural Network / W. Liu, Y. Wang, C. Che, G. Zhang // 2023 International Conference on Power System Technology (PowerCon). Jinan, China: IEEE, 2023. P. 1–6. DOI: 10.1109/PowerCon58120.2023.10331302 DOI: https://doi.org/10.1109/PowerCon58120.2023.10331302
Pandit D., Nguyen N. A Deep Neural Network Architecture for Composite Reliability Assessment // 2023 IEEE Power & Energy Society General Meeting (PESGM). Orlando, FL, USA: IEEE, 2023. P. 1–5. DOI: 10.1109/PESGM52003.2023.10252304 DOI: https://doi.org/10.1109/PESGM52003.2023.10252304
Solheim Ø.R., Høverstad B.A., Korpås M. Using Graph Neural Networks in Reinforcement Learning With Application to Monte Carlo Simulations in Power System Reliability Analysis // IEEE Access. 2024. Vol. 12. P. 160175–160189. DOI: 10.1109/ACCESS.2024.3486354 DOI: https://doi.org/10.1109/ACCESS.2024.3486354
Wang L., Singh C. Population-Based Intelligent Search in Reliability Evaluation of Generation Systems with Wind Power Penetration // IEEE Trans. Power Syst. 2008. Vol. 23, no. 3. P. 1336–1345. DOI: 10.1109/TPWRS.2008.922642 DOI: https://doi.org/10.1109/TPWRS.2008.922642
Wang L., Singh C. Adequacy Assessment of Power-generating Systems Including Wind Power Integration Based on Ant Colony System Algorithm // 2007 IEEE Lausanne Power Tech. Lausanne, Switzerland: IEEE, 2007. P. 1629–1634. DOI: 10.1109/PCT.2007.4538559 DOI: https://doi.org/10.1109/PCT.2007.4538559
Bendiris M., Elsaiah S., Mitra J. Power system reliability evaluation using a state space classification technique and particle swarm optimisation search method // IET Generation, Transmission & Distribution. 2015. Vol. 9, no. 14. P. 1865–1873. DOI: 10.1049/iet-gtd.2015.0581 DOI: https://doi.org/10.1049/iet-gtd.2015.0581
Bakkiyaraj R.A., Kumarappan N. Particle Swarm Optimization Based Optimal Reliability Design of Composite Electric Power System Using Non-sequential Monte Carlo Sampling and Generalized Regression Neural Network // Swarm, Evolutionary, and Memetic Computing. SEMCCO 2013. Lecture Notes in Computer Science / B.K. Panigrahi et al. (eds.). 2013. Vol. 8297. P. 580–589. Springer, Cham. DOI: 10.1007/978-3-319-03753-0_52 DOI: https://doi.org/10.1007/978-3-319-03753-0_52
Якубовский Д.В. Модификация математических моделей и методов дифференциальной эволюции для решения задач минимизации дефицита мощности электроэнергетических систем: дис. … канд. техн. наук : 05.13.18. Иркутск: ИСЭМ СО РАН, 2022. 155 с.
Iakubovskii D.V., Krupenev D.S., Boyarkin D.A. Application the differential evolution for solving the problem of minimizing the power shortage of electric power systems // E3S Web of Conferences. 2019. Vol. 114. P. 1–7. DOI: 10.1051/e3sconf/201911403002 DOI: https://doi.org/10.1051/e3sconf/201911403002
Якубовский Д.В., Крупенёв Д.С., Бояркин Д.А. Коррекция элементов мутантных векторов метода дифференциальной эволюции при решении задачи минимизации дефицита мощности электроэнергетических систем // iPolytech Journal. 2024. Т. 28, № 1. С. 124–138. DOI: 10.21285/1814-3520-2024-1-124-138 DOI: https://doi.org/10.21285/1814-3520-2024-1-124-138
Kadhem A.A., Wahab N.I.A., Abdalla A. The Contribution of Wind Energy Capacity on Generation Sys-tems Adequacy Reliability using Differential Evolution Optimization Algorithm // Advances in Science Technolo-gy and Engineering Systems Journal. 2020. Vol. 5, no. 6. P. 331–340. DOI: 10.25046/aj050640 DOI: https://doi.org/10.25046/aj050640
Metaheuristic searching genetic algorithm based reliability assessment of hybrid power generation system / A.N. Abdalla, M.S. Nazir, M. Jiang et al. // Energy Exploration & Exploitation. 2021. Vol. 39, no. 1. P. 488–501. DOI: 10.1177/0144598720959749 DOI: https://doi.org/10.1177/0144598720959749
Samaan N., Singh C. Adequacy assessment of power system generation using a modified simple genetic algorithm // IEEE Trans. Power Syst. 2002. Vol. 17, no. 4. P. 974–981. DOI: 10.1109/TPWRS.2002.804994 DOI: https://doi.org/10.1109/TPWRS.2002.804994
Samaan N., Singh C. Assessment of the annual frequency and duration indices in composite system reli-ability using genetic algorithms // 2003 IEEE Power Engineering Society General Meeting (IEEE Cat. No.03CH37491). Toronto, ON, Canada, 2003. Vol. 2. P. 692–697. DOI: 10.1109/PES.2003.1270390 DOI: https://doi.org/10.1109/PES.2003.1270390
Zhao D., Singh C. Modified Genetic Algorithm in state space pruning for power system reliability evalua-tion and its parameter determination // North American Power Symposium 2010. Arlington, TX, USA, 2010. P. 1–6. DOI: 10.1109/NAPS.2010.5618945 DOI: https://doi.org/10.1109/NAPS.2010.5618945
Boyarkin D., Krupenev D., Iakubovskii D. Method for solving the problem of adequacy optimization of energy power systems based on simulated annealing // 2021 IEEE International Symposium on Systems Engineer-ing (ISSE). Vienna, Austria, 2021. P. 1–6. DOI: 10.1109/ISSE51541.2021.9582532 DOI: https://doi.org/10.1109/ISSE51541.2021.9582532
A fuzzy logic based approach for HL1 reliability evaluation / I. Helal, A.M. Sharaf, W.J. Smolinski et al. // Proceedings of Canadian Conference on Electrical and Computer Engineering. Vancouver, BC, Canada: IEEE, 1993. P. 1291–1294. DOI: 10.1109/CCECE.1993.332493 DOI: https://doi.org/10.1109/CCECE.1993.332493
Saraiva J.T., Miranda V., Pinto L.M.V.G. Generation/transmission power system reliability evaluation by Monte-Carlo simulation assuming a fuzzy load description // IEEE Trans. Power Syst. 1996. Vol. 11, no. 2. P. 690–695. DOI: https://doi.org/10.1109/59.496140
Verma K. A Fuzzy Logic Approach to Security-Based Bulk Power System Reliability Evaluation / A.K. Verma, H.M.R. Kumar, B.K. Keshavan // Electric Machines & Power Systems. 2000. Vol. 28, no. 1. P. 45–54. DOI: 10.1080/073135600268504 DOI: https://doi.org/10.1080/073135600268504
Fotuhi M., Ghafouri A. Uncertainty Consideration in Power System Reliability Indices Assessment Using Fuzzy Logic Method // 2007 Large Engineering Systems Conference on Power Engineering. Montreal, QC, Cana-da: IEEE, 2007. P. 305–309. DOI: 10.1109/LESCPE.2007.4437398 DOI: https://doi.org/10.1109/LESCPE.2007.4437398
Power System Risk Assessment Using a Hybrid Method of Fuzzy Set and Monte Carlo Simulation / W. Li, J. Zhou, K. Xie, X. Xiong // IEEE Trans. Power Syst. 2008. Vol. 23, no. 2. P. 336–343. DOI: 10.1109/TPWRS.2008.919201 DOI: https://doi.org/10.1109/TPWRS.2008.919201
Shalash N.A., Ahmad A.Z., Jaber A. Multi-Agent Approach to Reliability Assessment of Power System Generation Using Fuzzy Logic // International Journal of Simulation: Systems, Science & Technology. 2016. Vol. 17, no. 32. P. 1–9. DOI: 10.5013/IJSSST.a.17.32.18 DOI: https://doi.org/10.5013/IJSSST.a.17.32.18
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Bulletin of the South Ural State University series "Power Engineering"
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
