Централизованная автоматика восстановления нормального режима энергорайона с распределенными энергетическими ресурсами
DOI:
https://doi.org/10.24160/0013-5380-2026-9-4-16Ключевые слова:
энергорайон, распределенные энергетические ресурсы, восстановление нормального режима, система централизованной автоматики, графовые нейронные сети, обучение с подкреплениемАннотация
Статья посвящена разработке принципов организации централизованной автоматики восстановления и оптимизации нормального режима энергорайонов с распределенными энергетическими ресурсами. Цель исследования – повышение надежности функционирования распределительных электрических сетей за счет перехода к интеллектуальному управлению без вмешательства человека. Методы исследования базируются на технологиях искусственного интеллекта, объединяющих математический аппарат графовых нейронных сетей и алгоритмы глубокого обучения с подкреплением. Предложен метод послеаварийного восстановления нормального режима энергорайона с распределенными энергетическими ресурсами, позволяющий преодолеть вычислительные ограничения традиционных комбинаторных подходов. Проведено тестирование предложенной автоматики на примере распределительной сети среднего напряжения энергорайона с использованием программной среды pandapower. Показано, что совместное применение графовых нейронных сетей и обучения с подкреплением обеспечивает высокую скорость и эффективность синтеза управляющих воздействий. Обоснованы преимущества и потенциал внедрения предлагаемой интеллектуальной автоматики для обеспечения отказоустойчивости энергорайонов с распределенными энергетическими ресурсами.
Библиографические ссылки
1. Воропай Н.И. Направления и проблемы трансформации электроэнергетических cистем. – Электричество, 2020, № 7, с. 12–21.
2. Илюшин П.В. Системный подход к развитию и внедрению распределенной энергетики и возобновляемых источников энергии в России. – Энергетик, 2022, № 4, с. 20–27.
3. Kulikov A.L. et al. Control of Electric Power Quality Indicators in Distribution Networks Comprising a High Share of Solar Photovoltaic and Wind Power Stations. – Energy Reports, 2022, vol. 8, No. S9, pp. 1501–1514, DOI: 10.1016/j.egyr.2022.08.217.
4. Илюшин П.В. О влиянии распределенной генерации на работу устройств автоматического включения резервного питания. – Релейная защита и автоматизация, 2017, № 4 (29), с. 28–36.
5. Пат. RU № 2728523 C1. Способ восстановления сети электроснабжения / Й. Бромбах, И. Маккензен, К. Бускер, 2020.
6. Марченко А.И., Фишов А.Г., Мурашкина И.С. Противоаварийная автоматика для создания и управления режимами локальных интеллектуальных энергосистем на базе малой генерации. – Альтернативная энергетика и экология, 2024, № 1 (418), с. 225–234.
7. Фишов А.Г. и др. Активные распределительные электрические сети с децентрализованным мультиагентным управлением режимом. Ч. 2. – Электричество, 2022, № 11, с. 29–45.
8. Пат. RU № 2784610 C1. Способ децентрализованной синхронизации и восстановления нормального режима аварийно разделенной электрической сети с генераторами / А.Г. Фишов, А.А. Осинцев, 2022.
9. Армеев Д.В., Фишов А.Г. Мультиагентное децентрализованное регулирование частоты и управление балансом активной мощности в электрических сетях с распределенной генерацией. – Релейная защита и автоматизация, 2024, № 4 (57), с. 24–33.
10. Tomin N. et al. Management of Voltage Flexibility from Inverter-Based Distributed Generation Using Multi-Agent Reinforcement Learning. – Energies, 2021, vol. 14, DOI: 10.3390/en14248270.
11. Пат. RU № 160078 U1. Устройство автоматического восстановления нормального режима системы электроснабжения / Е.А. Третьяков, 2016.
12. Glavic M. (Deep) Reinforcement Learning for Electric Power System Control and Related Problems: A Short Review and Perspectives. – Annual Reviews in Control, 2019, vol. 48, pp. 22–35. DOI: 10.1016/j.arcontrol.2019.09.008.
13. Jacob R.A. et al. Real-Time Outage Management in Active Distribution Networks Using Reinforcement Learning Over Graphs. – Nature Communications, 2024, vol. 15, DOI: 10.1038/s41467-024-49207-y.
14. Zhong J. et al. Service Restoration for Distribution System via Monte-Carlo Tree Search and Learned Model. – 17th Int. Conf. on Probabilistic Methods Applied to Power Systems, 2022, DOI: 10.1109/PMAPS53380.2022.9810609.
15. Майоров А. Развитие системы оперативно-технологического управления электросетевым комплексом в рамках концепции цифровой трансформации 2030. – Электроэнергия. Передача и распределение, 2019, № S2 (13), с. 2–7.
16. Marot A. et al. Learning to Run a Power Network with Trust. – Electric Power Systems Research, 2022, vol. 212, DOI: 10.1016/j.epsr.2022.108487.
17. Макаров А.Ю. Цифровизация электрических сетей. Практический опыт. М.: Экономика, 2019, 128 с.
18. Куликов А.Л., Гурина Л.А., Томин Н.В. Метод восстановления режимов энергорайонов с распределенными энергетическими ресурсами на основе графовых нейронных сетей. – Известия РАН. Энергетика, 2026, № 1, с. 44–68.
19. Scarselli F. et al. The Graph Neural Network Model. – IEEE Transactions on Neural Networks, 2009, vol. 20, No. 1, pp. 61–80, DOI: 10.1109/TNN.2008.2005605.
20. 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, pp. 160175–160189, DOI: 10.1109/ACCESS.2024.3486354.
21. Van Nooten C.C. et al. Graph Neural Networks for Assessing the Reliability of the Medium-Voltage Grid. – Applied Energy, 2025, vol. 384, DOI: 10.1016/j.apenergy.2025.125401.
22. Zhang Y., Karve P.M., Mahadevan S. Graph Neural Networks for Power Grid Operational Risk Assessment Under Evolving Grid Topology. – Applied Energy, 2025, vol. 380, DOI: 10.1016/j.apenergy.2024.124793.
23. Mnih V. et al. Human-Level Control Through Deep Reinforcement Learning. – Nature, 2015, vol. 518, pp. 529–533, DOI: 10.1038/nature14236.
24. Sidorov D. et al. A Dynamic Analysis of Energy Storage with Renewable and Diesel Generation Using Volterra Equations. – IEEE Transactions on Industrial Informatics, 2020, vol. 16, No. 5, pp. 3451–3459, DOI: 10.1109/TII.2019.2932453.
25. Thurner L. et al. Pandapower – An Open-Source Python Tool for Convenient Modeling, Analysis, and Optimization of Electric Power Systems. – IEEE Transactions on Power Systems, Nov. 2018, vol. 33, No. 6, pp. 6510–6521, DOI: 10.1109/TPWRS.2018.2829021.
26. Simon D. Evolutionary Optimization Algorithms: Biologically-Inspired and Population-Based Approaches to Computer Intelligence. Hoboken, New Jersey: John Wiley & Sons Inc., 2013, 742 p.
27. Press W.H. et al. Numerical Recipes: The Art of Scientific Computing. New York: Cambridge University Press, 2007, 1262 p.
28. IEEE Std. 1547-2018. Standard for Interconnection and Interoperability of Distributed Energy Resources with Associated Electric Power Systems Interfaces. 2018, 138 p.
---
Работа выполнена в рамках проекта государственного задания (№ FWEU-2026-0012) программы фундаментальных исследований РФ на 2026–2030 гг.
#
1. Voropay N.I. Elektrichestvo – in Russ. (Electricity), 2020, No. 7, pp. 12–21.
2. Ilyushin P.V. Energetik – in Russ. (Power Engineer), 2022, No. 4, pp. 20–27.
3. Kulikov A.L. et al. Control of Electric Power Quality Indicators in Distribution Networks Comprising a High Share of Solar Photovoltaic and Wind Power Stations. – Energy Reports, 2022, vol. 8, No. S9, pp. 1501–1514, DOI: 10.1016/j.egyr.2022.08.217.
4. Ilyushin P.V. Releynaya zashchita i avtomatizatsiya – in Russ. (Relay Protection and Automation), 2017, No. 4 (29), pp. 28–36.
5. Pat. RU No. 2728523 C1. Sposob vosstanovleniya seti elektro-snabzheniya (A Way to Restore the Power Supply Network) / Y. Brombah, I. Makkenzen, K. Busker, 2020.
6. Marchenko A.I., Fishov A.G., Murashkina I.S. Al’ternativ-naya energetika i ekologiya – in Russ. (Alternative Energy and Ecology), 2024, No. 1 (418), pp. 225–234.
7. Fishov A.G. et al. Elektrichestvo – in Russ. (Electricity), 2022, No. 11, pp. 29–45.
8. Pat. RU No. 2784610 C1. Sposob detsentralizovannoy sinhronizatsii i vosstanovleniya normal’nogo rezhima avariyno razdelennoy elektricheskoy seti s generatorami (A Method of Decentralized Synchronization and Restoration of the Normal Operation of an Emergency Divided Electrical Network with Generators) / A.G. Fishov, A.A. Osintsev, 2022.
9. Armeev D.V., Fishov A.G. Releynaya zashchita i avtomatiza-tsiya – in Russ. (Relay Protection and Automation), 2024, No. 4 (57), pp. 24–33.
10. Tomin N. et al. Management of Voltage Flexibility from Inverter-Based Distributed Generation Using Multi-Agent Reinforcement Learning. – Energies, 2021, vol. 14, DOI: 10.3390/en14248270.
11. Pat. RU No. 160078 U1. Ustroystvo avtomaticheskogo vosstanovleniya normal’nogo rezhima sistemy elektrosnabzheniya (Device for Automatic Restoration of the Normal Mode of the Power Supply System) / E.A. Tret’yakov, 2016.
12. Glavic M. (Deep) Reinforcement Learning for Electric Power System Control and Related Problems: A Short Review and Perspectives. – Annual Reviews in Control, 2019, vol. 48, pp. 22–35. DOI: 10.1016/j.arcontrol.2019.09.008.
13. Jacob R.A. et al. Real-Time Outage Management in Active Distribution Networks Using Reinforcement Learning Over Graphs. – Nature Communications, 2024, vol. 15, DOI: 10.1038/s41467-024-49207-y.
14. Zhong J. et al. Service Restoration for Distribution System via Monte-Carlo Tree Search and Learned Model. – 17th Int. Conf. on Probabilistic Methods Applied to Power Systems, 2022, DOI: 10.1109/PMAPS53380.2022.9810609.
15. Mayorov A. Elektroenergiya. Peredacha i raspredelenie – in Russ. (Electricity. Transmission and Distribution), 2019, No. S2 (13), pp. 2–7.
16. Marot A. et al. Learning to Run a Power Network with Trust. – Electric Power Systems Research, 2022, vol. 212, DOI: 10.1016/j.epsr.2022.108487.
17. Makarov A.Yu. Tsifrovizatsiya elektricheskih setey. Prakticheskiy opyt (Digitalization of Electrical Networks. Practical Experience). M.: Ekonomika, 2019, 128 p.
18. Kulikov A.L., Gurina L.A., Tomin N.V. Izvestiya RAN. Energetika – in Russ. (News of the Russian Academy of Sciences. Energy Industry), 2026, No. 1, pp. 44–68.
19. Scarselli F. et al. The Graph Neural Network Model. – IEEE Transactions on Neural Networks, 2009, vol. 20, No. 1, pp. 61–80, DOI: 10.1109/TNN.2008.2005605.
20. 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, pp. 160175–160189, DOI: 10.1109/ACCESS.2024.3486354.
21. Van Nooten C.C. et al. Graph Neural Networks for Assessing the Reliability of the Medium-Voltage Grid. – Applied Energy, 2025, vol. 384, DOI: 10.1016/j.apenergy.2025.125401.
22. Zhang Y., Karve P.M., Mahadevan S. Graph Neural Networks for Power Grid Operational Risk Assessment Under Evolving Grid Topology. – Applied Energy, 2025, vol. 380, DOI: 10.1016/j.apenergy.2024.124793.
23. Mnih V. et al. Human-Level Control Through Deep Reinforcement Learning. – Nature, 2015, vol. 518, pp. 529–533, DOI: 10.1038/nature14236.
24. Sidorov D. et al. A Dynamic Analysis of Energy Storage with Renewable and Diesel Generation Using Volterra Equations. – IEEE Transactions on Industrial Informatics, 2020, vol. 16, No. 5, pp. 3451–3459, DOI: 10.1109/TII.2019.2932453.
25. Thurner L. et al. Pandapower – An Open-Source Python Tool for Convenient Modeling, Analysis, and Optimization of Electric Power Systems. – IEEE Transactions on Power Systems, Nov. 2018, vol. 33, No. 6, pp. 6510–6521, DOI: 10.1109/TPWRS.2018.2829021.
26. Simon D. Evolutionary Optimization Algorithms: Biologically-Inspired and Population-Based Approaches to Computer Intelligence. Hoboken, New Jersey: John Wiley & Sons Inc., 2013, 742 p.
27. Press W.H. et al. Numerical Recipes: The Art of Scientific Computing. New York: Cambridge University Press, 2007, 1262 p.
28. IEEE Std. 1547-2018. Standard for Interconnection and Interoperability of Distributed Energy Resources with Associated Electric Power Systems Interfaces. 2018, 138 p
---
The work was carried out within the framework of the state assignment project (no. FWEU-2026-0012) of the fundamental research program of the Russian Federation for 2026–2030.
