ВОЛНОВАЯ ИНТЕРПРЕТАЦИЯ И НЕЙРОСЕТЕВОЙ КОНТРОЛЬ ШУМА В СИГНАЛАХ НАПРЯЖЕНИЯ НА ЛИНИЯХ ЭЛЕКТРОПЕРЕДАЧ

DOI: 10.47026/1810-1909-2024-4-5-13

УДК 621.316.722.9

ББК 31.27-05

Д.Ю. АЛЮНОВ, М.В. НИКАНДРОВ, А.Л. СЛАВУТСКИЙ

Ключевые слова: линии электропередач, скорость распространения волны, случайное распределение, шум, нейросетевой контроль.

Шум в сигналах напряжения на линиях электропередач определяется множеством факторов. Поэтому при стандартной частоте дискретизации сигналов в измерительных органах его считают чаще всего гауссовым. При высокой частоте дискретизации шум модулирован, его распределение отличается от нормального. Анализ и контроль его структуры представляет интерес, например, для диагностики неисправностей, определения места повреждения.

Цель исследования – показать возможность нейросетевого контроля неоднородного шума в сигналах напряжения на линиях электропередач.

Материалы и методы. На основе волнового рассмотрения сигналов в линиях электропередач описана модель шума в сигналах напряжения промышленной частоты, позволяющая интерпретировать его модуляцию как результат случайных пространственных флуктуаций скорости волны. Контроль неоднородности шума по периоду гармонического сигнала осуществляется на основе рекуррентной искусственной нейросети в скользящем временном окне, длительность которого не превышает 2 мс.

Результаты. Предложена модель шума в сигналах напряжения на линиях электропередач, как результат отражения волны от пространственных неоднородностей скорости волны в линии. В приближении однократного рассеяния шум описывается простейшими аналитическими формулами со случайными параметрами. На модельных записях сигналов проведено тестирование нейросетевого алгоритма на основе LSTM-ячеек, который используется в скользящем временном окне и позволяет контролировать дисперсию шума в единицы процентов от амплитуды сигнала промышленной частоты. Приводятся оценки точности нейросетевого алгоритма.

Выводы. Сопоставление структуры шума, полученной с помощью предложенной модели, с экспериментальными записями сигналов подтверждает адекватность модели на качественном уровне. Предлагаемый нейросетевой алгоритм контроля обладает высокой точностью. Подход может использоваться для мониторинга состояния линий электропередач.

Литература

1. Алюнов Д.Ю. Рекуррентная нейронная сеть для контроля ширины спектра нестационарного случайного сигнала // Вестник Чувашского университета. 2023. № 2. С. 5–17. DOI: 10.47026/1810-1909-2023-2-5-17.
2. Андреев О.Н., Ксенофонтов С.И., Славутский А.Л. Моделирование и нейросетевая обработка сигналов при переходных процессах в электротехнических комплексах. Чебоксары: Чуваш. гос. пед. ун-т, 2023. 212 с.
3. Антонов В.И. Адаптивный структурный анализ электрических сигналов: теория и ее приложения в интеллектуальной электроэнергетике. Чебоксары: Изд-во Чуваш. ун-та, 2018. 334 с.
4. Дистанционные защиты на основе цифровых методов оценки расстояния до места повреждения / А.В. Булычев, М.А. Грибков, А.М. Дмитренко, Г.П. Охоткин // Электротехника. 2021. № 8. С. 25–30.
5. Лачугин В.Ф. Волновые методы определения места повреждения на воздушных линиях электропередачи // Релейная защита и автоматизация. 2023. № 1(50). С. 58–61.
6. Локализация момента начала переходного процесса нейросетевыми программно-аппаратными средствами / О.Н. Андреев, Л.А. Славутский, Г.М. Тутаев, Л.Н. Васильева // Электротехника. 2023. № 8. С. 20–24. DOI: 10.3103/s1068371223080023.
7. Моделирование волновых процессов на линиях электропередачи для повышения точности определения места повреждения / А.Л. Куликов, В.В. Ананьев, В.Ф. Лачугин и др. // Электрические станции. 2015. № 7. С. 45–53.
8. Повышение точности волновых методов ОМП высоковольтных ЛЭП / В.Н. Козлов, К.И. Ермаков, М.И. Кирюшин, А.В. Шашкий // Энергия единой сети. 2022. № 5-6(66-67). С. 26–35.
9. Подшивалин А.Н., Исмуков Г.Н. Оценка состояния линии электропередачи средствами активного волнового ОМП // Релейная защита и автоматизация. 2024. № 1(54). С. 54–58.
10. Подшивалин А.Н., Исмуков Г.Н. Статистический измерительный орган волновых устройств РЗА // Известия Академии электротехнических наук РФ. № 23. С. 16–27.
11. Сучков В.О., Ядарова О.Н., Славутский Л.А. Дистанционный ультразвуковой контроль воздушного потока на основе искусственной нейронной сети // Вестник Чувашского университета. 2015. № 1. С. 207–212.
12. Bhatnagar M., Yadav A., Swetapadma A. et al. LSTM-based low-impedance fault and high-impedance fault detection and classification. Electr Eng. DOI: 10.1007/s00202-024-02381-0.
13. Guo M.F., Yang N.C., Chen W.F. Deep-Learning-Based Fault Classification Using Hilbert–Huang Transform and Convolutional Neural Network in Power Distribution Systems. IEEE Sensors Journal, 2019, vol. 19, no. 16, pp. 6905–6913. DOI: 10.1109/JSEN.2019.2913006.
14. Ishimaru A. Wave Propagation and Scattering in Random Media. New-York, Academic Press, 1978, 272 p.
15. Leonowicz Z, Jasinski M. Machine Learning and Data Mining Applications in Power Systems. Energies, 2022, vol. 15, DOI: 10.3390/en15051676.
16. Minullin R.G., Akhmetova I.G., Kasimov V.A. et al. Location Monitoring with Determining the Location of Damage and the Current Performance of Overhead Power Lines. Power Technology and Engineering, 2023, vol. 57, no. 1, pp. 145–152. DOI: 10.1007/s10749-023-01635-4.
17. Slavutskii L.A., Lazareva N.M., Portnov M.S. et al. Neural net without “deep learning”: signal approximation by multilayer perceptron. In: 2^nd Conf. on Computer Applications for Management and Sustainable Development of Production and Industry (CMSD-II-2022), Dushanbe, Washington: SPIE-SOC PHOTO-OPTICAL INSTRUMENTATION ENGINEERS, 2023, 125640. DOI: 10.1117/12.2669233.
18. Slavutskii L.A., Ivanova N.N. Using the simplest neural network as a tool for fault location in power lines. In: AIP Conference Proceedings, Moscow, 2022, 030006. DOI: 10.1063/5.0074926.
19. Skrobek D., Krzywanski J., Sosnowski M. et al. Artificial Intelligence for Energy Processes and Systems: Applications and Perspectives. Energies 2023, vol. 16, 3441. DOI: 3390/en16083441.
20. Zhou H., Chen J., Ye M. et al. Transient Fault Signal Identification of AT Traction Network Based on Improved HHT and LSTM Neural Network Algorithm. Energies, 2023, vol. 16, 1163. DOI: 10.3390/en16031163.

 Сведения об авторах

Алюнов Дмитрий Юрьевич – аспирант кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (ALdmitry89@gmail.com; ORCID: https://orcid.org/0000-0001-8673-3683).

Никандров Максим Валерьевич – кандидат технических наук, директор, ООО «Интеллектуальные cети», Россия, Чебоксары (nixmak@mail.ru; ORCID: https://orcid.org/0000-0001-6846-3384).

Славутский Александр Леонидович – кандидат технических наук, заместитель начальника отдела разработки программных продуктов, ООО «НЭК ТЕХ», Россия, Чебоксары (slavutskii@gmail.com; ORCID: https://orcid.org/0000-0002-6315-2445).

Формат цитирования

Алюнов Д.Ю., Никандров М.В., Славутский А.Л. Волновая интерпретация и нейросетевой контроль шума в сигналах напряжения на линиях электропередач // Вестник Чувашского университета. 2024. № 4. С. 5–13. DOI: 10.47026/1810-1909-2024-4-5-13.

Загрузить полный текст статьи