Можливості імплементації в релейному захисті алгоритму пошуку перед аварійних експлуатаційних умов шляхом використання нейронної мережі з підкріплюваним навчанням
DOI:
https://doi.org/10.15588/1607-6761-2025-3-6Ключові слова:
граничні та передаварійні режими, релейний захист, графові нейронні мережі, енергосистеми, електроенергетика, глибинне навчання з підкріпленнямАнотація
Мета роботи. Метою статті є розробка та апробація нового методу пошуку граничних та перед аварійних режимів в енергосистемах для задачі розрахунку уставок релейного захисту. Запропонований підхід базується на інтеграції графових нейронних мереж із глибинним навчанням з підкріпленням (ГНП) та спрямований на суттєве скорочення часу обчислень при збереженні високої точності та забезпеченні селективності захисту.
Методи дослідження. У роботі використано методологію марковських процесів прийняття рішень для формалізації задачі пошуку граничних та передаварійних режимів. Для вилучення структурної інформації з енергосистеми застосовано графові нейронні мережі, а оптимальні стратегії дій агента сформовано за допомогою глибинного навчання з підкріпленням. Додатково розроблено дворівневу навчальну схему GLFE (кероване навчання та вільне дослідження), яка забезпечує стабільну збіжність алгоритму та прискорює навчання. Експерименти проведено на тестовій системі IEEE 39-шин з використанням сценарного моделювання.
Отримані результати. Показано, що застосування графової нейронної мережі з ГНП дозволяє скоротити обчислювальні витрати у 10–1000 разів порівняно з традиційними методами перебору. Точність прогнозування досягає понад 90%, а e-точність перевищує 98%. Запропонований метод демонструє високу ефективність як у задачах визначення максимальних струмів короткого замикання для миттєвого струмового захисту, так і у масштабованих сценаріях на великих системах.
Наукова новизна. Уперше запропоновано інтеграцію графових нейронних мереж для вирішення задачі пошуку граничних та передаварійних режимів у релейному захисті. Розроблено унікальну дворівневу навчальну схему GLFE, яка поєднує елементи контрольованого та неконтрольованого навчання. Це дозволило досягти високої точності при значному зменшенні кількості навчальних прикладів.
Практична цінність. Результати дослідження можуть бути використані при розробці інтелектуальних систем релейного захисту та автоматизації електроенергетичних мереж. Запропонований метод здатний адаптуватися до умов швидкозмінних режимів роботи енергосистем із високою часткою відновлюваних джерел. Крім того, архітектура може бути легко адаптована для розв’язання інших задач оптимізації та управління у складних енергетичних середовищах.
Посилання
Mishra, A., & Shukla, S. (2025). A comprehensive review on deep learning techniques in power system protection: Trends, challenges, applications and fu-ture directions. Electric Power Systems Research, 229, 110163. https://doi.org/10.1016/j.epsr.2025.110163
Fang, J., & Zhang, X. (2019). Research on power sys-tem relay protection method based on machine learning algorithm. E3S Web of Conferences, 118, 01038. https://doi.org/10.1051/e3sconf/201911801038
López-Cardona, A., Bernardez, G., Barlet-Rose, P., & Cabellos-Aparicio, A. (2025). Proximal policy opti-mization with graph neural networks for optimal power flow. In Proceedings of the 14th International Conference on Data Science (DATA 2025) (pp. 45–56). https://doi.org/10.5220/0013462700003763
Kulikov, A., Kryukov, A., Malygin, I., Bystrov, D., & Shandarova, E. (2022). Relay protection and auto-mation algorithms of electrical networks based on simulation and machine learning methods. Energies, 15(18), 6525. https://doi.org/10.3390/en15186525
Zhou, L., Li, J., & Wang, S. (2025). Optimal power flow for high spatial and temporal resolution with GNN-DRL in systems with renewables. Energies, 18(7), 1809. https://doi.org/10.3390/en18071809
Murugesan, A., Rao, A., & Zhang, Y. (2025). Ma-chine learning-driven intelligent voltage control in RES-integrated systems. Electric Power Systems Re-search, 233, 110269. https://doi.org/10.1016/j.epsr.2025.110269
Shobole, A. A., Hassan, K., & Ahmed, R. (2024). Multi-agent system based adaptive numerical relay design. International Journal of Electrical Power & Energy Systems, 155, 109540. https://doi.org/10.1016/j.ijepes.2024.109540
Sarajcev, P., Dujic, D., & Baric, A. (2024). Machine learning classifier for supporting generator’s un-derimpedance (21G) and out-of-step (78) protection functions. Energies, 17(8), 1820. https://doi.org/10.3390/en17081820
Porawagamage, G., Dharmapala, K., Chaves, J. S., Villegas, D., & Rajapakse, A. (2024). A review of machine learning applications in power system pro-tection and emergency control: Opportunities, chal-lenges, and future directions. Frontiers in Smart Grids, 1, 1371153. https://doi.org/10.3389/frsgr.2024.1371153
Chen, Y., Zhang, L., & Li, M. (2024). Artificial Intelli-gence/Machine Learning Technology in Power Sys-tem Applications (PNNL Technical Report PNNL-35735). https://doi.org/10.2172/2334567
Ghamizi, S., Bojchevski, A., Ma, A., & Cao, J. (2024). SafePowerGraph: Safety-aware evaluation of graph neural networks for transmission power grids. arXiv preprint, arXiv:2407.12421.
Hansen, J. B., Anfinsen, S. N., & Bianchi, F. M. (2021). Power flow balancing with decentralized graph neural networks. arXiv preprint, arXiv:2111.02169.
Maiti, S., & Dey, S. (2024). Smart grid security: A verified deep reinforcement learning framework to counter cyber-physical attacks. arXiv preprint, arXiv:2409.15757.
Pei, Y., Wang, Q., & Liu, H. (2023). An emergency control strategy for undervoltage load shedding based on a graph deep reinforcement learning meth-od named GraphSAGE-D3QN. IET Generation, Transmission & Distribution, 17(5), 789–799. https://doi.org/10.1049/gtd2.12795
Yuan, Y., Li, T., & Wang, Y. (2020). Deep reinforce-ment learning for power system transient stability control. IEEE Transactions on Power Systems, 35(4), 3130–3140. https://doi.org/10.1109/TPWRS.2019.2963725
Liu, Z., Zhao, J., & Zhang, Y. (2022). Graph convolu-tional networks for fault location in power distribu-tion systems. IEEE Transactions on Smart Grid, 13(1), 789–799. https://doi.org/10.1109/TSG.2021.3098361
Karimi, H., Li, Z., & Hong, S. H. (2021). A hybrid machine learning and optimization approach for adaptive protection in microgrids. International Journal of Electrical Power & Energy Systems, 125, 106458. https://doi.org/10.1016/j.ijepes.2020.106458
Wang, J., Sun, Y., & Chen, C. (2021). Reinforcement learning-based optimal control for power system fre-quency regulation. IEEE Access, 9, 14567–14577. https://doi.org/10.1109/ACCESS.2021.3053456
Zhang, X., Zhou, M., & Li, H. (2023). Fault diagnosis in smart grids using graph neural networks. Applied Energy, 341, 121037. https://doi.org/10.1016/j.apenergy.2023.121037
Xu, K., He, Y., & Tang, F. (2022). Deep Q-learning for adaptive overcurrent relay coordination in distribu-tion systems. Electric Power Components and Sys-tems, 50(15), 1689–1701. https://doi.org/10.1080/15325008.2022.2106765
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 V.M. Tsiupa, D.O. Danylchenko
Ця робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.
Положення про авторські права Creative Commons
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
