Группа исследователей из Нигерии и Южной Африки предложила использовать технологии искусственного интеллекта для определения точных причин потерь электроэнергии при ее передаче. В стандартной практике потери в энергосистеме учитываются суммарно, и борьба с ними сводится к универсальным техническим мерам, например, установке компенсирующих устройств. Но ученые решили подойти к вопросу глубже и выяснить, что именно вызывает потери на конкретных участках сети: технические неисправности, ошибки в измерениях, хищения или другие факторы.
Для этого они проанализировали данные с высоковольтной линии 132 кВ в Нигерии, проходящей через промышленный район с большим количеством крупных потребителей. Эта линия играет главную роль в энергоснабжении местных предприятий, включая металлургические и перерабатывающие заводы. Для анализа было выбрано 12 участков сети с наибольшей нагрузкой и выраженными потерями. Источником данных стали умные счетчики Schneider PM5100, установленные на различных отводах от линии. Они фиксировали объемы поданной и потребленной электроэнергии.
На первом этапе исследователи детально обработали собранные данные: устранили пропуски, нормализовали значения, закодировали категории и сформировали временные последовательности для обучения нейросетевых моделей. Далее они определили энергетическую разницу между поданными в сеть и фактически зарегистрированными у потребителей объемами. В зависимости от ее значения классифицировался тип потерь: при превышении 40% это считалось хищением энергии, при 30–40% — активными (омическими) потерями, при 20–30% — потерями от коронного разряда, при 10–20% — реактивными потерями, при 5–10% — нормальными техническими, а значения ниже 5% относились к погрешностям учета.
На основе этих данных были обучены шесть моделей ИИ: классические LSTM и GRU, их гибриды, двунаправленная BiLSTM, а также модель LSTM с механизмом внимания (Attention Mechanism), который позволяет системе акцентировать внимание на наиболее значимых участках временного ряда. Все модели создавались и тестировались в среде Python с использованием библиотек TensorFlow и Keras.
Лучший результат продемонстрировала модель LSTM с Attention, достигнув точности 83,84%. Немногим менее точными оказались обычные LSTM и GRU модели — около 83%. Результат BiLSTM — 82,07%. Анализ распределения классов потерь показал, что подавляющее большинство случаев связано с хищением электроэнергии — 1440 из 1980 наблюдений. Остальные типы потерь, включая реактивные, коронные и ошибки учета, встречались гораздо реже.
Дополнительно был проведен статистический анализ. Некоторые участки сети продемонстрировали высокую нестабильность: значительные отклонения, отрицательные значения, резкие скачки. Все это указывает на возможные технические неполадки или организационные сбои.
Широкое внедрение предложенного учеными подхода может дать энергетикам полезный инструмент, позволяющий не только фиксировать факты потерь, но и оперативно определять их природу. Это значительно повышает управляемость системой: дает возможность точечно выявлять проблемные участки, принимать обоснованные решения, снижать издержки. В условиях развивающихся стран, где уровень потерь в сетях может превышать 30%, такой подход особенно актуален.
