Исследователи из Федерального научного агроинженерного центра ВИМ Российской академии сельскохозяйственных наук совместно с независимыми коллегами из США создали систему, которая с помощью методов машинного обучения позволяет предсказывать вероятность аварийных отключений на высоковольтных линиях электропередачи. Такой инструмент помогает энергетическим компаниям заранее выявлять уязвимые участки сети и эффективнее планировать ремонт и модернизацию.
Проблема внезапных отключений остается одним из ключевых вызовов в энергетике: по разным оценкам, до половины всех аварий в сетях приходятся именно на воздушные линии. Долгое время прогнозы строились на основе статистики прошлых лет, визуальных осмотров и анализа погодных факторов – гроз, ветра, обледенения проводов или падения деревьев. В новой работе ученые пошли другим путем: они использовали внутренние технические параметры самих линий, чтобы выявить закономерности, которые не видны при традиционном подходе.
Для этого они собрали данные о 395 линиях электропередачи 110 кВ в Орловской области и проанализировали девять параметров, включая длину линии, долю прохождения через лесные массивы и населенные пункты, тип опор, срок эксплуатации, индекс технического состояния и тип провода. Эти данные были обработаны с помощью методов разведочного анализа, чтобы выявить скрытые закономерности. Затем на подготовленных данных были обучены пять различных алгоритмов машинного обучения: метод опорных векторов, логистическая регрессия, случайный лес и два варианта градиентного бустинга – LightGBM и CatBoost. Чтобы повысить точность прогнозов, исследователи применили специальные методы, компенсирующие дисбаланс выборки, ведь случаев аварий было меньше, чем примеров нормальной работы.
Лучший результат показала логистическая регрессия. Эта модель достигла качества прогнозирования 0,78 на обучении и 0,84 на тесте по метрике ROC AUC, что говорит о ее способности уверенно различать линии с высоким и низким риском отключений. При этом она не только прогнозировала сбои, но и позволяла понять, какие именно параметры создают риск аварии.
Так, ключевым фактором риска стала вовсе не формальная оценка состояния линии и не ее возраст, а длина: чем протяженнее трасса, тем выше вероятность аварии. Интересно, что прохождение линии через населенные пункты, наоборот, снижает риск – вероятно, из-за более частого контроля и оперативного обслуживания. Кроме того, оказалось, что линии с большей долей железобетонных опор выходят из строя чаще, чем те, где применяются металлические. Транзитные линии также показали более высокую аварийность. А вот параметры вроде срока службы или индекса состояния, напротив, оказались малозначимыми – вероятно потому, что критически важные объекты регулярно обслуживаются независимо от возраста.
В целом результаты исследования вновь наглядно продемонстрировали, как машинное обучение помогает увидеть скрытые зависимости и по-новому взглянуть на задачи, которые десятилетиями решались традиционными методами. В дальнейшем исследователи планируют расширить базу данных за счет других регионов и временных периодов, чтобы создать более устойчивые модели и приблизиться к практическому внедрению таких прогнозов в энергетических компаниях.
