Диагностировать аварии в электросетях теперь можно за доли секунды, не выезжая на подстанцию и не копируя данные на флешку. Студенты и сотрудники НИЯУ МИФИ вместе с коллегами из Института искусственного интеллекта AIRI и Ивановского государственного энергетического университета создали каскадную архитектуру нейросетей, которая анализирует высокочастотные сигналы прямо на месте события. Лёгкие модели мгновенно детектируют сбой, а тяжёлые — уточняют временные метки. Поверх всего этого работают языковые модели, автоматически формирующие понятные человеку отчёты с указанием участка, типа неисправности и рекомендаций. Вся цепочка укладывается в доли секунды, что переводит энергетику из режима реагирования в режим онлайн-мониторинга. И что любопытно: этот прорыв начался с учебной задачи — студенты МИФИ пробовали машинное обучение на реальных данных и в итоге вышли на готовый прототип, который уже заинтересовал профильные энергокомпании.
Как это работает сегодня. При коротком замыкании или другом сбое стандартная защитная автоматика фиксирует осциллограмму — некий «слепок» поведения сети в момент аварии. Однако инженерам до сих пор приходилось вручную копировать этот массив данных на внешний носитель, везти в офис или отправлять производителю оборудования. Процесс растягивался на часы и дни. Российские исследователи предложили кардинально иной подход: обрабатывать сигналы с высокой частотой дискретизации прямо на периферийных устройствах, прямо на подстанции. Для этого они спроектировали каскад из нескольких нейросетевых моделей. Младший научный сотрудник Института интеллектуальных кибернетических систем НИЯУ МИФИ Александр Коваленко поясняет: «Мы разработали концепцию, состоящую из нескольких моделей. Лёгковесные модели работают очень быстро, позволяя детектировать высокочастотные сигналы. Есть второй этап — более тяжеловесные модели, которые уже не спеша размечают временные метки на осциллограмме». Затем в дело вступают языковые модели ИИ, которые автоматически составляют человекочитаемые отчёты и отправляют их на центральный пульт управления. По словам Коваленко, в этих отчётах будет содержаться информация об участке аварии, типе неисправности и предполагаемых действиях. Вся диагностика занимает доли секунды.
Примечательно, что к столь серьёзному результату привели, по сути, учебные задачи. Партнёры из Ивановского энергетического университета первоначально хотели просто выяснить, способен ли искусственный интеллект различать события на осциллограммах. К решению подключили студентов МИФИ. «Многие студенты прошли в рамках своих дипломных работ через наш проект. Начинали мы просто с того, чтобы попробовать машинное обучение, а пришли к целой концепции, которая потенциально может выглядеть как прототип решения для реальной практики», — рассказывает Александр Коваленко. Он также подчёркивает главную ценность такого партнёрства: работа с реальными, «живыми» данными, а не с синтетическими датасетами из интернета. На данный момент разработка существует в виде прототипа, но уже вызвала интерес у энергетических компаний, которые стремятся повысить надёжность и автоматизировать управление своими сетями.
