Модель прогнозирования неисправностей, обученная на данных воздушных линий, может давать ошибочные результаты при применении в кабельной сети: причины повреждений и условия эксплуатации различаются. В УК «Энергоразвитие» объяснили, что необходимо проверить при переносе таких цифровых решений между энергосистемами и почему одной настройки алгоритма недостаточно.
Речь идёт о моделях машинного обучения, которые находят закономерности в накопленных данных и помогают прогнозировать возможные нарушения в работе оборудования. По словам заместителя генерального директора по инновационной деятельности УК «Энергоразвитие», кандидата технических наук Эльмира Хакимзянова, такая аналитика поддерживает переход к обслуживанию по фактическому техническому состоянию. Но для её применения важно понимать, на каких данных обучалась модель и насколько они соответствуют новой задаче.
Различия связаны с физическими причинами повреждений: в воздушных сетях существенную роль играют погодные воздействия, а в кабельных – нарушения при земляных и строительных работах. Этот пример показывает, почему состав оборудования и условия его эксплуатации важны для оценки применимости модели.
«Одинаковые показатели надёжности могут складываться по разным причинам. Алгоритм, выявивший закономерности возникновения аварий в одной энергосистеме, не обязательно сможет корректно интерпретировать данные другой. Поэтому при переносе модели важно учитывать, что именно стоит за статистикой отключений и в каких условиях работает оборудование», – отмечает Эльмир Хакимзянов.
Отличаться может и сама статистика. В разных странах по-разному классифицируют аварийные события, учитывают плановые перерывы электроснабжения и крупные чрезвычайные ситуации. Если эти особенности не учесть, в обучающие данные могут попасть записи, которые выглядят похожими, но описывают разные события.
Для адаптации моделей Эльмир Хакимзянов выделяет пять взаимосвязанных этапов. Первые два посвящены подготовке сопоставимых данных: специалисты согласуют определения и правила учёта отключений, затем приводят местные категории инцидентов к общей классификации. Это позволяет одинаково интерпретировать сведения из разных источников ещё до настройки алгоритма.
Следующие этапы соединяют работу с данными и инженерную экспертизу. Модель настраивают на истории целевой энергосистемы: для предварительно обученных нейросетей предлагается трансферное обучение, при котором ранее полученные знания адаптируются к новым условиям. Затем алгоритмы дополняют инженерными ограничениями – регламентами обслуживания и ремонта, требованиями к эксплуатации оборудования с учётом погодных условий.
Пятый этап – постоянная проверка качества прогнозов. Она включает тестирование на исторических данных и отслеживание изменений параметров энергосистемы. Если точность снижается, работу модели необходимо корректировать. Адаптация продолжается и после первоначальной настройки решения.
Для сетевой компании или промышленного предприятия практический вопрос заключается в том, соответствует ли выбранная модель условиям конкретного объекта и как будет проверяться её работа. По оценке эксперта, для развития таких решений необходимы совместная работа энергетиков, осуществляющих эксплуатационную деятельность, экспертов в сфере диагностики электрооборудования и специалистов по анализу данных с доступом к реальной эксплуатационной информации.
