Объём доли возобновляемых источников энергии (ВИЭ) в энергобалансе энергосистем стран растёт. Согласно прогнозам BloombergNEF [1], доля ВИЭ в генерации электроэнергии составит от 70 до 81% (рис. 1), в зависимости от сценария.


Рис. 1. Производство электроэнергии по различным сценариям

Помимо роста доли ВИЭ в энергобалансе, трансформация энергетической отрасли заключается в изменении структуры энергосистемы: на смену традиционным большим электростанциям приходят объекты малой генерации, «умные» сети (smart grid), сети, работающие на основе современных информационных и коммуникационных технологий. Эти технологии постепенно заменяют традиционные электросети. При этом сама трансформация энергетической отрасли совпала с экспоненциальным ростом применения искусственного интеллекта (ИИ) в мире[2]. Увеличение данного рынка прогнозируется с текущих $182 млрд до $826 млрд к 2030 году (рис. 2).


Рис. 2. Объём мирового рынка искусственного интеллекта с прогнозом до 2030 года

Искусственный интеллект в энергоотрасли

Искусственный интеллект в энергетической отрасли применяется для торговли на рынках электроэнергии, прогнозирования цен на электроэнергию, объёмов её потребления и выработки с помощью технологий, задействующих возобновляемые источники энергии, для работы «умных» сетей, диагностики дефектов энергетического оборудования и др.


Рис. 3. Примерная схема «умной сети» (smart grid)

Искусственный интеллект в «умных» сетях

«Умная» сеть (smart grid) — это модернизированная сеть приёма, передачи и распределения электрической энергии, характеризующаяся двунаправленным потоком мощности, наличием связей между устройствами, оснащённая системами киберзащиты и автономными системами обнаружения неисправностей и обладающая способностью к самовосстановлению [3]. Примерная схема взаимодействия между компонентами «умной» сети представлена на рис. 3. Ключевые различия между традиционной сетью и «умной» сетью перечислены в табл. 1.

За счёт анализа большого объёма данных алгоритмы искусственного интеллекта могут определить паттерны поведения производителей и потребителей электроэнергии, помогать в оптимизации управления энергоресурсами, снижать негативные эффекты от аномального поведения данных производителей и потребителей, а также сбоев в работе непосредственно самой «умной» электросети.

Прогнозирование выработки ВИЭ

Основной особенностью генерации ВИЭ является непостоянство выработки, обусловленная изменчивостью солнечной и ветровой энергии. Так, скорость ветрового потока, которая является ключевым регрессором в уравнении мощности ветроэнергетической установки (ВЭУ), может значительно изменяться на расстоянии менее 2–3 км, а также способна существенно менять своё значение и направление во временном интервале менее одного часа. Сложность прогнозирования выработки электроэнергии на солнечных электростанциях (СЭС) обусловлена изменчивостью облачности и переменностью величины «индекса чистого неба» (Clear-sky Index, CSI) во времени.

Для прогнозирования выработки ветровых электростанций (ВЭС) возможно использовать алгоритмы как классического машинного обучения, так и глубокого (глубинного) машинного обучения (Deep Learning) вместе с нейронными сетями.

Входными данными в приведённых методах выступают значения, получаемые от систем SCADA, а также информация из прогнозов погоды, генерируемая различными климатическими моделями.

Методология прогнозирования выработки СЭС сильно разнится в зависимости от горизонта прогнозирования. Так, например, для прогнозирования «на несколько часов» вперёд актуально использовать данные со спутников. Эти данные требуются для определения вектора движения облаков [4]. При прогнозировании выработки СЭС на несколько минут оптимально анализировать данные с астрономической камеры [5].

Искусственный интеллект в поиске аномалий энергообъектов ВИЭ

Энергетическое оборудование является критически важным объектом инфраструктуры, отказ которого может привести к серьёзным последствиям.

Накопленный научно-технический потенциал в области диагностики дефектов нефтегазового комплекса и объектов традиционной энергетики необходимо применить для объектов ВИЭ и других низкоуглеродных технологий.

Стоит отметить, что в Российской Федерации до сих пор не автоматизированы процессы диагностики дефектов на объектах СЭС и ВЭС. Это при том, что современные технологии искусственного интеллекта и компьютерного зрения уже могут успешно решать эти задачи с высокой точностью [6].

Например, задачу диагностики дефектов СЭС можно решать с помощью применения нейронных сетей в несколько этапов. Схема работы комплекса по диагностики дефектов представлена на рис. 4. Аналогичный комплекс можно применять и для детектирования дефектов на лопастях ВЭС с определённой разницей, что потребуется другой набор для обучения. Также применительно к лопастям ВЭС невозможно использовать данные фотолюминесцентного анализа.


Рис. 4. Схема работы комплекса по диагностики дефектов

Поскольку съёмка панелей СЭС будет происходить с дрона, то на первом этапе требуется обработать полученную видеозапись с целью детекции (определения) области кадра, на которой находится панель. При этом стоит отметить, что модель сопоставляет несколько последовательных кадров одного видео между собой, тем самым идентифицируя на них один и тот же объект.

На следующем этапе на вход исполняемой модели подаётся набор фотографий одной и той же панели, полученных в результате работы корректной детекции. Анализируя этот набор фотографий, системой принимается решение о том, сколько и каких дефектов содержит панель. При этом классификация проводится как на основе данных видимого спектра, так и в инфракрасном спектре.

Модель на заключительном этапе уже рассматривает только те фотографии панелей, на которых на втором этапе были обнаружены дефекты. При этом стоит отметить, что на предыдущем этапе отсеиваются панели с высокой оценкой чистоты. Повышение порога связано со спецификой решаемой задачи, поскольку при решении задач классификации панелей более чувствительны ошибки второго рода, то есть игнорирование дефекта.


Рис. 5. Интеллектуальное определение де- фектов на солнечных панелях

Анализ полученных изображений (фотографий панелей), проведённый компанией ООО «Смартрен», на заключительном этапе приводит к сегментации возможных дефектов на панели, примеры чего приведены на рис. 5 и 6. Среди сегментарных дефектов рассматривались птичий помет, загрязнение, опавшая листва и физические повреждения.


Рис. 6. Интеллектуальное выявление сло- манных солнечных панелей

Использование ИИ для мониторинга состояния оборудования АЭС

Атомные электростанции являются сложными технологическими сооружениями, требующие исключительно высокой степени надёжности.

Технологии на основе искусственного интеллекта позволяют автоматизировать мониторинг состояния оборудования в режиме реального времени. Система анализирует большой объём данных с различных датчиков и определяет нехарактерные паттерны, которые указывают на потенциальные неисправности. Использование алгоритмов ИИ способствует снижению времени простоя и ремонта, что позволяет повысить коэффициент установленной мощности, а также способствует продлению срока служба элементов АЭС.

Современный искусственный интеллект также применяется для определения дефектов на АЭС: трубопроводах, корпусе высокого давления, герметичной оболочке реактора, канальных реакторах и других [7]. Существуют работы, демонстрирующие, что машинное обучение активно используется для определения фактов утечек теплоносителя и мест их локализации в комплексе оборудования АЭС [8].

Заключение

В этой работе приведены примеры использования алгоритмов искусственного интеллекта в рамках трансформации энергетической отрасли. В качестве примеров использования данных алгоритмов приведены: возможность прогнозирования выработки возобновляемых источников энергии (ВЭС и СЭС), оптимизация работы электросетей, обнаружение дефектов на панелях СЭС и лопастях ВЭС, а также возможности мониторинга состояния оборудования на АЭС.