Рост сложности современных электроэнергетических систем повышает требования к надежности и качеству электроснабжения. Существенную роль в решении данной задачи играет технология синхронизированных векторных измерений, позволяющая регистрировать параметры энергосистемы с высокой точностью, что приводит к формированию больших массивов измерительных данных и открывает возможности для их анализа и использования. Одним из ключевых показателей в работе энергосистемы является ее частота. Целью данной работы является анализ возможности прогнозирования частоты энергосистем разных классов при помощи машинного обучения. В работе исследуются данные частоты сетей разных классов напряжения за сутки: внутренней сети 220 В и высоковольтной линии 500 кВ единой энергетической системы России. Проводится предварительный анализ временных рядов, выявление особенностей их вариативности и спектрального состава, после чего выполняется краткосрочное прогнозирование в нескольких частотных диапазонах с применением методов различной сложности. Полученные метрики моделей согласуются с результатами предварительного анализа, что подтверждает его значимость. Показано, что методы машинного обучения способны эффективно выявлять закономерности во временных рядах и учитывать динамику сигнала, что позволяет использовать данные методы в качестве инструмента для мониторинга и поддержки принятия решений в управлении энергосистемой.
The increasing complexity of modern power systems raises the requirements for the reliability and quality of electricity supply. A significant role in addressing this challenge is played by the technology of synchronized phasor measurements, which allows registering power system parameters with high accuracy, resulting in large volumes of measurement data and enabling their analysis and utilization. One of the key indicators of power system operation is its frequency. The aim of this study is to analyze the possibility of forecasting the frequency of power systems of different classes using machine learning. The work examines daily frequency signals from networks of different voltage classes: the 220 V internal network and the 500 kV high-voltage line of the Russian Unified Energy System. A preliminary analysis of the time series is conducted, identifying features of their variability and spectral composition, followed by short-term forecasting in various frequency ranges using methods of different complexity. The obtained model metrics are consistent with the results of the preliminary analysis, confirming its significance. It is shown that machine learning methods can effectively capture patterns in time series and account for signal dynamics, making these methods a useful tool for monitoring and supporting decision-making in power system management.
1. Фадке А. Г., Торп Д. С. Синхронизированные векторные измерения и их применение. Мир энергетики. 2-е изд. М.: Техносфера, 2021. 320 с. ISBN 978-5-94836-571-8.
2. Жуков А. В., Сацук Е. И., Дубинин Д. М., Журавлева О. В. Применение технологии СВИ для повышения надежности эксплуатации генерирующего и сетевого оборудования объектов электроэнергетики // Методические вопросы исследования надежности больших систем энергетики: материалы 95-го заседания международного научного семинара (пос. Хужир (оз. Байкал), 09–15 июля 2023 г.). Иркутск: Институт систем энергетики им. Л. А. Мелентьева СО РАН, 2023. С. 623–632. EDN: SYHMWA.
3. Lee G., Park C., Do-In Kim. Event Detection-Free Framework for Transient Stability Prediction via Parallel CNN-LSTMs // IEEE Transactions on Instrumentation and Measurement. 2024. Vol. 73. P. 1–10. DOI: 10.1109/TIM.2024.3421429.
4. Refferty M., Brogan P., Hastings J., Laverty D., Liu X. A., Khan R. Local Anomaly Detection by Application of Regression Analysis on PMU Data // Proceedings – IEEE Power & Energy Society General Meeting (PESGM), Portland, OR, USA. 2018. P. 1–5. DOI: 10.1109/PESGM.2018.8586320.
5. Угрюмов И. А. Применение машинного обучения для выявления низкочастотных колебаний в энергосистеме // Энергия Арктики 2024: сборник материалов международной научно-технической конференции (г. Архангельск, 18–20 декабря 2024 г.). Архангельск: КИРА, 2025. С. 46–49. EDN: XMBIYW.
6. Мокеев А. В., Ачитаев А. А., Попов А. И., Бутин К. П., Родионов А. В. Идентификация и поиск источника низкочастотных колебаний на основе синхронизированных векторных измерений // Электричество. 2024. № 9. С. 23–36. DOI: 10.24160/0013-5380-2024-9-23-36.
7. Wang C. State Prediction for Smart Grids under DoS Attack using State Correlations under optimized PMU deployment // Proceedings – 2022 5th International Symposium on Autonomous Systems (ISAS), Hangzhou, China, 2022. P. 1–5. DOI: 10.1109/ISAS55863.2022.9757338.
8. Garza L. F., Mandal P. LSTM Based Hybrid Neural Network for PMU Data Forecasting and Anomaly Detection // Proceedings – 2022 North American Power Symposium (NAPS), Salt Lake City, UT, USA. 2022. P. 1–6. DOI: 10.1109/NAPS56150.2022.10012188.
9. Hu Y., Wang H., Zhang Y., Wen B. Frequency prediction model combining ISFR model and LSTM network // International Journal of Electrical Power & Energy Systems. 2022. Vol. 139. P. 108001. DOI: 10.1016/J.IJEPES.2022.108001.
10. Бутин К. П., Попов А. И., Угрюмов И. А., Родионов А. В. Применение методов машинного обучения для прогнозирования сигналов системы мониторинга переходных режимов // Методические вопросы исследования надежности больших систем энергетики: материалы 97-го заседания международного научного семинара (г. Новосибирск, 06–12 июля 2025 г.). Иркутск: Институт систем энергетики им. Л. А. Мелентьева СО РАН, 2025. С. 513–522. EDN: GVPYEV.
11. Pütz S., El Ashhab H., Hertel M., Mikut R., Götz M., Hagenmeyer V., Schäfer B. Feasibility of Forecasting Highly Resolved Power Grid Frequency Utilizing Temporal Fusion Transformers // Proceedings – 15th ACM International Conference on Future and Sustainable Energy Systems. 2024. P. 447–453. DOI: 10.1145/3632775.3661963.
12. Cheng Y., Foggo B., Yamashita K., Yu N. Missing value replacement for PMU data via deep learning model with magnitude trend decoupling // IEEE Access. 2023. Vol. 11. P. 27450–27461. DOI: 10.1109/ACCESS.2023.3254448.
13. Taslim D. G., Murwantara I. M. A Comparative Study of ARIMA and LSTM in Forecasting Time Series Data // Proceedings – 9th International Conference on Information Technology. Computer and Electrical Engineering (ICITACEE), Semarang, Indonesia. 2022. P. 231–235. DOI: 10.1109/ICITACEE55701.2022.9924148.
14. Olivieri C., Giannuzzi G., de Paulis F. Comparison of LSTM-Based Prediction Strategies for Grid Modal Parameters Forecast // Proceedings – 11th International Conference on Smart Grid (icSmartGrid), Paris, France. 2023. P. 1–6. DOI: 10.1109/icSmartGrid58556.2023.10170818.
15. Box G. E. P., Jenkins G. M., Reinsel G. C., Ljung G. M. Time Series Analysis: Forecasting and Control, 5th Edition, 712 p. ISBN 978-1-118-67502-1.