KTU profesorius apie anomalijų aptikimą išmaniosios apskaitos duomenyse

Pasaulio energetikos sistemos sparčiai transformuojasi, judėdamos link dekarbonizacijos, decentralizacijos ir skaitmenizacijos. Šiame pokyčių sūkuryje naujos technologijos – nuo debesų kompiuterijos iki dirbtinio intelekto ir mašininio mokymosi – atveria langą inovatyvioms paslaugoms ir funkcijoms. Viena iš jų, vis dažniau atsidurianti dėmesio centre, yra anomalijų aptikimas elektros tinkle. Bet ką tai reiškia praktiškai?

Anomalija – tai kažkas nelaukto, kas neatitinka pradinių lūkesčių, kas nedera su ankstesniais stebėjimais. Nors anomalija ne visada reiškia problemą – ji gali atsirasti dėl pasikeitusios vartotojų elgsenos ar apkrovų svyravimų – dažniausiai tai yra signalas apie galimus įrangos gedimus, neteisėtą elektros energijos naudojimą, tinklo kokybės sutrikimus ar net kibernetines atakas.

Minimizuoja nuostolius

Kauno technologijos universitete (KTU) šiuo metu mokslininkai vykdo projektą „Anomalijų aptikimo elektros energijos išmaniosios apskaitos duomenyse metodų tyrimas (ANODETEL)“, kuriuo siekiama sukurti pažangius anomalijų aptikimo metodus.

Tokie metodai veiktų net ir esant ribotai informacijai – kai išmanieji skaitikliai dar neįdiegti visame tinkle, nėra suminio skaitiklio duomenų, o vartotojai naudoja atsinaujinančius energijos šaltinius. Projektą įgyvendina tarpdisciplininė komanda, jungianti elektros energetikos, matavimų, elektronikos ir dirbtinio intelekto ekspertus.

Naują impulsą anomalijų aptikimo tyrimams ir taikymui skirstomuosiuose elektros tinkluose suteikė masinė išmaniųjų skaitiklių plėtra. Rinkos apžvalgos rodo, kad dar 2023 metais išmaniųjų elektros skaitiklių paplitimas buvo itin didelis: Šiaurės Amerikoje jie sudarė net 77 % visų eksploatuojamų skaitiklių, Rytų Azijos šalyse – 49 %, o Europoje – 47 %.

Šiuolaikiniai išmanieji skaitikliai geba matuoti ir perduoti ne tik per 15, 30 ar 60 min. suvartotos energijos parodymus, bet ir kitus elektrinius dydžius (srovę, įtampą, galią, galios faktorių) ir gerokai didesne skyra (pavyzdžiui, 1 sekundės periodu per P1 sąsają).

Vis dar yra senų skaitiklių

Jau gerą dešimtmetį mokslininkai siūlo įvairius algoritmus ir metodus, įgalinančius aptikti išmaniųjų skaitiklių matavimo paklaidas, gedimus ar parodymų klastojimą, lokalizuoti vagystes. Visgi daugumai šių metodų be išmaniųjų skaitiklių dar reikia ir kitų sąlygų, pavyzdžiui, suminio išmanaus skaitiklio, kuris įrengiamas tinklo dalyje tarp žeminančiojo transformatoriaus ir vartotojų.

Šiuo metu Lietuvoje senesnės statybos pastatuose perėjimas prie išmaniųjų skaitiklių vykdomas palaipsniui, keičiant tik tuos senojo tipo elektroninius arba mechaninius skaitiklius, kuriems jau pasibaigė metrologinės patikros terminas. Tokiu būdu tam tikrą laiką kartu naudojami ir išmanieji, ir senesnieji elektros skaitikliai.

Taikomas dirbtinis intelektas

Kita didelė anomalijų aptikimo metodų klasė yra pagrįsta laiko eilučių (skaitmenizuotų elektrinių dydžių duomenų aibių) analize, taikant statistinius ir dirbtinio intelekto (mašininio mokymosi) algoritmus. Pagrindinė idėja yra apmokyti mašininio mokymosi modelį dideliu kiekiu istorinių duomenų, surenkamų iš konkretaus vartotojo skaitiklio, o perėjus į stebėsenos režimą aptikti ir klasifikuoti duomenų požymių pokyčius.

Šių algoritmų trūkumai – didelis kokybiškų duomenų poreikis tiek mokymo, tiek stebėsenos etapuose, kas gali apkrauti duomenų perdavimo tinklus. Be to, jų rezultatus dažnai sudėtinga interpretuoti – ypač kai reikia suprasti, kodėl atsirado tam tikros anomalijos.

„Nors mokslinių tyrimų lauke galima teigti, kad tai yra brandi sritis, visgi apie masinį panaudojimą komercinėse ar pramoninėse sistemose plačiai girdėti netenka. Kartais realizuojamas gana paprastų anomalijų aptikimas, toks kaip tinklo įtampos sumažėjimas arba padidėjimas išmanaus skaitiklio prijungimo vietoje, kas nereikalauja sudėtingesnių algoritmų arba apmokymo metodų“, – pasakoja prof. dr. Ž. Nakutis.

Literatūroje vis dažniau aptariami dirbtinio intelekto algoritmais paremti sprendimai, tačiau praktikoje jie dar nėra tobuli – pavyzdžiui, pasitaiko atvejų, kai sistema signalizuoja apie galimą elektros energijos vagystę, tačiau nuvykus į vietą paaiškėja, kad tai buvo klaidingas perspėjimas.

Žvilgsnis į ateitį

Pasak KTU profesoriaus, anomalijų aptikimo sprendimų patikimumas dar turės būti tobulinamas, atsižvelgiant į ne visada matematiškai idealias sąlygas elektros skirstomuosiuose tinkluose, bei optimizuojant papildomus reikalavimus, kurie sukuria pridėtinius kaštus (suminiai skaitikliai, dideli perduodamų duomenų kiekiai). Visgi, iššūkių kyla ir daugiau, ypač duomenų apsaugos srityje.

„Didelės skyros energijos vartojimo profiliai neša gana daug informacijos apie namų ūkio asmenų gyvenimo būdą, jų buvimą namuose ar išvykas. Tai yra konfidencialūs duomenys ir jų parsiuntimas į centralizuotus serverius anomalijų aptikimui kartais vertinamas kaip rizika asmens privatumo pažeidimui“, – sako prof. dr. Ž. Nakutis.

Dėl šios priežasties yra svarstomi decentralizuoto anomalijų aptikimo variantai, kuomet mašininio mokymosi algoritmai būtų realizuojami pačiame išmaniajame skaitiklyje arba daiktų interneto pakraščio infrastruktūros įrenginiuose, o į centrinius serverius siunčiami jau apdoroti ir nuasmeninti požymiai.

Tokio tipo algoritmai vis dar yra pradinėje tyrimų fazėje. Išmanieji skaitikliai turi įdiegtas savidiagnostikos funkcijas, kurių pagalba patys stebi ir praneša apie savo būklę. Tikėtina, kad vis dažniau bus naudojamasi mašininio mokymosi algoritmų pagalba ne tik galimų vidinių anomalijų aptikimui, bet ir anomalių reiškinių elektros tinklo aptikimui.

Projektą „Anomalijų aptikimo elektros energijos išmaniosios apskaitos duomenyse metodų tyrimas (ANODETEL)“ Nr. S-MIP-24-42 finansuoja Lietuvos mokslo taryba.