Кластеризация электроэнергетических систем на зоны надежности при оценке балансовой надежности. Часть 2

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье представлен анализ методов кластеризации применительно к задаче формирования энергетических расчетных моделей (ЭРМ) электроэнергетических систем. Рассмотрены классические методы кластеризации, такие как: метод k-средних, метод кратчайшего пути, а также методы обнаружения сообществ в графах по заданным признакам, которые являются наиболее подходящими для решения поставленной задачи. На основании проведенного анализа было выявлено, что для кластеризации графов максимально адекватный результат может быть получен при применении метода Лэйдена. В экспериментальной части статьи представлены результаты применения метода Лэйдена для формирования ЭРМ объединенной энергосистемы Сибири.

Полный текст

Доступ закрыт

Об авторах

Д. С. Крупенёв

Федеральное государственное бюджетное учреждение науки Институт систем энергетики им. Л.А. Мелентьева Сибирского отделения Российской академии наук

Автор, ответственный за переписку.
Email: krupenev@isem.irk.ru
Россия, Иркутск

Н. А. Беляев

Акционерное общество “НТЦ ЕЭС”

Email: belyaev.na@yandex.ru

Department for Electricity and Power

Россия, Москва

Д. А. Бояркин

Федеральное государственное бюджетное учреждение науки Институт систем энергетики им. Л.А. Мелентьева Сибирского отделения Российской академии наук

Email: krupenev@isem.irk.ru
Россия, Иркутск

Д. В. Якубовский

Федеральное государственное бюджетное учреждение науки Институт систем энергетики им. Л.А. Мелентьева Сибирского отделения Российской академии наук

Email: krupenev@isem.irk.ru
Россия, Иркутск

Список литературы

  1. Руденко Ю.Н., Чельцов М.Б. Надежность и резервирование в электроэнергетических системах. Изд.-во “Наука” Сибирское отделение, Новосибирск. 1974. 262 с.
  2. Ковалев Г.Ф., Крупенев Д.С., Лебедева Л.М. Системная надежность ЕЭС России на уровне 2030 г. Электрические станции, 2011. № 2. С. 44–47.
  3. Probabilistic Adequacy and Measures. Technical Reference Report Final, NERC, July, 2018.
  4. Long-Term Reliability Assessment. NERC, 2021. P. 126.
  5. Ковалев Г.Ф., Лебедева Л.М. Надежность систем электроэнергетики. Новосибирск: Наука. 2015.
  6. Krupenev D., Boyarkin D., Iakubovskii D. Improvement in the computational efficiency of a technique for assessing the reliability of electric power systems based on the Monte Carlo method. Reliability Engineering & System Safety. № 204. 10.1016/j.ress.2020.107171' target='_blank'>https://doi: 10.1016/j.ress.2020.107171
  7. Rouhani M., Mohammadi M., Aiello M. Soft clustering based probabilistic power flow with correlated inter temporal events // Electric Power Systems Research. № 204. 2022. 107677. https://doi.org/10.1016/j.epsr.2021.107677.
  8. Gheorghe G., Scarlatache F., Neagu B. Clustering in Power Systems. Applications. 2016.
  9. Справочник по проектированию электрических сетей / под ред. Д.Л. Файбисовича – Изд. 4-е, перераб. и доп. – М.: Изд-во НЦ ЭНАС, 2012. 376 с.
  10. Мандель И.Д. Кластерный анализ. М.: Финансы и статистика. 1988. 176 с.
  11. MacQueen J. Some methods for classification and analysis of multivariate observations/ J. MacQueen // In Proc. 5th Berkeley Symp. Оn Math. Statistics and Probability, 1967. С. 281–297.
  12. Sarkar A., Ramalingam S. Graph Clustering: A Review. 2020.
  13. Kaufman L., Rousseeuw P.J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis (1 ed.). New York: John Wiley. ISBN 0-471-87876-6.
  14. Blondel V.D., Guillaume J.-L., Lambiotte R. & Lefebvre E. Fast unfolding of communities in large networks. J. Stat. Mech. Theory Exp. 10008. 6. https://doi.org/10.1088/1742-5468/2008/10/P10008 (2008).
  15. Newman M. E. J. and M. Girvan. Finding and evaluating community structure in networks. Phys. Rev. E 69. 026113. 2004.
  16. Ester M., Kriegel H.P., Sander J. and Xu X. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. In: Proceedings of the 2nd International Conference on Knowledge Discovery and Data Mining, Portland, OR, AAAI Press. 1996. P. 226–231.
  17. Emmons S., Kobourov S., Gallant M., Börner K. (2016) Analysis of Network Clustering Algorithms and Cluster Quality Metrics at Scale. PLoS ONE 11(7): e0159161. https://doi.org/10.1371/journal.pone.0159161
  18. Beligianni F., Tsatsaronis G., Palpanas T. A Survey on Clustering Techniques for Graph Structured Data. 2019.
  19. Palla G., Derényi I., Farkas I. et al. Uncovering the overlapping community structure of complex networks in nature and society. Nature 435, 2005. P. 814–818. https://doi.org/10.1038/nature03607
  20. Rosvall M., Bergstrom C.T. Maps of information flow reveal community structure in complex networks. PNAS. 105. 1118. 2008.
  21. Орлов А.О., Чеповский А.А. О свойствах модулярности и актуальных корректировках алгоритма Блонделя // Вестник НГУ. Серия: Информационные технологии. 2017. № 3.
  22. Metropolis N., Rosenbluth A.W., Rosenbluth M.N., Teller A.H., and Teller E. Equation of State Calculations by Fast Computer Machines // J. Chemical Physics. 21. 6. June. 1953. P. 1087–1092.
  23. Lancichinetti A., Fortunato S. Community detection algorithms: A comparative analysis. Phys. Rev. E 80, 056117. https://doi.org/10.1103/PhysRevE.80.056117 (2009).
  24. Traag V.A., Waltman L., van Eck N.J. From Louvain to Leiden: guaranteeing well-connected communities. Sci Rep 9. 5233. 2019. https://doi.org/10.1038/s41598-019-41695-z
  25. Приказ Минэнерго России от 28.02.2022 №146 “Об утверждении схемы и программы развития Единой энергетической системы России на 2022–2028 годы”.
  26. Крупенев Д.С., Беляев Н.А., Бояркин Д.А. Кластеризация электроэнергетических систем на зоны надежности при оценке балансовой надежности. Часть 1 // Известия Российской академии наук. Энергетика. 2024. № 1. С. 12–21.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Визуализация работы алгоритма Лейдена.

Скачать (30KB)
Метаданные
3. Рис. 2. Графическое представление отнесения узлов ОЭС Сибири к зонам надежности на основании применения алгоритма Лейдена.

Скачать (53KB)
Метаданные
4. Рис. 3. Результат кластеризации ОЭС Сибири на ЗН на основании применения алгоритма Лейдена (географическая привязка).

Скачать (47KB)
Метаданные

© Российская академия наук, 2024

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».