Техніка та енергетика

Оптимізація енергорозподілу та виявлення вразливостей у мережах за допомогою штучного інтелекту

Дмитро Кошкін, Олексій Садовий, Андрій Руденко, Віталій Соколік
Завантажити статтю
Анотація

Метою роботи було дослідження та аналіз можливостей застосування штучного інтелекту для оптимізації процесів енергорозподілу та виявлення вразливостей в енергетичних мережах. Робота спрямована на вивчення методів, алгоритмів і підходів, які дозволяють підвищити ефективність управління енергетичними системами, зменшити втрати енергії, покращити стійкість мереж до зовнішніх загроз і забезпечити точніше прогнозування попиту та пропозиції. Особливу увагу приділено застосуванню інтелектуальних методів для виявлення аномалій та вразливих точок в енергетичних мережах, що допомагає своєчасно реагувати на потенційні кібератаки, технічні несправності чи інші ризики. У роботі розглянуто сучасні методи управління енергетичними потоками, зокрема використання нейромережевих алгоритмів та блокчейн-технологій, а також їх інтеграцію в енергосистеми для підвищення ефективності та стабільності мереж. Застосування алгоритмів машинного навчання, таких як згорткові та рекурентні нейронні мережі, дозволяє значно покращити точність прогнозування навантаження та адаптивність до змінних умов мережі. Методи прогнозування навантаження, включаючи нейронні мережі, дерева рішень та підкріплене навчання, сприяють зменшенню витрат енергії та попередженню перевантажень. У той же час, виявлення аномалій за допомогою інтелектуальних систем дозволяє своєчасно виявляти несправності та потенційні атаки, що підвищує безпеку та надійність системи. Одним із перспективних рішень є впровадження блокчейн-технологій для децентралізованого розподілу енергетичних ресурсів, що забезпечує прозорість, безпеку та ефективність операцій. Прогнозування навантаження та управління енергетичними ресурсами через інтелектуальні системи дозволяє створювати більш адаптивні, саморегульовані та стабільні енергетичні мережі

Ключові слова

прогнозування навантаження, цифрова трансформація, мікромережі, оцінка ризиків, нейромережеві моделі

ЦИТУВАТИ
Koshkin, D., Sadovoy, O., Rudenko, A., & Sokolik, V. (2025). Optimising energy distribution and detecting vulnerabilities in networks using artificial intelligence. Machinery & Energetics, 16(2), 36-48. https://doi.org/10.31548/machinery/2.2025.36
Використані джерела
  1. Ahmad, N., Ghadi, Y., Adnan, M., & Ali, M. (2022). Load forecasting techniques for power system: Research challenges and survey. IEEE Access, 10, 71054-71090. doi: 10.1109/ACCESS.2022.3187839.
  2. Alamri, A.G., Harfash, S.A., & Alsaleem, N.A. (2024). Comparative analysis of traditional, agile, and flexible management approaches (exploring differences, compatibility, and impacts on organizational performance). Ajrsp, 6(67), 143-155. doi: 10.52132/Ajrsp.e.2024.67.6.
  3. Alimi, O.A., Ouahada, K., & Abu-Mahfouz, A.M. (2020). A review of machine learning approaches to power system security and stability. IEEE Access, 8, 113512-113531. doi: 10.1109/ACCESS.2020.3003568.
  4. Almshari, M., Tsaramirsis, G., Khadidos, A.O., Buhari, S.M., Khan, F.Q., & Khadidos, A.O. (2020). Detection of potentially compromised computer nodes and clusters connected on a smart grid, using power consumption data. Sensors, 20(18), article number 5075. doi: 10.3390/s20185075.
  5. Areekkara, S., Kumar, R., & Bansal, R.C. (2021). An intelligent multi agent based approach for autonomous energy management in a microgrid. Electric Power Components and Systems, 49(1-2), 18-31. doi: 10.1080/15325008.2021.1937390.
  6. Arnold, D., Saha, S., Ngo, S.T., Roberts, C., Scaglione, A., Johnson, N.G., Peisert, S., & Pinney, D. (2022). Adaptive control of distributed energy resources for distribution grid voltage stability. IEEE Transactions on Power Systems, 38(1), 129-141. doi: 10.1109/TPWRS.2022.3157558.
  7. Aslam, S., Herodotou, H., Mohsin, S.M., Javaid, N., Ashraf, N., & Aslam, S. (2021). A survey on deep learning methods for power load and renewable energy forecasting in smart microgrids. Renewable and Sustainable Energy Reviews, 144, article number 110992. doi: 10.1016/j.rser.2021.110992.
  8. Astistova, T., Kravchenko, M., Postoronka, V., & Kravchenko, O. (2024). Softhard tool for solar panels performance estimation for effective function in MicroGrid. Technologies and Engineering, 25(5), 17-24. doi: 10.30857/2786-5371.2024.5.2.
  9. Chen, T., & Guestin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining (pp. 785-794). New York: Association for Computing Machinery. doi: 10.1145/2939672.2939785.
  10. Cheng, L., & Yu, T. (2019). Smart dispatching for energy internet with complex cyber‐physical‐social systems: A parallel dispatch perspective. International Journal of Energy Research, 43(8), 3080-3133. doi: 10.1002/er.4384.
  11. Du, Y., & Li, F. (2019). Intelligent multi-microgrid energy management based on deep neural network and model-free reinforcement learning. IEEE Transactions on Smart Grid, 11(2), 1066-1076. doi: 10.1109/TSG.2019.2930299.
  12. Espín-Sarzosa, D., Palma-Behnke, R., & Núñez-Mata, O. (2020). Energy management systems for microgrids: Main existing trends in centralized control architectures. Energies, 13(3), article number 547. doi: 10.3390/en13030547.
  13. He, K., Zhang, X., Ren, S., & Sun, J. (2015). Delving deep into rectifiers: Surpassing Human-level performance on ImageNet classification. ARXIV. doi: 10.48550/arXiv.1502.01852.
  14. How AI is impacting data centers: Challenges and recommendations from Schneider Electric. (2024). Retrieved from https://nv.ua/ukr/ukraine/events/revolyuciya-shi-v-data-centrah-shlyahi-optimizaciji-energospozhivannya-ta-stiyki-rishennya-vid-schneider-electric-50438465.html.
  15. Hua, H., Wei, Z., Qin, Y., Wang, T., Li, L., & Cao, J. (2021). Review of distributed control and optimization in energy internet: From traditional methods to artificial intelligence‐based methods. IET Cyber‐Physical Systems: Theory & Applications, 6(2), 63-79. doi: 10.1049/cps2.12007.
  16. Khan, A.A., Laghari, A.A., Rashid, M., Li, H., Javed, A.R., & Gadekallu, T.R. (2023). Artificial intelligence and blockchain technology for secure smart grid and power distribution Automation: A State-of-the-Art Review. Sustainable Energy Technologies and Assessments, 57, article number 103282. doi: 10.1016/j.seta.2023.103282.
  17. Kim, M., Choi, W., Jeon, Y., & Liu, L. (2019). A hybrid neural network model for power demand forecasting. Energies, 12(5), article number 931. doi: 10.3390/en12050931.
  18. Kirli, D., Couraud, B., Robu, V., Salgado-Bravo, M., Norbu, S., Andoni, M., Antonopoulos, I., Negrete-Pincetic, M., Flynn, D., & Kiprakis, A. (2022). Smart contracts in energy systems: A systematic review of fundamental approaches and implementations. Renewable and Sustainable Energy Reviews, 158, article number 112013. doi: 10.1016/j.rser.2021.112013.
  19. Kudabayev, R., Mizamov, N., Zhangabay, N., Suleimenov, U., Kostikov, A., Vorontsova, A., Buganova, S., Umbitaliyev, A., Kalshabekovа, E., & Aldiyarov, Z. (2022). Construction of a model for an enclosing structure with a heat-accumulating material with phase transition taking into account the process of solar energy accumulation. Eastern-European Journal of Enterprise Technologies, 6(8-120), 26-37. doi: 10.15587/1729-4061.2022.268618.
  20. Liu, W.H., Ho, W.S., Lee, M.Y., Hashim, H., Lim, J.S., Klemeš, J.J., & Mah, A.X. (2019). Development and optimization of an integrated energy network with centralized and decentralized energy systems using mathematical modelling approach. Energy, 183, 617-629. doi: 10.1016/j.energy.2019.06.158.
  21. Marignetti, F., Di Stefano, R.L., Rubino, G., & Giacomobono, R. (2023). Current Source Inverter (CSI) power converters in photovoltaic systems: A comprehensive review of performance, control, and integration. Energies, 16(21), article number 7319. doi: 10.3390/en16217319.
  22. Mojumder, M.R., Hasanuzzaman, M., & Cuce, E. (2022). Prospects and challenges of renewable energy-based microgrid system in Bangladesh: A comprehensive review. Clean Technologies and Environmental Policy, 24(7), 1987-2009. doi: 10.1007/s10098-022-02301-5.
  23. Mylrea, M. (2019). Distributed autonomous energy organizations: Next-generation blockchain applications for energy infrastructure. In W. Lawless, R. Mittu, D. Sofge, I.S. Moskowitz & S. Russell (Eds.), Artificial intelligence for the Internet of everything (pp. 217-239). London: Academic Press. doi: 10.1016/B978-0-12-817636-8.00012-0.
  24. Namdari, H., Haghighi, A., & Ashrafi, S.M. (2023). Short-term urban water demand forecasting; application of 1D convolutional neural network (1D CNN) in comparison with different deep learning schemes. Stochastic Environmental Research and Risk Assessment. doi: 10.1007/s00477-023-02565-3.
  25. Network Traffic Anomaly Detection with Machine Learning. (2024). Retrieved from https://www.eyer.ai/blog/network-traffic-anomaly-detection-with-machine-learning/.
  26. Nizami, M.S., Hossain, M.J., & Fernandez, E. (2019). Multiagent-based transactive energy management systems for residential buildings with distributed energy resources. IEEE Transactions on Industrial Informatics, 16(3), 1836-1847. doi: 10.1109/TII.2019.2932109.
  27. Petrucci, A., Barone, G., Buonomano, A., & Athienitis, A. (2022). Modelling of a multi-stage energy management control routine for energy demand forecasting, flexibility, and optimization of smart communities using a Recurrent Neural Network. Energy Conversion and Management, 268, article number 115995. doi: 10.1016/j.enconman.2022.115995.
  28. Ramírez-Ochoa, D.D., Pérez-Domínguez, L.A., Martínez-Gómez, E.A., & Luviano-Cruz, D. (2022). PSO, a swarm intelligence-based evolutionary algorithm as a decision-making strategy: A review. Symmetry, 14(3), article number 455. doi: 10.3390/sym14030455.
  29. Rathor, S.K., & Saxena, D. (2020). Energy management system for smart grid: An overview and key issues. International Journal of Energy Research, 44(6), 4067-4109. doi: 10.1002/er.4883.
  30. Rubino, L., Rubino, G., & Conti, P. (2021). Design of a power system supervisory control with linear optimization for electrical load management in an aircraft on-board dc microgrid. Sustainability (Switzerland), 13(15), article number 8580. doi: 10.3390/su13158580.
  31. Salem, F.M. (2022). Gated RNN: The gated recurrent unit (GRU) RNN. In F.M. Salem (Ed.), Recurrent neural networks: From simple to gated architectures (pp. 85-100). Cham: Springer. doi: 10.1007/978-3-030-89929-5_5.
  32. Sherstniov, Yu., & Osadchuk, Yu. (2024). Development of an algorithm for optimizing electrical energy consumption levels at mining and beneficiation plant substations using intelligent systems. Journal of Kryvyi Rih National University, 22(1), 116-124. doi: 10.31721/2306-5451-2024-1-58-116-124.
  33. Singh, G. (2024). Network observability: Optimized anomaly detection with AI/ML. Retrieved from https://www.redhat.com/en/blog/network-observability-optimized-anomaly-detection-aiml.
  34. Spivakovskyy, S., Kochubei, O., Shebanina, O., Sokhatska, O., Yaroshenko, I., & Nych, T. (2021). The impact of digital transformation on the economic security of Ukraine. Studies of Applied Economics, 39(5). doi: 10.25115/eea.v39i5.5040.
  35. Stavinskii, A., & Koshkin, D. (2021). Technical solutions of laminated magnetic cores of transformers with combination of electrical steel. In Proceedings of the international conference on modern electrical and energy systems (pp. 1-4). Kremenchuk: IEEE. doi: 10.1109/MEES52427.2021.9598810.
  36. Stavinskiy, A., Avdeeva, O.A., Koshkin, D., Stavynskyi, R.A., & Tsyiganov, A. (2024). Technical solutions to reduce losses in magnetic cores and material consumption of three-phase transformer and reactor equipment. Electrical Engineering & Electromechanics, 2, 3-9. doi: 10.20998/2074-272x.2024.2.01.
  37. Stoliarov, O. (2024). Big Data technologies in the process of forecasting electricity generation from solar photovoltaic power plants. Bulletin of Cherkasy State Technological University, 29(2), 79-92. doi: 10.62660/bcstu/2.2024.79.
  38. Sukhodolia, O.M. (2022). Artificial intelligence in energy. Kyiv: National Institute for Strategic Studies. doi: 10.53679/NISS-analytrep.2022.09.
  39. Takyar, A. (2025). AI in anomaly detection: Use cases, methods, algorithms and solution. Retrieved from https://www.leewayhertz.com/ai-in-anomaly-detection/.
  40. Turpault, N., Serizel, R., & Vincent, E. (2019). Semi-supervised triplet loss based learning of ambient audio embeddings. In Proceedings of the international conference on acoustics, speech and signal processing (pp. 760-764). Bringhton: IEEE. doi: 10.1109/ICASSP.2019.8683774.
  41. Wang, S., Jiang, R., Wang, Z., & Zhou, Y. (2024). Deep learning-based anomaly detection and log analysis for computer networks. ARXIV. doi: 10.48550/arXiv.2407.05639.
  42. Woźniak, M., Siłka, J., Wieczorek, M., & Alrashoud, M. (2020). Recurrent neural network model for IoT and networking malware threat detection. IEEE Transactions on Industrial Informatics, 17(8), 5583-5594. doi: 10.1109/TII.2020.3021689.
  43. Wu, M., Ma, D., Xiong, K., & Yuan, L. (2024). Deep reinforcement learning for load frequency control in isolated microgrids: A knowledge aggregation approach with emphasis on power symmetry and balance. Symmetry, 16(3), article number 322. doi: 10.3390/sym16030322.
  44. Yao, H., Zhang, X., Zhou, X., & Liu, S. (2019). Parallel structure deep neural network using CNN and RNN with an attention mechanism for breast cancer histology image classification. Cancers, 11(12), article number 1901. doi: 10.3390/cancers11121901.