Техніка та енергетика

Алгоритм прогнозування перевантажень і попередження аварійних режимів у міських кабельних мережах

Андрій Ткаченко
Завантажити статтю
Анотація

Сучасний стан міських кабельних мереж середньої напруги характеризується зростанням електричних навантажень, що спричинене підвищенням рівня електрифікації міського середовища, розвитком електротранспорту, розширенням інфраструктури зарядних станцій та впровадженням цифрових енергетичних технологій. Це актуалізує потребу у створенні інтелектуальних систем аналітичного моніторингу, здатних своєчасно прогнозувати розвиток перевантажень і запобігати виникненню аварійних режимів роботи кабельних мереж. Метою роботи було розроблення алгоритму прогнозування перевантажень і попередження аварійних режимів у міських кабельних мережах середньої напруги на основі інтеграції фізичної моделі теплового стану, побудованої за стандартом International Electrotechnical Commission 60287-1-1, із адаптивними регресійними методами машинного навчання. Методи дослідження включали математичне моделювання теплових процесів у підземних кабелях, статистичний аналіз вимірювальних даних систем типу Supervisory Control and Data Acquisition, побудову регресійних і нейронних прогнозних моделей, а також верифікацію отриманих результатів методом порівняльного моделювання на основі реальних експлуатаційних параметрів. Основні результати засвідчили, що розроблений алгоритм забезпечує точність прогнозу 90-95 % при визначенні тенденцій до перевантаження завдяки комплексному врахуванню струмових, теплових і часових характеристик. Система здатна ідентифікувати ризик критичних режимів за 1,5-2 години до перевищення допустимої температури ізоляції, що дозволяє диспетчерським службам здійснювати своєчасне коригування потоків навантаження. Було встановлено, що впровадження алгоритму підвищує надійність електропостачання, скорочує середній час відновлення після аварій на 20-25 % та зменшує втрати електроенергії від перевантажень на 8-10 %. Практична цінність роботи полягає у можливості інтеграції алгоритму у діючі диспетчерські комплекси без модернізації апаратної частини. Запропонований підхід формує основу для переходу міських енергетичних систем від реактивної до превентивної моделі технічного обслуговування та є важливим елементом розвитку інтелектуальних мереж у межах концепції Smart Grid

Ключові слова

тепловий стан кабелю, підземні кабельні мережі, машинне навчання, SCADA-дані, Smart Grid, надійність електропостачання

ЦИТУВАТИ
Tkachenko, A. (2025). Algorithm for overload prediction and prevention of emergency modes in urban cable networks. Machinery & Energetics, 16(4), 89-98. https://doi.org/10.31548/machinery/4.2025.89
Використані джерела
  1. Abumohsen, M., Owda, A.Y., & Owda, M. (2023). Electrical load forecasting using LSTM, GRU, and RNN algorithms. Energies, 16(5), article number 2283. doi: 10.3390/en16052283.
  2. Ahmad, T., Madonski, R., Zhang, D., Huang, C., & Mujeeb, A. (2022). Data-driven probabilistic machine learning in sustainable smart energy/smart energy systems: Key developments, challenges, and future research opportunities in the context of smart grid paradigm. Renewable and Sustainable Energy Reviews, 160, article number 112128. doi: 10.1016/j.rser.2022.112128.
  3. Al-Dulaimi, A.A., Guneser, M.T., Hameed, A.A., Márquez, F.P.G., & Gouda, O.E. (2024). Adaptive FEM-BPNN model for predicting underground cable temperature considering varied soil composition. Engineering Science and Technology, an International Journal, 51, article number 101658. doi: 10.1016/j.jestch.2024.101658.
  4. Asorza, J.E.G., Leon Colqui, J.S., Kurokawa, S., & Pissolato Filho, J. (2024). Analysis of increased induced voltages on the sheath of double-circuit underground transmission lines guaranteeing ampacity. Energies, 17(7), article number 1637. doi: 10.3390/en17071637.
  5. Bao, S., Bao, H., Jin, M., Ruan, Y., Shi, Y., & Yang, C. (2025). Prediction of bundle-conductor ampacity based on transformer-LSTM. Frontiers in Physics, 13, article number 1603239. doi: 10.3389/fphy.2025.1603239.
  6. Chen, X., Huang, G., Gao, X., Ou, S., Li, Y., & Hezam, I.M. (2021). BN-RA: A hybrid model for risk analysis of overload-induced early cable fires. Applied Sciences, 11(19), article number 8922. doi: 10.3390/app11198922.
  7. Dinmohammadi, F., Flynn, D., Bailey, C., Pecht, M., Yin, C., Rajaguru, P., & Robu, V. (2019). Predicting damage and life expectancy of subsea power cables in offshore renewable energy applications. IEEE Access, 7, 54658-54669. doi: 10.1109/ACCESS.2019.2911260.
  8. Elazim, S.M.A., Elkholy, M.H., Elgarhy, A., Senjyu, T., Gamil, M.M., Song, D., Ali, E.S., Ludin, G.A., Irshad, A.S., & Lotfy, M.E. (2025). Enhancing stability and power quality in electric vehicle charging stations powered by hybrid energy sources through harmonic mitigation and load management. Scientific Reports, 15, article number 28077. doi: 10.1038/s41598-025-14143-4.
  9. Fernandez Martinez, R., Alberdi, R., Fernandez, E., Albizu, I., & Bedialauneta Landaribar, M.T. (2024). Improvement of transmission line ampacity utilization via machine learning-based dynamic line rating prediction. SSRN Electronic Journal. doi: 10.2139/ssrn.4800867.
  10. IEC 60287-1-1. (2006). Electric cables – calculation of the current rating – part 1-1: Current rating equations (100% load factor) and calculation of losses – general. Retrieved from https://cdn.standards.iteh.ai/samples/14148/a2d7245605294d2ca22919d912944609/IEC-60287-1-1-2006.pdf.
  11. Khandeparkar, V., Shreshtha, & Ramu, S.K. (2025). Effectiveness of supervised machine learning models for electrical fault detection in solar PV systems. Scientific Reports, 15, article number 34919. doi: 10.1038/s41598-025-18802-4.
  12. Kim, Y., Nguyen Cong, H., Dinh, B.H., & Kim, H. (2024). Effect of ambient air and ground temperatures on heat transfer in underground power cable systems buried in newly developed cable bedding material. Geothermics, 125, article number 103151 doi: 10.1016/j.geothermics.2024.103151.
  13. Lei, H., Rufeng, L., Baofeng, T., Kaifeng, Z., Binyu, J., & Lin, X. (2023). Evaluating and forecasting methods for assessing the health status of cables under the load of large-scale electric vehicle charging. Frontiers in Energy Research, 11, article number 1345840. doi: 10.3389/fenrg.2023.1345840.
  14. Li, Q., Guo, K., Wang, S., Zhang, J., & Zhang, Z. (2024). Research on intelligent identification algorithm for preventing external damage behavior of power cable based on machine learning. Applied Mathematics and Nonlinear Sciences, 9(1). doi: 10.2478/amns-2024-3331.
  15. Lin, M., Shi, Q., & Wang, T. (2023). Temperature and humidity sensor monitoring of directly buried cable based on temperature field distribution simulation of power cable. Journal of Measurements in Engineering, 11(2), 154-165. doi: 10.21595/jme.2023.23178.
  16. Olojede, D., King, S., & Jennions, I. (2025). Application of machine learning in power grid fault detection and maintenance. Energy Informatics, 8, article number 119. doi: 10.1186/s42162-025-00574-w.
  17. Pang, D., Zhang, Y., Li, Y., Zhou, Y., Lu, Z., & Qi, M. (2021). Fast calculation method of directly buried cables ampacity. Vibroengineering Procedia, 38, 148-153. doi: 10.21595/vp.2021.22019.
  18. Peng, N., Liu, X., Liang, R., Tang, Z., Ren, X., Hu, Y., & Li, G. (2022). Edge computing-based fault sensing of distribution cables based on time-domain analysis of grounding line current signals. IEEE Transactions on Power Delivery, 37(5), 4404-4417. doi: 10.1109/TPWRD.2022.3170294.
  19. Sucurovic, M., Klimenta, D., & Tasic, D. (2024). Correction of the IEC formula for the eddy-current loss factor: The case of single-core cables in trefoil formation with metallic screens bonded and earthed at one end. Facta Universitatis, Series: Electronics and Energetics, 37(2), 391-408. doi: 10.2298/FUEE2402391S.
  20. Szultka, S., Czapp, S., Tomaszewski, A., & Tariq, H. (2024). Calculation of maximum permissible load of underground power cables using numerical modelling of stabilized backfill conditions. Applied Sciences, 14(20), article number 9233. doi: 10.3390/app14209233.
  21. Yu, H., Niu, S., Shang, Y., Shao, Z., Jia, Y., & Jian, L. (2022). Electric vehicles integration and vehicle-to-grid operation in active distribution grids: A comprehensive review on power architectures, grid connection standards and typical applications. Renewable and Sustainable Energy Reviews, 168, article number 112812. doi: 10.1016/j.rser.2022.112812.
  22. Zhang, Z., Liu, W., Zeng, L., He, S., Zhou, H., & Ruan, J. (2024). Long-term ampacity prediction method for cable intermediate joints based on the Prophet model. Processes, 12(4), article number 748. doi: 10.3390/pr12040748.