Моделі та методи аналізу даних електроспоживання в розподілених електроенергетичних системах

Abstract

Волощук А.В. Моделі та методи аналізу даних електроспоживання в розподілених електроенергетичних системах. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття ступеня доктора філософії за спеціальністю 122 – Комп’ютерні науки. Тернопільський національний технічний університет імені Івана Пулюя, Тернопіль, 2026. У дисертаційній роботі розв’язано актуальне науково-прикладне завдання аналізу даних електроспоживання на основі моделі у вигляді періодично корельованих випадкових процесів (ПКВП) у поєднанні із методами машинного навчання (МН) для класифікації режимів електроспоживання в розподілених електроенергетичних системах. У вступі обґрунтовано актуальність теми дисертації, визначено зв'язок роботи з науковими темами, сформульовано мету і завдання дослідження, визначено об'єкт, предмет і методи дослідження, наведено загальну характеристику дисертації, окреслено наукову новизну отриманих результатів та їхнє практичне значення, а також розкрито питання апробації результатів дисертації та їх висвітлення в наукових працях. У першому розділі виконано аналіз сучасного стану електроенергетичних систем в умовах розвитку розподіленої генерації та інтеграції відновлюваних джерел енергії в концепції Energy 4.0, зокрема в контексті синхронізації ОЕС України з континентальною мережею ENTSO–E, що підвищує вимоги до оперативності та надійності аналізу даних електроспоживання. Розглянуто існуючі підходи до аналізу даних електроспоживання: статистичні моделі часових рядів, спектральні методи, методи машинного навчання та нейромережеві моделі, здійснено аналітичне оцінювання їх обмежень для класифікації режимів електроспоживання. Визначено, що основними прикладними завданнями є прогнозування електроспоживання, виявлення аномальних та пікових режимів, а також класифікація збалансованих і незбалансованих режимів електроспоживання вузлів розподіленої електроенергетичної системи. Обґрунтовано, що адекватна модель сигналу електроспоживання має одночасно враховувати стохастичну природу та повторювану (циклічну) структуру добового циклу. У другому розділі розглянуто клас математичних моделей, що одночасно описують стохастичну природу та повторювану структуру сигналу електроспоживання: модель циклічного випадкового процесу (ЦВП), яка дозволяє отримати інформацію про моменти вищих порядків та міжциклові кореляції, та модель періодично корельованого випадкового процесу з періодичністю математичного сподівання та автоковаріаційної функції. Обґрунтовано вибір моделі ПКВП як основної для аналізу даних електроспоживання. Детально розглянуто два методи аналізу ПКВП: компонентний метод, що базується на розкладі автоковаріаційної функції у ряд Фур'є за гармоніками періоду, та синфазний метод, що виконує когерентне усереднення реалізацій циклу у часовій області. Проведено порівняльний аналіз методів та обґрунтовано вибір компонентного методу як основного для формування інформативних ознак. У третьому розділі наведено результати експериментального дослідження реальних даних електроспоживання приватного підприємства за 365 діб (погодинна дискретизація). Підтверджено багаторівневу повторювану структуру електроспоживання з домінуванням добового періоду. На основі компонентного методу ПКВП сформовано набір із 13 інформативних ознак (9 компонентних та 4 часових), статистичний аналіз підтвердив їх дискримінантну здатність. Серед ознак визначено чотири найбільш значущі: середній рівень енергії (time_mean), інтенсивність флуктуацій після критичної точки (skew_after_45), часова локалізація точки перелому (tangent_45) та стандартне відхилення до точки перелому (std_before_45). Проведено порівняльний аналіз ефективності 14 моделей машинного навчання. Найвищий F1-score (0,9877) та Recall=1,0000 досягнуто для трьох моделей: Extra Trees, KNN (k=5) та SVM (RBF), за критерієм крос-валідаційної стабільності перевагу має Extra Trees (CV-F1=0,9826). Результати оцінювання за комплексом метрик якості (AUC, MCC, Kappa) підтверджують надійну роздільну здатність та узгодженість класифікації для всіх 14 моделей. У четвертому розділі розроблено програмний модуль, що реалізує повний цикл аналізу даних електроспоживання – від опрацювання вхідних даних методами ПКВП до класифікації режиму електроспоживання з візуалізацією результатів. Запропоновано підхід до адаптивного вибору оптимального протоколу передавання даних (MQTT, CoAP, HTTPS) на основі аналізу мережевих параметрів методами машинного навчання, що забезпечує своєчасність надходження телеметричної інформації у розподілених електроенергетичних системах. За результатами порівняльного аналізу чотирьох моделей машинного навчання найкращу точність класифікації протоколу забезпечила модель MLP Neural Network (F1=0,9020).

Voloshchuk A.V. Models and Methods for Electricity Consumption Data Analysis in Distributed Electrical Power Systems. – Qualifying scientific work on manuscript rights. Dissertation for the degree of Doctor of Philosophy in Specialty 122 – Computer Science. Ternopil Ivan Puluj National Technical University, Ternopil, 2026. The dissertation addresses a relevant scientific and applied problem of electricity consumption data analysis based on the model of periodically correlated random processes (PCRP) combined with machine learning (ML) methods for classifying electricity consumption modes in distributed electrical power systems. The introduction substantiates the relevance of the research topic, establishes its connection with current scientific programs, formulates the aim and objectives, defines the object and subject of the study, describes the research methods, provides a general overview of the dissertation, highlights the scientific novelty and practical significance of the obtained results, and presents information on their approbation and dissemination. The first chapter analyzes the current state of electrical power systems amid the development of distributed generation and the integration of renewable energy sources within the Energy 4.0 concept, particularly in the context of synchronization of the Ukrainian Integrated Power System with the ENTSO-E continental network, which imposes higher requirements on the timeliness and reliability of electricity consumption data analysis. Existing approaches to electricity consumption data analysis are reviewed: statistical time series models, spectral methods, machine learning and neural network models; an analytical assessment of their limitations for electricity consumption mode classification is performed. The main applied tasks identified include electricity consumption forecasting, detection of anomalous and peak modes, and classification of balanced and unbalanced electricity consumption modes of nodes in a distributed electrical power system. It is substantiated that an adequate model of the electricity consumption signal must simultaneously account for both the stochastic nature and the repetitive (cyclic) structure of the daily cycle. The second chapter examines a class of mathematical models that simultaneously describe the stochastic nature and repetitive structure of the electricity consumption signal: the cyclic random process (CRP) model, which provides information about higher-order moments and inter-cycle correlations, and the periodically correlated random process model with periodicity in the mean and autocovariance function. The selection of the PCRP model as the primary model for electricity consumption data analysis is justified. Two PCRP analysis methods are examined in detail: the component method, based on Fourier series expansion of the autocovariance function over period harmonics, and the synphase method, which performs coherent averaging of cycle realizations in the time domain. A comparative analysis is performed, justifying the selection of the component method as the primary approach for generating informative features. The third chapter presents experimental results on real hourly electricity consumption data from a private enterprise over 365 days. The multi-level repetitive structure of consumption with a dominant daily cycle is confirmed. Using the PCRP component method, a set of 13 informative features (9 component and 4 temporal) is formed; statistical analysis confirms their discriminative power. Four most significant features are identified: mean energy level (time_mean), fluctuation intensity after the critical point (skew_after_45), temporal localization of the inflection point (tangent_45), and signal standard deviation before the inflection point (std_before_45). A comparative evaluation of 14 machine learning models is conducted. The highest F1-score (0.9877) and Recall=1.0000 were achieved by three models: Extra Trees, KNN (k=5), and SVM (RBF), Extra Trees demonstrates the best cross-validation stability (CV-F1=0.9826). Evaluation results across the full set of quality metrics (AUC, MCC, Kappa) confirm reliable discriminative power and classification consistency for all 14 models. The fourth chapter describes the developed software module that implements the full analysis pipeline – from PCRP-based input data processing to electricity consumption mode classification with result visualization. An adaptive approach for selecting the optimal data transmission protocol (MQTT, CoAP, HTTPS) based on network parameter analysis using machine learning is proposed, ensuring timely delivery of telemetry data in distributed electrical power systems. A comparative analysis of four machine learning models showed that the MLP Neural Network achieved the best protocol classification accuracy (F1=0.9020).