Генеративно-состязательные искусственные нейронные сети для решения задач управления режимами и планирования развития энергосистем

Цель – провести обзор применения генеративно-состязательных нейронных сетей для решения задач управления и планирования режимов электроэнергетических систем с выявлением перспективных направлений применения и развития данных моделей. Рассмотрено около 50 российских и зарубежных работ, в каждой из которых были проанализированы преимущества и недостатки предложенных решений, перспективные направления их развития. Также в ходе вычислительного эксперимента библиотеки методов машинного обучения PyTorch в работе реализована и протестирована модель генеративно-состязательной нейронной сети для получения случайных суточных почасовых графиков выработки мощности солнечными электростанциями. Анализ литературных источников выявил два основных направления применения генеративных искусственных нейронных сетей при управлении режимами энергосистем. Чаще всего с помощью таких моделей предлагается генерировать сценарии выдаваемой мощности возобновляемыми источниками энергии, а также мощности нагрузок в узлах энергосистем для задач планирования развития, прогнозирования, анализа надежности. Также показано, что генеративные сети с входным условием применяются в качестве вероятностных моделей объектов для анализа значимости влияющих факторов. В ходе проведенного вычислительного эксперимента модель генеративной сети позволила получать случайные суточные графики выдаваемой мощности солнечных электростанций, которые по вероятностным метрикам неотличимы от реальных. Показано, что основными сложностями при работе с такими моделями являются нестабильное обучение, а также сложность применения одной модели для одновременной генерации большого количества данных. Таким образом, в проведенном обзоре рассмотрены примеры применения генеративно-состязательных нейронных сетей, а также разобраны конкретные алгоритмы обучения и их применения. Решение выявленной проблемы, а также обучение генеративных сетей для решения вспомогательных задач при оптимизации режимов – это наиболее перспективные направления для дальнейших исследований.

1. Галяутдинова А.Р., Ившин И.В., Соловьев С.А. Система оценки и прогнозирования технического состояния силового маслонаполненного трансформаторного оборудования распределительных сетей с применением машинного обучения // Известия высших учебных заведений. Проблемы энергетики. 2024. Т. 26. № 2. С. 32–45. https://doi.org/10.30724/1998-9903-2024-26-2-32-45. EDN: JNMAGX.

2. Паздерин А.В., Сенюк М.Д., Классен В.В., Теплухин Д.А., Шендер С.Е. Обзор методов идентификации места возмущения в электрических сетях на основе синхронизированных векторных измерений и алгоритмов машинного обучения // Электричество. 2025. Т. 27. № 2. С. 15–28. https://doi.org/10.24160/0013-5380-2025-215-28. EDN: OXJQUI.

3. Senyuk M., Beryozkina S., Zicmane I., Safaraliev M., Klassen V., Kamalov F. Bulk low-inertia power systems adaptive fault type classification method based on machine learning and phasor measurement units data // Mathematics. 2025. Vol. 13. Iss. 2. P. 316. https://doi.org/10.3390/math13020316. EDN: VWGIXW.

4. Снегирев Д.А., Паздерин А.В., Самойленко В.О., Крючков П.А. Оптимизация краткосрочного прогнозирования выработки ветроэлектрических станций с помощью машинного обучения // Электрические станции. 2025. № 6. С. 40–49. https://doi.org/10.71841/EP.elst.2025.1127.6.05. EDN: ILXYEE.

5. Самойленко В.О., Верхозин А.М., Тащилин В.А., Паздерин А.В., Мухлынин Н.Д. Анализ эффективности современных информационных методов выявления нетехнических потерь электроэнергии // Электроэнергия. Передача и распределение. 2023. № 4. С. 64–74. EDN: DWOUPU.

6. Goodfellow I., Pouget-Abadie J., Mirza M., Xu Bing, Warde-Farley D., Ozair S., et al. Generative adversarial nets // Advances in Neural Information Processing Systems. 2014. Vol. 27. P. 2672–2680. https://doi.org/10.48550/arXiv.1406.2661.

7. Chen Fan, Wei Zhinong, Liu Haitao, Li Jun, Zhang Xiaolian. Reliability modeling of wind farms considering weather conditions // 5th International Conference on Electric Utility Deregulation and Restructuring and Power Technologies (Changsha, 26–29 November 2015). Changsha: IEEE, 2015. P. 380–385. https://doi.org/10.1109/ DRPT.2015.7432236.

8. Kingma D.P., Welling M. Auto-encoding variational bayes // 2nd International Conference on Learning Representations. 2014. https://doi.org/10.48550/arXiv.1312.6114.

9. Makhzani A., Shlens J., Jaitly N., Goodfellow I., Frey B. Adversarial autoencoders // 4th International Conference on Learning Representations. 2016. https://doi.org/10.48550/arXiv.1511.05644.

10. Николенко С.И., Кадурин А.Л., Архангельская Е.О. Глубокое обучение. СПб.: Питер, 2020. 480 с.

11. Arjovsky M., Chintala S., Bottou L. Wasserstein GAN // Proceedings of the 34th International Conference on Machine Learning. 2017. Vol. 70. P. 214–223. https://doi.org/10.48550/arXiv.1701.07875.

12. Gulrajani I., Ahmed F., Arjovsky M., Dumoulin V., Courville A. Improved training of Wasserstein GANs // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 5767–5777. https://doi.org/10.48550/arXiv.1704.00028.

13. Nguyen Tu Dinh, Le Trung, Vu Hung, Phung Dinh. Dual discriminator generative adversarial nets // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 2670–2680. https://doi.org/10.48550/arXiv.1709.03831. 14. Hoang Quan, Nguyen Tu Dinh, Le Trung, Phung Dinh. Multi-generator generative adversarial nets // 6th International Conference on Learning Representations. 2017. https://doi.org/10.48550/arXiv.1708.02556.

14. Wang Chaoyue, Xu Chang, Yao Xin, Tao Dacheng. Evolutionary generative adversarial networks // IEEE Transactions on Evolutionary Computation. 2019. Vol. 23. Iss. 6. P. 921–934. https://doi.org/10.48550/arXiv.1803.00657.

15. Park N., Mohammadi M., Gorde K., Jajodia S., Park H., Kim Y. Data synthesis based on generative adversarial networks // Proceedings of the VLDB Endowment. 2018. Vol. 11. Iss. 10. P. 1071–1083. https://doi.org/10.48550/arXiv.1806.03384.

16. Yoon Jinsung, Jarrett D., Van der Schaar M. Time-series generative adversarial networks // Advances in Neural Information Processing Systems. 2019. Vol. 32. P. 5508–5518.

17. Qian T., Shi F., Wang Ke., Yang Sh., Geng J., Li Ya., et al. N-1 static security assessment method for power grids with high penetration rate of renewable energy generation // Electric Power Systems Research. 2022. Vol. 211. Iss. 5. P. 108200. https://doi.org/10.1016/j.epsr.2022.108200. EDN: LCPJBZ.

18. Sidhu T.S., Cui L. Contingency screening for steady-state security analysis by using FFT and artificial neural networks // IEEE Transactions on Power Systems. 2000. Vol. 15. Iss. 1. P. 421–426. https://doi.org/10.1109/59.852154.

19. Du Yan, Li Fangxing, Li Jiang, Zheng Tongxin. Achieving 100x acceleration for N-1 contingency screening with uncertain scenarios using deep convolutional neural network // IEEE Transactions on Power Systems. 2019. Vol. 34. Iss. 4. P. 3303–3305. https://doi.org/10.1109/TPWRS.2019.2914860.

20. Peng H., Lou Yu., Sun H., Zuo Zh., Liu Yu., Wang Ch. Extreme scenario generation for renewable energies // IET Smart Grid. 2024. Vol. 7. Iss. 2. P. 130–141. https://doi.org/10.1049/stg2.12119. EDN: CPMDCQ.

21. Zhuang Xinran, Ye Chengjin, Ding Yi, Cheng Lin, Song Yonghua, Ye Shuiquan, et al. Data-driven efficient reliability evaluation of power systems with wind penetration: an integrated GANs and CE method // IET Generation, Transmission & Distribution. 2020. Vol. 14. Iss. 2. P. 549–558. https://doi.org/10.1049/iet-gtd.2019.1048.

22. Buttler A., Dinkel F., Franz S., Hartmut S. Variability of wind and solar power – an assessment of the current situation in the European Union based on the year 2014 // Energy. 2016. Vol. 106. P. 147–161. https://doi.org/10.1016/j.energy.2016.03.041.

23. Gao Y., Billinton R. Adequacy assessment of generating systems containing wind power considering wind speed correlation // IET Generation, Transmission & Distribution. 2009. Vol. 3. Iss. 2. P. 217–226. https://doi.org/10.1049/iet-rpg:20080036.

24. Kang Jichuan, Sun Liping, Sun Hai, Chunlin Wu. Risk assessment of floating offshore wind turbine based on correlation-FMEA // Ocean Engineering. 2017. Vol. 129. P. 382–388. https://doi.org/10.1016/ j.oceaneng.2016.11.048.

25. Rubinstein R.Y., Kroese D.P. The cross-entropy method: a unified approach to combinatorial optimization, MonteCarlo simulation and machine learning. New York: Springer, 2004. Р. 287–295. https://doi.org/10.1007/978-14757-4321-0.

26. Sun Ye., Wang Bo., Yuan R., Watada Ju. Rolling unit commitment based on dual-discriminator conditional generative adversarial networks // Electric Power Systems Research. 2022. Vol. 205. P. 107770. https://doi.org/10.1016/j.epsr.2021.107770. EDN: RUUMYA.

27. Xu J., Ji Zh., Liu X., Bao Yu., Zhang Sh., Wang W., et al. Two-stage scheduling of integrated energy systems based on a two-step DCGAN-based scenario prediction approach // Frontiers in Energy Research. 2023. Vol. 10. P. 1012367. https://doi.org/10.3389/fenrg.2022.1012367. EDN: XXBJRE.

28. Fu Yu, Sun Q., Wennersten R. Effectiveness of the CVaR method in risk management in an integrated energy system // Energy Reports. 2020. Iss. 6. P. 1010–1015. https://doi.org/10.1016/j.egyr.2020.11.084. EDN: BWGIRH.

29. Claeys R., Cleenwerck R., Knockaert J., Desmet J. Capturing multiscale temporal dynamics in synthetic residential load profiles through generative adversarial networks // Applied Energy. 2024. Vol. 360. Iss. 1. P. 122831. https://doi.org/10.1016/j.apenergy.2024.122831. EDN: PMTORC.

30. Hu Y., Li Y., Song L., Lee H. P., Rehm P. J., Makdad M. MultiLoad-GAN: a GAN-based synthetic load group generation method considering spatial-temporal correlations // IEEE Transactions on Smart Grid. 2024. Vol. 15. Iss. 2. P. 23092320. https://doi.org/10.48550/arXiv.2210.01167.

31. Li J., Chen Zh., Cheng L., Liu X. Energy data generation with Wasserstein deep convolutional generative adversarial networks // Energy. 2022. Vol. 257. Iss. 3. P. 124694. https://doi.org/10.1016/j.energy.2022.124694. EDN: ZEZAJM.

32. Liu J., Meng X., Wu J. Multi-stage cooperative planning among shared energy storage operator and multiple prosumers in regional integrated energy system considering long-term uncertainty // Journal of Energy Storage. 2024. Vol. 103. P. 114244. https://doi.org/10.1016/j.est.2024.114244. EDN: WIFLUI.

33. Bagheri F., Dagdougui H., Gendreau M. Stochastic optimization and scenario generation for peak load shaving in Smart District microgrid: sizing and operation // Energy and Buildings. 2022. Vol. 275. P. 112426. https://doi.org/ 10.1016/j.enbuild.2022.112426. EDN: FGJPIF.

34. Qian T., Yang Sh., Geng J., Wang Sh. Probabilistic optimal power flow calculation method considering sequential features and correlations of multi-uncertain source-load scenarios // Journal of Renewable and Sustainable Energy. 2021. Vol. 13. Iss. 4. P. 045503. https://doi.org/10.1063/5.0053687. EDN: VMATQZ.

35. Li Yang, Wang Bin, Yang Zhen, Li Jiazheng, Chen Chen. Hierarchical stochastic scheduling of multi-community integrated energy systems in uncertain environments via Stackelberg game // Applied Energy. 2022. Vol. 308. P. 118392. https://doi.org/10.48550/arXiv.2112.07103.

36. Liu H., Tang W. Multi-objective bi-level programs for optimal microgrid planning considering actual BESS lifetime based on WGAN-GP and info-gap decision theory // Journal of Energy Storage. 2024. Vol. 89. P. 111510. https://doi.org/10.1016/j.est.2024.111510. EDN: EDBFUM.

37. Паздерин А.В., Банных П.Ю., Бартоломей П.И., Гаврилова А.Е. Метод поиска предельного режима в заданном контролируемом сечении с применением потоковой модели // Электричество. 2024. Т. 26. № 12. С. 49–57. https://doi.org/10.24160/0013-5380-2024-12-49-57. EDN: VXGTRZ.

38. Franco J.F., Ochoa L.F., Romero R. AC OPF for smart distribution networks: an efficient and robust quadratic approach // IEEE Transactions on Smart Grid. 2018. Vol. 9. Iss. 5. P. 4613–4623. https://doi.org/10.1109/ TSG.2017.2665559.

39. Wang Yi., Hug G., Liu Z., Zhang N. Modeling load forecast uncertainty using generative adversarial networks // Electric Power Systems Research. 2020. Vol. 189. P. 106732. https://doi.org/10.1016/j.epsr.2020.106732. EDN: SBTXAB.

40. Koochali A., Schichtel P., Dengel A., Ahmed S. Probabilistic forecasting of sensory data with generative adversarial networks – ForGAN // IEEE Access. 2019. Vol. 7. P. 63868–63880. https://doi.org/10.1109/ ACCESS.2019.2915544. EDN: CNOZEX.

41. Bendaoud N.M.M., Farah N., Ben Ahmed S. Comparing generative adversarial networks architectures for electricity demand forecasting // Energy and Buildings. 2021. Vol. 247. P. 111152. https://doi.org/10.1016/j.enbuild.2021.111152. EDN: ZHCOWR.

42. Tang R., Dore J., Ma J., Leong Ph.H.W. Interpolating high granularity solar generation and load consumption data using super resolution generative adversarial network // Applied Energy. 2021. Vol. 299. Iss. 3. P. 117297. https://doi.org/10.1016/j.apenergy.2021.117297. EDN: QUPUYM.

43. Ledig C., Thеis L., Huszar F., Caballero J., Cunningham A., Acosta A., et al. Photo-realistic single image superresolution using a generative adversarial network // IEEE Conference on Computer Vision and Pattern Recognition.

44. P. 105–114. https://doi.org/10.48550/arXiv.1609.04802.

45. Song Lidong, Li Yiyan, Lu Ning. ProfileSR-GAN: a GAN based super-resolution method for generating highresolution load profiles // IEEE Transactions on Smart Grid. 2022. Vol. 13. Iss. 4. P. 3278–3289. https://doi.org/10.48550/arXiv.2107.09523.

46. Zheng Yuhang, Miao Miao, Peng Xiangjia, Lei Jiaxing, Feng Shuang, Bai Yufei. A method for generating subsynchronous oscillation data of power system based on Wasserstein generative adversarial network // IEEE 6th International Electrical and Energy Conference. 2023. P. 3702–3707. https://doi.org/10.1109/CIEEC58067.2023.10166608.

47. Walter V., Wagner A. Probabilistic simulation of electricity price scenarios using conditional generative adversarial networks // Energy and AI. 2024. Vol. 18. Iss. 3. P. 100422. https://doi.org/10.1016/j.egyai.2024.100422. EDN: VZEARG.

48. Каукин А.С., Павлов П.Н., Косарев В.С. Краткосрочное прогнозирование цен на электроэнергию с использованием генеративных нейронных сетей // Бизнес-информатика. 2023. Т. 17. № 3. С. 7–23. https://doi.org/10.17323/2587-814X.2023.3.7.23. EDN: BRCUPM.

49. Zhang Zhongxia, Wu Meng. Real-time locational marginal price forecasting using generative adversarial network // IEEE International Conference on Communications, Control, and Computing Technologies for Smart Grids. 2020. https://doi.org/10.48550/arXiv.2011.04717.

50. Hu Ch., Cheng F., Zhao Y., Guo Sh., Ma L. State of charge estimation for lithium-ion batteries based on data augmentation with generative adversarial network // Journal on Energy Storage. 2024. Vol. 80. P. 110004. https://doi.org/10.1016/j.est.2023.110004. EDN: XVXHHJ.