Идентификация структуры энергосетей общественных зданий по сигналам в узлах

Автор(ы): Рассадин Ю.М., Рыжов М.С., Гаврилов М.С., Морковина И.А., Быканов И.Ю., Солопанов Н.Д., Токарев Р.А., Дуванов Е.С.

Выпуск: 121

Рубрика: Информационные технологии в управлении

Год: 2026

Библиография: Рассадин Ю.М., Рыжов М.С., Гаврилов М.С., Идентификация структуры энергосетей общественных зданий по сигналам в узлах // Управление большими системами. - 2026. - Вып. 121. - С.144-175.

Дата опубликования: 31.05.2026

Ключевые слова: кластеризация, распределительные сети, идентификация топологии, машинное обучение

Аннотация: Рассматривается задача идентификации топологии распределительной сети 0,4 кВ комплекса зданий ИПУ РАН по данным приборов учёта за март-июнь 2024 г. Решение выполнено для трёх сценариев: обучение с частичной разметкой, кластеризация с известным числом кластеров и полностью без учителя. Для первых двух сценариев предложен набор интерпретируемых методов: двухфакторная пороговая классификация (по средним значений напряжения и температуры), спектральная кластеризация на основе корреляции Пирсона и ансамбль GMM, K-Means, Spectral Clustering. Ключевым фактором успеха стало использование физически релевантных электрических параметров, обеспечившее абсолютную точность. Градиентный бустинг CatBoost с квантильными статистиками фазных напряжений также достиг точности 1,0. Для третьего (полностью неконтролируемого) сценария построен граф связности устройств на основе нормализованных DTW-расстояний, сообщества выделены методами Statistical Inference и SBM. Значение F1-меры составило около 0,85, что подтверждает работоспособность подхода при полном отсутствии разметки. Разработанные алгоритмы применимы для автоматического восстановления топологии и мониторинга целостности распределительных сетей. Перспективны тестирование на разнородных данных, адаптация к~меняющейся топологии (online-обучение) и разработка адаптивных порогов.

Author(s): Rassadin Y., Ryzhov M., Gavrilov M., Morkovina I., Bykanov I., Solopanov N., Tokarev R., Duvanov E.

Article title: Identification of the structure of public building power grids from nodal signals

Issue: 121

Year: 2026

Keywords: catboost, distribution networks, topology identification, machine learning

Abstract: The identification of the 0,4 kV distribution network topology of the ICS RAS building complex is considered based on electricity meter data from March to June 2024. The problem is solved in three settings: supervised learning with partial labels, clustering with a known number of clusters, and completely unsupervised. For the first two settings, a set of interpretable methods is proposed: a two-factor threshold classifier (using average voltage and temperature values), Pearson-correlation-based spectral clustering, and an ensemble of GMM, K-Means, and Spectral Clustering. The key success factor is the use of physically relevant electrical parameters, which yields perfect accuracy. Gradient boosting CatBoost with quantile statistics of phase voltages also achieves an accuracy of 1,0. For the fully unsupervised scenario, a device connectivity graph is constructed using normalized DTW distances, followed by community detection via Statistical Inference and the Stochastic Block Model. The achieved F1-score is about 0,85, demonstrating the feasibility of the approach in the absence of any ground truth labels. The developed algorithms are applicable for automatic topology recovery and integrity monitoring of distribution networks. Future work includes testing on heterogeneous data, adaptation to changing network configurations (online learning), and development of adaptive thresholds.