Застосування штучного інтелекту для оптимального керування компенсацією реактивної потужності в системах змінного тягового електропостачання

Максим Шпілєвий
Отримано 15.07.2025, Доопрацьовано 09.11.2025, Прийнято 24.12.2025
Анотація

Метою дослідження було кількісно оцінити ефективність нейромережевого керування динамічною компенсацією реактивної потужності у тяговій мережі «Укрзалізниці». Методологія включала високочастотний моніторинг 118 підстанцій (≈16 трлн вимірів), агрегування 52 млн Supervisory Control and Data Acquisition записів, тренд-розрахунок Theil-Sen, Seasonal-Trend decomposition using Loess, тест Брауна-Форсайта та глибоку мережу 64-32-16 з Tree-structured Parzen Estimator оптимізацією, валідовану у 120 Монте-Карло сценаріях Simscape. Результати показали, що середня добова Q зросла з 309,8 до 367,2 Мвар (18,5 %) при тренді 0,95 Мвар/міс (95 % ДІ 0,82-1,08; p < 0,001), зимові піки сягали 520 Мвар, а дисперсія після лютого 2022 р. збільшилася у 1,5 рази (F = 34,9; p < 0,001). Нейромережа досягла Mean Squared Error = 184 Мвар2 і R2 = 0,982; на тесті R2 = 0,975, Mean Absolute Error = 11,2 Мвар, а медіанна похибка зимових піків не перевищувала 3 %. У симуляціях алгоритм утримував cos φ між 0,985-0,991 для навантажень 0,3-1,2 п.о., знижував добові втрати на 6,1-9,4 % (≈1,2 МВт·год/добу) та кількість перемикань Static Var Compensator на 38 %; при відмові 20 % Insulated Gate Bipolar Transistor модулів час cos φ < 0,98 становив 0,7 % проти 19 % для Proportional-Integral-Derivative controller. Кількісне порівняння стратегій компенсації підтвердило, що змодельована система STATCOM-DL досягла найнижчих середніх відхилень cos φ (0,015 проти 0,030-0,048 у конкурентів) та мінімальних річних втрат (≈430 МВт·год), перевершивши всі альтернативні підходи. Висновки підтверджують, що поєднання глибокого навчання й статистичної валідації забезпечує стійкість мережі та підвищує її енергоефективність. Практичне значення полягає у тому, що підсумкові алгоритми можуть застосовувати диспетчерські центри залізниць та енергетичні інтегратори для реального-часу оптимізації

Ключові слова:
глибоке навчання; нейромережа; енергоефективність; фазовий баланс; добові перемикання; коливання напруги

Взято з Том 23, № 2, 2025

Сторінки 34–45

Використані джерела ЦИТУВАТИ
  1. Badrudeen, T.U., Ariyo, F.K., & Nwulu, N. (2025). Performance evaluation of STATCOM placement in real-world power system through DOA-NVSP algorithm for congestion management and stability improvement. Scientific Reports, 15, article number 26399. doi: 10.1038/s41598-025-11232-2.
  2. Bandura, I., Romaniuk, M., Komenda, N., Hadai, A., & Volynets, V. (2023). Optimisation of energy solutions: Alternative energy, reactive power compensation, and energy efficiency management. Machinery & Energetics, 14(4), 121-130. doi: 10.31548/machinery/4.2023.121.
  3. Barros, L.A.M., Tanta, M., Martins, A.P., Afonso, J.L., & Pinto, J.G. (2021). Evaluation of static synchronous compensator and rail power conditioner in electrified railway systems using V/V and Scott power transformers. EAI Endorsed Transactions on Energy Web, 8(34), article number e9. doi: 10.4108/eai.29-3-2021.169164.
  4. Brown, M.B., & Forsythe, A.B. (1974). Robust tests for the equality of variances. Journal of the American Statistical Association, 69(346), 364-367. doi: 10.1080/01621459.1974.10482955.
  5. Chandrasekaran, S., Arghir, C., Joerg, P., Doerfler, F., & Mastellone, S. (2025). Reactive power flow optimization in AC drive systems. ArXiv. doi: 10.48550/arXiv.2504.10360.
  6. Chen, W., Zhang, X., Liu, H., Song, K., Li, S., & Duan, L. (2022). Reactive power compensation optimization of high voltage transmission network based on artificial bee colony algorithm. In 18th international conference on AC and DC power transmission (pp. 1089-1095). Stevenage: Institution of Engineering and Technology. doi: 10.1049/icp.2022.1353.
  7. Choi, J., Lee, H., Ku, H., & Yoon, M. (2024). Optimization of the operating point of multi-reactive power compensation equipment considering facility characteristics. In TENCON 2024 – 2024 IEEE region 10 conference (pp. 1182-1185). Singapore: Institute of Electrical and Electronics Engineers. doi: 10.1109/ TENCON61640.2024.10902882.
  8. Dan, W., Hanqing, L., Yidong, H., Ke, S., Dong, L., Rui, S., & Xu, G. (2024). Study on optimal configuration of dynamic reactive power compensation for AC and DC power network. In 2024 9th Asia conference on power and electrical engineering (pp. 511-516). Shanghai: IEEE. doi: 10.1109/ACPEE60788.2024.10532291.
  9. Ding, C., Guo, Y., You, H., & Zhang, H. (2023). Optimization of algorithm for solving railroad power conditioner compensation power reference value and system power quality analysis based on optimal compensation model. Energies, 16(20), article number 7073. doi: 10.3390/en16207073.
  10. DSTU EN 50388:2015. (2015). Railway transport – power supply for rolling stock – technical criteria for coordination between power supply (substations) and rolling stock to ensure compatibility. Retrieved from https://online. budstandart.com/ua/catalog/doc-page.html?id_doc=74115.
  11. Ettappan, M., Vimala, V., Ramesh, S., & Kesavan, V.T. (2020). Optimal reactive power dispatch for real power loss minimization and voltage stability enhancement using Artificial Bee Colony Algorithm. Microprocessors and Microsystems, 76, article number 103085. doi: 10.1016/j.micpro.2020.103085.
  12. Feng, D., Zhou, H., & Lin, S. (2023). A reactive power optimization method for AC metro power supply system based on particle swarm optimization algorithm. In 2023 IEEE vehicle power and propulsion conference (pp. 1-6). Milan: Institute of Electrical and Electronics Engineers. doi: 10.1109/VPPC60535.2023.10403259.
  13. Feng, J., Chen, M., & Sun, Z. (2024). Hierarchical comprehensive compensation strategy for multi-voltage level traction power supply system. In 2024 21st international conference on harmonics and quality of power (pp. 306311). Chengdu: Institute of Electrical and Electronics Engineers. doi: 10.1109/ICHQP61174.2024.10768811.
  14. Feng, N., Feng, Y., Su, Y., Zhang, Y., & Niu, T. (2024). Dynamic reactive power optimization strategy for AC/DC hybrid power grid considering different wind power penetration levels. IEEE Access, 12, 187471-187482. doi: 10.1109/ACCESS.2024.3392851.
  15. Guamán, W., Benalcazar, P., Cordova-Garcia, J., & Torres, M. (2025). Machine learning-based projections of longterm electricity consumption: The case study of Ecuador. In T. Guarda, F. Portela & M.F. Augusto (Eds.), ARTIIS 2024 international workshops: Advanced research in technologies, information, innovation and sustainability (pp. 174-187). Cham: Springer. doi: 10.1007/978-3-031-83432-5_12.
  16. Guamán, W.P., Pesantez, G.N., Torres, M.A., Falcones, S., & Urquizo, J. (2023). Optimal dynamic reactive power compensation planning in power systems: Case study of Ecuador-Perú interconnection. Electric Power Systems Research, 218, article number 109191. doi: 10.1016/j.epsr.2023.109191.
  17. Hao, F., Zhang, G., Chen, J., & Liu, Z. (2021). Distributed reactive power compensation method in DC traction power systems with reversible substations. IEEE Transactions on Vehicular Technology, 70(10), 9935-9944. doi: 10.1109/tvt.2021.3108030.
  18. Hu, H., Liu, Y., Li, Y., He, Z., Gao, S., Zhu, X., & Tao, H. (2024). Traction power systems for electrified railways: Evolution, state of the art, and future trends. Railway Engineering Science, 32, 1-19. doi: 10.1007/s40534-02300320-6.
  19. IEC 61557-1:2019. (2019). Electrical safety in low-voltage distribution systems up to 1 000 V AC and 1 500 V DC – equipment for testing, measuring or monitoring of protective measures – part 1: General requirements. Retrieved from https://webstore.iec.ch/en/publication/60891.
  20. IEEE Xplore. (n.d.). About IEEE Xplore. Retrieved from https://innovate.ieee.org/about-the-ieee-xplore-digitallibrary/.
  21. ISO 50001:2018. (2018). Energy management systems – requirements with guidance for use. Retrieved from https://www.iso.org/standard/69426.html.
  22. ISO/IEC 17025:2017. (2017). General requirements for the competence of testing and calibration laboratories. Retrieved from https://www.iso.org/standard/66912.html.
  23. Jaisiva, S., Prabaakaran, K., Kumar, C., Lakshmanan, M., Alwabli, A., Jaffar, A., Alharbi, A., & Miyajan, A. (2023). A novel solution for the optimal reactive power dispatch problem using an artificial neural network integrated with the firefly optimization algorithm. Frontiers in Energy Research, 11, article number 1310010. doi: 10.3389/ fenrg.2023.1310010.
  24. Jia, D., Tao, J., Fan, R., & Lu, J. (2020). Research on coordinated control strategy of ITER power supplies and reactive power compensation system. Journal of Fusion Energy, 39, 491-499. doi: 10.1007/s10894-020-00270-5.
  25. Jumani, T.A., Mustafa, M.W., Hamadneh, N.N., Atawneh, S.H., Rasid, M., Mirjat, N.H., Bhayo, M.A., & Khan, I. (2020). Computational intelligence-based optimization methods for power quality and dynamic response enhancement of AC microgrids. Energies, 13(16), article number 4063. doi: 10.3390/en13164063.
  26. Kumar, L., Kar, M.K., & Kumar, S. (2022). Statistical analysis-based reactive power optimization using improved differential evolutionary algorithm. Expert Systems, 40(1), article number e13091. doi: 10.1111/exsy.13091.
  27. Kumar, L., Kar, M.K., & Kumar, S. (2023). Reactive power management of transmission network using evolutionary techniques. Journal of Electrical Engineering & Technology, 18, 123-145. doi: 10.1007/s42835-022-01185-1.
  28. Lin, S., Mu, D., Xu, L., & He, Z. (2025). Parameter optimization method for AC filters in HVDC considering reactive power compensation effectiveness. IEEE Transactions on Power Delivery, 40(1), 365-375. doi: 10.1109/ tpwrd.2024.3495706.
  29. Nishad, D.K., Tiwari, A.N., Khalid, S., & Gupta, S. (2024). Power quality solutions for rail transport using AI-based unified power quality conditioners. Discover Applied Sciences, 6, article number 651. doi: 10.1007/s42452-02406372-5.
  30. Pan, H., Qin, K., Zhang, J., & Yuan, C. (2022). Fruit fly optimization algorithm multi-objective control method for MMC traction power supply system with unbalanced distribution network. International Journal of Dynamics and Control, 10, 1922-1933. doi: 10.1007/s40435-022-00927-3.
  31. Panoiu, M., Panoiu, C., & Mezinescu, S. (2023). Modelling and prediction of reactive power at railway stations using adaptive neuro fuzzy inference systems. Applied Sciences, 13(1), article number 212. doi: 10.3390/ app13010212.
  32. Pivnyak, G., Azukovskiy, O., Papaika, Y., Cabana, E.C., Miedziński, B., Polnik, B., Jamróż, A., & Polyanska, A. (2024). Managing the power supply energy efficiency by means of higher harmonics. Energy Policy Journal, 27(4), 59-80. doi: 10.33223/epj/191813.
  33. Rauch, J., & Brückl, O. (2023). Achieving optimal reactive power compensation in distribution grids by using industrial compensation systems. Electricity, 4(1), 78-95. doi: 10.3390/electricity4010006.
  34. Sayeh, K.F., Tamalouzt, S., Sahri, Y., Belaid, S.L., & Bekhiti, A. (2025). Artificial intelligence-based direct power control for power quality improvement in a WT-DFIG system via neural networks: Prediction and classification techniques. Journal of the Franklin Institute, 362(1), article number 107401. doi: 10.1016/j.jfranklin.2024.107401.
  35. Scopus: A comprehensive abstract and citation database for impact makers. (n.d.). Retrieved from https://www. elsevier.com/products/scopus.
  36. Shokouhandeh, H., Latif, S., Irshad, S., Kamarposhti, M.A., Colak, I., & Eguchi, K. (2022). Optimal management of reactive power considering voltage and location of control devices using Artificial Bee Algorithm. Applied Sciences, 12(1), article number 27. doi: 10.3390/app12010027.
  37. Skalozub, V., Zhukovytskyi, I., Bosyi, D., & Lakhno, V. (2024). Usage of specialized intellectual and artificial intelligence systems to improve railway transport technologies. In A. Sładkowski (Ed.), Using artificial intelligence to solve transportation problems (pp. 27-122). Cham: Springer. doi: 10.1007/978-3-031-69487-5_2.
  38. Utama, C., Meske, C., Schneider, J., & Ulbrich, C. (2022). Reactive power control in photovoltaic systems through (explainable) artificial intelligence. Applied Energy, 328, article number 120004. doi: 10.1016/j. apenergy.2022.120004.
  39. Wang, H., Liu, W., Li, Q., Wu, B., & Liu, T. (2021). Compensation of negative sequence for a novel AC integrated power supply system of urban rail transit. IET Generation, Transmission & Distribution, 15(22), 3188-3203 doi: 10.1049/gtd2.12251.
  40. Xu, Y., Pan, X., Guo, J., Sun, X., & Zhang, H. (2023). Dynamic reactive power characteristics analysis and optimization of synchronous condensers. In 2023 10th international forum on electrical engineering and automation (pp. 484488). Nanjing: Institute of Electrical and Electronics Engineers. doi: 10.1109/IFEEA60725.2023.10429104.
  41. Yagup, V.G., & Yagup, K.V. (2024). Analytical method of determining conditions for full compensation of reactive power in the power supply system. Electrical Engineering & Electromechanics, 2, 75-80. doi: 10.20998/2074272x.2024.2.11.
  42. Yuan, J. (2023). Reactive power compensation optimization of distribution network with distributed power supply. Journal of Physics: Conference Series, 2567, article number 012009. doi: 10.1088/17426596/2567/1/012009.
Shpilievyi, M, (2025). Application of artificial intelligence for optimal control of reactive power compensation in AC traction power supply systems. Journal of Kryvyi Rih National University, 23(2), 34-45. https://doi.org/10.31721/2306-5451-2025-2-23-34-45
uk