Прогнозирование местоположения неисправностей в тепловых сетях с использованием графовых нейронных сетей

Тепловые сети являются критически важной инфраструктурой, подверженной физическим повреждениям, таким как неисправности, связанные с утечками, которые приводят к значительным энергетическим и финансовым потерям. Традиционные методы мониторинга, основанные на физических моделях, требуют больших вычислительных затрат и постоянной перенастройки сложных математических моделей, тогда как стандартные методы, основанные на данных, часто оказываются неэффективными из-за недостатка данных реальных датчиков. В настоящем исследовании эти проблемы решаются посредством разработки архитектуры графовой нейронной сети (GNN), учитывающей топологию сети, для локализации неисправностей. Методология включает два этапа: на первом этапе архитектура на основе графового внимания разрабатывается и оптимизируется с использованием синтетического набора данных для эффективного учета многошаговых зависимостей между соседними узлами. На втором этапе модель адаптируется и оценивается на физически смоделированном наборе данных реальной городской тепловой сети, включающем 187 узлов и 42 570 рабочих состояний. Задача формулируется как задача многоклассовой классификации для подмножеств подающей и обратной сетей. Результаты демонстрируют высокую прогностическую эффективность: точность составляет 96% для подающей подсети и 91% для обратной подсети. Анализ ошибок прогнозирования выявляет выраженное смещение в сторону локальных топологических ошибок, что свидетельствует о способности модели учитывать физическое распространение возмущений. Полученные результаты подчеркивают эффективность графовых нейронных сетей при работе с разреженными данными и использовании топологии сети для надежного мониторинга тепловых сетей.