World scientific research journal
https://scientific-jl.com/wsrj
Volume-39_Issue-1_May-2025
166
AQLLI ENERGETIKA TIZIMLARIDA SVM ALGORITMI ASOSIDA
AVTOMATLASHTIRISHNING TEXNOLOGIK AFZALLIKLARI
Abraev Tursunpolat Azamat o’g’li
Toshkent davlat texnika universiteti
doktorantura talabasi
Samad Nimatov
- t.f.d dotsent
Toshkent davlat texnika universiteti,
Elektr texnikasi kafedrasi dotsenti
Annotatsiya:
Ushbu maqolada aqlli energiya tizimlarida avtomatlashtirishning
texnologik afzalliklari va sun’iy intellekt algoritmlaridan biri — Support Vector
Machine (SVM) algoritmining qo‘llanilishi tahlil qilinadi. Ayniqsa, MEUT(AC)
qurilmalari bilan integratsiyada SVM yordamida nosozliklarni aniqlash, tizim
holatini baholash, reaktiv quvvatni boshqarish va optimal joylashtirish kabi
jarayonlar samarali tarzda avtomatlashtirilishi yoritiladi.
Kalit so‘zlar:
Aqlli energiya tizimi, SVM, MEUT(AC), SCADA,
avtomatlashtirish, sun’iy intellekt, nosozlik aniqlash, texnik xizmat, optimal
joylashtirish.
Аннотация:
В данной статье рассматриваются технологические
преимущества автоматизации в интеллектуальных энергетических системах на
основе алгоритмов искусственного интеллекта. Особое внимание уделено
алгоритму опорных векторов (SVM), его применению для оценки состояния
системы, обнаружения и классификации неисправностей, прогнозного
технического обслуживания и оптимального размещения устройств
компенсации реактивной мощности (MEUT(AC)). Приводятся практические
примеры интеграции SVM с SCADA-системами и подчеркивается его роль в
обеспечении устойчивости и надежности энергосистем.
Ключевые
слова:
интеллектуальные
энергетические
системы,
автоматизация, алгоритм опорных векторов (SVM), SCADA, MEUT(AC),
классификация, обнаружение неисправностей, прогнозное техническое
обслуживание, оптимальное размещение, реактивная мощность.
Annotation:
This article examines the technological advantages of automation
in smart energy systems based on artificial intelligence algorithms such as Support
Vector Machines (SVM). The integration of SVM into SCADA and FACTS (Flexible
AC Transmission Systems) devices enables effective system status evaluation, early
fault detection, predictive maintenance, and optimal equipment placement. The use
of SVM improves power grid stability and enhances automated control efficiency.
World scientific research journal
https://scientific-jl.com/wsrj
Volume-39_Issue-1_May-2025
167
Keywords:
smart energy systems, automation, Support Vector Machine (SVM)
algorithm, SCADA, FACTS (Flexible AC Transmission Systems), classification,
fault detection, predictive maintenance, optimal placement, reactive power.
Kirish.
Bugungi kunda qayta tiklanuvchi energiya manbalarining energiya
ishlab chiqarishdagi umumiy ulushi, ayniqsa 1-rasmda ko’rsatilganidek quyosh va
shamol energiyasining ulushi keskin oshmoqda. Tabiatan o’zgaruvchan xarakterga
ega ushbu manbalar aqlli energiya tizimlari bilangina samarali bo’la oladi. Aqlli
energiya tizimlari yuqori darajadagi avtomatlashtirish va ishonchlilikni ta’minlash
uchun sun’iy intellekt algoritmlariga tayanadi. Ayniqsa, elektr tarmoqlari xavfsizligi
va samaradorligini oshirishda SCADA tizimi bilan bog‘langan MEUT(AC)
qurilmalari muhim rol o‘ynaydi. SVM algoritmi bu jarayonlarda tizim holatini
aniqlash, bashorat qilish, texnik xizmatni rejalashtirish kabi ko‘plab vazifalarni
bajarishga imkon beradi.
1-rasm. Qayta tiklanuvchi energiya manbalarining umumiy ulushi
SVM Algoritmi haqida qisqacha :
SVM (Support Vector Machine) — bu
nazoratli o‘rganishga asoslangan mashinaviy o‘rganish algoritmi bo‘lib,
klassifikatsiya va regressiya muammolarini hal etishda ishlatiladi [1]. 2-rasmda
tasvirlanganidek u sinflar orasidagi maksimal marginni saqlovchi gipertekislikni
aniqlashga intiladi.
World scientific research journal
https://scientific-jl.com/wsrj
Volume-39_Issue-1_May-2025
168
2-rasm. SVM illustratsiyasi.
Matematik formulasi:
f(x) = wᵀx + b (1)
Bu yerda: w — vaznlar vektori; x — kirish vektori; b — offset (bias) [2].
SVM va SCADA tizimi integratsiyasi
: SCADA tizimi real vaqtli monitoring
va nazoratni amalga oshiradi. SVM modelini yaratish:
SVM turlari: 1.Ikki sinfli klassifikatsiya (normal va nosoz holat) 2. Ko‘p sinfli
klassifikatsiya (hodisa turlari) 3.SVM regressiyasi(SVR) (prognozlash yoki aniqlash
uchun)
Kernel tanlash: 1.Chiziqli kernel – sodda holatlar uchun 2.RBF (gauss) kernel –
murakkab, chiziqli bo‘lmagan holatlar uchun 3.Polinom yoki sigmoidal kernel –
maxsus hollarda
SVM esa quyidagi yo‘nalishlarda integratsiya qilinadi:
1. Tizim holatini aniqlash
SCADA orqali tok, kuchlanish, quvvat faktor, va chastota doimiy kuzatib
boriladi.SVM ushbu ma’lumotlarga asoslanib tarmoqdagi reaktiv yuklamani
aniqlaydi va kompensatsiyani amalga oshiradi.
Misol: Quyoshli kunlarda quyosh elektr stansiyasi maksimal ishlab chiqarishga
chiqadi. SCADA tizimi momental kuchlanish va tok o‘zgarishlarini qayd etadi.
SVM: Tizimdagi ortiqcha reaktiv quvvatni aniqlab, uni yutish orqali
kuchlanishning haddan oshib ketishining oldini oladi.
2. Anomaliyalarni aniqlash
SCADA real vaqtli signal tahlili orqali odatiy holatdan chetga chiqqan
parametrlarni aniqlaydi.SVM anomaliyalarga tezkor javob berib, reaktiv quvvatni
moslashtiradi.
Misol: Bulutli ob-havo tufayli quyosh nurlanishi birdan pasayadi va
kuchlanishda keskin tushish kuzatiladi.
World scientific research journal
https://scientific-jl.com/wsrj
Volume-39_Issue-1_May-2025
169
SCADA: Kuchlanish pasayganini aniqlaydi va signal yuboradi.
SVM: Zudlik bilan reaktiv quvvatni injektsiya qilib kuchlanishni
normallashtiradi.
3. Nosozliklarni tasniflash
SCADA nosozliklarni avtomatik aniqlaydi (masalan, kuchlanish sathi
pasayishi).SVM ushbu holatlarda o‘zini himoya rejimiga o‘tkazadi yoki zarur
kompensatsiyani ta’minlaydi.
Misol: Transformatorga yaqin joyda qisqa tutashuv ro‘y beradi va kuchlanish
keskin pasayadi.
SCADA: Bu hodisani aniqlaydi va uni "qisqa tutashuv" sifatida tasniflaydi.
SVM: O‘zini muhofaza rejimiga o‘tkazadi yoki kuchlanish tiklanganidan so‘ng
reaktiv quvvat bilan yordam beradi.
4. Prognozli texnik xizmat
SCADA tarmoqdagi ish yuklamalari va stresslar asosida statistik ma’lumotlar
yig‘adi.SVM ish faoliyatining tarixiy ko‘rsatkichlariga asoslanib texnik xizmatga
ehtiyoj yuzaga kelishini prognoz qiladi.
Misol: SVM oxirgi 6 oyda har oyda haddan ortiq ishlagan va doimiy issiqlik
signalini yuborgan.
SCADA: Ishlash statistikasi asosida kelgusi oyning o‘rtalariga texnik xizmat
rejalashtiradi.
SVM: Tizimga ogohlantirish yuboradi: "Kondensator banki harorati limitga
yaqinlashmoqda."
5. Optimal joylashtirish
SCADA tizimi butun tarmoq bo‘ylab ma’lumot yig‘adi.Bu orqali SVM
qurilmalari uchun eng samarali joylashuv nuqtalari aniqlanadi (masalan, eng ko‘p
reaktiv yuklama bo‘ladigan joylar).
Misol: SCADA tizimi tarmoqda 3ta joyda muntazam kuchlanish pastligi qayd
etdi.
Tahlil natijasida, aynan shu uch nuqtaga SVM o‘rnatish tavsiya qilinadi.
Natija: Reaktiv quvvat manbalari optimal joylashgan va kuchlanish barqaror
bo‘ladi.
6. Reaktiv quvvatni boshqarish
SVM SCADA orqali kelgan buyruqlarga asoslanib reaktiv quvvatni avtomatik
tarzda boshqaradi.Bu orqali kuchlanish barqarorligi va energiya sifati yaxshilanadi.
Misol: Kunduzi iste’molchilar tomonidan reaktiv quvvat talab ortadi (masalan,
sanoat zonasi ish boshlaydi).
SCADA: Reaktiv quvvat balansidan chiqishni aniqlaydi.
SVM: O‘sha hududda kerakli miqdorda reaktiv quvvatni injektsiya qiladi.
World scientific research journal
https://scientific-jl.com/wsrj
Volume-39_Issue-1_May-2025
170
7. Energiya sarfini prognoz qilish
SCADA tizimi ishlatilgan quvvat, vaqt, yuklama grafiklari asosida energiya
sarfini oldindan prognozlaydi. SVM esa bu prognozlarga ko‘ra reaktiv quvvat bilan
optimallashtirish ishlarini amalga oshiradi.
Misol: Har hafta yakshanba kunlari zavodlarda ishlab chiqarish to‘xtaydi va
iste’mol kamayadi.
SCADA: Oldingi ma’lumotlar asosida iste’mol prognozini yaratadi.
SVM: Reaktiv quvvat ishlab chiqarishni avtomatik ravishda kamaytiradi,
energiya tejab qoladi.
Fazani Siljituvchi Transformator(FST) va
SVM ni integratsiyalash (qo‘shib ishlatish)
1-misol: Quvvat oqimini prognozlash va boshqarish.
SVM regressiya modeli real va reaktiv quvvat, kuchlanish, ob-havo kabi
ko‘rsatkichlarga asoslanib, kelajakdagi quvvat oqimini oldindan prognozlaydi.FST
transformatori prognoz qilingan oqim asosida optimal faza burchagini o‘rnatadi va
tarmoq yuklamasini muvozanatlashtiradi.
2-misol: Tarmoq tiqilinchiligini boshqarish.
SVM klassifikatori
ortiqcha
yuklanish (tiqilinch) holatini
oldindan
aniqlaydi.FST esa fazani siljitish orqali quvvatni boshqa, kam yuklangan liniyaga
yo‘naltiradi.
3-misol: Dinamik barqarorlikni baholash.
SVM tizim holatini "barqaror", "barqaror emas", "og‘ir holat" deb
baholaydi.FST esa quvvat oqimini kerakli tarzda o‘zgartiradi.
Tizim arxitekturasi:
SCADA/PMU ma’lumotlari → Belgilarni ajratish → SVM modeli → FST
optimal burchak sozlash
(V, I, P, Q) (Δθ, dP/dt) (Klassifikatsiya yoki Regressiya)
(Angle Setting)
Kirishlar: Kuchlanish, faza burchagi farqi (Δθ), tok, reaktiv quvvat
Chiqish: FST uchun optimal faza burchagini sozlash
1-jadval. SVM va FST integratsiyasi xususiyatlari
Xususiyat
Foyda
Real vaqtli qarorlar
SVM tezkor qaror qabul qilib FST ni dinamik
boshqaradi
Moslashuvchanlik
Model yangi holatlarga o‘rganib moslasha oladi
Yuklamani
muvozanatlashtirish
FSTlar SVM bashoratlari asosida quvvat oqimini
yo'naltiradi
Iqtisodiy foyda
Jarimalarni kamaytirish
World scientific research journal
https://scientific-jl.com/wsrj
Volume-39_Issue-1_May-2025
171
Amaliy misollar
Vaziyat: Quyosh energiyasi yuqori bo‘lgan paytda bir uzatish liniyasi haddan
tashqari yuklanmoqda.
SVM bashorati: 15 daqiqadan keyin yuklanish oshishini ko‘rsatadi.
FST harakati: Quvvat oqimini boshqa liniyaga yo‘naltirish uchun fazani
o‘zgartiradi.
Natija:
Tarmoq
barqarorligi
saqlanadi,
energiya
ishlab
chiqarilishi
kamaytirilmaydi.
Phasor Measurement Unit (PMU) ma’lumotlarini SVM bilan integratsiya qilish
orqali elektr energetika tizimlarini yuqori aniqlikda kuzatish
o’llanilishi: 1.Hodisalarni klassifikatsiya qilish (masalan, avariya, buzilish,
normal holat) 2.Noyob holatlarni aniqlash 3.Holatni aniqlashda yordamchi vosita
sifatida 4.Yuklama prognozi 5.Tizim barqarorligini kuzatish 6. Real vaqtli
monitoringga integratsiya.
IEEE C37.118 asosida PMU ma’lumotlarini yig‘ish va oldindan ishlov berish
PMUlar quyidagi ma’lumotlarni sinxron tarzda o‘lchaydi: 1.Kuchlanish va tok
fazorlari [5]. 2.Chastota 3.Chastotaning o‘zgarish tezligi (ROCOF)
Oldindan ishlov berish bosqichlari: 1.Shovqinni filtrlash (harakatlanuvchi
o‘rtacha, wavelet transformasi) 2.Yetishmayotgan ma’lumotlarni to‘ldirish
(interpolyatsiya, kNN)
Xususiyatlar chiqarish: 1.Kuchlanish qiymatlari va burchaklari[6]. 2.Chastota
og‘ishlari (ROCOF). 3. Sekvens komponentalari (musbat, manfiy, nol).
SVM modelini SCADA yoki EMS tizimlariga joylashtirish
Model chiqishi: hodisa ogohlantirishlari, signal bayroqlari yoki vizual
ko‘rsatkichlar
Natijalarni baholash
Baholash mezonlari:1.Aniqlik, aniqlik (precision), chaqiruv (recall), F1-skori –
klassifikatsiya uchun 2. MAE, RMSE – regressiya uchun 3.Yolg‘on ijobiy/salbiy
ko‘rsatkichlar
Qo‘shimcha:1.Kechikish vaqti 2. Kengayuvchanlik
Misol: Hodisa klassifikatsiyasi
Maqsad: PMU orqali avariya va o‘zgarishlarni aniqlash
Kiritma: 30 tsikl PMU ma’lumotlari (kuchlanish, chastota)
Xususiyatlar: Statistika + chastota domeni belgilari
Natija: Hodisa turi (avariya, yuklama o‘zgarishi, h.k.)
SVM Algoritmining Texnologik Afzalliklari
- Tizim holatini aniq baholash imkoniyati
- Nosozliklarni erta aniqlash va xavfsizlikni oshirish
- MEUT(AC) qurilmalari ish faoliyatini optimallashtirish
- Reaktiv quvvat balansini boshqarish
World scientific research journal
https://scientific-jl.com/wsrj
Volume-39_Issue-1_May-2025
172
- Texnik xizmat muddatini oldindan belgilash
Xulosa:
SVM algoritmining aqlli energiya tizimlarida qo‘llanilishi, ayniqsa
MEUT(AC) qurilmalarining integratsiyasi orqali elektr tarmoqlarining barqarorligini
oshirishga xizmat qiladi. U tizimni real vaqt rejimida nazorat qilish, xavfli holatlarni
prognozlash va avtomatlashtirilgan boshqaruvni ta’minlashda samarali vosita sifatida
qaralmoqda.
Yuqorida keltirilgan tahlillar asosida, aqlli energetika tizimlarida SVM (Support
Vector Machine) algoritmining qo‘llanilishi elektr tarmoqlari samaradorligini
sezilarli darajada oshirishi isbotlandi. Ayniqsa, SCADA tizimi bilan integratsiyada
SVM algoritmi tizim holatini baholash, anomaliyalarni aniqlash, reaktiv quvvatni
boshqarish hamda nosozliklarni avtomatik tasniflash imkonini yaratadi. SVM
algoritmining amaliy qo‘llanilishi energiya iste’molining prognozini yaxshilash,
ekspluatatsion xarajatlarni kamaytirish, texnik xizmatni oldindan rejalashtirish va
tarmoqda yuzaga keladigan xavf-xatarlarni erta aniqlashda muhim ahamiyat kasb
etadi. Bu esa sun’iy intellekt algoritmlarining energetika sohasida yuqori texnologik
qadriyatga ega ekanini yana bir bor tasdiqlaydi. Kelajakda bunday algoritmlarni
SCADA va boshqa raqamli boshqaruv tizimlariga keng joriy etish orqali aqlli
energiya tarmoqlarining ishonchliligini va iqtisodiy samaradorligini yangi bosqichga
olib chiqish mumkin.
Foydalanilgan adabiyotlar:
1. Vapnik, V. N. (1995). The Nature of Statistical Learning Theory. Springer.
2. Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
3. Kundur, P. (1994). Power System Stability and Control. McGraw-Hill.
4. Glover, J. D., Sarma, M. S., & Overbye, T. J. (2011). Power System Analysis and
Design. Cengage Learning.
5. IEEE Power & Energy Society. Standards on SCADA and PMU technologies.
6. Jabr, R. A., & Pal, B. C. (2009). A flexible AC transmission system (FACTS)
controller based on SVM. IEEE Transactions on Power Systems.
