Рукопись поступила в редакцию 24.10.2025, утверждена редколлегией в печать 25.11.2025.

При интеграции генерирующих мощностей, работающих на возобновляемых источниках энергии (ВИЭ), и систем накопления электроэнергии (СНЭЭ) в энергосистемы существенно возрастает количество изменений в топологии электрических сетей в течение эксплуатации, что вызывает необходимость в регулярном перепроектировании алгоритмов управления в различных системах автоматического управления электрическими сетями. Это обусловливает необходимость разработки более адаптивных и эффективных решений по автоматическому управлению электрическими сетями. Данное исследование сосредоточено на разработке метода автоматического синтеза алгоритмов для программируемых логических контроллеров (ПЛК), входящих в состав системы автоматического восстановления сети (САВС). В рамках исследования была применена комбинация динамического программирования (ДП), генетического алгоритма (ГА) и искусственных нейронных сетей на основе машинного обучения с подкреплением (МОП). Для достижения цели исследования был реализован алгоритм ДП с расчётом целевой функции в программно-аппаратном комплексе «Цифровой двойник энергосистемы» (ПАК ЦДЭС) для генерирования эталонных сценариев переключения коммутационных аппаратов в распределительной электрической сети в послеаварийном режиме для восстановления электроснабжения потребителей. Кроме того, была разработана новая архитектура, сочетающая ГА (с тремя формами представления топологии -- генетическая строка, графовая кодировка, функциональное выражение -- и операции кроссовера/мутации) и МОП (на основе глубокой нейросети DQN), предназначенная для синтеза оптимального алгоритма для ПЛК. Также были использованы методы упрощения топологии (штрафной коэффициент, замена поддеревьев). Полученные таким образом алгоритмы ПЛК были экспортированы в форматах XML/JSON в соответствии со стандартом МЭК 61131 для имитационного тестирования в ПАК ЦДЭС. Экспериментальные результаты на сети напряжением 6 – 10_кВ подтверждают техническую осуществимость архитектуры: она обеспечивает цикл «разработка  тестирование  верификация» без использования внешних инструментов, а время поиска топологии ПЛК с использованием ГА_+_МОП значительно сокращается по сравнению с традиционным ГА, особенно при расширении пространства поиска. Эти результаты показывают, что предложенный метод может быть применён для синтеза алгоритмов ПЛК для САВС и расширен для автоматического синтеза алгоритмов для других систем релейной защиты и автоматики. Более того, поскольку результаты работы ИИ в данном контексте проходят автоматическую проверку в ПАК ЦДЭС, это усиливает доверие к ИИ, прокладывая путь к применению доверенного ИИ в электроэнергетике.

DOI: 10.71841/ES.elst.2026.1135.02.06

Karp, R.M. Reducibility among combinatorial problems[M] / R.M. Karp // 50 Years of Integer Programming 1958-2008: from the Early Years to the State-of-the-Art. -- Berlin, Heidelberg: Springer Berlin Heidelberg, 2009. –P. 219 -- 241.

Louis, S.J. Using genetic algorithms to design structures [M] / S.J. Louis, G.J.E. Rawlins. -- Bloomington, Indiana: Computer Science Department, Indiana University, 1991.

Koza, J.R. Genetic programming as a means for programming computers by natural selection [J] / J.R. Koza // Statistics and computing. – 1994. – No. 4. -- P. 87 -- 112.

Ferreira, C. Gene expression programming: mathematical modeling by an artificial intelligence [M] / C. Ferreira. -- Springer, 2006.

Gan, Z. Automatic synthesis of combinational logic circuit with gene expression-based clonal selection algorithm [C] / Z. Gan, T. Shang, G. Shi [et al.] // 2008 Fourth international conference on natural computation. -- IEEE, 2008. – No. 6. – P. 278 -- 282.

Chen, D. Graph-based evolutionary design of arithmetic circuits [J] / D. Chen, T. Aoki, N. Homma [et al.] // IEEE Transactions on Evolutionary Computation, 2002. – No. 6(1). P. 86 -- 100.

Shang, T. Research on automatic synthesis methods of combinational logic circuits [D] / T. Shang. -- Wuhan University of Science and Technology, 2009.

Gan, Z. Automated synthesis of passive analog filters using graph representation [J] / Z. Gan, Z. Yang, T. Shang [et al.] // Expert Systems with Applications. – 2010. – No. 37(3). – P. 1887 -- 1898.

Koza, J.R. Automated synthesis of analog electrical circuits by means of genetic programming [J] / J.R. Koza, F.H. Bennett, D. Andre [et al.] // IEEE Transactions on evolutionary computation. – 1997. – No. 1(2). – P. 109 -- 128.

Goh, C. GA automated design and synthesis of analog circuits with practical constraints [C] / C. Goh, Y. Li // Proceedings of the 2001 Congress on Evolutionary Computation (IEEE Cat. No. 01TH8546). -- IEEE, 2001. – No. 1. – P. 170 -- 177.

Wang, B.N. RLGA: A genetic algorithm based on reinforcement learning mechanism [J] / Wang B.N., Gao Y., Chen Z.Q. [et al.] // Acta Electronica Sinica. – 2006. – No. 34 (5). – P. 856 -- 860.

Cao, X.B. Genetic reinforcement learning based on ecological competition model [J] / X.B. Cao, J. Gao, X.F. Wang // Journal of Software. – 1999. – No. 10(6). – P. 658 -- 662.

Pettinger, J.E. Controlling genetic algorithms with reinforcement learning [C] / J.E. Pettinger, R.M. Everson // Proceedings of the 4th annual conference on genetic and evolutionary computation. – 2002. – P. 692 -- 692.

Система автоматического восстановления электроснабжения сетей 6 -- 10 кВ на базе ПТК «Цифровой РЭС» [Electronic resource], 2020 -- URL: https://enip2.ru/Publication/public_art_SAVS_2020.pdf.