Цюпа, В. М.Данильченко, Д. О.Tsiupa, V. M.Danylchenko, D. O.2025-12-052025-12-052025https://eir.zp.edu.ua/handle/123456789/25391Цюпа В. М. Можливості імплементації в релейному захисті алгоритму пошуку перед аварійних експлуатаційних умов шляхом використання нейронної мережі з підкріплюваним навчанням / В. М. Цюпа, Д. О. Данильченко // Електротехніка та електроенергетика. – 2025. – № 3. – C. 52-60.UK: Мета роботи. Метою статті є розробка та апробація нового методу пошуку граничних та перед аварійних режимів в енергосистемах для задачі розрахунку уставок релейного захисту. Запропонований підхід базується на інтеграції графових нейронних мереж із глибинним навчанням з підкріпленням (ГНП) та спрямований на суттєве скорочення часу обчислень при збереженні високої точності та забезпеченні селективності захисту. Методи дослідження. У роботі використано методологію марковських процесів прийняття рішень для формалізації задачі пошуку граничних та передаварійних режимів. Для вилучення структурної інформації з енергосистеми застосовано графові нейронні мережі, а оптимальні стратегії дій агента сформовано за допомогою глибинного навчання з підкріпленням. Додатково розроблено дворівневу навчальну схему GLFE (кероване навчання та вільне дослідження), яка забезпечує стабільну збіжність алгоритму та прискорює навчання. Експерименти проведено на тестовій системі IEEE 39-шин з використанням сценарного моделювання. Отримані результати. Показано, що застосування графової нейронної мережі з ГНП дозволяє скоротити обчислювальні витрати у 10–1000 разів порівняно з традиційними методами перебору. Точність прогнозування досягає понад 90%, а e-точність перевищує 98%. Запропонований метод демонструє високу ефективність як у задачах визначення максимальних струмів короткого замикання для миттєвого струмового захисту, так і у масштабованих сценаріях на великих системах. Наукова новизна. Уперше запропоновано інтеграцію графових нейронних мереж для вирішення задачі пошуку граничних та передаварійних режимів у релейному захисті. Розроблено унікальну дворівневу навчальну схему GLFE, яка поєднує елементи контрольованого та неконтрольованого навчання. Це дозволило досягти високої точності при значному зменшенні кількості навчальних прикладів. Практична цінність. Результати дослідження можуть бути використані при розробці інтелектуальних систем релейного захисту та автоматизації електроенергетичних мереж. Запропонований метод здатний адаптуватися до умов швидкозмінних режимів роботи енергосистем із високою часткою відновлюваних джерел. Крім того, архітектура може бути легко адаптована для розв’язання інших задач оптимізації та управління у складних енергетичних середовищах. EN: Purpose. The purpose of this paper is to develop and validate a novel method for searching critical and pre-fault operating conditions in power systems for relay protection setting calculation. The proposed approach is based on the integration of graph neural networks with deep reinforcement learning (GNN-DRL) and aims to significantly reduce computational time while maintaining high accuracy and ensuring protection selectivity. Findings. It is demonstrated that the proposed GNN-DRL method achieves a 10–1000 times reduction in computational overhead compared to traditional brute-force approaches. The prediction accuracy exceeds 90%, while e-accuracy surpasses 98%. The method proves to be highly effective both in determining maximum fault currents for instantaneous overcurrent protection and in large-scale scenarios on extended test systems. Originality. For the first time, the integration of graph neural networks with the Dueling Double Deep Q Network algorithm is proposed to solve the problem of searching for critical and pre-fault operating conditions in relay protection. A unique two-stage training framework, GLFE, is developed, combining elements of supervised and unsupervised learning. This enables high prediction accuracy while requiring significantly fewer training samples. Practical value. The results of this study can be applied in the design of intelligent relay protection and automation systems for electric power networks. The proposed method is capable of adapting to fast-changing conditions in power systems with high penetration of renewable energy. Furthermore, the architecture can be extended to other optimization and control problems in complex energy environments.ukграничні та передаварійні режимирелейний захистграфові нейронні мережіглибинне навчання з підкріпленняменергосистемиелектроенергетикаlimit and pre-emergency modesrelay protectiongraph neural networksreinforcement learningpower systemselectric power engineeringArticle