Bezpieczeństwo energetyczne państwa a detekcja anomalii z wykorzystaniem LSTM autoencoder i danych ENTSO-E / National Energy Security and the Detection of Anomalies Using LSTM Autoencoders and ENTSO-E Data

Abstract

Celem rozdziału jest ocena możliwości wykorzystania modelu LSTM Autoencoder do detekcji anomalii w godzinowych danych obciążenia krajowego systemu elektroenergetycznego Polski. Badanie osadzono w kontekście bezpieczeństwa energetycznego państwa, rozumianego jako zdolność do zapewnienia stabilnych dostaw energii oraz wczesnego identyfikowania nietypowych zjawisk mogących wskazywać na błędy danych, zakłócenia techniczne lub zdarzenia systemowe. Materiał badawczy stanowiły publiczne dane ENTSO-E obejmujące obciążenie systemu elektroenergetycznego Polski w latach 2022-2024. Dane poddano oczyszczeniu, normalizacji oraz podziałowi chronologicznemu na zbiory uczące, walidacyjne i testowe. Model uczono rekonstrukcji typowych tygodniowych przebiegów obciążenia, a detekcję oparto na wartości błędu rekonstrukcji. W części testowej zastosowano syntetyczne scenariusze anomalii: skok dodatni, spadek, flatline oraz dryf. Wyniki wskazują, że model najlepiej identyfikuje gwałtowne spadki obciążenia, częściowo wykrywa skoki dodatnie, natomiast słabiej reaguje na zmiany wolno narastające oraz przebiegi typu flatline. Uzyskane rezultaty potwierdzają przydatność podejścia rekonstrukcyjnego jako narzędzia wspierającego monitoring systemu elektroenergetycznego, przy jednoczesnej konieczności walidacji operatorskiej oraz uzupełnienia modelu o dodatkowe zmienne kontekstowe, takie jak pogoda, generacja OZE i prognozy zapotrzebowania.

The aim of this chapter is to assess the potential of using the LSTM Autoencoder model for anomaly detection in hourly load data from Poland’s national power system. The study is set within the context of national energy security, understood as the ability to ensure stable energy supplies and to identify at an early stage any unusual phenomena that may indicate data errors, technical disruptions or system events. The research data consisted of publicly available ENTSO-E data on Poland’s power system load for 2022-2024. The data were cleaned, normalised, and chronologically split into training, validation, and test sets. The model was trained to reconstruct typical weekly load profiles, and detection was based on the reconstruction error value. In the test phase, synthetic anomaly scenarios were used: positive spike, drop, flatline and drift. The results indicate that the model best identifies sudden drops in load, partially detects positive spikes, but reacts less effectively to slowly rising changes and flatline patterns. The results obtained confirm the usefulness of the reconstruction approach as a tool supporting power system monitoring, whilst acknowledging the need for operator validation and the supplementation of the model with additional contextual variables, such as weather, renewable energy generation and demand forecasts.