Development and analysis of power grid failure scenarios using ontology, power flow model, and knowledge graph

Oleksandr Khomenko; Vyacheslav Senchenko; Oleksandr Koval; Iryna Husyeva

doi:10.35784/iapgos.7868

PDF (angielski)

Opublikowane: 2026-03-30

DOI: https://doi.org/10.35784/iapgos.7868

Numer Tom 16 Nr 1 (2026)

Wydajna klasyfikacja białych krwinek w oparciu o CNN: badanie porównawcze wydajności modeli
Achraf Benba, Sara Sandabad

5-9
Zautomatyzowana diagnostyka raka skóry z wykorzystaniem głębokiego uczenia: systematyczny przegląd najnowocześniejszych architektur, technik i oceny wydajności
Subaidabeevi Shafeena, Ramayyan Sumathy Vinod Kumar, Sikamony Sumathi Kumar, David Shahi

10-20
Zwiększanie bezpieczeństwa kierowców dzięki rozpoznawaniu emocji na podstawie sygnałów EKG z wykorzystaniem sieci BiLSTM
Raga Madhuri Chandra, Satya Sumanth Vanapalli, Giri Venkata Sai Tej Neelaiahgari

21-28
Automatyczny system do obliczania tabeli kalibracyjnej cylindrycznych zbiorników poziomych
Denis Proskurenko, Mykhailo Bezuglyi

29-34
Kontrola stabilności emulsji woda-diesel za pomocą pomiarów zmętnienia
Oleksandr Zabolotnyi, Andrii Khodieiev, Nicolay Koshevoy, Roman Trishch

35-41
Poprawa trybu rozruchu silnika indukcyjnego w warunkach spadku napięcia
Oleksandr Vovk, Serhii Halko, Andrii Sabo, Oleksandr Miroshnyk, Taras Shchur

42-47
Modelowanie trybów dynamicznych w silniku prądu stałego do pojazdów elektrycznych
Viktor Lyshuk, Anatolii Tkachuk, Sergiy Moroz, Mykola Yevsiuk, Mykola Khvyshchun, Stanislav Prystupa, Valentyn Zablotskyi

48-55
Budowa i analiza scenariuszy awarii w sieciach elektroenergetycznych z wykorzystaniem ontologii, modelu przepływu mocy oraz grafu wiedzy
Oleksandr Khomenko, Vyacheslav Senchenko, Oleksandr Koval, Iryna Husyeva

56-61
Kinetyka suszenia materiałów ziarnistych w instalacjach z przerywanym zasilaniem elektrycznym wykorzystujących promieniowanie mikrofalowe i podczerwone
Roman Kalinichenko, Valentyna Bandura, Borys Kotov, Yurii Pantsyr, Ihor Garasymchuk, Serhii Stepanenko

62-66
Metoda automatycznego dostrajania regulatora temperatury obudowy smartfonu
Danylo Zinchenko, Yurii Mariiash

67-71
Wykorzystanie FPGA do modelowania i generowania procesów chaotycznych
Oleksandr Osadchuk, Iaroslav Osadchuk, Valentyn Skoshchuk

72-77
ymulacja i projektowanie elektroniczne pięciowymiarowej chaotycznej sztucznej sieci neuronowej
Michael Kopp, Inna Samuilik

78-83
Inteligentny łańcuch przetwarzania DL-SCH/PDSCH w sieci 5G z adaptacyjnym mechanizmem HARQ
Juliy Boiko, Ilya Pyatin

84-93
Analiza modeli generatywnych w teledetekcji: przegląd kompleksowy
Gottapu Santosh Kumar, Gurugubelli Jagadeesh, Swarajya Madhuri Rayavarapu

94-98
Dekodowanie z wykorzystaniem szumu zbiorowego z metodą inwersji bitów w kodach z niską gęstością i kontrolą parzystości
Mykola Shtompel, Oleksandr Shefer

99-103
Wymiana wiedzy w niezależnych głębokich sieciach Q
Viacheslav Bochok, Nataliia Fedorova

104-108
Wykrywanie ludzi na obrazach z dronów z wykorzystaniem technik głębokiego uczenia
Sobhana Mummaneni, Naga Deepika Ginjupalli, Pragathi Dodda, Novaline Jacob, Sanjay Raj Emmanuel Katari

109-115
Analiza porównawcza algorytmów DeepSORT, ByteTrack i StrongSORT w zakresie śledzenia wielu obiektów w systemach monitoringu wizyjnego opartych na bezzałogowych statkach powietrznych
Andrii Safonyk, Viktor Podvyshennyi, Oleksandr Naumchuk

116-120
Wysoce wydajne metody przetwarzania złożonych danych wizualnych w systemach wsparcia decyzyjnego
Oleksandr Poplavskyi, Sergii Pavlov, Oksana Bezsmernta, Iryna Gerasymova, Bakhyt Yeraliyeva

121-125
Metoda antyaliasingu dla krzywych rzędu drugiego na rastrach heksagonalnych
Oleksandr Melnyk, Tetiana Prysiazhniuk

126-129
Metoda oceny ryzyka naruszenia bezpieczeństwa użytkownika na podstawie indywidualnego profilu bezpieczeństwa
Svitlana Lehominova, Mykhailo Zaporozhchenko, Tetiana Kapeliushna, Yuriy Shchavinsky, Tetiana Muzhanova

130-137
Metoda kodowania pozycyjnego w diferencyjnej przestrzeni falowej
Volodymyr Barannik, Anatolii Berchanov, Valeriy Barannik, Dmytro Uzlov, Mykola Dihtiar, Mykhailo Osovytskyi, Andrii Sushko, Yurii Babenko

138-146
Platforma internetowa z usługą Checkbox: aspekty rachunkowości podatkowej, sprawozdawczości i współpracy z organami podatkowymi
Yuliia Povstiana, Lyudmila Samchuk, Ivan Kachula

147-154
Analiza porównawcza webowych szkieletów programistycznych języka PHP: Codeigniter, Cakephp oraz Yii
Karol Rak, Mariusz Dzieńkowski

155-161
Prognozowanie cen plonów z wykorzystaniem Temporal Fusion Transformer dla okręgu Krishna w stanie Andhra Pradesh
Dedeepya Manikonda, Ashutosh Satapathy, Keerthi Padamata, Jaswanthi Machcha, J. Chandrakanta Badajena

162-170
Model transmisji pakietowej danych tekstowych z wykorzystaniem SDR w środowisku GNU Radio Companion
Nurbol Kaliaskarov, Kyrmyzy Taissariyeva, Nurlykhan Raulyev, Akezhan Sabibolda

171-176
Modelowanie systemu produkcyjnego typu pull-flow z dynamicznym sterowaniem zapasami buforowymi
Saad Elbaraka, Salah-eddine Mokhlis, Adil Barra, Hicham Fouraiji, Mohamed Rhouzali, Najat Messaoudi

177-182

Archiwum

2026

Tom 16 Nr 2
2026-06-30 27
Tom 16 Nr 1
2026-03-30 27

2025

Tom 15 Nr 4
2025-12-20 27
Tom 15 Nr 3
2025-09-30 24
Tom 15 Nr 2
2025-06-27 24
Tom 15 Nr 1
2025-03-31 26

2024

Tom 14 Nr 4
2024-12-21 25
Tom 14 Nr 3
2024-09-30 24
Tom 14 Nr 2
2024-06-30 24
Tom 14 Nr 1
2024-03-31 23

2023

Tom 13 Nr 4
2023-12-20 24
Tom 13 Nr 3
2023-09-30 25
Tom 13 Nr 2
2023-06-30 14
Tom 13 Nr 1
2023-03-31 12

2022

Tom 12 Nr 4
2022-12-30 16
Tom 12 Nr 3
2022-09-30 15
Tom 12 Nr 2
2022-06-30 16
Tom 12 Nr 1
2022-03-31 9

Authors

Oleksandr Khomenko

khomenkosasha99@gmail.com

National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"

https://orcid.org/0000-0003-1964-1097

Vyacheslav Senchenko

svrukr@gmail.com

Institute for Information Recording of the NAS of Ukraine

Oleksandr Koval

avkovalgm@gmail.com

National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"

Iryna Husyeva

i.husyeva@kpi.ua

1National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"

https://orcid.org/0000-0002-8762-3918

Abstrakt

Sieci energetyczne to złożone systemy, które odgrywają istotną rolę w wielu procesach i mają kluczowe znaczenie dla funkcjonowania podstawowych usług społecznych. Awaria elementów może prowadzić do efektów kaskadowych, uszkodzeń sprzętu i potencjalnych przerw w dostawie prądu. W niniejszym artykule wykorzystano ontologię w celu sformalizowania wiedzy na temat tego obszaru, wyciągnięcia nowych wniosków oraz opracowania scenariuszy awarii. Oprogramowanie symuluje działanie sieci energetycznej w oparciu o przepływ mocy, łącząc komputerową symulację scenariuszy awarii sieci energetycznej z modelem semantycznym danej dziedziny, a także tworzy graf wiedzy, który jest analizowany przy użyciu miar centralności i wykorzystywany do wyciągania wniosków na temat scenariuszy rozwoju awarii sieci. Ontologię i graf wiedzy można uzupełniać o nową wiedzę i wykorzystywać do dalszej analizy przy użyciu innych modeli lub podejść, ponieważ dane można łatwo interpretować i opisywać przy użyciu pojęć z danej dziedziny.

Słowa kluczowe:

technologie informacyjne, infrastruktura krytyczna, efekt kaskadowy, ontologia, graf wiedzy, model przepływu mocy

Bibliografia

[1] Afolabi, O., Ali, W., Cofie, P., Fuller, J., Obiomon, P., & Kolawole, E. (2015). Analysis of the load flow problem in power system planning studies. Energy and Power Engineering, 7, 509–523. https://doi.org/10.4236/epe.2015.710048

[2] Anghel, M., Werley, K. A., & Motter, A. E. (2006). Stochastic model for power grid dynamics. arXiv. https://doi.org/10.48550/arXiv.physics/0609217

[3] Cabinet of Ministers of Ukraine. (2022). The status of Ukraine’s power system as of 15 June 2022. https://www.kmu.gov.ua/news/robota-energosistemi-ukrayini-stanom-na-15-chervnya-2022-roku

[4] Cuadra, L., Salcedo-Sanz, S., Del Ser, J., Jiménez-Fernández, S., & Geem, Z. W. (2015). A critical review of robustness in power grids using complex networks concepts. Energies, 8(9), 9211–9265. https://doi.org/10.3390/en8099211

[5] De Rosa, F., Maunero, N., Nicoletti, L., Prinetto, P., & Trussoni, M. (2022). Ontology for cybersecurity governance of ICT systems. CEUR Workshop Proceedings. https://ceur-ws.org/Vol-3260/paper4.pdf

[6] Eldosouky, A., Saad, W., & Mandayam, N. (2021). Resilient critical infrastructure: Bayesian network analysis and contract-based optimization. arXiv. https://doi.org/10.48550/arXiv.1709.00303

[7] Ge, M., Rossi, B., Chren, S., & Blanco, J. M. (2024). Petri nets for smart grids: The story so far. arXiv. https://doi.org/10.48550/arXiv.2401.05462

[8] Hagberg, A., Schult, D., & Swart, P. (n.d.). NetworkX. https://networkx.org

[9] Henriques, J., Caldeira, F., Cruz, T., & Simões, P. (2018). On the use of ontology data for protecting critical infrastructures. Journal of Information Warfare, 17(4).

[10] Hines, P., Balasubramaniam, K., & Sanchez, E. C. (2009). Cascading failures in power grids. IEEE Potentials, 28(5), 24–30. https://doi.org/10.1109/MPOT.2009.933498

[11] Hines, P., Cotilla-Sanchez, E., & Blumsack, S. (2010). Do topological models provide good information about electricity infrastructure vulnerability? https://doi.org/10.1063/1.3489887

[12] Horrocks, I. et al. (2004). SWRL: A semantic web rule language combining OWL and RuleML. World Wide Web Consortium (W3C). https://www.w3.org/submissions/SWRL

[13] Korkali, M., Veneman, J. G., Tivnan, B. F., & Hines, P. D. H. (2014). Reducing cascading failure risk by increasing infrastructure network interdependency. arXiv. https://doi.org/10.48550/arXiv.1410.6836

[14] Nan, C., Sansavini, G., Kröger, W., & Heinimann, H. R. (2014). A quantitative method for assessing the resilience of infrastructure systems. In Proceedings of the 12th Probabilistic Safety Assessment and Management Conference (PSAM12), 10, 359–370, Honolulu, HI, United States.

[15] Neo4j, Inc. (n.d.). Neo4j. https://neo4j.com

[16] Noy, N. F., & McGuinness, D. L. (2001). Ontology development 101: A guide to creating your first ontology. Stanford University.

[17] Oehlers, M., & Fabian, B. (2021). Graph metrics for network robustness – A survey. Mathematics, 9(8), 895. https://doi.org/10.3390/math9080895

[18] Poulin, C., & Kane, M. B. (2021). Infrastructure resilience curves: Performance measures and summary metrics. Reliability Engineering & System Safety, 216, 107926. https://doi.org/10.1016/j.ress.2021.107926

[19] Python Software Foundation. (n.d.). Python. https://www.python.org

[20] Rinaldi, S. M., Peerenboom, J. P., & Kelly, T. K. (2001). Identifying, understanding, and analyzing critical infrastructure interdependencies. IEEE Control Systems Magazine, 21(6), 11–25. https://doi.org/10.1109/37.969131

[21] Roman, D., Sukhobok, D., Nikolov, N., Elvesæter, B., & Pultier, A. (2019). The InfraRisk ontology: Enabling semantic interoperability for critical infrastructures at risk from natural hazards. https://core.ac.uk/download/pdf/249984754.pdf

[22] SanPen. (n.d.). GridCal. GitHub. https://github.com/SanPen/GridCal

[23] Song, J., Cotilla-Sanchez, E., Ghanavati, G., & Hines, P. D. H. (2014). Dynamic modeling of cascading failure in power systems. arXiv. https://doi.org/10.48550/arXiv.1411.3990

[24] Stanford Center for Biomedical Informatics Research. (n.d.). Protégé. https://protege.stanford.edu

[25] Tofani, A. et al. (2010). Using ontologies for the federated simulation of critical infrastructures. Procedia Computer Science, 1(1), 2301–2309. https://www.sciencedirect.com/science/article/pii/S1877050910002590

[26] Toscano, B., Fernandes, A. D., & Mira da Silva, M. (2022). A domain ontology on cascading effects in critical infrastructures based on a systematic literature review. International Journal of Critical Infrastructures, 18(1), 79–103. https://doi.org/10.1504/IJCIS.2022.120679

[27] Verkhovna Rada of Ukraine. (2021). Law of Ukraine “On Critical Infrastructure”, 1882-IX, https://zakon.rada.gov.ua/laws/show/1882-20#Text

[28] West Health. (n.d.). Pyvis. GitHub. https://github.com/WestHealth/pyvis

[29] Xie, B., Tian, X., Kong, L., & Chen, W. (2021). The vulnerability of the power grid structure: A system analysis based on complex network theory. Sensors, 21(21), 7097. https://doi.org/10.3390/s21217097

Budowa i analiza scenariuszy awarii w sieciach elektroenergetycznych z wykorzystaniem ontologii, modelu przepływu mocy oraz grafu wiedzy. (2026). Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska, 16(1), 56-61. https://doi.org/10.35784/iapgos.7868

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 16 Nr 1 (2026)

Archiwum

##plugins.themes.bootstrap3.article.main##

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja