Оптимизация управления распределительными энергетическими сетями с помощью робастного нейросетевого прогнозирования и системы поддержки принятия решений

Читать фрагмент

книга

Оптимизация управления распределительными энергетическими сетями с помощью робастного нейросетевого прогнозирования и системы поддержки принятия решений

Автор: Николай Полуянович, Олег Качелаев, Марина Дубяго

Монография посвящена проблеме повышения точности краткосрочного прогнозирования потребления электроэнергии электротехнического комплекса районных электрических сетей с помощью инструментов глубокого машинного обучения. Создан и протестирован генетический алгоритм подбора гиперпараметров нейронной сети на языке программирования Python. Новизной разработанной структуры интеллектуального устройства прогнозирования режимов электропотребления, является система помощи принятия решения, позволяющая реализовать планово-упреждающее управление, основываясь на данных, снимаемых со счетчика электроэнергии и полученных в результате работы НС-модели прогнозирования.Книга предназначена для исследователей в электроэнергетических системах, персонала энергосбытовых компаний, ответственного за составление заявок на закупку электроэнергии, и студентов электротехнических специальностей.

Форматы: PDF

Издательство: Южный федеральный университет

Год: 2025

Место издания: Ростов-на-Дону, Таганрог

ISBN: 978-5-9275-5106-4

Страниц: 154

Артикул: 115994

Электронная книга

426 ₽

Купить и скачать

Содержание

Содержание книги "Оптимизация управления распределительными энергетическими сетями с помощью робастного нейросетевого прогнозирования и системы поддержки принятия решений "

ОПРЕДЕЛЕНИЯ, ОБОЗНАЧЕНИЯ, СОКРАЩЕНИЯ И НОРМАТИВНЫЕ ССЫЛКИ

ВВЕДЕНИЕ

Глава 1. АНАЛИЗ ХАРАКТЕРА ЭЛЕКТРОПОТРЕБЛЕНИЯ И ВОЗДЕЙСТВИЯ ШУМА НА КАЧЕСТВО ОБУЧЕНИЯ НЕЙРОСЕТИ

1.1. Обзор существующих технических решений нейросетевого прогнозирования электропотребления

1.2. Анализ электропотребления

1.3. Зашумление данных об электропотреблении на датчиках тока и напряжения

1.4. Разработка программного модуля обработки и идентификации аномалий во входных данных

Выводы по главе 1

Глава 2. ИССЛЕДОВАНИЕ ВЛИЯНИЯ ПАРАМЕТРОВ НЕЙРОСЕТИ НА ТОЧНОСТЬ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

2.1. Структурная оптимизация нейросети

2.2. Метод обратного распространения ошибки. Математическая модель

2.3. Исследование влияния гиперпараметров нейронной сети на точность прогнозирования

2.4. Разработка и исследование пошагового метода НС-модели прогнозирования электропотребления с подбором гиперпараметров вручную

2.5. Оценка эффективности решения задачи прогнозирования электропотребления от параметров нейросети

Выводы по главе 2

Глава 3. НЕЙРОЭВОЛЮЦИОННЫЙ ПОДХОД К СИНТЕЗУ АРХИТЕКТУРЫ НЕЙРОННОЙ СЕТИ

3.1. Разработка генетического алгоритма настройки искусственной нейронной сети

3.2. Реализация генетического алгоритма без оператора кроссинговера

3.3. Гибридный алгоритм прогнозирования аддитивного потребителя для интеллектуальной поддержки при принятии управленческих решений

3.4. Реализация гибридного алгоритма прогнозирования на Python

Выводы по главе 3

Глава 4. ОЦЕНКА ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВОЙ МОДЕЛИ В ЗАДАЧАХ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

4.1. Примеры НС-прогнозирования с подбором гиперпараметров вручную

4.2. Подбор НС-гиперпараметров с помощью ГА

4.3. Робастное обучение нейронных сетей для решения задач прогнозирования

Выводы по главе 4

Глава 5. АРХИТЕКТУРА И РЕАЛИЗАЦИЯ СИСТЕМЫ ПОМОЩИ ПРИНЯТИЯ РЕШЕНИЙ В КОНТУРЕ УПРАВЛЕНИЯ SCADA

5.1. Упреждающее управление в энергосистемах

5.2. Управление энергосетью с применением нейросетевых моделей и СППР

5.3. Разработка алгоритма системы поддержки принятия решений

5.4. Структура и программная реализация системы

Выводы по главе 5

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Приложение 1

Приложение 2

Отрывок из книги

1.3. Зашумление данных об электропотреблении на датчиках тока… 59 Причины появления шумов в датчиках. Основные причины возник-новения шумов в датчиках включают: • физическая природа электрического тока: как указано ранее, элек-трический ток носит дискретный характер, что порождает дробовой и теп-ловой шумы; • неидеальность материалов: недостаточная чистота и однородность материалов, используемых в производстве датчиков, способствуют возник-новению фликкер-шумов; • температура: повышение температуры увеличивает интенсивность теп-лового шума, что негативно сказывается на точности измерений; • ширина полосы пропускания: широкая полоса пропускания усили-вает эффекты дробового и теплового шумов, увеличивая общее количе-ство ошибок; • электромагнитные помехи: внешние электромагнитные поля могут влиять на работу датчиков, создавая дополнительные шумы и снижая точ-ность показаний; • коммутация и контакты: механическое воздействие на контакты и ком-мутацию создаёт импульсные шумы, затрудняя обработку сигналов; • высокий уровень напряжённости поля: в случае высокого напряжения возникают лавинные процессы, создающие дополнительный шум. Примерная количественная оценка процента шума, привносимого дат-чиками в данные об электропотреблении: • в идеальных условиях (качественная сеть, хорошее оборудование, высокая нагрузка): влияние шума пренебрежимо мало (< 0,1 %); • стандартных промышленных/бытовых условиях с наличием помех: погрешность может составлять 0,5–2 %; • тяжелых условиях (например, мощные сварочные аппараты в сети, плохая экранировка, очень малая нагрузка): погрешность может достигать 5–10 % и даже выше. По данным «Транснефтьэнерго» (ТНЭ) [47], с провалами напряжения у промышленных потребителей связано 60 % всех отключений. Результаты исследований качества электрической энергии [48] по-казывают, что для промышленных объектов в среднем в 30 % случаев контроля показатели не соответствуют требованиям ГОСТ 32144-2013, при этом:

Внимание!
При обнаружении неточностей или ошибок в описании книги "Оптимизация управления распределительными энергетическими сетями с помощью робастного нейросетевого прогнозирования и системы поддержки принятия решений (автор Николай Полуянович, Олег Качелаев, Марина Дубяго)", просим Вас отправить сообщение на почту help@directmedia.ru. Благодарим!