

Опыт
и
перспективы
применения
искусственных
нейронных
сетей
в
электроэнергетике
И
скусственные
нейронные
сети
(
ИНС
)
представляют
собой
систему
соединен
-
ных
и
взаимодействующих
между
собой
простых
процессоров
(
искусственных
нейронов
),
имитирующих
центральную
нервную
систему
человека
.
Каждый
процессор
подобной
сети
имеет
дело
только
с
сигналами
,
которые
он
периоди
-
чески
получает
,
и
сигналами
,
которые
он
периодически
посылает
другим
процессорам
.
Параллельная
обработка
информации
одновременно
всеми
нейронами
определяет
огромный
вычислительный
потенциал
и
широкие
возможности
для
решения
приклад
-
ных
задач
с
неограниченно
большим
количеством
входных
факторов
[2].
Можно
выделить
следующие
типовые
задачи
,
решаемые
с
помощью
ИНС
:
–
прогнозирование
,
–
классификация
,
–
кластеризация
,
–
ассоциативная
память
,
–
оптимизация
,
–
кодирование
и
декодирование
информации
.
Основные
трудности
на
пути
более
широкого
распространения
ИНС
—
в
неумении
широкого
круга
профессионалов
формулировать
свои
проблемы
в
терминах
,
допускаю
-
щих
простое
нейросетевое
решение
или
,
как
принято
сейчас
говорить
, «
проводить
ней
-
росетевую
декомпозицию
решаемой
задачи
» [3].
НЕЙРОННЫЕ
СЕТИ
НА
СЛУЖБЕ
ДИАГНОСТИКИ
И
ЛОКАЛИЗАЦИИ
АВАРИЙНЫХ
СИТУАЦИЙ
В
1990-
е
годы
для
анализа
и
интерпретации
большого
количества
одновременных
сиг
-
налов
тревоги
в
центрах
управления
электроэнергетическими
системами
в
условиях
стресса
было
предложено
использовать
ИНС
[4].
По
инициативе
международного
Института
инженеров
электротехники
и
электрони
-
ки
(IEEE)
развернулись
исследования
возможностей
нейросетевых
технологий
опера
-
тивной
помощи
диспетчерам
электростанций
и
электроэнергетических
систем
(
ЭЭС
) [5].
Необходимо
подчеркнуть
,
что
в
фазе
быстрого
развития
аварии
чаще
всего
слиш
-
ком
поздно
пытаться
остановить
каскадную
цепь
развития
событий
.
Волновые
процес
-
сы
в
электроэнергетических
системах
совершаются
в
тысячные
или
даже
миллионные
доли
секунды
;
процессы
,
связанные
с
короткими
замыканиями
,
включениями
и
отклю
-
Сегодняшний
всплеск
интереса
к
проблеме
искусственного
интеллекта
—
уже
третий
по
счету
за
последние
несколько
десятков
лет
,
и
каждый
из
них
,
так
или
иначе
,
связан
с
про
-
грессом
в
области
создания
и
обучения
искусственных
ней
-
ронных
сетей
[1].
Николай
СИМОНОВ
,
ведущий
инженер
филиала
ПАО
«
ФСК
ЕЭС
» —
МЭС
Центра
Николай
ИВЕНЕВ
,
председатель
совета
директоров
группы
компаний
«
ХайТэк
»
42
Ежеквартальный
спецвыпуск
№
4(15),
декабрь
2019
Вектор
развития

чениями
,
качаниями
,
нарушениями
устойчивости
,
соверша
-
ются
в
течение
долей
секунды
или
нескольких
секунд
.
Традиционные
методы
оценки
надежности
и
устойчиво
-
сти
ЭЭС
предусматривают
численные
решения
нелинейных
уравнений
перетоков
мощности
и
исследования
переходных
процессов
с
детальным
моделированием
для
всех
значи
-
мых
нарушений
режима
их
работы
.
Из
-
за
комбинаторной
природы
проблемы
эти
подходы
требуют
большого
времени
вычислений
и
,
следовательно
,
не
могут
быть
эффективно
использованы
в
режиме
реального
времени
.
Главным
преимуществом
ИНС
при
диагностике
предава
-
рийного
состояния
ЭЭС
является
ее
гибкость
при
большом
потоке
данных
и
информационном
шуме
.
При
надлежащем
обучении
ИНС
могла
бы
выполнять
следующие
задачи
,
ко
-
торые
не
реализуются
в
традиционной
системе
диспетчер
-
ского
управления
:
–
принимать
и
обрабатывать
активные
аварийные
сиг
-
налы
,
связанные
с
состоянием
сети
(
при
этом
должен
вестись
учет
состояния
всех
объектов
и
присоединений
с
фиксацией
мест
,
где
планируются
работы
,
ведутся
работы
;
должна
обеспечиваться
фиксация
отключенных
присоединений
,
постановка
и
снятие
заземлений
,
учет
заземлений
,
ведение
журналов
,
др
.);
–
классифицировать
состояния
ЭЭС
с
целью
определить
насколько
опасен
тот
или
иной
режим
работы
для
режимной
надежности
всей
системы
;
–
определять
аварийные
ситуации
,
которые
могут
приве
-
сти
к
крупной
системной
аварии
,
и
обеспечивать
авто
-
матизированное
выделение
участка
электрической
сети
при
повреждении
или
для
выполнения
ремонта
.
В
2014
году
Институт
систем
энергетики
им
.
Л
.
А
.
Ме
-
лентьева
СО
РАН
для
решения
задачи
ранней
диагности
-
ки
режимной
надежности
ЭЭС
предложил
на
модельном
уровне
(
тестовой
схемы
)
использовать
«
кластерный
под
-
ход
»,
основанный
на
принципах
самоорганизации
ИНС
(
сеть
Кохонена
).
В
данном
случае
кластеризация
рассматривается
как
одна
из
форм
машинного
обучения
ИНС
«
без
учителя
»,
ис
-
пользуемая
для
обнаружения
характерных
или
значимых
за
-
кономерностей
в
больших
наборах
данных
,
когда
нет
апри
-
орной
информации
,
к
примеру
,
такой
,
как
метки
категорий
.
Кластеры
,
сформированные
сетью
Кохонена
,
отражают
определенные
режимы
работы
тестируемой
ЭЭС
:
–
нормальное
состояние
— normal;
–
утяжеленное
(
предупредительное
) — alarm 1–5;
–
аварийные
(
корректируемые
) — emergency (correctable
1–2);
–
аварийное
(
некорректируемое
) — emergency (non-
correctable).
«
Предупредительная
система
для
раннего
выявле
-
ния
предаварийных
состояний
ЭЭС
»
обучается
,
исполь
-
зуя
«
набор
обучающих
примеров
на
основе
случайно
сгенерированных
режимных
ситуаций
в
ЭЭС
».
Значения
полученных
кластеров
определяются
с
помощью
тестов
,
представляющих
собой
набор
нормальных
и
аварийных
условий
в
ЭЭС
.
Предлагаемая
учеными
Института
систем
энергетики
тестовая
схема
повторяет
структурные
особенности
многих
ЭЭС
,
в
которых
может
наблюдаться
нарушение
устойчиво
-
сти
узлов
нагрузки
.
В
частности
,
сходной
структурой
облада
-
ет
ЭЭС
Дании
и
Швеции
,
с
наличием
мощных
ГЭС
на
севере
и
большего
числа
потребителей
производимой
ими
энергии
на
юге
.
В
России
также
имеются
энергосистемы
со
схожей
структурой
[6].
В
2017
году
Обнинский
институт
атомной
энергетики
НИЯУ
МИФИ
разработал
на
основе
ИНС
программно
-
алго
-
ритмический
комплекс
,
обеспечивающий
диагностику
состо
-
яния
главного
циркуляционного
насоса
(
ГЦН
) —
важнейшего
элемента
реакторного
контура
АЭС
.
Программно
-
аппаратный
комплекс
позволяет
распоз
-
навать
аномалию
в
поведении
главных
ГЦН
на
ранней
ста
-
дии
развития
,
что
дает
возможность
своевременно
принять
меры
для
устранения
причин
нестабильной
работы
насоса
и
предотвратить
аварию
.
Обучение
и
проверка
работы
программы
основывались
на
данных
Калининской
и
Нововоронежской
АЭС
.
Сеть
на
-
училась
распознавать
аномальную
ситуацию
на
обеих
стан
-
циях
,
связанную
с
блоком
уплотнения
ГЦН
,
с
вероятностью
приблизительно
96%.
В
процессе
обучения
проводился
анализ
чувствитель
-
ности
ИНС
к
входным
параметрам
,
что
позволило
выделить
среди
них
наиболее
значимые
при
развитии
рассмотренной
ситуации
.
Наибольший
вес
при
обучении
имели
параметры
:
давление
за
первой
ступенью
уплотнения
и
давление
запи
-
рающей
воды
на
выходе
из
ГЦН
,
что
подтвердило
результа
-
ты
ранее
проведенных
исследований
[7].
Ученые
НИУ
«
МЭИ
»
К
.
Н
.
Чыонг
Ван
и
Ю
.
Б
.
Воробьев
предложили
использовать
ИНС
в
комплексе
с
экспертной
системой
интегральных
кодов
для
мониторинга
состояния
АЭС
с
ВВЭР
-1000
на
основе
анализа
24
контролируемых
параметров
,
в
том
числе
:
–
давление
теплоносителя
на
входе
и
выходе
АЗ
(
актив
-
ной
зоны
);
–
давление
теплоносителя
второго
контура
по
парогенера
-
торам
;
–
расход
теплоносителя
по
петлям
;
–
температура
на
выходе
АЗ
;
–
мощность
реактора
;
–
расход
через
БРУ
-
А
(
быстродействующей
редукционной
установки
атмосферной
);
–
уровни
теплоносителя
в
компенсаторе
давления
и
паро
-
генераторах
.
Разработанный
ими
программно
-
аппаратный
комплекс
обучен
распознавать
64
типа
аварий
и
способен
не
только
сигнализировать
о
возникновении
нештатной
ситуации
,
но
также
осуществлять
поддержку
оператора
или
кризисного
43

центра
непосредственно
во
время
протекания
аварии
на
всех
ее
стадиях
[8].
Перспективной
областью
применения
ИНС
является
диагностика
и
обнаружение
аварийных
и
предаварийных
ситуаций
на
турбоагрегатах
тепловых
(
конденсационных
)
и
гидроэлектростанций
на
основе
данных
,
получаемых
от
вибродатчиков
.
Необходимо
отметить
,
что
вредные
последствия
даже
самых
умеренных
вибраций
имеют
свойства
накапливаться
и
проявляться
в
самой
различной
форме
.
Это
может
най
-
ти
выражение
в
появлении
усталостных
трещин
в
роторе
турбины
,
штоках
регулирующих
клапанов
,
чугунных
опо
-
рах
,
зубчатых
передачах
и
т
.
д
.
Под
действием
вибрации
расстраивается
взаимное
крепление
частей
,
нарушается
жесткая
связь
статоров
и
подшипников
с
фундаменталь
-
ными
плитами
,
увеличивается
расцентровка
валов
.
Значи
-
тельные
колебания
вала
на
масляной
пленке
могут
вызвать
возникновение
очагов
полусухого
трения
,
что
увеличивает
опасность
выплавления
подшипников
.
Неблагоприятное
действие
вибрации
оказывается
также
на
работе
системы
регулирования
турбины
и
приборов
контроля
[9].
Из
всех
причин
,
возбуждающих
колебания
теплового
турбоагрегата
,
наименее
изученной
и
наиболее
опасной
считается
низкочастотная
вибрация
,
обусловленная
поте
-
рей
устойчивости
вала
на
масляной
пленке
.
Определение
причин
,
вызывающих
вибрацию
турбо
-
агрегата
—
задача
весьма
сложная
.
Для
анализа
источников
повышенной
вибрации
снимаются
характеристики
:
скорост
-
ные
,
режимные
,
контурные
.
С
распознанием
типов
неисправностей
турбоагрегатов
могли
бы
справиться
ИНС
на
основании
соответствующих
диагностических
признаков
.
Обнаружение
предаварийных
ситуаций
турбоагрегатов
с
использованием
ИНС
представляется
совокупностью
сле
-
дующих
подзадач
:
–
выбор
состава
информационных
признаков
,
необходи
-
мых
для
анализа
текущего
вибрационного
состояния
турбоагрегата
;
–
определение
структуры
нейронной
сети
,
необходимой
для
распознавания
одного
из
классов
предаварийной
ситуации
на
основе
отобранных
в
предыдущем
пункте
признаков
;
–
разработка
программного
обеспечения
,
реализующего
выбранную
на
предыдущем
шаге
структуру
ИНС
;
–
обучение
этой
сети
на
реальных
данных
,
характеризую
-
щих
различные
режимы
работы
агрегата
:
нормального
функционирования
и
различного
рода
предаварийные
ситуации
;
–
определение
способов
использования
результатов
,
выдаваемых
программным
средством
,
для
поддержки
принятия
решений
по
управлению
турбоагрегатом
.
Система
виброконтроля
используется
также
и
для
анали
-
за
технического
состояния
опорных
узлов
гидротурбин
:
крыш
-
ка
турбины
,
грузонесущая
крестовина
,
корпус
турбинного
подшипника
,
турбинный
и
генераторный
вал
и
т
.
д
.
Основной
контролируемой
величиной
вибрации
является
вибропереме
-
щение
,
а
основным
контролирующим
параметром
—
средний
размах
вибрации
за
период
колебаний
с
оборотной
частотой
в
последовательной
серии
периодов
[10].
Параметры
вибрации
гидротурбин
зависят
от
большого
количества
факторов
,
поэтому
выделение
вибрационного
сигнала
,
обусловленного
наличием
неисправности
,
пред
-
ставляет
определенную
сложность
.
Кроме
хорошей
аппара
-
туры
,
необходимо
и
понимание
физических
явлений
,
фор
-
мирующих
этот
сигнал
.
Известно
,
что
ИНС
хорошо
справляются
с
диагностирова
-
нием
оборудования
при
неполноте
и
зашумленности
входных
данных
и
обладают
мгновенным
откликом
,
однако
о
каких
-
ли
-
бо
реализованных
проектах
их
применения
для
анализа
тех
-
нического
состояния
гидротурбин
пока
неизвестно
.
ИНС
могли
бы
найти
применение
в
составе
вычисли
-
тельных
комплексов
для
мониторинга
проблемных
элемен
-
тов
воздушных
линий
электропередачи
(
ВЛ
).
В
настоящее
время
разработаны
и
используются
раз
-
личные
типы
приборов
,
основанных
на
сейсмоакустическом
методе
диагностики
дефектов
конструкции
бетонных
фун
-
даментов
мачтовых
опор
.
Динамическими
характеристи
-
ками
(
используемыми
в
применяемом
методе
)
являются
резонансные
частоты
свободных
колебаний
фундамента
,
которые
зависят
от
скорости
распространения
свободных
колебаний
(
волн
)
в
теле
фундамента
и
его
геометрических
размеров
.
Скорость
распространения
волн
,
в
свою
очередь
,
зависит
от
плотности
бетона
и
упругих
свойств
железобетон
-
ной
конструкции
.
Снижение
скорости
распространения
волн
(
при
неизменных
геометрических
размерах
)
приводит
к
из
-
менению
резонансных
частот
фундамента
.
Посредством
измерения
резонансные
частоты
сво
-
бодных
колебаний
однотипных
(
по
конструкции
и
геоме
-
трическим
размерам
)
фундаментов
опор
с
относительной
погрешностью
можно
выявить
объекты
с
«
измененными
»
прочностными
характеристиками
.
Сравнивая
измеренные
резонансные
частоты
с
расчетными
или
статистическими
значениями
,
специалист
по
мониторингу
определяет
«
от
-
клонение
»
частот
конкретного
объекта
от
расчетной
или
статистической
нормы
.
По
величине
этого
«
отклонения
»
формируется
экспертное
суждение
о
степени
разрушения
фундамента
(
потери
его
несущей
способности
)
на
основе
моделирования
или
сравнения
с
«
отклонениями
»
на
объек
-
тах
с
искусственно
созданными
дефектами
.
Полагаем
,
что
в
зависимости
от
поставленных
целей
,
ис
-
ходных
данных
и
аппаратных
возможностей
можно
подобрать
ИНС
и
обучить
распознавать
по
алгоритму
спектрального
ана
-
лиза
резонансные
частоты
,
свидетельствующие
о
наличии
в
фундаменте
допустимых
или
недопустимых
дефектов
.
Важное
место
в
обеспечении
надежной
эксплуатации
устройств
электроснабжения
занимает
диагностика
изоля
-
44
Ежеквартальный
спецвыпуск
№
4(15),
декабрь
2019
Вектор
развития

торов
,
контактных
соединений
и
арматуры
ВЛ
.
Периодич
-
ность
осмотров
каждой
ВЛ
по
всей
длине
,
которые
произ
-
водят
с
земли
,
должна
быть
не
реже
1
раза
в
год
.
Не
реже
1
раза
в
5
лет
должны
проводиться
,
так
называемые
,
вер
-
ховые
осмотры
.
Традиционно
верховые
осмотры
проводятся
методом
вертолетного
патрулирования
.
За
день
работы
(5–6
часов
)
таким
способом
осматриваются
до
200
км
линий
.
При
вертолетном
патрулировании
производятся
следу
-
ющие
виды
работ
:
–
тепловизионная
диагностика
ВЛ
,
изоляторов
,
контактных
соединений
и
арматуры
с
целью
выявления
элементов
,
подвергшихся
температурному
нагреву
вследствие
воз
-
никающих
дефектов
;
–
ультрафиолетовая
диагностика
ВЛ
,
изоляторов
,
кон
-
тактных
соединений
и
арматуры
с
целью
обнаружения
коронных
разрядов
на
них
;
–
визуальный
контроль
опор
,
изоляторов
и
контактных
соединений
с
помощью
видеокамеры
с
высоким
раз
-
решением
.
По
результатам
расшифровки
данных
выдается
отчет
,
содержащий
фотографии
и
термограммы
обнаруженных
де
-
фектов
,
с
описанием
вида
дефекта
и
рекомендациями
по
его
устранению
.
В
последнее
время
для
верховых
осмотров
(
наблюдения
и
фотографирования
с
различных
высот
)
воздушных
линий
применяются
беспилотные
летающие
аппараты
(
БПЛА
).
Со
-
временная
цифровая
аппаратура
в
комплексе
с
оптическим
стабилизатором
изображения
позволяет
получать
сним
-
ки
высочайшего
качества
,
например
,
с
помощью
камеры
Panasonic HDC-SD1
можно
отснять
цифровой
фильм
с
ча
-
стотой
25
чересстрочных
кадров
в
секунду
с
разрешением
1140×1080
точек
,
что
вполне
может
заменить
визуальный
осмотр
ВЛ
с
земли
с
использованием
биноклей
.
Начиная
с
2013
года
спроектировано
и
натренировано
много
разных
моделей
ИНС
для
решения
задачи
класси
-
фикации
фотографий
(
изображений
),
модифицированных
в
графических
редакторах
.
Большинство
моделей
спроек
-
тировано
на
основе
сверхточных
нейронных
сетей
(
англ
.
Convolutional neural network — CNN).
На
вход
нейросети
по
-
дается
или
само
изображение
в
каком
-
либо
виде
,
или
набор
ранее
извлеченных
из
него
ключевых
характеристик
,
а
на
выходе
—
нейрон
с
максимальной
активностью
указывает
принадлежность
изображения
к
распознанному
классу
[11].
ИНС
для
решения
задачи
определения
фактического
места
повреждения
и
классификации
дефектов
ВЛ
на
ос
-
новании
фото
-
видеоматериалов
,
полученных
при
верхо
-
вом
осмотре
,
пока
нигде
в
мире
не
создана
.
По
аналогии
с
другими
ИНС
для
решения
задачи
диагностики
неисправ
-
ностей
(
задач
классификации
и
распознавания
образов
)
можно
предположить
,
что
ее
обучение
будет
производить
-
ся
методом
обратного
распространения
с
использованием
одного
из
обучающих
алгоритмов
на
множестве
обучающих
данных
,
последовательно
представляющих
все
классы
об
-
разов
,
подлежащих
распознаванию
.
В
файловых
хранили
-
щах
МПЭС
ПАО
«
ФСК
ЕЭС
»
в
электронном
виде
хранятся
тысячи
фотографий
с
изображениями
дефектов
элементов
ВЛ
(
в
виде
приложений
к
листкам
осмотра
),
из
которых
мо
-
жет
быть
сформирована
обучающая
выборка
.
Конечная
цель
перспективного
проекта
—
создание
мониторинговой
системы
с
элементами
искусственного
ин
-
теллекта
,
которая
с
недостижимой
для
зрительной
способ
-
ности
человека
скоростью
(
и
точностью
)
будет
определять
:
1)
состояние
проводов
и
тросов
—
не
должно
быть
об
-
рывов
и
оплавлений
отдельных
проволок
,
набросов
на
провода
и
тросы
,
нарушений
их
регулировки
,
недопу
-
стимого
изменения
стрел
провеса
и
расстояний
прово
-
дов
до
земли
и
объектов
,
смещения
от
места
установки
гасителей
эоловой
вибрации
,
предусмотренных
проек
-
том
ВЛ
;
2)
состояние
изоляторов
—
не
должно
быть
боя
,
ожогов
,
трещин
,
загрязненности
,
повреждения
глазури
,
непра
-
вильной
насадки
штыревых
изоляторов
на
штыри
или
крюки
,
повреждений
защитных
рогов
,
недопустимых
от
-
клонений
подвесных
гирлянд
изоляторов
от
оси
;
долж
-
ны
быть
на
месте
гайки
,
замки
или
шплинты
;
3)
состояние
арматуры
—
не
должно
быть
трещин
,
пере
-
тирания
или
деформации
отдельных
деталей
;
4)
состояние
разрядников
,
коммутационной
аппаратуры
на
ВЛ
и
концевых
кабельных
муфт
на
спусках
—
не
должно
быть
повреждений
или
обрывов
заземляющих
спусков
на
опорах
и
у
земли
,
нарушений
контактов
в
болтовых
соединениях
молниезащитного
троса
с
за
-
земляющим
спуском
или
телом
опоры
,
разрушения
кор
-
розией
элементов
заземляющего
устройства
.
ПРОГНОЗИРОВАНИЕ
РЕЖИМОВ
ЭЛЕКТРОПОТРЕБЛЕНИЯ
,
РАСПРЕДЕЛЕНИЯ
ЭЛЕКТРИЧЕСКОЙ
НАГРУЗКИ
И
ПОТЕРЬ
ЭЛЕКТРОЭНЕРГИИ
В
СЕТЯХ
Чтобы
сэкономить
энергоресурс
,
необходимо
заранее
как
можно
точнее
знать
,
сколько
его
будет
потреблено
.
В
1990-
е
годы
в
первых
зарубежных
публикациях
по
прогнозированию
электрической
нагрузки
использовалась
конфигурация
ИНС
прямого
распространения
с
обуче
-
нием
по
методу
обратного
распространения
ошибки
[12].
Проводились
эксперименты
по
использованию
ИНС
для
прогнозирования
электрической
нагрузки
с
3-
месячным
упреждением
[13],
а
также
для
прогнозирования
пикового
потребления
электроэнергии
[14].
Способности
ИНС
к
прогнозированию
напрямую
следу
-
ют
из
их
способности
к
обобщению
и
выделению
скрытых
зависимостей
между
входными
и
выходными
данными
.
По
-
сле
обучения
ИНС
способны
производить
своевременное
оценивание
текущего
состояния
,
надежности
,
качества
и
устойчивости
функционирования
энергосистемы
.
45

Согласно
проведенным
за
рубежом
исследованиям
,
наиболее
эффектив
-
ным
для
прогнозирования
электриче
-
ской
нагрузки
являются
помесячный
и
почасовой
способы
.
Наиболее
пер
-
спективным
является
почасовой
,
но
он
требует
большого
массива
данных
(
одна
итерация
для
обучения
требует
144
по
-
казания
,
в
то
время
как
помесячный
—
всего
12).
Кафедра
электрических
систем
Белорусского
национального
техниче
-
ского
университета
выполнила
работу
по
прогнозированию
нагрузки
объ
-
единенной
энергосистемы
Республики
Беларусь
на
сутки
вперед
с
использо
-
ванием
ИНС
[15].
Обучающая
выборка
(
задачник
)
представлена
базой
архивных
данных
по
дням
электрической
нагрузки
энергосистемы
Беларуси
(
часовой
интервал
),
средней
температуры
и
типа
дня
за
2006–2007
гг
.
Моделирование
ИНС
осуществлялось
с
помощью
Neural
Network Toolbox
в
системе
Mathlab.
Средняя
ошибка
прогно
-
за
нагрузки
энергосистемы
с
использованием
ИНС
на
ретро
-
спективных
данных
:
с
01.04.2007
по
30.04.2007
и
с
01.09.2007
по
28.09.2007
не
превысила
2,3%.
Разработанная
белорусскими
коллегами
конфигурация
ИНС
—
трехслойный
персептрон
—
приведена
на
рисунке
1.
Во
входном
слое
сети
находятся
27
нейронов
(
количе
-
ство
входных
переменных
),
в
скрытом
слое
— 6 (
опреде
-
лены
экспериментальным
путем
при
настройке
сети
),
в
вы
-
ходном
— 24 (
соответствует
количеству
часов
в
сутках
).
Входными
переменными
являются
почасовые
значения
нагрузки
Pi
для
суток
,
предшествующих
прогнозируемым
(24
значения
),
а
также
значения
типа
дня
«
Сегодня
»,
типа
дня
«
Завтра
»
и
температуры
«
Завтра
».
В
2018
году
в
ОАО
«
Мордовская
энергосбытовая
ком
-
пания
»
для
прогнозирования
электрической
нагрузки
была
построена
и
обучена
ИНС
прямого
распространения
,
состо
-
ящая
из
3-
х
слоев
.
Во
входном
слое
— 4
нейрона
,
в
скрытом
слое
— 2
нейрона
,
в
выходном
— 1
нейрон
.
Для
обучения
ИНС
использовался
алгоритм
Левенберга
-
Марквардта
.
Для
настройки
применялся
«
метод
градиентно
-
го
спуска
с
возмущением
».
Обучение
сети
проводилось
на
основе
фактических
почасовых
данных
по
потреблению
электроэнергии
,
истории
погоды
,
календаря
праздничных
и
выходных
дней
с