Прогнозирование хаотической динамики параметра потока отказов воздушных линий
Аннотация
Приведены результаты прогнозирования параметра потока отказов (частоты отказов) воздушных линий 500 кВ, представленного в виде временного ряда и обладающего признаками хаотичности. Прогнозные оценки получены с использованием методов регрессии (спектрального сингулярного анализа) и искусственного интеллекта (нейронных и нечетких нейронных сетей). В качестве объекта спектрального сингулярного анализа использована матрица задержек, формируемая на основе временного ряда параметра потока отказов. Прогноз осуществлен путем одношаговых преобразований исходных данных. Для прогнозирования с помощью нейронной сети применена сеть прямой передачи сигнала, обучаемая методом обратного распространения ошибок. С целью достижения минимальной средней квадратической ошибки обучающая выборка содержала максимально возможную предысторию. Для прогнозирования частоты отказов методом нечетких нейронных сетей была выбрана сеть Ванга-Менделя. Показано, что прогнозные оценки параметра потока отказов, полученные при достаточно большом количестве опытов на базе «высокоразвитой» нейронной сети, фактически приводят к выполнению условий центральной предельной теоремы. В итоге методы прогнозирования временных рядов параметра потока отказов, основанные на использовании регрессии и искусственного интеллекта, дали различные оценки. Это свидетельствует о том, что это лишь начало пути обоснования методологии прогнозирования аварийности в электрических сетях.
Литература
1. Галиаскаров И.М., Мисриханов М.Ш., Рябченко В.Н., Шунтов А.В. Еще раз о цикличности аварий в основных сетях энергосистем. — Электричество, 2019, № 11, с. 4—11.
2. Галиаскаров И.М., Мисриханов М.Ш., Рябченко В.Н., Шунтов А.В. О прогнозировании аварийности воздушных ли¬ний основной сети энергосистем. — Электричество, 2020, № 6, с. 6-11.
3. Леонтьева Л.Н. Многомерная гусеница, выбор длины и числа компонент. — Машинное обучение и анализ данных, 2011, № 1, с. 2—10.
4. Воеводин В.В., Кузнецов Ю.А. Матрицы и вычисления. М.: Наука. ФИЗМАТЛИТ, 1984, 320 с.
5. Голяндина Н.Э. Метод «Гусеница»—88А: прогноз времен¬ных рядов. СПб., 2004, 52 с.
6. Лоскутов А.Ю., Михайлов А.С. Основы теории сложных систем. М.; Ижевск: Институт компьютерных исследований, 2007, 620 с.
7. Шабунин А.В. Нейронная сеть как предсказатель дина¬мики дискретного отображения. — Известия вузов. Проблемы нелинейной динамики, 2014, т. 22, № 5, с. 58—72.
8. Аксенов С.В., Новосельцев В.Б. Организация и использо¬вание нейронных сетей (методы и технологии) / Под общ. ред. В.Б. Новосельцева. Томск: Изд-во НТЛ, 2006, 128 с.
9. Kriesel D. A Brief Introduction to Neural Networks [Элек¬трон. ресурс] http://dkriesel.com/en/science/neural_networks (дата обращения 13.03.2020).
10. Соболь И.М. Метод Монте-Карло. М.: Наука, 1968, 64 с.
11. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обуче-ние. М.: ДМК Пресс, 2018, 652 с.
12. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: ФИЗМАТЛИТ, 2001, 198 с.
13. Скопинцев В.А. Качество электроэнергетических систем: надёжность, безопасность, экономичность, живучесть. М.: Энергоатомиздат, 2009, 332 с.
#
1. Galiaskarov I.M., Misrikhanov M.Sh., Ryabchenko V.N., Shuntov A.V. Elektrichestvo – in Russ. (Electricity), 2019, No. 11, pр. 4—11.
2. Galiaskarov I.M., Misrikhanov M.Sh. Elektrichestvo – in Russ. (Electricity), 2020, No. 6, pp. 6–11.
3. Leont’yeva L.N. Mashinnoye obucheniye i analiz dannykh – in Russ. (Machine Learning and Data Analysis), 2011, No. 1, pp. 2–10.
4. Voyevodin V.V., Kuznetsov Yu.A. Matritsy i vychisleniya (Matrices and calculations). M.: Nauka. FIZMATLIT, 1984, 320 p.
5. Golyandina N.E. Metod «Gusenitsa»-SSA: prognoz vremennykh ryadov (Caterpillar-SSA: Time Series Forecast). SPb., 2004, 52 p.
6. Loskutov A.Yu., Mikhaylov A.S. Osnovy teorii slozhnykh system (Foundations of the theory of complex systems). M.; Izhevsk: Institut komp’yuternykh issledovaniy, 2007, 620 p.
7. Shabunin A.V. Isv. vuzov. Problemy nelineynoy dinamiki – in Russ. (News of universities. Problems of nonlinear dynamics), 2014, vol. 22, No. 5, pp. 58–72.
8. Aksenov S.V., Novosel’tsev V.B. Organizatsiya i ispol’zovaniye neyronnykh setey (metody i tekhnologii)/Pod obshch. red. V.B. Novosel’tseva
(Organization and use of neural networks (methods and technologies)/Ed. V.B. Novoseltsev). Tomsk: Izd-vo NTL, 2006, 128 p.
9. Kriesel D. Brief Introduction to Neural Networks [Elektron. Resourse] http://dkriesel.com/en/science/neural_networks (Data of appeal 13.03.2020).
10. Sobol’ I.M. Metod Monte-Karlo (Monte Carlo method). M.: Nauka, 1968, 64 p. 11. Gudfellou Ya., Bendzhio I., Kurvill’ A. Glubokoye obucheniye (Deep learning). M.: DMK Press, 2018, 652 p. 12. Kruglov V.V., Dli M.I., Golunov R.Yu. Nechetkaya logika i iskusstvennyye neyronnyye seti (Fuzzy logic and artificial neural networks). M.: FIZMATLIT, 2001, 198 p. 13. Skopintsev V.A. Kachestvo elektroenergeticheskikh sistem: nadozhnost’, bezopasnost’, ekonomichnost’, zhivuchest’ (The quality of power systems: reliability, safety, efficiency, survivability). M.: Energoatomizdat, 2009, 332 p.
