ЗАСТОСУВАННЯ БАЙЄСІВСЬКОЇ РЕГУЛЯРИЗАЦІЇ ДЛЯ ПІДВИЩЕННЯ ЯКОСТІ ЕЛЕКТРИЧНОЇ ЕНЕРГІЇ В СИСТЕМІ ЕЛЕКТРОПОСТАЧАННЯ

Автор(и)

  • Катерина Ягуп Національний технічний університет «Харківський політехнічний інститут», Україна https://orcid.org/0000-0002-9305-8169
  • Валерій Ягуп Харківський національний автомобільно-дорожній університет, Україна https://orcid.org/0000-0002-7019-3499

DOI:

https://doi.org/10.20998/2079-0023.2023.02.03

Ключові слова:

нейронна мережа, навчання за алгоритмом Байєсівської регуляризації, вхідна матриця, матриця цілей, набір кортежей, методи пошукової оптимізації, система живлення

Анотація

Досліджується можливість використання нейронних мереж у сфері підвищення енергетичних показників системи електропостачання з нерівномірним навантаженням у фазах. Така необхідність обґрунтована тим, що розрахунок необхідних параметрів симетро-компенсувального пристрою раніше ґрунтувався на методі пошукової оптимізації Нелдера – Міда. Виконання пошукової оптимізації вимагає значних обчислювальних витрат, займає тривалий час обчислення і може розраховувати аномальні значення. У статті розвивається ідея використання технології прогнозування параметрів симетро-компенсувального пристрою на основі нейромережевого моделювання із застосуванням байєсівської регуляризації. Для заданого набору вихідних даних найкращою підібраною конфігурацією виявилася нейронна мережа двох шарів реалізована в пакеті MATLAB засобами інструменту машинного навчання Neural Network Toolbox. Вхідні параметри мережі являють собою набір кортежів, що складаються з величин навантажень у кожній із трьох фаз системи електропостачання, що мають резистивно-індуктивний характер. Усього вхідних величин шість (значення опору та індуктивності навантаження в кожній із трьох фаз) і всі їх значення відрізняються, що і створює несиметрію струмів у мережі та реактивну потужність. Матриця цілей сформована з кортежів, що складаються з трьох величин, що є розраховані методом оптимізації параметри симетро-компенсувального пристрою, таким чином, щоб компенсувати реактивну потужність і відсиметрувати струми в мережі. Досвідченим шляхом визначено кількість кортежів даних, необхідні навчання нейронної мережі. Під час проведення експериментів також виявлено оптимальну кількість нейронів нейронної мережі. Застосування сформованої нейромережі для розрахунку параметрів симетро-компенсувального пристрою визначило наближені рішення, які можна порівняти за точністю зі значеннями, знайденими оптимізаційними методами. За допомогою сформованої нейронної системи визначено адекватні квазірішення розрахунку параметрів симетро-компенсувального пристрою, які при розрахунках оптимізаційним методом призводили до аномальних значень, які не виконували оптимізацію енергетичних показників системи електропостачання у необхідній мірі. Також такі нейропередбачення захищають систему від отримання надмірно завищених параметрів симетро-компенсувального пристрою, які можуть бути отримані при оптимізаційному підході та аномальних значень.

Біографії авторів

Катерина Ягуп, Національний технічний університет «Харківський політехнічний інститут»

доктор технічних наук, професор, Національний технічний університет «Харківський політехнічний інститут», професор кафедри програмної інженерії та інтелектуальні технології управління; Харків, Україна

Валерій Ягуп, Харківський національний автомобільно-дорожній університет

доктор технічних наук, професор, Харківський національний автомобільно-дорожній університет, професор кафедри комп’ютерних систем; м. Харків, Україна

Посилання

Yagup E. V. Raschet parametrov ustroystva kompensatsii reaktivnoy moschnosti s ispolzovaniem modeli i poiskovoy optimizatsii [Calculation of parameters of a reactive power compensation device using a model and search optimization]. Zbirnyk naukovykh prats Ukrainskoi derzhavnoi akademii zaliznychnoho transportu [Collection of scientific works of the Ukrainian State Academy of Railway Transport]. 2014, no. 150, pp. 115 –120.

Yagup E. V. Modelirovanie nesimmetrichnoy sistemyi elektrosnabzheniya s ispolzovaniem optimizatsii dlya opredeleniya parametrov simmetriruyuschego ustroystva [Modeling of an unbalanced power supply system using optimization to determine the parameters of a balun]. Zbirnyk naukovykh prats Ukrainskoi derzhavnoi akademii zaliznychnoho transportu [Collection of scientific works of the Ukrainian State Academy of Railway Transport]. 2016, no. 161, pp. 130–138.

Yagup E. V., Yagup V. G. Issledovanie rezhimov polnoy kompensatsii reaktivnoy moschnosti v trehfaznoy sisteme elektrosnabzheniya. [Research of full reactive power compensation modes in a three-phase power supply system]. Elektrotekhnika i elektromekhanika [Electrical engineering and electromechanics]. 2019, no. 2, pp. 61–65.

Hu W., Liu B., Gomes J. Strategies for Pre-training Graph Neural Networks. URL: https://arxiv.org/abs/1905.12265 (access date: 01.11.2023).

Dahl G., Jaitly N., Salakhutdinov R. Multi-task neural networks for QSAR predictions. URL: https://arxiv.org/abs/1406.1231 (access date: 01.11.2023).

Graves A., Wayne G., Danihelka I. Neural Turing machines. URL: https://arxiv.org/abs/1410.5401 (access date: 01.11.2023).

Haykin S. Neyronnyie seti. Polnyiy kurs. [Neural networks. A comprehensive foundations]. Moscow, Vilyams Publ., 2006. 1104 p.

Haykin S. Neural networks. A comprehensive foundations. McMillan College Publ.Co. N.Y. 1994. 696 p.

Lyuger F. Iskusstvennyiy intelekt: strategii i metodyi resheniya slozhnyih problem [Artificial Intelligence: Strategies and Methods for Solving Complex Problems]. Moscow: Vilyams Publ., 2003. 864 p.

Xianjun Ni Research of Data Mining Based on Neural Networks. World Academy of Science, Engineering and Technology. 2008, vol. 39, pp. 381–384.

Wyner A. J., Olson M., Bleich J., Mease D. Explaining the success of adaboost and random forests as interpolating classifiers. The Journal of Machine Learning Research. 2017, vol. 18, no.. 1, pp. 1558–1590.

Opper M., Archambeau C. The variational gaussian approximation revisited. Neural Computation. 2009, vol 21 (3), pp. 786–792.

##submission.downloads##

Опубліковано

2023-12-19

Як цитувати

Ягуп, К., & Ягуп, В. (2023). ЗАСТОСУВАННЯ БАЙЄСІВСЬКОЇ РЕГУЛЯРИЗАЦІЇ ДЛЯ ПІДВИЩЕННЯ ЯКОСТІ ЕЛЕКТРИЧНОЇ ЕНЕРГІЇ В СИСТЕМІ ЕЛЕКТРОПОСТАЧАННЯ. Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї, (2 (10), 15–20. https://doi.org/10.20998/2079-0023.2023.02.03

Номер

№ 2 (10) (2023)

Розділ

УПРАВЛІННЯ В ТЕХНІЧНИХ СИСТЕМАХ

Ліцензія

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  • Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
  • Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
  • Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).