АЛГОРИТМ ОБУЧЕНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ФАКТОРНОГО ПРОГНОЗИРОВАНИЯ РЕСУРСА ИЗОЛЯЦИОННЫХ МАТЕРИАЛОВ СИЛОВЫХ КАБЕЛЬНЫХ ЛИНИЙ
Аннотация
Статья посвящена исследованиям термофлуктуационных процессов в соответствии
с теорией теплопроводности для решения задач факторного прогнозирования остаточно-
го ресурса изоляционных материалов на основе неразрушающего температурного метода.
Обоснована актуальность задачи разработки алгоритма для прогнозирования температу-
ры жил СКЛ в режиме реального времени на основе данных системы температурного
мониторинга, с учетом изменения токовой нагрузки линии и внешних условий теплоотвода.
Экспериментальным методом выявлены типы искусственных нейронных сетей, их архи-
тектура и состав, которые обеспечивают максимальную точность прогнозирования при
минимальном наборе значимых факторов. Разработана нейросеть для определения темпе-
ратурного режима токоведущей жилы силового кабеля. Определен минимальный набор
значимых факторов и размерность входного обучающего вектора, который обеспечивает
универсальность нейросетевого метода прогнозирования. Разработана нейросеть для оп-
ределения температурного режима токоведущей жилы заключается в диагностике и про-
гнозировании ресурса электроизоляции (ЭИ) силового кабеля. Модель позволяет оцениватьтекущее состояние изоляции и прогнозировать остаточный ресурс СКЛ. Проведен сравни-
тельный анализ экспериментальных и расчетных характеристик алгоритмов обучения
искусственной нейронной. Установлено, что предлагаемый алгоритм искусственной ней-
ронной сети может быть использована для составления прогноза температурного режи-
ма токоведущей жилы, на три часа вперед с точностью до 2,5% от фактического значе-
ния температуры жилы. Основная область применения разработанной нейросети для
определения температурного режима токоведущей жилы заключается в диагностике и
прогнозировании ресурса электроизоляции (ЭИ) силового кабеля. Разработка интеллекту-
альной системы прогнозирования (ИНС) температуры жилы СКЛ способствует планиро-
ванию режимов работы электросети с целью повышения надежности и энергоэффектив-
ности их взаимодействия с объединенной энергосистемой.
Литература
Transactions on Power Delivery, 1996, Vol. 11, No. 1.
2. Poluyanovich N.K., Azarov N.V., Ogrenichev A.V., Dubyago M.N., Shurykin A.A. Sintez
neyrosetevoy modeli dlya prognozirovaniya termicheskikh protsessov elektroizolyatsionnykh
materialov silovykh kabeley [Synthesis of a neural network model for predicting thermal processes
of electrical insulation materials of power cables], Inzhenernyy vestnik Dona [Engineering
Bulletin of the Don], 2020, No. 4 (64), pp. 12.
3. Poluyanovich N.K, Dubyago M.N. Prognozirovanie resursa kabel'nykh liniy s ispol'zovaniem
metoda iskusstvennykh neyronnykh setey [Predicting the resource of cable lines using the
method of artificial neural networks], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU.
Engineering Sciences], 2019, No. 3, pp. 51-62.
4. Poluyanovich N.K., Dubyago M.N., Shurykin A.A., Burkov D.V. Estimation of partial discharge
energy in a mathematical model of thermal fluctuation processes of a power cable. Ufa:
USATU, 2019, 642 p.
5. Dubyago M.N., Poluyanovich N.K. Termodinamicheskiy sposob vyyavleniya destruktsii
izolyatsii v zadachakh diagnostiki i prognozirovaniya resursa kabel'nykh sistem [Thermodynamic
method for detecting insulation degradation in problems of diagnostics and forecasting
of cable systems resource], Inzhenernyy vestnik Dona [Engineering Bulletin of the Don],
2017, No. 3 (46), pp. 25.
6. Prime J.B., Valdes J.G. Systems to Monitor the Cconductor Temperature of Underground
Cable, IEEE Transactions on Power Apparatus and Systems, 1981, Vol. PAS–100, No. 1,
pp. 211-219.
7. Melamed M.A. Sovremennye metody analiza i prognozirovaniya rezhimov elektropotrebleniya
v elektroenergeticheskikh sistemakh [Modern methods of analysis and forecasting of power
consumption modes in electric power systems], Itogi nauki i tekhniki. Seriya Energeticheskie
sistemy i ikh avtomatizatsiya [Results of science and technology. Energy Systems and their
Automation series], 1988, Vol. 4, pp. 4-111.
8. Anders G.J., Napieralski A., Orlikowski M., Zubert M. Advanced Modeling Techniques for
Dynamic Feeder Rating Systems, IEEE Transactions on Industry Applications, 2003, Vol. 39,
No. 3, pp. 619-626.
9. Chen S.T., David C.Y., Moghaddamjo A.R. Weather sensitive short-term load forecasting
using non fully connected artificial neural network, IEEE Trans. on Power Systems, 1992,
Vol. 7, No. 3, pp. 1098-1105.
10. Toropov A.S., Tulikov A.N. Prognozirovanie pochasovogo elektropotrebleniya regional'noy
energosistemy s ispol'zovaniem iskusstvennykh neyronnykh setey [Forecasting the hourly
power consumption of a regional power system using artificial neural networks], Vestnik
IrGTU [Vestnik IrSTU], 2017, Vol. 21, No. 5.
11. Dash P.K., Ramakrishna G., Liew A.C., Rahman S. Fuzzy neural networks for time-series
forecasting of electric load, IEE Proc. - Gener. Transm. Distrib., 1995, Vol. 142, No. 5, pp.
535- 544
12. Hsy Y., Ho K. Fuzzy expert systems: An application to short term load forecasting, IEE Proceedings
– C, 1992, Vol. 139, No. 6, pp. 471-477.
13. Lee K.Y., Park J.H. Short-term load forecasting using an artificial neural network, IEEE
Trans. on Power Systems, 1992, Vol. 7, No. 1, pp.124-130.
14. Peng T.M., Hubele N.F., Karady G.G. An adaptive neural network approach to one - week
aheard load forecasting, IEEE Trans. on Power Systems, 1993, Vol. 8, No. 3, pp. 1195-1201.
15. Dubyago M.N., Poluyanovich N.K., Pshikhopov V.Kh. Metod issledovaniya termofluktuatsionnykh
protsessov v zadachakh diagnostiki i prognozirovaniya izolyatsionnykh materialov
[Method of research of thermofluctuation processes in problems of diagnostics and forecasting
of insulating materials], Vestnik Donskogo gosudarstvennogo tekhnicheskogo universiteta
[Vestnik Donskogo gosudarstvennogo tekhnicheskogo universiteta], 2017, Vol. 17, No. 3 (90),
pp. 117-127.
16. Andreev A.M., Kaniskin V.A., Polonskiy Yu.A. Issledovanie stroeniya elektroizolyatsionnykh
materialov silovykh kabeley i kondensatorov [Investigation of the structure of electrical insulation
materials of power cables and capacitors], Elektrichestvo [Electricity], 1999, No. 1,
pp. 39-44.
17. Puchkov E.V. Sravnitel'nyy analiz algoritmov obucheniya iskusstvennoy neyronnoy seti
[Comparative analysis of artificial neural network training algorithms], Inzhenernyy vestnik
Dona [Engineering Bulletin of the Don], 2013, No. 4. Available at: ivdon.ru/ru
/magazine/archive/n4y2013/2135.
18. Poluyanovich, N.K., Dubyago, M.N., Azarov, N.V., Ogrenichev, A.V., Shurykin, A.A. Multifactor
Model for Forecasting Thermal Processes in the Insulating Materials of Cable Lines, International
Multi-Conference on Industrial Engineering and Modern Technologies, FarEastCon
2020. Doi: 10.1109/FarEastCon50210.2020.9271367.
19. Lavrov Yu.A. Kabeli 6–35 kV s plastmassovoy izolyatsiey [Cables of 6-35 kV with plastic
insulation], Novosti elektrotekhniki [News of electrical engineering], 2007, No. 1.
20. Greshnyakov G.V. Tsepno-polevoy podkhod k otsenke nagruzochnoy sposobnosti kabel'nykh
sistem [Chain-field approach to assessing the load capacity of cable systems], Cabex 2014:
Mezhdunarodnaya vystavka kabel'no-provodnikovoy produktsii. Novye razrabotki v oblasti
kabel'nykh izdeliy i materialov: seminar [Cabex 2014: International Exhibition of Cable and
Wire Products. New developments in the field of cable products and materials: seminar]. Moscow,
2014, 17 p. Available at: http://www.cabex.ru/ru-RU/home/press/news/18513.aspx (accessed
12 March 2020).
21. Polyak B.T. Metod N'yutona i ego rol' v optimizatsii i vychislitel'noy matematike [The Newton
method and its role in optimization and computational mathematics], Tr. Instituta Sistemnogo
Analiza Rossiyskoy Akademii Nauk [Proceedings of the Institute of System Analysis of The
Russian Academy of Sciences], 2006, Vol. 28, pp. 44-62.
22. Algoritm Levenberga-Markvardta [The Levenberg-Marquardt algorithm]. Available at:
http://www.machinelearning.ru (accessed 21 September 2019).
23. Borisov E.S. O metodakh obucheniya mnogosloynykh neyronnykh setey pryamogo
rasprostraneniya. Ch. 3. Gradientnye metody vtorogo poryadka [On methods of training multilayer
neural networks of direct propagation. Part 3. Gradient methods of the second order].
Available at: http://mechanoid.kiev.ua (accessed 21 September 2019).
24. Lila V.B. Algoritm i programmnaya realizatsiya adaptivnogo metoda obucheniya iskusstvennykh
neyronnykh setey [Algorithm and software implementation of adaptive training method for artificial
neural networks], Inzhenernyy vestnik Dona [Engineering Bulletin of the Don], 2012, No. 1.
Available at: http://ivdon.ru/magazine /archive/n1y2012/626 (access is free).
25. Belyavskiy G.I., Puchkov E.V., Lila V.B. Algoritm i programmnaya realizatsiya gibridnogo
metoda obucheniya iskusstvennykh neyronnykh setey [Algorithm and software implementation
of the hybrid method of training artificial neural networks], Programmnye produkty i
sistemy [Software products and systems], 2012, No. 4, pp. 96-100.
26. Galushka V.V., Fakhti V.A. Formirovanie obuchayushchey vyborki pri ispol'zovanii
iskusstvennykh neyronnykh setey v zadachakh poiska oshibok baz dannykh [Formation of a
training sample when using artificial neural networks in problems of searching for database errors],
Inzhenernyy vestnik Dona [Engineering Bulletin of the Don], 2013, No. 2. Available at:
ivdon.ru/ru/magazine/archive/n2y2013/1597/.
