Найти

Результаты поиска

• ОЦЕНКА ВОЗДЕЙСТВУЮЩИХ ФАКТОРОВ И ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ В РЕГИОНАЛЬНОЙ ЭНЕРГОСИСТЕМЕ С УЧЕТОМ РЕЖИМА ЕЕ ЭКСПЛУАТАЦИИ

  Н. К. Полуянович , М. Н. Дубяго

  2022-05-26

  Аннотация ▼

  Статья посвящена исследованиям вопросов оценки воздействующих факторов и про-
  гнозирования электропотребления в региональной энергосистеме с учетом режимов ее
  эксплуатации. Проведен анализ существующих методов прогнозирования энергопотребле-
  ния. Обоснован выбор метода прогнозирования с использованием искусственной нейронной
  сети. Рассмотрен алгоритм создания нейросети для краткосрочного прогноза электриче-
  ской нагрузки. Актуальность работы обусловлена требованиями действующего законода-
  тельства к прогнозированию электропотребления для решения задачи поддержания балан-
  са мощностей между генерирующей стороной и потреблением электрической энергии.
  При этом одной из основных задач, связанных с генерацией электрической энергии и ее
  потреблением, является задача поддержания баланса мощностей. С одной стороны, при
  увеличении плановой нагрузки могут возникнуть перебои в поставке электроэнергии, с дру-
  гой стороны, уменьшение электропотребления приведет так же к уменьшению КПД элек-
  тростанций, и в конечном счете – к повышению стоимости на электроэнергию как для
  субъекта оптового рынка электроэнергии, так и для конечного потребителя. Разработан-
  ная нейросетевая модель (НС) модель сводит задачу краткосрочного прогнозирования
  электропотребления к поиску матрицы свободных коэффициентов посредством обучения
  на имеющихся статистических данных (активная и реактивная мощность, температура
  окружающей среды, дата и индекс дня). Полученная НС модель краткосрочного прогнози-
  рования электропотребления участка районной электрической сети 10 кВ, учитывает
  факторы: – времени, – метеорологических условий, – отключений отдельных питающих
  линий электропередач, – режима работы потребителей электроэнергии. Получены про-
  гнозные оценки электропотребления энергосистемы по данным потребляемой электро-
  энергии наружной температуры, типу дня и т.д. Модель прогнозирования величины, по-
  требляемой активной и реактивной мощности вполне работоспособна, однако на данном
  этапе все еще имеет довольно высокий уровень погрешности прогнозирования. Для повы-
  шения точности прогнозирования необходимо увеличить базу данных, составляющих обу-
  чающую выборку, т.к. на данный момент имеющиеся данные охватывают временной про-
  межуток длиной лишь 3–4 месяца. Результаты анализа показали, что наибольшие трудно-
  сти вызывает прогнозирование потребления реактивной мощности.

• ОЦЕНКА ПРОСТРАНСТВЕННОГО ПОЛОЖЕНИЯ БОРТОВОЙ КАМЕРЫ ПУТЕМ СОПОСТАВЛЕНИЯ АЭРОФОТОСНИМКОВ И ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ

  А.Ю. Будко , Т.А. Гайда , З.А. Понимаш

  2026-02-27

  Аннотация ▼

  Описан метод оценки пространственного положения бортовой камеры летательного аппарата, заключающийся в сопоставлении аэрофотоснимков и геопривязанных данных дистанционного зондирования Земли (ДДЗ) путем обнаружения нейросетевым детектором устойчивых в пространстве и времени реперных точек в обоих наборах данных и дальнейшим решением известной задачи Perspective-n-Point (PnP) для оценки матриц поворота и перемещения, минимизирующих ошибку перепроецирования, исходя из соответствий точек 3D мирового пространства и 2D точек их проекций на матрицу бортовой камеры, что может быть использовано для решения актуальной задачи локализации летательных аппаратов в условиях отсутствия сигналов глобальной навигационной спутниковой системы. В качестве устойчивых реперных точек, хорошо выделяемых на данных ДДЗ и аэрофотоснимках, в работе выбраны перекрестки дорог, альтернативным выбором могут являться другие локальные семантические паттерны изображений, характерные для конкретной местности. Поскольку прямое сопоставление снимков ДДЗ и бортовых снимков затруднено вследствие существенной разницы условий съемки, предлагается применение устойчивых детекторов реперных точек на основе алгоритмов искусственных нейронных сетей (ИНС). Для обучения устойчивого детектора создан смешанный датасет на основе спутниковых снимков и данных бортовой съемки. При разметке данных смешанного датасета использована функция нормализованного к единице 3D гауссиана с вершиной в центре перекрестка, график которой проецируется на 2D маску обучающего набора. Параметры функции гауссиана рассчитываются на основе радиуса окружности, описывающей перекресток. Использование функции нормализованных гауссиан с вершиной в геометрическом центре проекции перекрестка позволяет обучить сеть предсказывать вероятность принадлежности каждого пикселя изображения к перекрестку, с максимумом в центре перекрестка, что увеличивает точность позиционирования за счет более точной геопривязки реперной точки мирового 3D набора. В качестве детектора перекрестков в работе обучена ИНС архитектуры типа U-Net, в качестве метрики качества обучения использован дифференцируемый аналог метрики Dice, в качестве оптимизатора использован AdamW в связке с косинусным планировщиком скорости обучения CosineAnnealingLR. В заключительной части работы приведены результаты сопоставления спутниковых данных и бортового снимка предложенным методом

• СПОСОБ ИСПОЛЬЗОВАНИЯ СРЕДСТВ БЫСТРОГО ПРОТОТИПИРОВАНИЯ ДЛЯ РЕАЛИЗАЦИИ СВЕРТОЧНОЙ НЕЙРОННОЙ СЕТИ НА ПЛИС

  В.В. Бахчевников , В. А. Деркачев , А. Н. Бакуменко

  2020-10-11

  Аннотация ▼

  Исследования в области искусственного интеллекта ведутся с возрастающим и н-
  тересом с каждым годом. Области применения искусственного интеллекта довольно
  обширны: автоматизация, анализ большого объема данных, технологии умного дома,
  машинное зрение и т.д. Технологии искусственного интеллекта базируются на использ о-
  вании искусственных нейронных сетей, имеющие в своей основе принципы нервной сис-
  темы животных. При этом актуальным вопросом является реализация искусственных
  нейронных сетей на различных программно-аппаратных платформах: программируемых
  логических интегральных схемах (ПЛИС) типа FPGA (Field Programmable Gate Array), на
  интегральных схемах специального назначения (Application-Specific Integrated Circuit,
  ASIC), GPU, CPU и т.д. ПЛИС наилучшим образом проявляют себя в маломощных мо-
  бильных системах. ASIC демонстрируют наибольшую производительность с н едостат-
  ком: высокая цена разработки. Проблема быстрого прототипирования проектов, осн о-
  ванных на использовании искусственных нейронных сетей, для ПЛИС привычными мет о-
  дами (c помощью HDL-языков, HDL-кодеров, графического программирования) заключа-
  ется в том, что либо такой проект сложен и длителен в отладке (HDL-языки), либо не
  оптимален получающийся код (HDL-кодеры), либо высока длительность разработки
  проекта и сложность реконфигурации нейронной сети (графическое программирование).
  Поэтому в рамках данной работы рассматривается эффективный метод проектирова-
  ния полносвязных и сверточноых нейронных сетей для их реализации на ПЛИС использ о-
  ванием пакета Xilinx System Generator for DSP и Matlab/Simulink. Генерируемые таким
  образом искусственные нейросети легко реконфигурируемы и позволяют решать сле-
  дующие задачи: распознавание изображений, оптимальная фильтрация (например, для
  задач подповерхностной радиолокации).