ПЕРСПЕКТИВЫ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЭНЕРГЕТИКЕ

​PROSPECTS OF USING ARTIFICIAL NEURAL NETWORKS IN THE ENERGY SECTOR

Nikita Vereshchagin

master's student, Department of Technical Mechanics and Mechatronics, Yuri Gagarin State Technical University of Saratov,

Russia, Saratov

АННОТАЦИЯ

В данной статье рассматриваются некоторые методы глубокого обучения, которые могут быть внедрены в энергетику. А именно сети радиально-базисных функций, сверточные и реккурентные сети и глубокие генеративные (вероятностные) модели.

ABSTRACT

This article discusses some deep learning methods that can be implemented in the energy sector. Namely, radial basis function networks, convolutional and recursive networks, and deep generative (probabilistic) models.

Ключевые слова: искусственная нейронная сеть, энергетика, прогнозирование, системы автоматического управления.

Keywords: artificial neural network, energy, forecasting, automatic control systems.

В настоящее время искусственные нейронные сети (ИНС) нашли широкое применение в различных сферах жизни общества. Использование ИНС в энергетике открывает новые возможности для оптимизаций производства, распределение и потребления энергий. Целью данной статьи является применение некоторых методов глубокого обучения и возможные области применения в энергетике.

Нейронная сеть – это громадный распределенный параллельный процессор, состоящий из элементарных единиц обработки информаций, накапливающих экспериментальные знания и представляющих их для последующей обработки. Нейронная сеть сходна с мозгом с двух точек зрения:

- знания поступают в нейронную сеть из окружающей среды и используются в процессе обучения;

- для накопления знаний применяются связи между, нейронами, называемыми синаптическими весами. [1 с. 32]

ИНС могут применяться в следующих направлениях:

- прогнозирование отказов динамического оборудования, т.е. внедрение предиктивной диагностики;

- прогнозирование и управление нагрузками энергосистем;

- оптимизация работы энергосистем;

- выявление групп потребителей с схожими значениями энергопотребления, что позволит разрабатывать стратегий энергосбережения и энергоэффективности;

- выявлять потери с точки зрения бережливого производства.

- в системах автоматического управления энергетическими установками.

Глубокое обучение

Глубокое обучение - это вид машинного обучения, который позволяет компьютерам учиться на опыте и находить закономерности при анализе данных.

Рассмотрим некоторые методы глубокого обучения:

Сеть радиальных базисных функций.

Свое название сети получили из-за отличительной особенности в виде использования в качестве функций активаций нейронов радиально-базисных функций вместо S-образных функций (гиперболический тангенс, сигмоида).

Классическим вариантом радиально-базисных функций является функция Гаусса:

где - вектор входа; - вектор центра активационных функций нейрона; -среднеквадратичное отклонение, характеризующие ширину радиально-базисной функций, значение веса .

Сеть радиальных базисных функций содержит в наиболее простой форме три слоя: входной слой, выполняющий распределение данных для первого слоя весов; слой скрытых нейронов с радиально-симметричной активационной функций, выходной слой

Рисунок 1. Структура сети радиально-базисных функций

Во многих реальных технических системах существует нелинейности, немодулируемая динамика, не поддающийся измерению шум, многоконтурность и другие явления, создающие трудности при синтезе регулятора динамической системы. Классическая и современная теория автоматического управления, включающие в себя методы адаптивного и модального управления, предполагает заранее определенную математическую модель управляемой системы, что как правило невозможно в силу вышеперечисленного. Адаптивность нейросетевых структур позволяет корректировать в реальном времени функцию управления при неконтролируемых изменениях статических и динамических характеристик объекта, используя текущую измерительную информацию в системе.

Основным преимуществом нейронных сетей, обуславливающими их активное исследование в части создания систем нейроуправления, является способность адаптироваться к изменению объекта и внешней среды [2].

Применение ИНС в системах автоматического управления позволит улучшить качество управления. Например, подержание температуры в теплосети в зависимости от погоды путем изменения уставок на котле в автоматическом режиме, т.е. погодозависимая автоматика.

Сверточные нейронные сети.

Сверточная сеть, она же сверточная нейронная сеть (СНС)- это специальный вид нейронной сети для обработки данных с сеточной топологии. Примерами могут служить временные ряды, которые можно рассматривать как одномерную сетку примеров, выбираемые через регулярные промежутки времени, а также изображения, рассматриваемые как двухмерная сетка пикселей [3, с. 282].

Можно применить для анализа температурных снимках динамического оборудования, например, турбины либо рентгеновских снимках при дефектоскопии трубопроводов для прогнозирования отказов оборудования и утечек теплоносителя из теплотрассы.

Рекуррентные нейронные сети.

Рекуррентными называются нейронные сети, имеющие одну или несколько обратных связей. Обратные связи могут быть локального и глобального типов.

Рекуррентные нейронные сети или РНС- это семейство нейронных сетей для обработки последовательных данных. Если сверточная сеть предназначена для обработки сетки значений X типа изображений, то рекуррентная нейронная сеть предназначена для обработки последовательности значений X⁽¹⁾,………,X^(τ). Если сверточная сеть легко масштабируется на изображения большой ширины и высоты, а некоторые сети даже могут обрабатывать изображения переменного размера, то рекуррентная сеть масштабируется на гораздо более длинные последовательности, чем было бы практически возможно для неспециализированных нейронных сетей. Большинство рекуррентных сетей способно также  обрабатывать последовательности переменной длины [3, с. 316].

Можно прогнозировать отказ оборудования анализируя значения измерительной информации полученные в прошлом, т.е. используя более длительный временной ряд по сравнению с сверточными нейронными сетями.

Глубокие генеративные (вероятностные) модели.

Генеративная модель описывает, как генерируется набор данных, с точки зрения вероятностной модели. Используя эту модель, можно генерировать новые данные.

Генеративная модель также должна быть вероятностной, а не детерминированной. Если модель просто представляет фиксированные вычисления, например, выбирает среднее значение каждого пикселя в наборе данных, то она не будет генеративной, потому что каждый раз будет давать один и тот же результат. Модель должна включать стохастический (случайный) элемент, которые влияет на отдельные выборки, генерируемые моделью[4, с. 21].

Можно использовать для более точного прогнозирования, т.е. исключать случайные составляющие измерительной информаций. Что приведет к уменьшению ошибочных прогнозах ИНС.

Применение нейронных сетей в энергетической отрасли позволит повысить в целом эффективность отрасли, что положительно окажет влияние на экономику страны и повысив ее энергетическую безопасность.

Список литературы:

1. Хайкин, Саймон. Нейронные сети : полный курс / Саймон Хайкин ; [пер. с англ. Н. Н. Куссуль, А. Ю. Шелестова]. - Изд. 2-е, испр. - Москва [и др.] : Вильямс, 2008. - 1103 с.
2. Безубов Н.А. «Применение сетей радиально-базисных функций в беспоисковых адаптивных системах» / Н.А. Безубов, С.В. Феофилов // Известия ТулГу - Технические науки – 2023. - №1. - с. 47-52.
3. Гудфеллоу, Ян. Глубокое обучение / Ян Гудфеллоу, Иошуа Бенджио, Аарон Курвилль ; [пер. с англ. А. А. Слинкина]. - 2-е цв. изд., испр. - Москва : ДМК Пресс, 2018. - 651 с.
4. Фостер Д. Генеративное глубокое обучение. Творческий потенциал нейронных сетей / Дэвид Фостер; [перевел с английского: А. Киселев]. — Санкт-Петербург [и др.] : ПИТЕР, 2020. — 343 с.