Details

В работе исследуется возможности классификации данных, полученных при помощи цифровой модели трансформаторной линии подстанции, а также возможность предсказывать возникновение аварийных ситуаций при помощи нейросетевых моделей. В работе используются различные наборы данных, отличающиеся как представленными в них режимами работы трансформаторной линии, так и степенью приближенности моделируемых характеристик к реальным условиям. Далее рассматривается алгоритм приведения данных к доступному для обучения нейросети виду и возможные расширения методов обработки и структурирования данных. В частности - применение низкочастотных фильтров для уменьшения зашумленности данных и составление различных иерархических моделей сложных систем. В ходе опытов составляется и настраивается нейросетевой классификатор, позволяющий добиться 96% точности в задаче многокатегориальной оценки рассматриваемых данных, а также предиктивная нейросеть, предсказывающая поведение модели с точностью 90% при заданном числе доступных предыдущих состояний.

This thesis investigates the possibility of classifying the data obtained using a digital model of a substation transformer line, as well as the possibility of predicting the occurrence of emergency situations using neural network models. Different data sets are used in this work, differing both in the transformer line operating modes represented in them and in the degree of closeness of the modeled characteristics to real conditions. The algorithm of data reduction to a form accessible for neural network training and possible extensions of data processing and structuring methods are discussed further. In particular, the application of low-pass filters to reduce data noise and the compilation of various hierarchical models of complex systems. In the course of experiments, a neural network classifier, which allows to achieve 96% accuracy in the task of multi-category evaluation of the data under consideration, as well as a predictive neural network, which predicts the model behavior with 90% accuracy at a given number of available previous states, are compiled and tuned.