НЕЙРОСЕТЕВЫЕ АЛГОРИТМЫ ДЛЯ ЭЛЕКТРОТЕХНИЧЕСКИХ СИСТЕМ: КРАТКАЯ КЛАССИФИКАЦИЯ РЕШАЕМЫХ ЗАДАЧ

DOI: 10.47026/1810-1909-2025-2-112-123

УДК 621.311.001.57

ББК 31.27-05

Л.А. СЛАВУТСКИЙ

Ключевые слова

электротехнические системы, искусственные нейронные сети, машинное обучение, обработка сигналов, многомерные данные, классификация решаемых задач.

Аннотация

Применение искусственных нейронных сетей и методов машинного обучения в электротехнике и электроэнергетике активно развивается. Существуют обзоры отдельных приложений, однако систематическая классификация решаемых задач затруднена. Традиционное деление на регрессионные и классификационные алгоритмы недостаточно. В работе предложена иерархическая классификация задач, решаемых с помощью нейросетевых алгоритмов в электротехнике, с учетом взаимосвязей между ними. Классификация включает следующие разделы. Обработка сигналов: анализ и обработка сигналов электротехнических систем с использованием искусственных нейронных сетей. Обработка многомерных данных: анализ и интерпретация многомерных данных, характерных для сложных электротехнических систем. Регрессионные задачи: предсказание непрерывных величин, например, аппроксимация сигналов, прогнозирование потребления электроэнергии. Классификационные задачи: разделение данных на классы, например, диагностика и идентификация неисправностей. Рассмотрены особенности применения в режиме «реального времени» и в режиме «отложенной» обработки. Комбинированное использование алгоритмов: применение гибридных подходов, сочетающих различные нейросетевые архитектуры и методы. Подходы, основанные на искусственных нейронных сетях, особенно эффективны для задач, допускающих «отложенную» обработку. Задачи, требующие решения в «реальном» времени (например, релейная защита и автоматизация), часто нуждаются в дополнительном контроле с помощью других методов, обеспечивающих необходимую надежность.

Литература

1. Андреев О.Н., Славутский А.Л., Алексеев В.В. Структурный анализ электротехнических сигналов при рекуррентном использовании многослойного персептрона // Электротехника. 2022. № 8. С. 41–44. DOI53891/00135860_2022_8_41.
2. Андреев О.Н., Ксенофонтов С.И., Славутский А.Л. Моделирование и нейросетевая обработка сигналов при переходных процессах в электротехнических комплексах. Чебоксары: Чуваш. гос. пед. ун-т, 2023. 212 с.
3. Андриянов А.И., Краснов Н.А. Нейросетевая система управления нелинейной динамикой непосредственного понижающего преобразователя напряжения // Известия высших учебных заведений. Приборостроение. 2013. Т. 56, № 12. С. 33–38.
4. Антонов В.И. Адаптивный структурный анализ электрических сигналов: теория и ее приложения в интеллектуальной электроэнергетике. Чебоксары: Изд-во Чуваш. ун-та, 2018. 334 с.
5. Иванов С.О., Никандров М.В., Славутский Л.А. Нейросетевое моделирование релейной защиты с временной задержкой // Вестник Чувашского университета. 2022. № 3. С. 53–60. DOI: 10.47026/1810-1909-2022-3-53-60.
6. Ившин И.В., Аухадеев А.Э., Ле К.Т. О применении нейронных сетей в расчетах рациональных режимов работы тягового электрооборудования городского электрического транспорта // Вестник Казанского государственного энергетического университета. 2023. Т. 15, № 1(57). С. 106–116.
7. Локализация момента начала переходного процесса нейросетевыми программно-аппаратными средствами / О.Н. Андреев, Л.А. Славутский, Г.М. Тутаев, Л.Н. Васильева // Электротехника. 2023. № 8. С. 20–24. DOI: 10.3103/s1068371223080023.
8. Нейросетевой алгоритм восстановления в реальном времени сигнала промышленной частоты при нелинейных искажениях / А.Л. Славутский, Л.А. Славутский, В.В. Алексеев и др. // Электротехника. 2021. № 8. С. 21–25. DOI: 10.3103/S
9. Омельченко Е.Я., Лымарь А.Б. Идентификация параметров схемы замещения асинхронных двигателей при помощи нейронных сетей // Электротехнические и информационные комплексы и системы. 2023. Т. 19, № 4. С. 31–44. DOI: 10.17122/1999-5458-2023-19-4-31-44.
10. Подтверждение конфигурации электрической сети по данным телеизмерений на основе сверточных нейронных сетей / Е.Ю. Мясников, В.И. Антонов, А.В. Солдатов, Р.В. Разумов// Электротехника. 2024. № 8. С. 8–16. DOI: 10.53891/00135860-2024-8-8-16.
11. Солдатов А.А., Евдокимов Ю.К. Нейросетевой метод контроля режимов работы подстанционных информационно-измерительных комплексов учета электроэнергии // Промышленные АСУ и контроллеры. 2017. № 11. С. 35–49.
12. Федоров А.О., Петров В.С., Ильин А.А. Одностороннее волновое определение места повреждения на основе сверточной нейронной сети // Релейная защита и автоматизация. 2023. № 3(52). С. 48–53.
13. Baker M., Fard A.Y., Althuwaini H. Real-Time AI-Based Anomaly Detection and Classification in Power Electronics Dominated Grids. IEEE Journal of Emerging and Selected Topics in Industrial Electronics, 2023, vol. 4, no. 2, pp. 549–559, DOI: 10.1109/JESTIE.2022.3227005.
14. Bashirov M., Akchurin D., Volkova O. Development and research of intelligent diagnostic system for equipment of electric power complexes. In: E3S Web Conf: III International Conference on Actual Problems of the Energy Complex: Mining, Production, Transmission, Processing and Environmental Protection (ICAPE2024), 2024, vol. 498, 01003. DOI: 10.1051/e3sconf/202449801003.
15. Bhatnagar M., Yadav A., Swetapadma A. et al. LSTM-based low-impedance fault and high-impedance fault detection and classification. Electr Eng., DOI: 10.1007/s00202-024-02381-0.
16. Bhattacharya B., Sinha А. Intelligent Fault Analysis in Electrical Power Grids. In: IEEE 29^th International Conference on Tools with Artificial Intelligence (ICTAI), 2017, pp. 985–990. DOI: 10.1109/ICTAI.2017.00151.
17. Bouktif S., Fiaz A., Ouni A. Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm: Comparison with Machine Learning Approaches. Energies, 2018, vol. 11(7), 1636. DOI: 10.3390/en11071636.
18. Bragantini A., Sumper A. Design and Evaluation of Low Voltage Neural Network-Based State Estimators in Scenarios With Minimal Measurement Infrastructure. IEEE Access, 2024, vol. 12, pp. 27180–27198. DOI: 10.1109/ACCESS.2024.3366337.
19. Bychkov A., Slavutskii L., Slavutskaya E. Neural Network for Pulsed Ultrasonic Vibration Control of Electrical Equipment. In: Proc. of 2020 International Ural Conference on Electrical Power Engineering, UralCon 2020. Chelyabinsk, 2020, pp. 24–28. DOI:1109/UralCon49858.2020.9216248.
20. Burton B., Harley R.G. Reducing the computational demands of continually online-trained artificial neural networks for system identification and control of fast processes. IEEE Transactions on Industry Applications, 1998, vol. 34(3), pp. 589–596.
21. Dharmendra K., Moushmi K., Zadgaonkar A.S. Analysis of generated harmonics due to transformer load on power system using artificial neural network. International journal of electrical engineering, 2013, vol. 4(1), pp. 81–90.
22. Gaggero G.B., Caviglia R., Armellin A. et al. Detecting Cyberattacks on Electrical Storage Systems through Neural Network Based Anomaly Detection Algorithm, Sensors, 2022, vol. 22, DOI: 10.3390/s22103933.
23. Gámez M.J.M., de la Torre R.J., López Monteagudo F.E. et al. Power Factor Prediction in Three Phase Electrical Power Systems Using Machine Learning. Sustainability, 2022, vol. 14, 9113. DOI: 10.3390/su14159113.
24. Guo M.F., Yang N.C., Chen W.F. Deep-Learning-Based Fault Classification Using Hilbert–Huang Transform and Convolutional Neural Network in Power Distribution Systems. IEEE Sensors Journal, 2019, 19, no. 16, pp. 6905–6913. DOI: 10.1109/JSEN.2019.2913006.
25. Hallmann M., Pietracho R., Komarnicki P. Comparison of Artificial Intelligence and Machine Learning Methods Used in Electric Power System Operation. Energies, 2024, vol. 17(11), 2790. DOI: 3390/en17112790.
26. Hao Zhu, Haoxuan Yu, Yang Liu. Deep neural network-based frequency cross-over amplifier design: a simulation study. Journal of Physics: Conference Series, 2025, vol. 2939, 012032. DOI: 10.1088/1742-6596/2939/1/012032.
27. Ivanov S.O., Nikandrov M., Lariukhin A. Neuro Algorithm Accuracy Evaluation for the Anomalies Detecting in Overcurrent Protection Operation. In: Proceedings of 2021 International Ural Conference on Electrical Power Engineering, UralCon 2021, Magnitogorsk, 2021, pp. 116–120. DOI: 10.1109/UralCon52005.2021.9559614.
28. Jin Y., Wu H., Zheng J. et al. Power Transformer Fault Diagnosis Based on Improved BP Neural Network. Electronics, 2023, vol. 12(16), 3526. DOI: 3390/electronics12163526.
29. Kantardzic M. Data mining: concepts, models, methods, and algorithms. John Wiley &Sons, 2011, 550 p.
30. Kanwal S., Jiriwibhakorn S. Advanced Fault Detection, Classification, and Localization in Transmission Lines: A Comparative Study of ANFIS, Neural Networks, and Hybrid Methods. IEEE Access, 2024, vol. 12, pp. 49017–49033. DOI: 10.1109/ACCESS.2024.3384761.
31. Kulikov A., Loskutov A., Bezdushniy D. et al. Decision Tree Models and Machine Learning Algorithms in the Fault Recognition on Power Lines with Branches. Energies, 2023, vol. 16, 5563. DOI: 3390/en16145563.
32. Kulikov A, Loskutov A, Bezdushniy D. Relay Protection and Automation Algorithms of Electrical Networks Based on Simulation and Machine Learning Methods. Energies, 2022, vol. 15(18), 6525. DOI: 3390/en15186525.
33. Leena N., Shanmugasundaram R. Artificial Neural Network Controller for Improved Performance of Brushless DC Motor. In: (EPSCICON) Computation and Controls Signals Power on Conference, January 2014. DOI: 1109/EPSCICON.2014.6887513.
34. Leonowicz Z., Jasinski M. Machine Learning and Data Mining Applications in Power Systems. Energies, 2022, vol. 15, DOI: 10.3390/en15051676.
35. Noebels M., Preece R., Panteli M.A. Machine learning approach for real-time selection of preventive actions improving power network resilience. IET Gener. Transmiss. Distrib. 2022, vol. 16, no. 1, pp. 181–192.
36. Omelchenko E., Lymar A. Development of a New System for the Asynchronous Motor Parameters Identification based on Neural Networks. In: 2023 Russian Workshop on Power Engineering and Automation of Metallurgy Industry: Research & Practice (PEAMI), 2023, pp. 72–79.
37. Osowski S., Szmurlo R., Siwek K. et al. Neural Approaches to Short-Time Load Forecasting in Power Systems – A Comparative Study. Energies, 2022, vol. 15, 3265. DOI: 10.3390/en15093265.
38. Pawlik P., Kania K., Przysucha B. Fault diagnosis of machines operating in variable conditions using artificial neural network not requiring training data from a faulty machine. Eksploatacja I Niezawodność – Maintenance and Reliability, 2023, vol. 25(3). DOI: 10.17531/ein/168109.
39. Rahman A., Srikumar V., Smith A.D. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks. Applied Energy, 2018, vol. 212, pp. 372–385. DOI: 10.1016/j.apenergy.2017.12.051.
40. Rocha S.A., Mattos T.G., Cardoso R.T.N. et al. Applying Artificial Neural Networks and Nonlinear Optimization Techniques to Fault Location in Transmission Lines – Statistical Analysis. 2022, vol. 15, 4095. DOI: 10.3390/en15114095.
41. Rozal Filho E.O., Tabora J.M., Tostes M.E. et al. Harmonic classifier for efficiency induction motors using ANN. Revista Contemporânea, 2023, vol. 3(10), pp. 17660–17678. DOI: 10.56083/RCV3N10-054.
42. Saucedo-Dorantes J.J., Jaen-Cuellar A.Y., Perez-Cruz A. et al. Detection of Inter-Turn Short Circuits in Induction Motors under the Start-Up Transient by Means of an Empirical Wavelet Transform and Self-Organizing Map. Machines, 2023, 11(10), 958. DOI: 10.3390/machines11100958.
43. Shuraiji A.L., Shneen S. W. Fuzzy Logic Control and PID Controller for Brushless Permanent Magnetic Direct Current Motor: A Comparative Study. Journal of Robotics and Control (JRC), 2022, vol. 3 (6), DOI: 10.18196/jrc.v3i6.15974 762.
44. Singh V.K., Govindarasu M.A. Cyber-Physical Anomaly Detection for Wide-Area Protection Using Machine Learning. IEEE Transactions on Smart Grid, 2021, vol. 12, no. 4, pp. 3514–3526. DOI: 10.1109/TSG.2021.3066316.
45. Skrobek D., Krzywanski J., Sosnowski M. et al. Artificial Intelligence for Energy Processes and Systems: Applications and Perspectives. Energies, 2023, vol. 16, 3441. DOI: 3390/en16083441.
46. Slavutskii L.A., Ivanova N.N. Using the simplest neural network as a tool for fault location in power lines. In: AIP Conference Proceedings, Moscow, 01/04/2020 – 02/04/2020. Moscow, 2022, 030006. DOI: 10.1063/5.0074926.
47. Slavutskii L.A., Lazareva N.M., Portnov M.S. et al. Neural net without «deep learning»«: signal approximation by multilayer perceptron. In: 2^nd International Conference on Computer Applications for Management and Sustainable Development of Production and Industry (CMSD-II-2022), 2023, 125640P. DOI: 10.1117/12.2669233.
48. Yan Y., Chen K., Geng H. et al. A review on intelligent detection and classification of power quality disturbances: trends, methodologies, and prospects. Comput Model Eng Sci., 2023, vol. 137(2), pp. 1345–1379. DOI: 32604/cmes.2023.027252.
49. Zayer W., Radhi A. Faults diagnosis in stator windings of high speed solid rotor induction motors using fuzzy neural network. International Journal of Power Electronics and Drive Systems (IJPEDS), 2021, vol. 12(1), pp. 597–611.
50. Zhou H., Chen J., Ye M. et al. Transient Fault Signal Identification of AT Traction Network Based on Improved HHT and LSTM Neural Network Algorithm. Energies, 2023, vol. 16, 1163. DOI: 10.3390/en16031163.

Сведения об авторе

Славутский Леонид Анатольевич – доктор физико-математических наук, профессор кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (lenya@slavutskii.ru; ORCID: https://orcid.org/0000-0001-6783-2985).

Формат цитирования: Славутский Л.А. Нейросетевые алгоритмы для электротехнических систем: краткая классификация решаемых задач // Вестник Чувашского университета. 2025. № 2. С. 112–123. DOI: 10.47026/1810-1909-2025-2-112-123.

Загрузить полный текст статьи