Object of the study - development and testing of machine learning algorithms for recognizing and classifying control actions in power systems. The subject of the study is the process of developing, testing and implementing a system for identifying the volume of control actions in power systems based on the use of machine learning algorithms. The purpose of the work is to develop an adaptive system that uses machine learning algorithms in the problem of identifying the volume of control actions in the power system. Research methods: theoretical analysis, data analysis, algorithms for selecting significant features, machine learning algorithms, neural networks. As part of this work, a system has been developed that is capable of determining the required volume of control actions that must be transmitted to the power system in response to incoming data to prevent an emergency at a power facility. CatBoost, RandomForest, XGBoost, and neural networks based on the PyTorch and Tensorflow libraries were considered as the studied machine learning algorithms. The most accurate results were obtained using neural networks. The developed method is capable of determining the required volume of hydrocarbons with an average accuracy of 98%. / Объект исследования – разработка и тестирование алгоритмов машинного обучения для распознавания и классификации управляющих воздействий в энергосистемах. Предметом исследования выступает процесс разработки, тестирования и внедрения системы идентификации объема управляющих воздействий в энергосистемах на основе использования алгоритмов машинного обучения. Цель работы – разработка адаптивной системы, использующей алгоритмы машинного обучения в задаче идентификации объема управляющих воздействий в энергосистеме. Методы исследования: теоретический анализ, анализ данных, алгоритмы отбора значимых признаков, алгоритмы машинного обучения, нейронные сети. В рамках данной работы разработана система, способная определять необходимый объем управляющих воздействий, который должен быть передан энергосистеме в ответ на поступившие данные для предотвращения возникновения аварийной ситуации на энергообъекте. В качестве исследуемых алгоритмов машинного обучения были рассмотрены CatBoost, RandomForest, XGBoost, и нейронные сети на основе библиотек PyTorch и Tensorflow. Наиболее точные результаты были получены с помощью нейронных сетей. Разработанный метод способен определят необходимый объем УВ с средней точностью 98%.
| Identifer | oai:union.ndltd.org:urfu.ru/oai:elar.urfu.ru:10995/140338 |
| Date | January 2024 |
| Creators | Беззубов, А. А., Bezzubov, A. A. |
| Contributors | Юманова, И. Ф., Yumanova, I. F., УрФУ. Институт радиоэлектроники и информационных технологий-РТФ, Кафедра информационных технологий и систем управления |
| Publisher | б. и. |
| Source Sets | Ural Federal University |
| Language | Russian |
| Detected Language | Russian |
| Type | Master's thesis, info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Rights | Предоставлено автором на условиях простой неисключительной лицензии, http://elar.urfu.ru/handle/10995/31613 |
Page generated in 0.0019 seconds