Поиск :
Личный кабинет :
Электронный каталог: Матренин, П.В. - Автокодирующая рекуррентная нейронная сеть для задач автоматизации анализа временных рядов на объ...
Матренин, П.В. - Автокодирующая рекуррентная нейронная сеть для задач автоматизации анализа временных рядов на объ...
Статья
Автор: Матренин, П.В.
Проблемы региональной энергетики: Автокодирующая рекуррентная нейронная сеть для задач автоматизации анализа временных рядов на объ...
Recurrent neural network-based autoencoder for problems of automatic time series analysis at power facilities
б.г.
ISBN отсутствует
Автор: Матренин, П.В.
Проблемы региональной энергетики: Автокодирующая рекуррентная нейронная сеть для задач автоматизации анализа временных рядов на объ...
Recurrent neural network-based autoencoder for problems of automatic time series analysis at power facilities
б.г.
ISBN отсутствует
На полку
Статья
Матренин, П.В.
Автокодирующая рекуррентная нейронная сеть для задач автоматизации анализа временных рядов на объектах энергетики = Recurrent neural network-based autoencoder for problems of automatic time series analysis at power facilities / П. В. Матренин, А. И. Хальясмаа, Я. В. Потачиц. – DOI 10.52254/1857-0070.2023.2-58-06 // Проблемы региональной энергетики. – 2023. – № 2. – С. 61-71. – Журнала нет в фонде библиотеки.
Цифровизация топливно-энергетического комплекса приводит к увеличению объема собираемых с объектов электроэнергетики цифровых данных и скорости их накопления, но препятствием для использования больших данных, содержащих измерения мощности, тока и напряжения, является отсутствие в данных разметки, содержащих сведения об аварийных режимах работы, техническом состоянии оборудования, аномалиях. Таким образом, несмотря на большой объем данных, сохраняется дефицит размеченных данных, пригодных для обучения, валидации и тестирования моделей на базе машинного обучения. Разметка таких объемов данных экспертом занимает слишком много времени, поэтому актуальной задачей является автоматическая идентификация в данных фрагментов, которые потенциально представляют наибольший интерес. Целью работы является разработка метода приоритезации фрагментов временных рядов с помощью предложенной модели компактного рекуррентного автокодировщика для автоматизации их анализа и разметки данных на объектах электроэнергетики. Для достижения цели была разработана архитектура нейронной сети на базе рекуррентных ячеек кодирования и декодирования, способная обучаться без учителя, и апробирована на двух наборах данных: синтетическом синусоидальном сигнале с пропущенными значениями и измерениях тока на участке электрической сети, содержащих кратковременные превышения значений тока. Отличием работы является компактная архитектура рекуррентной автокодирующей модели и высокая интерпретируемость получаемых выходных значений. Наиболее существенными результатами являются модель автокодирующей нейронной сети для автоматического выявления отклонений во временных рядах без формирования изначального предположения о виде отклонений и предложенный алгоритм использования разработанной модели для приоритезации анализа и разметки фрагментов временных рядов в задачах электроэнергетики. Значимость результатов заключается в том, что предложенный метод позволяет существенно сократить время на анализ и разметку больших массивов временных рядов, содержащих данные режимных параметров электрических сетей, что позволит использовать эти данные для обучения, валидации и тестирования моделей.
620.9:004
общий = БД Труды научных работников БНТУ : 2023г.
труды сотрудников БНТУ = Энергетический факультет : кафедра "Электрические станции"
труды сотрудников БНТУ = Энергетика. Электроэнергетика. Теплотехника (труды)
труды сотрудников БНТУ = Автоматика. Вычислительная техника (труды)
труды сотрудников БНТУ = Совместные публикации (труды) : Российская Федерация : Уральский федеральный университет им. первого Президента России Б.Н. Ельцина (Екатеринбург)
общий = РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ
общий = АВТОМАТИЗАЦИЯ
общий = ВРЕМЕННЫЕ РЯДЫ
общий = ЭЛЕКТРИЧЕСКИЕ СЕТИ
общий = ЭНЕРГЕТИЧЕСКИЕ ОБЪЕКТЫ
общий = РЕЖИМНЫЕ ПАРАМЕТРЫ
Матренин, П.В.
Автокодирующая рекуррентная нейронная сеть для задач автоматизации анализа временных рядов на объектах энергетики = Recurrent neural network-based autoencoder for problems of automatic time series analysis at power facilities / П. В. Матренин, А. И. Хальясмаа, Я. В. Потачиц. – DOI 10.52254/1857-0070.2023.2-58-06 // Проблемы региональной энергетики. – 2023. – № 2. – С. 61-71. – Журнала нет в фонде библиотеки.
Цифровизация топливно-энергетического комплекса приводит к увеличению объема собираемых с объектов электроэнергетики цифровых данных и скорости их накопления, но препятствием для использования больших данных, содержащих измерения мощности, тока и напряжения, является отсутствие в данных разметки, содержащих сведения об аварийных режимах работы, техническом состоянии оборудования, аномалиях. Таким образом, несмотря на большой объем данных, сохраняется дефицит размеченных данных, пригодных для обучения, валидации и тестирования моделей на базе машинного обучения. Разметка таких объемов данных экспертом занимает слишком много времени, поэтому актуальной задачей является автоматическая идентификация в данных фрагментов, которые потенциально представляют наибольший интерес. Целью работы является разработка метода приоритезации фрагментов временных рядов с помощью предложенной модели компактного рекуррентного автокодировщика для автоматизации их анализа и разметки данных на объектах электроэнергетики. Для достижения цели была разработана архитектура нейронной сети на базе рекуррентных ячеек кодирования и декодирования, способная обучаться без учителя, и апробирована на двух наборах данных: синтетическом синусоидальном сигнале с пропущенными значениями и измерениях тока на участке электрической сети, содержащих кратковременные превышения значений тока. Отличием работы является компактная архитектура рекуррентной автокодирующей модели и высокая интерпретируемость получаемых выходных значений. Наиболее существенными результатами являются модель автокодирующей нейронной сети для автоматического выявления отклонений во временных рядах без формирования изначального предположения о виде отклонений и предложенный алгоритм использования разработанной модели для приоритезации анализа и разметки фрагментов временных рядов в задачах электроэнергетики. Значимость результатов заключается в том, что предложенный метод позволяет существенно сократить время на анализ и разметку больших массивов временных рядов, содержащих данные режимных параметров электрических сетей, что позволит использовать эти данные для обучения, валидации и тестирования моделей.
620.9:004
общий = БД Труды научных работников БНТУ : 2023г.
труды сотрудников БНТУ = Энергетический факультет : кафедра "Электрические станции"
труды сотрудников БНТУ = Энергетика. Электроэнергетика. Теплотехника (труды)
труды сотрудников БНТУ = Автоматика. Вычислительная техника (труды)
труды сотрудников БНТУ = Совместные публикации (труды) : Российская Федерация : Уральский федеральный университет им. первого Президента России Б.Н. Ельцина (Екатеринбург)
общий = РЕКУРРЕНТНЫЕ НЕЙРОННЫЕ СЕТИ
общий = АВТОМАТИЗАЦИЯ
общий = ВРЕМЕННЫЕ РЯДЫ
общий = ЭЛЕКТРИЧЕСКИЕ СЕТИ
общий = ЭНЕРГЕТИЧЕСКИЕ ОБЪЕКТЫ
общий = РЕЖИМНЫЕ ПАРАМЕТРЫ
