Разработка системы идентификации объема управляющих воздействий в энергосистемах на основе алгоритмов машинного обучения
Аннотация
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%.
машинное обучение, энергосистемы, управляющее воздействие, нейронная сеть, python, многоклассовая классификация
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%.
машинное обучение, энергосистемы, управляющее воздействие, нейронная сеть, python, многоклассовая классификация