Please use this identifier to cite or link to this item:
https://repo.btu.kharkov.ua/handle/123456789/62913| Title: | Дослідження ефективності нейромережного прогнозування втрат електроенергії в розподільних мережах |
| Other Titles: | Investigation of the effectiveness of neuro-intermediate forecasting of electricity consumption in separate areas |
| Authors: | Мойсеєнко, Данило Геннадійович |
| metadata.dc.contributor.advisor: | Мірошник, О. О. |
| metadata.dc.contributor.affiliation: | Державний біотехнологічний університет Кафедра електропостачання та енергетичного менеджменту |
| Keywords: | нейронна мережа;втрати електричної енергії;результат прогнозування;розподільна мережа |
| Issue Date: | 2024 |
| Publisher: | Харків: ДБТУ |
| Citation: | Мойсеєнко Д. Г. Дослідження ефективності нейромережного прогнозування втрат електроенергії в розподільних мережах: кваліфікаційна робота магістра: спец. - 141 Електроенергетика, електротехніка та електромеханіка; наук. кер. О. О. Мірошник. Харків: ДБТУ, 2024. 89 с. |
| Abstract: | Проблеми обліку, планування і зменшення втрат електроенергії в електроенергетичних системах є дуже актуальними. Тому дослідження по пошуку ефективних методів оцінювання, прогнозування і планування втрат електроенергії також представляють великий інтерес. Нині в інженерній практиці застосовуються детерміновані і ймовірнісно статистичні методи визначення втрат електроенергії. Детерміновані методи передбачають проведення електричних розрахунків мережі при заданих значеннях схемних параметрів і навантаженнях. Ймовірнісно-статистичні методи не передбачають електричного розрахунку мережі, а втрати визначаються на основі стійких статистичних залежностей від узагальнених параметрів мережі. Мета кваліфікаційної роботи Мета роботи – виявлення найоптимальнішого типу нейромережі, здатного надати найточніші результати прогнозування втрат електроенергії для розподільних мереж 10 – 0,38 кВ. Завдання: 1) На основі аналізу науково-технічної літератури визначити можливі способи визначення й прогнозування технічних втрат. 2) Провести теоретичний аналіз існуючих методів з метою визначення найбільш ймовірного і прийнятного для використання при визначенні величини технічних втрат у мережах. 3) Розробити математичну модель та алгоритм, за допомогою якого можна розрахувати технічні втрати та скласти вибірку для навчання нейромереж. 4) Провести навчання різних типів нейромереж та обрати найоптимальніший тип нейромережі, котрий здатний виконати найбільш точне прогнозування при найменшому часі навчання. Об’єкт дослідження Нейромережне прогнозування технічних втрат в розподільних мережах. Предмет дослідження Методи та моделі нейромережевого прогнозування технічних втрат в розподільних мережах. Теоретичне та практичне значення одержаних результатів. Виявлення найбільш точних методів нейромережевого прогнозування, які дозволяють отримувати більш точні дані електричних втрат, що впливають на поточний тариф спожитої електроенергії. Апробація. Основні положення роботи і її результати доповідалися на науково технічній конференції. Публікації за темою Основний зміст роботи викладено в науковій статті в спеціалізованому науковому збірнику. |
| URI: | https://repo.btu.kharkov.ua/handle/123456789/62913 |
| metadata.dcterms.references: | 1. Лежнюк П.Д., Кулик В.В., Кравцов К.І. Визначення та аналіз втрат електроенергії в розподільних мережах. Навчальний посібник. - Вінниця: ВНТУ, 2006. – 89 с. 2. Красовський Ю.Л., Кулик В.В., Лежнюк П.Д. Керування втратами електроенергії в розподільних мережах з використанням засобів АСКОЕ // Вісник Харківського державного технічного університету сільського господарства. –2003. – №9. – С. 99 – 107. 3. Бурбело М. Й. Розрахунки в системах електропостачання – Вінниця ВДТУ, 2002. – 76 с. 4. Ципленков, Д. В., Красовський, П. Ю. Методи та засоби зниження технічних втрат електроенергії в елементах систем електропостачання. Електротехніка і електроенергетика, 2015, 1, с 77-82. 5. Субботін С. О. Нейронні мережі : теорія та практика: навч. посіб. / С. О. Субботін. – Житомир : Вид. О. О. Євенок, 2020. – 184 с. 6. Філіппова Т. А. Оптимізація режимів енергосистем: підручник / Т. А. Філіппова, Ю. М. Сидоркін, А. Г. Русіна. - Новосибірськ: Вид-во НДТУ, 2008. -412 с. 7. Liou, Cheng-Yuan. Modeling word perception using the Elman network. Neurocomputing, 2008, 71 (16–18): 3150—3157. doi:10.1016/j.neucom.2008.04.030. 8. N. Srivastava, G. E. Hinton et al., “Dropout: a simple way to prevent neural networks from overfitting.” Journal of Machine Learning Research, vol. 15, no. 1, pp. 1929–1958, 2014. https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf. 9. Mandic D.P. Recurrent Neural Networks for Prediction / D. P. Mandic, J. A. Chambers. – Chichester: John Wiley&Sons, 2001. – 285 p. 10. Tzafestas S., Tzafestas E. Computational intelligence techniques for short-term electric load forecasting / S. Tzafestas, E. Tzafestas. – Journal of Intelligent and Robotic Systems, 2001. – 31. – P. 7 – 68. 11. Ткаліченко С.В. Штучні нейронні мережі: Навчальний посібник. – Кривий Ріг: Державний університет економіки і технологій, 2023. –150 с. 12. Karpa D. М., Tsmots, I. H., & Opotiak, Y. V. Нейромережеві засоби прогнозування споживання енергоресурсів. Scientific Bulletin of UNFU, 2018,28(5), 140-146. https://doi.org/10.15421/40280529 13. Сегеда М.С. Електричні мережі та системи. Підручник. 3-є видання, доповнене та перероблене. Львів: Вид-во Львівської політехніки, 2015, 540 с. 14. Лук’яненко Ю.В., Остапчук Ж. І., Кулик В. В. Розрахунки електричних мереж при їх проектуванні. Навчальний посібник. Вінниця: ВДТУ, 2002, 116 с. 15. СОУ-Н ЕЕ 40.1-37471933-54:2011. Визначення технологічних витрат електричної енергії в трансформаторах і лініях електропередавання. Міністерства енергетики та вугільної промисловості України № 399 від 21.06.2013. – Київ. 16. Р-50-072-98 Енергозбереження. Методика розрахунку технологічних втрат електроенергії в діючих мережах електропостачання напругою від 0,4 до 110 кВ включно. Рекомендації. 17. ГНД 34.09.104-2003 Методика складання структури балансу електроенергії в електричних мережах 0,38–150 кВ, аналізу його складових і нормування технологічних витрат електроенергії (із змінами, внесеними наказом МПЕ України від 03.02.2009 № 52). 18. Bodyanskiy Ye., Vynokurova O., Setlak G., Peleshko D., Mulesa P. Adaptive multivariate hybrid neuro-fuzzy system and its on-board fast learning –Neurocomputing – 2017. – 230 p. 409-416. 19. Schmidhuber J. Deep learning in neural networks: An overview – Neural Networks – 2015. p. 85-117. 20. Бодянський Є. В. Гібридна нейро-фаззі мережа для короткострокового прогнозування взаємопов'язаних процесів споживання електроенергії / Є. В. Бодянський, С. В. Попов, Т. В. Рибальченка, М. М. Тітов // Праці інституту електродинаміки НАН України. 2008. Вип. 21. С. 13–22. 21. Aggarwal Ch.C. Neural Networks and Deep Learning – Cham: Springer, 2018-512p. 22. Електробезпека: навч. посіб. / О. В. Мірошник, О. О. Мірошник, І. М. Трунова [та ін.] за заг. ред. О. В. Мірошника. – Харків: Факт, 2011. – 176 с. 23. Правила технічної експлуатації електроустановок споживачів – Форт, - 2013. –410 с. 24. Жидецький В.Ц. Основи охорони праці. Підручник - 5-те вид. доп. - Київ: Знання. 2014. – 373 с. 25. Правила улаштування електроустановок / Міненерговугілля України. - Київ : [б. в.], 2017. – 617 с. 26. Монтаж пристроїв блискавкозахисту будівель та споруд: навчальний посібник / Войтюк Ю. П., Писаренко Д. Г. – Вінниця : ВНТУ, 2021. – 94 с. 27. ДСТУ EN 62305-1:2012 «Блискавкозахист. Загальні принципи». |
| Appears in Collections: | 141 - "Електроенергетика, електротехника та електромеханіка" (Магістри) |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 2024_M_421_141-23m-03_MoyseyenkoDG.pdf Restricted Access | 2.1 MB | Adobe PDF | View/Open Request a copy |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.