Нейросетевые программно-аппаратные средства обработки сигналов в электротехнических комплексах тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Андреев Олег Николаевич
Андреев Олег Николаевич
кандидат наук
2025
- Специальность ВАК РФ00.00.00
- Количество страниц 154
Оглавление диссертации кандидат наук Андреев Олег Николаевич
ВВЕДЕНИЕ
ГЛАВА 1 АППАРАТ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЭЛЕКТРОТЕХНИКЕ И ЭЛЕКТРОЭНЕРГЕТИКЕ
§1.1 Краткая классификация нейросетевых задач для электротехнических систем и комплексов
§1.2 Обработка сигналов с помощью искусственных нейронных сетей
ГЛАВА 2 ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ ПРЯМОГО РАСПРОСТРАНЕНИЯ ДЛЯ
ОБРАБОТКИ СИГНАЛОВ
§2.1 Использование персептрона в скользящем временном окне
§2.2 Аппроксимация сигналов как регрессионная задача
§2.3 Переходные процессы и классификационные задачи
§2.4 Последовательное и рекуррентное использование персептронов
ГЛАВА 3 ЭКСПЕРИМЕНТАЛЬНЫЕ МЕТОДЫ И ПРОГРАММНО-АППАРАТНЫЕ СРЕДСТВА
§3.1 Лабораторное моделирование работы искусственной нейронной сети в микропроцессорном устройстве в реальном времени
§3.2 Контроль искажений сигналов тока и напряжения в электродвигателе
§3.3 Микропроцессорные устройства на основе нейросетевого алгоритма
ГЛАВА 4 НЕЙРОСЕТЕВАЯ ОБРАБОТКА ЭКСПЕРИМЕНТАЛЬНЫХ ДАННЫХ
§4.1 Контроль нелинейных искажений сигналов
§4.2 Локализация момента начала переходных процессов
§4.3 Контроль нестационарных процессов
ЗАКЛЮЧЕНИЕ
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ
147
Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Система обработки и нейросетевого анализа биоэлектрических сигналов для решения задач медицинской диагностики2014 год, кандидат наук Аль-Хулейди Нашван Амин
Алгоритмическое обеспечение нейронной сети с полиномиальными кусочно-непрерывными функциями активации для обнаружения закономерностей в данных2019 год, кандидат наук Нгуен Ань Ту
Разработка и исследование коллективных нейросетевых алгоритмов дикторонезависимого распознавания речевых сигналов2015 год, кандидат наук Сагациян, Максим Владимирович
Прогнозирование химических сдвигов ЯМР 13С производных фуллерена С60 с использованием искусственных нейронных сетей2021 год, кандидат наук Кирьянов Илья Игоревич
Исследование нейронных сетей для распознавания патологических отклонений формы электрокардиосигнала2013 год, кандидат технических наук Муштак Али Мухамед Салех
Введение диссертации (часть автореферата) на тему «Нейросетевые программно-аппаратные средства обработки сигналов в электротехнических комплексах»
ВВЕДЕНИЕ
Актуальность темы. В электротехнических и электроэнергетических системах для контроля и управления широко используются интеллектуальные микропроцессорные устройства. Измерительные органы, реагирующие на значения измеряемых параметров токов и напряжений, являются важнейшими элементами таких устройств. В последние десятилетия применение в электротехнических комплексах находят микропроцессорные устройства, измерительные органы которых основываются на алгоритмах цифровой фильтрации.
Алгоритмы цифровой обработки сигналов зачастую проектируются для условий установившегося режима, когда промышленная частота сигналов (50 Гц) остается неизменной. В действительности же, частота может отклоняться от номинальной как в рабочих, так и в аварийных режимах работы электротехнических и электроэнергетических систем. В результате чего, при отклонении частоты, может существенно снижаться точность работы измерительных органов. Основные алгоритмы цифровой обработки сигналов, применяемые в микропроцессорных устройствах контроля и управления электротехническими комплексами, основываются на дискретном преобразовании Фурье. Этот способ цифровой обработки сигналов обладает недостатком, который заключается в появлении значительной погрешности оценки гармонических составляющих сигнала в переходных режимах электрической сети. Развитие алгоритмов цифровой обработки сигналов, способных снижать влияние апериодической составляющей в сигнале, не решает проблемы обработки сигналов с более сложным гармоническим составом.
Рост вычислительных мощностей промышленных и персональных компьютеров за последние десятилетия приводит к появлению более сложных и интеллектуальных микропроцессорных устройств контроля и управления в электротехнических и электроэнергетических системах. К современным интеллектуальным микропроцессорным устройствам предъявляются более
высокие требования к основным показателям качества обработки сигналов. Прежде всего, это относится к точности обработки сигналов, быстродействию, обеспечению синхронности измерений параметров режимов работы электрических систем. Это, в свою очередь, приводит к необходимости появления более эффективных алгоритмов цифровой обработки сигналов, обеспечивающих требуемые показатели качества функционирования микропроцессорных устройств во всех режимах работы электротехнических и электроэнергетических комплексов и систем.
Алгоритмы, предлагаемые в работе, основываются на аппарате простых искусственных нейронных сетей (ИНС) и позволяют производить обработку электротехнических сигналов в реальном времени в микропроцессорном оборудовании, распознавать нестационарные режимы работы системы, осуществлять контроль наличия неисправностей электротехнического оборудования на ранних стадиях выхода из строя. Искусственные нейронные сети не содержат качественных ограничений на модель процесса, присущих традиционным методам обработки сигналов. Совместное использование традиционных алгоритмов и аппарата искусственных нейронных сетей в микропроцессорных устройствах контроля и управления электротехническими комплексами позволит повысить точность определения параметров, режимов работы электротехнических систем и уменьшить время реакции микропроцессорных устройств при нестационарных переходных процессах, а также перейти с обслуживания электротехнического оборудования по регламенту на обслуживание по фактическому состоянию. Это определяет актуальность диссертационного исследования.
Объектом исследования являются цифровые системы контроля и управления электротехническими комплексами.
Предметом исследования являются программно-аппаратные средства обработки сигналов в электротехнических комплексах на основе искусственных нейронных сетей прямого распространения.
Цель исследования - разработка алгоритмов и средств для нейросетевой обработки сигналов в электротехнических комплексах в реальном времени с минимальной задержкой.
Задачи исследования. Для достижения обозначенной цели в работе решаются следующие задачи:
1. Разработка и тестирование алгоритмов на основе нейронных сетей, которые позволяют определять параметры сигналов и осуществлять их фильтрацию при нелинейных искажениях в электрической цепи в режиме скользящего временного окна.
2. Реализация алгоритмов на основе нейронных сетей, позволяющих фиксировать начало возникновения переходных процессов при допустимом уровне шума и искажений сигналов тока и напряжения.
3. Тестирование нейросетевых алгоритмов при контроле нестационарных процессов.
4. Создание экспериментальных установок для проверки и реализации разработанных алгоритмов в микропроцессорном устройстве.
5. Проверка разработанных нейросетевых алгоритмов на основе полученных экспериментальных данных.
Степень разработанности темы исследования. Большой вклад в развитие нейросетевых алгоритмов и машинного обучения внесли: Петров Александр Павлович, Ивахненко Алексей Григорьевич, Барцев Сергей Игоревич, Охонин Виктор Александрович, Галушкин Александр Иванович, Горбань Александр Николаевич, Фрэнк Розенблатт, Марвин Минский, Сеймур Паперт, Дональд Хебб, Бернард Уидроу, Норберт Винер, Уоррен Маккаллок, Уолтер Питтс, Дэвид Эверетт Румельхарт, Джеффри Эверест Хинтон, Рональд Дж. Уильямс, Юрген Шмитхубер, и др.
Методология и методы исследования. В работе применены численные методы, методы математического моделирования и математической физики, приёмы и подходы функционального программирования. В экспериментальной работе применялись современные цифровые средства измерения. Исследования
проводились с использованием положений теоретических основ электротехники и цифровой обработки сигналов.
Степень достоверности результатов. Достоверность результатов диссертационной работы подтверждается согласованностью результатов математического моделирования и экспериментальных измерений, сравнением нейросетевой аппроксимации данных и аппроксимации экспериментальных данных традиционными методами.
Положения, выносимые на защиту:
1. Алгоритмы обучения и тестирования ИНС прямого распространения для обработки сигналов в электротехнических комплексах.
2. Программно-аппаратная реализация нейронных сетей в микропроцессорных устройствах для обработки сигналов в реальном времени.
3. Результаты экспериментальной проверки функционирования реализованных программно-аппаратных средств на основе ИНС.
Научная новизна:
1. Разработаны новые алгоритмы обучения и тестирования нейронных сетей прямого распространения на основе аналитических формул со случайными параметрами. Предлагаемый подход позволяет решать задачи фильтрации сигнала, оценки его нелинейных искажений, фиксации момента начала переходных процессов в электротехнических комплексах.
2. Выполнена программно-аппаратная реализация нейросетевых алгоритмов в интеллектуальных устройствах, защищённых патентами РФ.
3. Предложен новый подход к использованию ИНС прямого распространения, отличающийся комбинированным и рекуррентным использованием ИНС с дополнительной обработкой сигналов. Это позволяет контролировать промежуточные результаты вычислений.
Теоретическая значимость. Показаны возможности микропроцессорной реализации нейросетевых алгоритмов для обработки сигналов электротехнических комплексов с минимальной задержкой в реальном времени.
Практическая значимость. Разработанные программно-аппаратные средства на основе нейронных сетей могут быть использованы в релейной защите и противоаварийной автоматике для уменьшения времени реакции и повышения точности принятия решений при аварийных и нестационарных процессах, в детектировании и контроле неисправностей электрооборудования, контроле режимов работы электротехнических и электроэнергетических систем.
Апробация результатов работы. Основные положения, результаты и выводы диссертационного исследования докладывались и обсуждались на 7 Международных конференциях: «Актуальные проблемы топливно-энергетического комплекса: добыча, производство, передача, переработка и охрана окружающей среды» (Магнитогорск, Онлайн, 2021 г.); «Проблемы и перспективы развития электроэнергетики, электротехники и энергоэффективности» (г. Чебоксары, 2021 г.); «International conference on optics, computer applications, and materials science» (Dushanbe, 2023); и на всероссийских конференциях: «Информационные технологии в электротехнике и электроэнергетике» (г. Чебоксары, 2022 г., 2024 г.); «Динамика нелинейных дискретных электротехнических и электронных систем» (г. Чебоксары, 2023 г.); «Проблемы и перспективы развития электроэнергетики электротехники» (г. Казань, 2023 г.).
Внедрение результатов исследования. Результаты диссертационного исследования использованы при разработке встроенного программного обеспечения микропроцессорных устройств ООО «Юнител-Инжиниринг» (Приложение 1); в учебный процесс ФГБОУ ВО «Чувашский государственный университет им. И.Н. Ульянова» (Приложение 2).
Получены патенты на полезные модели № RU 219015 U1 (Приложение 3), RU 226110 U1 (Приложение 4).
Получены свидетельства о регистрации программы для ЭВМ № RU 2024660291 (Приложение 7), № RU 2024660337 (Приложение 8), № RU 2023669010 (Приложение 6), № RU 2023669009 (Приложение 5).
Публикации. Содержание диссертационной работы нашло отражение в 24 научных работах, среди которых 8 статей в изданиях из перечня ВАК [7, 8, 10, 11, 28, 35, 39, 46], 2 статьи в изданиях, индексируемых в международных базах данных Scopus/WoS [75, 136], коллективная монография [6], 2 патента на изобретения [44, 45] и 4 свидетельства о регистрации программы для ЭВМ [54, 55, 56, 57], 7 материалов докладов на всероссийских конференциях [2, 3, 4, 5, 9, 64, 69].
Структура и объем диссертации. Диссертация состоит из введения, 4-х глав, заключения, списка литературы (173 наименования), 8 приложений. Общий объем диссертации 154 страницы, 66 рисунков и 3 таблицы.
Личный вклад автора. Автор проводил расчеты, производил цифровую обработку сигналов с использованием традиционных подходов и с использованием аппарата искусственных нейронных сетей, разработал опытные макеты микропроцессорных устройств, создал экспериментальные лабораторные установки, анализировал полученные экспериментальные данные лично. Автор участвовал в совместной работе при разработке численных алгоритмов, в обучении нейронных сетей, анализе функционирования нейросетевых алгоритмов, в проведении экспериментов, программной реализации нейросетевых устройств, на которые получены патенты на полезную модель. В коллективной монографии [6] автору принадлежит одна глава из 4х.
ГЛАВА 1 АППАРАТ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ЭЛЕКТРОТЕХНИКЕ И ЭЛЕКТРОЭНЕРГЕТИКЕ
§1.1 Краткая классификация нейросетевых задач для электротехнических систем и комплексов
В последние годы искусственные нейронные сети становятся все более популярными. Ученые и различные отрасли промышленности начинают все чаще использовать аппарат искусственных нейронных сетей в своей деятельности. Этому способствует, в том числе, бурное развитие электроники, микропроцессорных технологий и компьютерных наук. Человечество в своей деятельности нуждается в новых интеллектуальных [27, 34, 106] электронных устройствах, поэтому искусственные нейронные сети [70] начинают проникать в различные области науки [126], такие как медицина, электроэнергетика, радиотехника, электротехника, экономика, менеджмент и другие. На сегодняшний день искусственные нейронные сети [17, 31] - одно из самых интересных направлений развития информатики.
Искусственные нейронные сети так же известны под названием моделируемые нейронные сети, которые являются частью функции машинного обучения и лежат в основе алгоритмов глубокого обучения [156]. Их название и структура основываются на структуре человеческого мозга и имитируют взаимодействие биологических нейронов [152].
Машинное обучение часто ассоциируется с искусственным интеллектом, и многие нейросетевые алгоритмы уже успешно реализованы в различных отраслях науки [143, 154]: в медицине его используют для диагностики заболеваний, в финансах - для анализа рынков, в автомобильной промышленности - для автономного вождения и даже в сельском хозяйстве - для оптимизации урожайности. В электротехнике и электроэнергетике нейронные искусственные сети систематически используется для повышения гибкости энергосистемы, максимизации эффективности передачи, оптимизации протоколов связи и управления распределительными сетями [44, 73, 138, 151]. Такие приложения, как
нейронные сети и нечеткая логика, используются для распознавания сложных закономерностей в данных и прогнозирования энергопотребления и стабильности сети [135, 140].
Искусственные нейронные сети берут начало в 40-х годах прошлого столетия. Понятие нейронной сети было формализовано У. Маккалоком и У. Питтсом в 1943 году. Они опубликовали статью, направленную на понимание того, как человеческий мозг создает сложные структуры с помощью нейронов. В 1949 году Хебб предложил модель человеческого обучения, которая происходит за счет изменения силы синаптических связей между нейронами. Эта модель стала основой методов обучения искусственных нейронных сетей (правило Хебба). Правило Хебба позволило создать самообучающиеся сети. М. Минский в 1951 году сконструировал первую обучающуюся машину со случайно связанной нейросетью - SNARC. Вместе с С. Папертом он написал книгу «Персептроны», ставшую фундаментальной работой для последующих разработок в области ИНС. В 1958 году Фрэнк Розенблатт представил концепцию персептрона, который лег в основу большинства нейросетевых методов решения задач классификации, и добавил веса нейронным связям. В 1960 году Розенблатт представил первый нейрокомпьютер, который был способен распознавать некоторые буквы английского алфавита - «Марк-1». Принцип работы нейрокомпьютера был прост: в него загружали определенный набор правил для распознавания информации, а затем показывали карточку, например, с буквой «А». Если устройство давало верный ответ, то переходили к следующей карточке. Если же происходил сбой, то в правила вручную вносились коррективы и обучение продолжалось. В том же 1960 году Уидроу разработал адаптивный сумматор - адалин, который является стандартным элементом многих систем обработки сигналов.
1960-е годы были временем эвристических поисков. Пионерами этого подхода были Ньюэлл и Смайон. П. Харт вместе с Т. Ковер представляют в 1967 году первую ставшую классической модель машинного обучения - «ближайшие соседи». Нейронная сеть, обученная методом «ближайшие соседи», при обнаружении нового, неизвестного ей объекта, подбирает наиболее похожий
объект из числа известных ей. Т. Виноград разрабатывает в 1968 году программу ЗНКОЬи. ЗНКОЬи распознавала речевые команды и по команде человека могла перемещать различные фигуры, запоминала несложные предложения и могла отвечать на простые вопросы воспроизводя эти самые предложения. Д. Сторк, П. Харт и Р. Дуда публикуют в 1973 году фундаментальный для машинного обучения труд - «Классификация образов».
В 1974 году Александр Галушкин и Пол Вербос независимо друг от друга описали метод обратного распространения ошибки. Данный метод подразумевает, что сигнал об ошибке идет не от входов, а от выходов сети, корректируя веса связей между нейронами. Это позволяло решить задачу обучения многослойных сетей. Уже в 1982 году Д. Хопфилд представил новый тип искусственных нейронных сетей, которые хранят информацию распределено в весах связей между нейронами, и извлекают её по необходимости. Хопфилду удалось реализовать двустороннюю передачу информации между нейронами. Таким образом появились нелинейные функции активации, которые обеспечивают сложные взаимосвязи между входными и выходными нейронами. Р. Уильямс, Д. Румельхарт и Д. Хинтон опубликовали в 1986 году статью «Изучение представлений путем обратного распространения ошибок». В статье описывается усовершенствованный для обучения многослойных персептронов алгоритм обратного распространения ошибки. Метод обратного распространения ошибки позволяет эффективно настраивать веса связей нейронов в искусственных нейронных сетях. Использование метода обратного распространения ошибки сделало возможным итерационное обучение нейронных сетей на примерах с корректировкой весов после каждого прохода представления образов нейронной сети, до тех пор пока не будет достигнут требуемый результат обучения.
В начале 2000-х годов произошёл очередной толчок развития в применении искусственных нейронных сетей, связанный с развитием электроники, микропроцессорных технологий и компьютерных наук, а также благодаря распространению интернета. Развитие интернета предоставило ученым открытый доступ к информации, необходимой для обучения нейронных сетей. Благодаря
сочетанию метода обратного распространения ошибки, многослойных сетей и больших данных, результаты исследований начали демонстрировать высокие результаты в обучении и составлении прогнозов. Это привело к разработке новых архитектур, алгоритмов и инструментов для построения и обучения искусственных нейронных сетей и началу распространения практического применения нейроалгоритмов во многих отраслях.
Современная простейшая нейронная сеть состоит минимум из трёх слоев [80]: входного слоя, выходного слоя и одного скрытого (промежуточного) слоя. Скрытых слоёв может быть несколько, такие нейронные сети называются многослойными. Персептрон [106] - это простейшая нейронная сеть прямого распространения [30]. В персептроне сигнал проходит только в одном направлении [137] от входного слоя к выходному. Нейроны в персептроне не имеют обратных связей. Пример структуры однослойного персептрона представлен на рисунке 1.1.
Скрытый слой
Х|
-►
Х2
-—►
Входной сигнал
-►
XI
-№>
Рисунок 1.1 - Структура однослойного персептрона.
Фундаментальной единицей обработки данных в нейронной сети является нейрон [107]. Искусственный нейрон - это математическая модель, работа которой представлена на рисунке 1.2. Нейрон вычисляет средневзвешенное значение входных данных и прибавляет к нему смещение. После этого он
У2
Выходной сигнал
передает результат через функцию активации следующим нейронам. Функция активации является нелинейной функцией. Наиболее часто в качестве функции применяют сигмовидную функцию.
Х\
х,
Рисунок 1.2 - Искусственный нейрон.
Работу персептрона можно описать следующим образом. Нейроны входного слоя получают входную информацию, обрабатывают ее с помощью математической функции активации и передают полученные значения данных нейронам в скрытый слой на основе сравнения с заданным пороговым значением. Количество скрытых слоёв в простой нейронной сети может варьироваться от одного до десятка и более, но, как правило, их количество не превышает трех. Нейроны скрытого слоя вычисляют средневзвешенное значение всех входных данных, полученных от предыдущего слоя, прибавляют к ним смещение. Каждое получившиеся значение обрабатывается своей нелинейной функцией активации, результат работы которой выступает в качестве выходного значения каждого нейрона, которое впоследствии поступает на вход следующего слоя. Работа выходного слоя аналогична работе скрытого слоя.
Результирующее значение на выходе каждого нейрона выходного слоя однослойного персептрона можно описать следующим математическим выражением:
У = /(^/(^х)), (1.1)
где х - значение входного сигнала, - весовые коэффициенты между нейронами входного и скрытого слоёв, w2 - весовые коэффициенты между нейронами
скрытого и выходного слоёв, f - функция активации, y - выходное значение нейрона скрытого слоя.
Нейронные сети обладают уникальной способностью извлекать количественный смысл из сложных или неточных данных [59, 110]. Использование правильно структурированной искусственной нейронной сети позволяет извлекать закономерности и обнаруживать слишком сложные тенденции, которые не удается обнаружить с помощью традиционных математических алгоритмов [98].
Применение многослойных искусственных нейронных сетей для решения широкого круга задач электротехнического комплекса [26, 27, 38, 82, 129] обусловлено рядом достоинств нейронных сетей [98, 108]. К наиболее существенным достоинствам искусственных нейронных сетей для решения задач электротехнического комплекса можно отнести:
1. Многослойные искусственные нейронные сети обладают универсальными аппроксимационными свойствами. Аппарат искусственных нейронных сетей позволяет равномерно приблизить любую непрерывную функцию многих переменных на любом замкнутом ограниченном множестве с заданной точностью.
2. Искусственные нейронные сети могут самообучаться в процессе функционирования [127, 161], т. е. нейронные сети могут подстраивать весовые коэффициенты связей между нейронами в реальном времени. Самообучение позволяет корректировать управление объектом [1] в условиях неконтролируемых изменений динамических и статических характеристик контролируемой системы.
3. Параллельная обработка нескольких сигналов позволяет использовать искусственные нейронные сети для управления многомерными объектами.
В настоящее время искусственные нейронные сети применяют в электротехнических системах [58] для решения следующих задач:
1. Классификация неисправностей электрооборудования [85, 95, 96].
2. Определение места повреждения [29, 68, 79, 160].
3. Контроль качества электроэнергии и прогнозирование энергопотребления [77, 146, 135, 138].
4. Идентификация и контроль параметров электротехнических систем [41, 65, 89].
5. Оценка уровня гармоник, определение начала переходных процессов, фильтрация сигналов, шумоподавление [94, 109, 113].
6. Моделирование защит, кибербезопасность и «цифровые двойники» [25, 74, 115, 122].
7. Оптимизация систем управления и регулирования [26, 128, 158].
8. Диагностика и мониторинг физических параметров электрооборудования [90, 144, 148].
Эти задачи являются взаимосвязанными, результат решения одних задач может быть использован в решении других. Задачи так же можно разделить на регрессионные и классификационные, когда результатом решения является вещественное или логическое значение. Некоторые задачи могут решаться в отложенном времени, а часть задач необходимо решать в режиме реального времени. Решение задач в режиме реального времени, в сочетании с необходимостью получения оптимального результата с достаточно высоким быстродействием и требуемой точностью представляет определенную сложность.
Традиционное решение этих задач подразумевает декомпозицию системы на подобъекты или подсистемы с их математическим описанием в виде линеаризованных структур. Требуемое качество решения получают путем применения замкнутых структур с различными способами коррекции в ограниченной области, присущей некоторым заранее обусловленным режимам работы системы. Современные электротехнические комплексы и системы состоят из большого разнообразия, применяемого электротехнического и электроэнергетического оборудования и работают в сложных условиях эксплуатации и интенсификации режимов работы. В результате электротехнические комплексы необходимо представлять в виде многоуровневой иерархической системы. Для каждого локального устройства регулирования на
каждом уровне контроля и управления присутствуют координирующие решения для достижения конкретных целей, что затрудняет процесс координации между подсистемами в результате чего процесс согласования решений на каждом уровне становится итеративным и длительным.
В то же время реальной электротехнической системе, как управляемому динамическому объекту, присущи различного рода неопределенности, наличие которых вызывает неточность в задании переменных величин в моделях, начальных и граничных условий. Неопределенности в большинстве случаев обусловлены низким качеством информации, получаемой от объектов управления и неверно составленной многоуровневой иерархической модели. Причиной низкого качества получаемой информации являются: большое запаздывание получения информации по каналам связи; отсутствие возможности замеров параметров во всех требуемых узлах электротехнической системы.
Большинство научных исследований, посвященные практическому применению искусственных нейронных сетей в электротехнических комплексах, описывают возможности использования нейросетевых алгоритмов для прогнозирования и оптимизации энергопотребления [76, 92, 134]. Отчасти это связано с доступностью данных о потреблении электроэнергии.
Основная масса известных разработок предикторов электрической нагрузки основываются на искусственных нейронных сетях прямого распространения -персептроне [50]. В 1992 году североамериканский Electric Power Research Institute разработал одну из самых известных программ прогнозирования, основанную на аппарате искусственных нейронных сетей - ANNSTLF. Сегодня нейросетевые алгоритмы прогнозирования электрической нагрузки широко используются в энергетических компаниях развитых странах, таких как Великобритания, Франция (Electricite De France), Бельгия, Греция (Public Power Corporation), Канада, США, Тайвань. В 2018 году Мордовская энергосбытовая компания разработала и ввела в эксплуатацию нейросетевую систему краткосрочного прогнозирования энергопотребления. Нейронные сети используются не только для предсказания электрической нагрузки в системе, но и
Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Телевизионная система нейросетевого наблюдения наземных объектов2001 год, кандидат технических наук Лебедев, Алексей Георгиевич
Модели информационных процессов и структур для повышения эффективности нейросетевого симулятора2013 год, кандидат наук Крючин, Олег Владимирович
Метод синтеза нейросетевых устройств для реализации режима fog computing2023 год, кандидат наук Бахтин Вадим Вячеславович
Нейросетевое моделирование и оптимизация многоэтапных процессов в условиях зашумленности исходных данных2013 год, кандидат технических наук Коротков, Евгений Алексеевич
Алгоритм формирования представительской выборки с применением кластеризации для обучения искусственной нейронной сети2019 год, кандидат наук Пастухов Алексей Андреевич
Список литературы диссертационного исследования кандидат наук Андреев Олег Николаевич, 2025 год
СПИСОК ЛИТЕРАТУРЫ
1. Адаптивное управление промышленным манипулятором с применением нейронной сети / В. Г. Макаров, И. Г. Цвенгер, Р. Р. Шигабиев [и др.] // Вестник Технологического университета. - 2020. - Т. 23, № 7. - С. 76-79.
2. Андреев, О. Н. Аппарат искусственных нейронных сетей для электротехнических систем: краткая классификация задач / О. Н. Андреев, Л. А. Славутский // Информационные технологии в электротехнике и электроэнергетике : Материалы XIV Всероссийской научно-технической конференции, Чебоксары, 06-08 июня 2024 года. - Чебоксары: Чувашский государственный университет имени И.Н. Ульянова, 2024. - С. 264-270.
3. Андреев, О. Н. Быстрая оценка сдвига фаз сигналов нейросетевыми программно-аппаратными средствами / О. Н. Андреев // Динамика нелинейных дискретных электротехнических и электронных систем : Материалы XV Всероссийской научно-технической конференции, Чебоксары, 02 июня 2023 года. - Чебоксары: Чувашский государственный университет имени И.Н. Ульянова, 2023. - С. 9-12.
4. Андреев, О. Н. Использование нейронной сети в скользящем временном окне для оценки параметров тока / О. Н. Андреев // Проблемы и перспективы развития энергетики, электротехники и энергоэффективности : Материалы V Международной научно-технической конференции, Чебоксары, 03 декабря 2021 года. - Чебоксары: Чувашский государственный университет имени И.Н. Ульянова, 2021. - С. 31-37.
5. Андреев, О. Н. Использование элементарного персептрона для цифровой коррекции тока насыщения трансформатора / О. Н. Андреев // Информационные технологии в электротехнике и электроэнергетике : материалы XIII всероссийской научно-технической конференции, Чебоксары, 03 июня 2022 года. - Чебоксары: Чувашский государственный университет имени И.Н. Ульянова, 2022. - С. 349-354.
6. Андреев, О. Н. Моделирование и нейросетевая обработка сигналов при переходных процессах в электротехнических комплексах / О. Н. Андреев, С. И.
Ксенофонтов, А. Л. Славутский. - Чебоксары : Чувашский государственный педагогический университет им. И.Я. Яковлева, 2023. - 212 с.
7. Андреев, О. Н. Нейросетевая обработка сигналов с нелинейными искажениями в "скользящем временном окне" / О. Н. Андреев, Л. Н. Васильева // Вестник Чувашского университета. - 2022. - № 1. - С. 5-13.
8. Андреев, О. Н. Нейросетевой программно-аппаратный контроль сдвига фаз электрических сигналов в реальном времени / О. Н. Андреев, А. Л. Славутский // Вестник ИжГТУ имени М.Т. Калашникова. - 2023. - Т. 26, № 2. - С. 76-84.
9. Андреев, О. Н. Программно-аппаратные средства фиксации начала нелинейных искажений сигнала на основе нейросети / О. Н. Андреев // Проблемы и перспективы развития электроэнергетикии электротехники : Материалы V Всероссийской научно-практической (с международным участием) конференции, посвященной празднованию 55-летия КГЭУ. В 2-х томах, Казань, 11-12 октября 2023 года. - Казань: Казанский государственный энергетический университет, 2023. - С. 9-12.
10. Андреев, О. Н. Рекуррентное использование персептрона для структурного анализа сигналов / О. Н. Андреев, Л. А. Славутский, Е. В. Славутская // Вестник Чувашского университета. - 2022. - № 3. - С. 5-11.
11. Андреев, О. Н. Структурный анализ электротехнических сигналов при рекуррентном использовании многослойного персептрона / О. Н. Андреев, А. Л. Славутский, В. В. Алексеев // Электротехника. - 2022. - № 8. - С. 41-44.
12. Андриянов, А. И. Нейросетевая система управления нелинейной динамикой непосредственного понижающего преобразователя напряжения / А. И. Андриянов, Н. А. Краснов // Известия высших учебных заведений. Приборостроение. - 2013. - Т. 56, № 12. - С. 33-38.
13. Антонов, В. И. Адаптивный структурный анализ электрических сигналов: теория и ее приложения в интеллектуальной электроэнергетике / В. И. Антонов. Чебоксары : Чувашский государственный университет имени И.Н. Ульянова, 2018. - 334 с.
14. Афанасьев, А. Ю. Идентификация параметров трехфазного асинхронного двигателя при изменении начальных значений оценок в широком диапазоне / А. Ю. Афанасьев, В. Г. Макаров, В. Н. Ханнанова // Известия высших учебных заведений. Проблемы энергетики. - 2015. - № 11-12. - С. 87-96.
15. Афанасьев, А. А. Расчёт магнитоэлектрических вентильных двигателей методом разделения переменных Фурье / А. А. Афанасьев // Электротехника. -2021. - № 2. - С. 21-27.
16. Аракелян, А. К. Анализ провалов напряжения при пуске электродвигателей с вентиляторной нагрузкой / А. К. Аракелян, А. Г. Калинин // Электричество. - 2011. - № 6. - С. 46-50.
17. Боровиков В.П. Нейронные сети. Методология и технологии современного анализа данных / под ред. В.П. Боровикова. М.: Горячая линия-Телеком, 2008. - 392 с.
18. Булычев, А. В. Анализ процессов самозапуска электродвигателей в современных электрических распределительных сетях с позиций релейной защиты / А. В. Булычев, М. А. Грибков // Релейная защита и автоматизация. -2023. - № 1(50). - С. 30-38.
19. Буянкин, В. М. Разработка и обучение нейрорегуляторов для многоконтурных систем электоприводов с подчиненным регулированием / В. М. Буянкин // Промышленные АСУ и контроллеры. - 2023. - № 2. - С. 15-22.
20. Васылив, К. Н. Математическая модель режимов работы системы асинхронных двигателей дымососов тепловых электрических станций / К. Н. Васылив // Электротехника и электромеханика. - 2017. - № 3. - С. 19-26.
21 . Влияние высших гармоник на переходные процессы при дуговых замыканиях на землю в кабельных сетях 6-10 кв с изолированной нейтралью / О. А. Добрягина, Ю. Д. Кутумов, Т. Ю. Шадрикова, В. А. Шуин // Вестник Ивановского государственного энергетического университета. - 2020. - № 2. - С. 30-40.
22. Галяутдинова, А. Р. Система оценки и прогнозирования технического состояния силового маслонаполненного трансформаторного оборудования распределительных сетей с применением машинного обучения / А. Р.
Галяутдинова, И. В. Ившин, С. А. Соловьев // Известия высших учебных заведений. Проблемы энергетики. - 2024. - Т. 26, № 2. - С. 32-45.
23. Гуревич, В. Проблема электромагнитных воздействий на микропроцессорные устройства релейной защиты. Часть 2 / В. Гуревич // Компоненты и технологии. - 2010. - № 3(104). - С. 91-96.
24. Засыпкин, А. С. Релейная защита трансформаторов. / А. С. Засыпкин. Москва : Энергоатомиздат, 1989. - 240 с.
25. Иванов, С. О. Нейросетевое моделирование релейной защиты с временной задержкой / С. О. Иванов, М. В. Никандров, Л. А. Славутский // Вестник Чувашского университета. - 2022. - № 3. - С. 53-60.
26. Ившин, И. В. О применении нейронных сетей в расчетах рациональных режимов работы тягового электрооборудования городского электрического транспорта / И. В. Ившин, А. Э. Аухадеев, К. Т. Ле К Т // Вестник Казанского государственного энергетического университета. - 2023. - Т. 15, № 1(57). -С. 106-116.
27. Интеллектуальная система идентификации напряженно-деформированного состояния и поврежденности энергетического оборудования / М. Г. Баширов, Э. М. Баширова, И. Г. Юсупова, Д. Ш. Акчурин // Промышленная энергетика. - 2024. - № 3. - С. 8-17.
28. Контроль нестационарных сигналов с минимальной задержкой: нейросетевая реализация / О. Н. Андреев, В. В. Андреев, Н. В. Руссова, А. Л. Славутский // Вестник Чувашского университета. - 2024. - № 2. - С. 5-14.
29. Кощеев, М. И. Простые нейросетевые алгоритмы для волнового метода определения места повреждения электросети / М. И. Кощеев, А. Л. Славутский, Л. А. Славутский // Вестник Чувашского университета. - 2019. - № 3. - С. 110-118.
30. Кощеев, М. И. Элементарный персептрон как инструмент анализа переходных процессов / М. И. Кощеев, А. Л. Славутский, Л. А. Славутский // Вестник Чувашского университета. - 2020. - № 3. - С. 84-93.
31. Круглов В. В. Искусственные нейронные сети. Теория и практика. / В. В. Круглов, В. В. Борисов. М. : Горячая линия - Телеком, 2001. - 381 с.
32. Кужеков, С. Л. Обеспечение правильной работы микропроцессорных устройств дифференциальной защиты при насыщении трансформаторов тока / С. Л. Кужеков, Г. С. Нудельман // Известия высших учебных заведений. Электромеханика. - 2009. - № 4. - С. 12-18.
33. Куликов, А. Л. Использование машинного обучения и искусственных нейронных сетей для распознавания витковых замыканий в силовых трансформаторах / А. Л. Куликов, А. А. Лоскутов, А. Н. Совина // Электричество. - 2022. - № 10. - С. 34-44.
34. Курбацкий, В. Г. Применение новых информационных технологий в решении электроэнергетических задач / В. Г. Курбацкий, Н. В. Томин // Системы. Методы. Технологии. - 2009. - № 1(1). - С. 113-119.
35. 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.
36. Лямец, Ю. Я. Восстановление нелинейно искажённого тока короткого замыкания по малому числу отсчётов / Ю. Я. Лямец, И. Ю. Никонов, И. Е. Петряшин // Электрические станции. - 2021. - № 1(1074). - С. 31-35.
37. Муравьева, О. В. Сравнительная чувствительность информативных параметров электромагнитно-акустического зеркально-теневого метода на многократных отражениях при контроле пруткового проката / О. В. Муравьева, А. Ф. Брестер, В. В. Муравьев // Дефектоскопия. - 2022. - № 8. - С. 36-51.
38. 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.
39. Нейросетевой контроль нестационарного режима асинхронного двигателя / О. Н. Андреев, Л. А. Славутский, Н. В. Руссова, В. В. Алексеев // Электротехника. - 2024. - № 8. - С. 2-7.
40. Обучение релейной защиты на малом окне наблюдения / Ю. Я. Лямец, П. И. Воронов, М. В. Мартынов, А. Н. Маслов // Электричество. - 2017. - № 3. -С. 28-33.
41. Омельченко, Е. Я. Идентификация параметров схемы замещения асинхронных двигателей при помощи нейронных сетей / Е. Я. Омельченко, А. Б. Лымарь // Электротехнические и информационные комплексы и системы. - 2023.
- Т. 19, № 4. - С. 31-44.
42. Определение места повреждения высоковольтных воздушных линий электропередачи при повреждениях в измерительных цепях напряжения / А. Л. Куликов, П. А. Колобанов, А. А. Лоскутов, А. Н. Подшивалин // Электроэнергия. Передача и распределение. - 2024. - № 3(84). - С. 112-117.
43. Панов, М. Нейронные сети на службе энергетиков / М. Панов, И. Хмелев, А. Смирнов // Открытые системы. СУБД. - 2016. - № 4. - С. 39-40.
44. Патент на полезную модель № 219015 и1 Российская Федерация, МПК Н04В 1/10, G06N 3/02. Нейросетевой адаптивный фильтр электрического сигнала : № 2022132827 : заявл. 14.12.2022 : опубл. 22.06.2023 / О. Н. Андреев, А. Л. Славутский ; заявитель Общество с ограниченной ответственностью "Атлант".
45. Патент на полезную модель № 226110 и1 Российская Федерация, МПК G01R 23/20. Нейросетевой детектор начала нелинейных искажений электрического сигнала : № 2023134872 : заявл. 25.12.2023 : опубл. 21.05.2024 / О. Н. Андреев, А. Л. Славутский ; заявитель Общество с ограниченной ответственностью "Атлант".
46. Переходный процесс при конечном времени коммутации: нейростевой контроль / А. Л. Славутский, О. Н. Андреев, Н. В. Руссова, Н. А. Галанина // Электротехника. - 2024. - № 8. - С. 46-50.
47. Повышение точности волновых методов ОМП высоковольтных ЛЭП / В. Н. Козлов, К. И. Ермаков, М. И. Кирюшин, А. В. Шашкий // Энергия единой сети.
- 2022. - № 5-6(66-67). - С. 26-35.
48. 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.
49. Пономарева, О. В. Алгоритмы прямого и обратного параметрического быстрого преобразования Фурье / О. В. Пономарева, А. В. Пономарев, Н. В. Смирнова // Информационные технологии. - 2022. - Т. 28, № 1. - С. 9-19.
50. Применение нейронных сетей в определении режимов работы подстанционных систем учета электроэнергии / О. А. Дубровина, О. А. Пахомова, Ю. К. Евдокимов, А. А. Солдатов // Проблемы и перспективы развития энергетики, электротехники и энергоэффективности : материалы I Международной научно-технической конференции, Чебоксары, 16-17 ноября 2017 года. - Чебоксары: Чувашский государственный университет имени И.Н. Ульянова, 2017. - С. 111-114.
51. Разработка и применение устройств определения места повреждения на линиях электропередачи с использованием волновых методов / В. Ф. Лачугин, Д. И. Панфилов, С. Г. Попов [и др.] // Энергия единой сети. - 2021. - № 5-6(60-61). -С. 50-67.
52. Разработка учебно-исследовательского комплекса интеллектуальные системы поддержки принятия решений и экспертные системы / М. Г. Баширов, Э. М. Баширова, М. Ф. Усманов [и др.] // Электротехнические и информационные комплексы и системы. - 2023. - Т. 19, № 4. - С. 137-149.
53. Саттаров, Р. Р. Исследование работы группы асинхронных двигателей при кратковременных провалах напряжения для условий нефтяной промышленности / Р. Р. Саттаров, Р. Р. Гарафутдинов // Известия высших учебных заведений. Проблемы энергетики. - 2020. - Т. 22, № 6. - С. 92-100.
54. Свидетельство о государственной регистрации программы для ЭВМ №
2023669009 Российская Федерация. Встроенное программное обеспечение "ЮНИТ-ДЗ-М" : № 2023668042 : заявл. 30.08.2023 : опубл. 06.09.2023 / О. Н. Андреев ; заявитель Общество с ограниченной ответственностью «АТЛАНТ».
55. Свидетельство о государственной регистрации программы для ЭВМ №
2023669010 Российская Федерация. Встроенное программное обеспечение "ЮНИТ-ДЗ" : № 2023668044 : заявл. 30.08.2023 : опубл. 06.09.2023 / О. Н. Андреев ; заявитель Общество с ограниченной ответственностью «АТЛАНТ».
56. Свидетельство о государственной регистрации программы для ЭВМ № 2024660291 Российская Федерация. Встроенное программное обеспечение «ЮНИТ-Р1» : № 2024617658 : заявл. 09.04.2024 : опубл. 03.05.2024 / О. Н. Андреев, А. Л. Славутский ; заявитель Общество с ограниченной ответственностью «АТЛАНТ».
57. Свидетельство о государственной регистрации программы для ЭВМ № 2024660337 Российская Федерация. Встроенное программное обеспечение «ЮНИТ-М1» : № 2024617659 : заявл. 09.04.2024 : опубл. 06.05.2024 / О. Н. Андреев, А. Л. Славутский ; заявитель Общество с ограниченной ответственностью «АТЛАНТ».
58. Симонов, Н. Опыт и перспективы применения искусственных нейронных сетей в электроэнергетике / Н. Симонов, Н. Ивенев // Электроэнергия. Передача и распределение. - 2019. - № S4(15). - С. 42-48.
59. Славутская, Е. В. О выборе структуры искусственных нейросетей и алгоритмов анализа психодиагностических данных / Е. В. Славутская, Л. А. Славутский // Казанский педагогический журнал. - 2020. - № 5(142). - С. 202-211.
60. Славутский, А. Л. Моделирование аварийных режимов в узле комплексной нагрузки: высокочастотные составляющие тока и напряжения / А. Л. Славутский // Вестник Чувашского университета. - 2023. - № 4. - С. 151-159.
61. Славутский, А. Л. Применение алгоритма Доммеля для моделирования цепи с полупроводниковыми элементами и ключами с ШИМ управлением / А. Л. Славутский // Вестник Чувашского университета. - 2014. - № 2. - С. 57-65.
62. Славутский, А. Л. Учет остаточной намагниченности в трансформаторе при моделировании переходных процессов / А. Л. Славутский // Вестник Чувашского университета. - 2015. - № 1. - С. 122-130.
63. Славутский, Л. А. Волновые процессы и устройства / Л. А. Славутский.
- Чебоксары : Чувашский государственный университет им. И.Н. Ульянова, 2001.
- 224 с.
64. Славутский, Л. А. Дискретизация и аппроксимация сигналов: возможности простейших нейронных сетей / Л. А. Славутский, О. Н. Андреев //
Динамика нелинейных дискретных электротехнических и электронных систем : Материалы XV Всероссийской научно-технической конференции, Чебоксары, 02 июня 2023 года. - Чебоксары: Чувашский государственный университет имени И.Н. Ульянова, 2023. - С. 3-6.
65. Солдатов, А. А. Нейросетевой метод контроля режимов работы подстанционных информационно-измерительных комплексов учета электроэнергии / А. А. Солдатов, Ю. К. Евдокимов // Промышленные АСУ и контроллеры. - 2017. - № 11. - С. 35-49.
66. Титов, И. Т. Учет влияния открытой электрической дуги на параметры срабатывания дистанционной защиты / И. Т. Титов, А. В. Бычков, Н. А. Дони // Труды НГТУ им. Р.Е. Алексеева. - 2020. - № 2(129). - С. 85-93.
67. Учет волновых параметров ЛЭП при двухстороннем определении места повреждения / М. И. Кирюшин, А. В. Булычев, В. Н. Козлов, К. И. Ермаков // Кибернетика энергетических систем : Сборник материалов XLIV Международной научно-технической конференции, Новочеркасск, 08-10 ноября 2022 года. -Новочеркасск: Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова, 2023. - С. 170-176.
68. Федоров, А. О. Одностороннее волновое определение места повреждения линии электропередачи на основе сверточной нейронной сети / А. О. Федоров, В. С. Петров // Современные тенденции развития цифровых систем релейной защиты и автоматики : материалы научно-технической конференции молодых специалистов форума «РЕЛАВЭКСПО-2023», Чебоксары, 18-21 апреля 2023 года / Инновационный электротехнический кластер Чувашской Республики, Академия электротехнических наук Чувашской Республики, Чувашский государственный университет имени И.Н. Ульянова. - Чебоксары: Б. и., 2023. - С. 95-105.
69. Федоров, Д. В. Особенности переходного процесса при конечном времени срабатывания коммутационной аппаратуры / Д. В. Федоров, О. Н. Андреев, А. Л. Славутский // Информационные технологии в электротехнике и электроэнергетике : Материалы XIV Всероссийской научно-технической
конференции, Чебоксары, 06-08 июня 2024 года. - Чебоксары: Чувашский государственный университет имени И.Н. Ульянова, 2024. - С. 259-263.
70. Хайкин С. Нейронные сети: полный курс: пер. с англ. 2-е изд. / С. Хайкин. М.: ООО "И.Д. Вильямс", 2006. - 1104 с.
71. Ядарова, О. Н. Контроль воздушного потока на основе доплеровского рассеяния ультразвука / О. Н. Ядарова, Л. А. Славутский // Приборы и системы. Управление, контроль, диагностика. - 2013. - № 3. - С. 55-59.
72. Alhanjouri, Mohammed. Speed Control of DC Motor using Artificial Neural Network / Mohammed Alhanjouri // International Journal of Science and Research (IJSR). - 2017. - vol. 7. - PP. 2140-2148.
73. Alimi, O. A. A review of machine learning approaches to power system security and stability / O. A.Alimi, K. Ouahada and A. M. Abu-Mahfouz // IEEEAccess. - 2020. - vol. 8. - PP. 113512-113531.
74. A Learning-Based Framework for Detecting Cyber-Attacks Against Line Current Differential Relays / Ameli A, Ayad A, El-Saadany E, Salama M and Youssef // IEEE Transactions on Power Delivery. -2020. - 4. - PP. 2274-2286.
75. Andreev, O. N. Neural network in a "sliding window" for power grids signals structural analysis / O. N. Andreev, L. A. Slavutskii, A. L. Slavutskiy // IOP Conference Series: Earth and Environmental Science : 4, Virtual, Online, 24-26 ноября 2021 года. - Virtual, Online, 2022. - P. 012054.
76. ANN Controller for Mitigation of Power Quality Issues Using Single Phase Unified Power Flow Controller / K. Sasikala, J. S. Selva Kumar, K. E. Vignesh, J. T, P. Muthukumar and L. Padmasuresh, // 2023 International Conference on Circuit Power and Computing Technologies (ICCPCT), Kollam, India. - 2023. - PP. 1829-1834.
77. Aowabin Rahman. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks / Aowabin Rahman, Vivek Srikumar, Amanda D. Smith. // Applied Energy. - 2018. - Vol. 212. - PP. 372-385
78. Application of Hybrid Neural Network to Detection of Induction Motor Electrical Faults / M. Skowron, M. Wolkiewicz, C. T. Kowalski and T. Orlowska-
Kowalska, // in 2019 International Conference on Electrical Drives and Power Electronics (EDPE). - Sep. 2019.
79. Applying Artificial Neural Networks and Nonlinear Optimization Techniques to Fault Location in Transmission Lines—Statistical Analysis / S. A. Rocha, T. G. Mattos, R. T. N. Cardoso, E. G. Silveira // Energies. - 2022. - Vol. 15, No. 11. - P. 4095.
80. Appropriate Selection for Numbers of neurons and layers in a Neural Network Architecture: A Brief Analysis. / A. Aziz, T. Khan, U. Iftikhar, I. Tanoli, & Qureshi, A. Khalid // Sir Syed University Research Journal of Engineering & Technology. - 2023. - 13(2). - PP. 29-34. Retrieved from https://sirsyeduniversity.edu.pk/ssurj/rj/index.php/ssurj/article/view/438.
81. A Review of Load Frequency Control Schemes Deployed for Wind-Integrated Power Systems / R. Asghar, F. Riganti Fulginei, H. Wadood, S. Saeed // Sustainability. - 2023. - Vol. 15, No. 10. - P. 8380.
82. A Review on Intelligent Detection and Classification of Power Quality Disturbances: Trends, Methodologies, and Prospects / Ya. Yan, K. Chen, H. Geng [et al.] // CMES - Computer Modeling in Engineering and Sciences. - 2023. - Vol. 137, No. 2. - PP. 1345-1379.
83. Artificial Neural Networks: Modeling and Comparison to Detect High Impedance Faults / A. T. Diefenthaler, A. T. Z. R. Sausen, M. De Campos, P. S. Sausen and J. M. Lenz // in IEEE Access. - 2023. - vol. 11 - PP. 124499-124508.
84. Basodi. Gradient amplification: An efficient way to train deep neural networks. / Basodi, H. Zhang, Y. Pan // Big Data Mining and Analytics. - 2020. - vol. 3(3). - PP. 196-207.
85. Bhattacharya, B Intelligent Fault Analysis in Electrical Power Grids / B. Bhattacharya, A. Sinha // IEEE 29th International Conference on Tools with Artificial Intelligence (ICTAI). - 2017. - PP. 985-990. - DOI 10.1109/ICTAI.2017.00151
86. Billings, S. A. Nonlinear system identification: NARMAX methods in the time, frequency, and spatio-temporal domains / S. A. Billings // Nonlinear System Identification: NARMAX Methods in the Time, Frequency, and Spatio-Temporal Domains. - 2013. - P. 1-555.
87. Brdys, M. A. Dynamic neural controllers for induction motor / M. A. Brdys, G. J. Kulawski // IEEE Trans Neural Netw. - 1999. - vol. 10 (2). - PP. 340-55.
88. Buettner, M. A. Artificial Neural Network Based Optimal Feedforward Torque Control of Interior Permanent Magnet Synchronous Machines: A Feasibility Study and Comparison with the State-of-the-Art / M. A. Buettner, N. Monzen, Ch. M. Hackl // Energies. - 2022. - Vol. 15, No. 5. - P. 1838.
89. Burton, B. Reducing the computational demands of continually online-trained artificial neural networks for system identification and control of fast processes / B. Burton, R. G. Harley // IEEE Transactions on Industry Applications. - 1998. - Vol. 34(3). - PP. 589-596.
90. Bychkov, A. Neural Network for Pulsed Ultrasonic Vibration Control of Electrical Equipment / A. Bychkov, L. Slavutskii, E. Slavutskaya // Proceedings - 2020 International Ural Conference on Electrical Power Engineering, UralCon 2020, Chelyabinsk, 22-24 September 2020 year. - Chelyabinsk, 2020. - PP. 24-28.
91. Chisedzi, L. P. Detection of Broken Rotor Bars in Cage Induction Motors Using Machine Learning Methods / L. P. Chisedzi, M. Muteba, // Sensors. - 2023. - 23. - P. 9079.
92. Comparative Analysis of Power Quality Monitoring Systems / S. R. Hassan, A. Rehman, N. Shabbir and A. Unbreen // NFC-IEFR Jornal of Engineering and Scientific Research. - 2020. - 7. - PP. 11-15.
93. Dai W. Single-Phase Shunt Hybrid Active Power Filter Based on ANN / W. Dai, T. Huang and N. Lin // Fourth International Conference on Fuzzy Systems and Knowledge Discovery (FSKD 2007), Haikou, China. - 2007. - PP. 40-44.
94. Dharmendra K., A. S. Analysis of generated harmonics due to transformer load on power system using artificial neural network / K. Dharmendra, Moushmi K., Zadgaonkar A. S. // International journal of electrical engineering. - 2013. -Vol. 4(1). -PP. 81-90.
95. Decision Tree Models and Machine Learning Algorithms in the Fault Recognition on Power Lines with Branches / A. Kulikov, A. Loskutov, D. Bezdushniy, I. Petrov // Energies. - 2023. - Vol. 16, No. 14. - P. 5563.
96. Development and research of an intelligent diagnostic system for equipment of electric power complexes / Mussa Bashirov [et al.] // E3S Web Conf: III International Conference on Actual Problems of the Energy Complex: Mining, Production, Transmission, Processing and Environmental Protection (ICAPE2024). 2024. Vol. 498. P. 01003.
97. Digalovski, M. Calculation of starting and breaking times of induction motor electric drives, for different mechanical loads, Information Technologies (InfoTech) / M. Digalovski and G. Rafajlovski // Materials of 34th International Conference, Varna, Paper. - 2020. - No.20023938.
98. Dillon T. S. Neural Networks Application in Power Systems. / T. S. Dillon, D. Niebur. CRL Ltd. Publishing, London. 1996. - 404 P.
99. Dommel, H. W. Digital Computer Solution of Electromagnetic Transients in Single- and Multiphase Networks / H. W. Dommel // IEEE Transactions on Power Apparatus and Systems. - 1969. - 4 - PP. 388-399.
100. Dong, X. Motor Fault Diagnostics Based on Current Signatures / X. Dong, Chen, G. Niu // In: IEEE Transactions on Instrumentation and Measurement. - 2023. -vol. 72. - PP. 1-19.
101. Eddahech, A. Neural networks based model and voltage control for lithium polymer batteries / A. Eddahech, O. Briat, J. Vinassa // 8th IEEE Symposium on Diagnostics for Electrical Machines, Power Electronics & Drives: Bologna, Italy. -2011. - PP. 645-650.
102. Fault harmonics current detection in closed-loop controlled induction motors / G. De Boni, V. Fernandez-Cavero, L. Frosini, O. Duque-Perez and D. Morinigo-Sotelo, // IEEE 14th International Symposium on Diagnostics for Electrical Machines, Power Electronics and Drives (SDEMPED), Chania, Greece. - 2023. - PP. 443-449.
103. Fundamentals of Multichannelstructural Analysis of Electrical Signals / E. Volobyev [et al.]. // 2021 Ural-Siberian Smart Energy Conference (USSEC), 2021, PP. 30-34, 10.1109/USSEC53120. 2021.9655762.
104. Gamazin, S. I. Transient processes in power supplying systems with electrical driving load. / S. I. Gamazin, V. A. Stavtsev and S. A. Tsyruk // Publishing house MPEI, Moscow. 1997. 421 P.
105. Ghlib, I. ADALINE-Based Speed Control For Induction Motor Drive / Ghlib I., Messlem Y., Chedjara Z. // 2019 International Conference on Advanced Electrical Engineering (ICAEE). Algiers, Algeria. - 2019. - PP. 1-6.
106. Grossberg, S. A. Path Toward Explainable AI and Autonomous Adaptive Intelligence: Deep Learning, Adaptive Resonance, and Models of Perception, Emotion, and Action. Neurorobot. - June 25 2020.
107. Grossberg, S. A. Toward Autonomous Adaptive Intelligence: Building Upon Neural Models of How Brains Make Minds / S. A Grossberg // in IEEE Transactions on Systems, Man, and Cybernetics: Systems. - Jan. 2021. - vol. 51, no. 1. - PP. 51-75.
108. Haque, M. T. Application of Neural Networks in Power Systems; A Review / M. T. Haque, M. K. Atabak // International Journal of Energy and Power Engineering. - 2007. - 1. - PP. 897-901.
109. Harmonic classifier for efficiency induction motors using ANN / E. O. Rozal Filho [et al.] // Revista Contemporánea. - 2023. - Vol. 3(10). - PP. 17660-17678.
110. Hornik, Kurt. Universal approximation of an unknown mapping and its derivatives using multilayer feedforward networks / Kurt Hornik, Maxwell Stinchcombe, Halbert White. // Neural Networks. - 1990. - vol. 3 (5). - PP. 551-560.
111. Induction motor equivalent circuit including the stray load losses in the machine power balance / Boglietti, A., Cavagnino, A., Ferraris, L. and Lazzari, M., // IEEE Transactions on Energy Conversion. - 2008. - 23 (3). - PP. 796-803.
112. Induction Motors Performance Study Under Various Voltage Sags Using Simulation, Electrical Machines and Systems / M. Ojaghi, S. Alimohammadi, J. Faiz and H. Shahrouzi // Materials of International Conference, Beijing. - 2011. P.12389733.
113. Inter-Harmonics Identification in Frequency Spectra by the Application of Artificial Neural Networks / S. T. C. A. Dos Santos, P. R. Ubaldo Guazzelli, B. C. Ribeiro and J. R. B. De Almeida Monteiro, // 2023 15th IEEE International Conference
on Industry Applications (INDUSCON), Sao Bernardo do Campo, Brazil. - 2023. -PP. 878-883.
114. International Industry Practice on Power-Quality Monitoring / J. Milanovic, R. F. Ball, W. Howe, R. Preece, M. H. J. Bollen, S. Elphick and N. Cukalevski // IEEE Transactions on Power Delivery. - 2014. - 29. - PP. 934-941.
115. Ivanov, S. O. Neuro Algorithm Accuracy Evaluation for The Anomalies Detecting in Overcurrent Protection Operation / S. O. Ivanov, M. Nikandrov, A. Lariukhin // International Ural Conference on Electrical Power Engineering : Proceedings - 2021 International Ural Conference on Electrical Power Engineering, UralCon 2021, Magnitogorsk, 24-26 сентября 2021 года. - Magnitogorsk: Institute of Electrical and Electronics Engineers, 2021. - PP. 116-120.
116. Jankowska, K. Experimental Analysis of the Current Sensor Fault Detection Mechanism Based on Neural Networks in the PMSM Drive System / K. Jankowska and M. Dybkowski // Electronics. Feb. 2023 - vol. 12, no. 5. - PP. 1170.
117. Kanwal, S. Artificial Intelligence based Faults Identification, Classification, and Localization Techniques in Transmission Lines-A Review / S. Kanwal and S. Jiriwibhakorn // in IEEE Latin America Transactions. - Dec. 2023. - vol. 21, no. 12. -PP. 1291-1305.
118. Karaliunas, B., Study on the Braking Characteristics of Linear Induction Motors / B. Karaliunas // Electronics and Electrical Engineering. - 2012. - 118 (2). -PP. 49-52.
119. Keerthipala, W. Artificial neural network model for analysis of power system harmonics / W. Keerthipala, L. T. Chong and T. C. Leong // IEEE International Conference on Neural Networks. - 1995. - 2. - PP. 905-910.
120. Kocman, S. Simulation of Start-Up Behaviour of Induction Motor with Direct Online Connection / S. Kocman, P. Orsag and P. Pecinka // Advances in Electrical and Electronic Engineering - 2018. - 15(5). PP. 754-762.
121. Krause, P. C. Introduction to Modern Analysis of Electric Machines and Drives / P. C. Krause and T. C. Krause. Wiley-IEEE Press. 2023. 632 p.
122. Kulikov, A. L. Improvement of the technical excellence of multiparameter relay protection by combining the signals of the measuring fault detectors using artificial intelligence methods / A. L. Kulikov, A. A. Loskutov, M. Mitrovic // E3S Web of Conferences : 2019 International Scientific and Technical Conference Smart Energy Systems, SES 2019, Kazan, 18-20 сентября 2019 года. Vol. 124. - Kazan: EDP Sciences, 2019. - P. 01039.
123. Kuzhekov, S. L. On the Coordination of Current Transformers and Relay Protection and Automation Operation of Electric-Power Systems in Transient Short-Circuit States / S. L. Kuzhekov, A. A. Degtyarev // Russian Electrical Engineering. -2017. - Vol. 88, No. 12. - PP. 832-838.
124. Kezunovic, M. A Survey of Neural Net Applications to Protective Relaying and Fault Analysis / M. Kezunovic // Engineering Intelligent Systems. - 1997. - 4. -PP. 185-192.
125. Korshunov, V. V. Improving the Accuracy of Power Grid Frequency Measurements Using a Method Based on the Analysis of Phase Increment / V. V. Korshunov, A. E. Kharinov and A. N. Serov // 2023 IEEE XVI International Scientific and Technical Conference Actual Problems of Electronic Instrument Engineering (APEIE), Novosibirsk, Russian Federation. - 2023. - PP. 990-996.
126. Kumar, K. Advanced Applications of Neural Networks and Artificial Intelligence: A Review / K. Kumar, G. S. M. Thakur // International Journal of Information Technology and Computer Science. - 2012. - Vol. 4, No. 6. - PP. 57-68.
127. Laruhin, A. Anomalous modes recognizing secondary equipment in electric power industry: Adaptive neuro algorithms / A. Laruhin, M. Nikandrov, L. Slavutskii // Proceedings - 2019 International Ural Conference on Electrical Power Engineering, UralCon 2019, Chelyabinsk, 01-03 October 2019 year. - Chelyabinsk: Institute of Electrical and Electronics Engineers Inc. - 2019. - PP. 399-403.
128. Leena, N. Artificial Neural Network Controller for Improved Performance of Brushless DC Motor / N. Leena, R. Shanmugasundaram // (EPSCICON) Computation and Controls Signals Power on Conference. - January 2014. - PP. 1-6.
129. Leonowicz, Z. Machine Learning and Data Mining Applications in Power Systems / Z. Leonowicz, M. Jasinski // Energies. - 2022. - Vol. 15, No. 5. - P. 1676.
130. Li, Xiaoou, Dynamic system identification via recurrent multilayer perceptrons / Xiaoou Li, Wen Yu // Information Sciences. - 2002. - vol. 147 (1-4). -PP. 45-63.
131. Majidov, A. Investigation of the Self-Starting Process of a Low-Power Asynchronous Motor / A. Majidov G. Kayumov and S. Hafizov // 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus), St. Petersburg, Moscow, Russia. - 2021. - PP. 1462-1468.
132. Majumdar A. Assessment of Transient Disturbance using Discrete Fourier Transform and Feed Forward Neural Network based Hybrid Classifier / A. Majumdar, A. K. Jain and R. Debnath // 2023 IEEE 3rd International Conference on Sustainable Energy and Future Electric Transportation (SEFET). Bhubaneswar, India. - 2023. - PP. 1-6.
133. Montgomery, D. C. Design and Analysis of Experiments. John Wiley & Sons. Inc. - 1997. - 757 p.
134. Neural Network Based Method for Predicting Nonlinear Load Harmonics / J. Mazumdar, R. G. Harley, F. Lambert and G. Venayagamoorthy // Power Electronics, IEEE Transactions. - 2007. - 3. - PP. 1036-1045.
135. Neural Approaches to Short-Time Load Forecasting in Power Systems—A Comparative Study / S. Osowski, R. Szmurlo, K. Siwek, T. Ciechulski // Energies. -2022. - Vol. 15, No. 9. - P. 3265.
136. Neural net monitoring of signals parameters during the induction motors run-out / O. N. Andreev, V. G. Grigoriev, G. V. Malinin, A. L. Slavutskiy // Third International Conference on Optics, Computer Applications, and Materials Science (CMSD-III 2023), Dushanbe, 20-22 декабря 2023 года. - Washington: SPIE-SOC PHOTO-OPTICAL INSTRUMENTATION ENGINEERS, 2024. - P. 1306506.
137. Neural net without "deep learning": signal approximation by multilayer perceptron / L. A. Slavutskii, N. M. Lazareva, M. S. Portnov, E. V. Slavutskaya // 2nd International Conference on Computer Applications for Management and Sustainable Development of Production and Industry (CMSD-II-2022), Dushanbe, 21-23 декабря
2022 года. - Washington: SPIE-SOC PHOTO-OPTICAL INSTRUMENTATION ENGINEERS, 2023. - P. 125640P.
138. Noebels, M. Machine learning approach for real-time selection of preventive actions improving power network resilience / M. Noebels, R. Preece, M. A. Panteli // IET Generation, Transmission & Distribution - 2022. - vol. 16, no. 1. - PP. 181-192.
139. Nwachukwu, C. O. Three phase soft starter controller scheme for asynchronous machine response to transients using MatLab/Simulink / C. O. Nwachukwu, M. I. Ajumuka and F. I. Izuegbunam // IEEE, Materials of 3rd Int. Conf. on Electro-Technology for National Development. - 2017. - PP. 1052-1059.
140. Optimal Deep Learning LSTM Model for Electric Load Forecasting using Feature Selection and Genetic Algorithm: Comparison with Machine Learning Approaches / S. Bouktif [et al.] // Energies. - 2018. - vol. 11(7). - P.1636.
141. Osipov, D. S. Wavelet Transform Algorithms in Analyzing Transient Phenomena and Power Quality Parameters / Osipov D. S., Paramzin A. O. and Tkachenko V. A. // 2023 International Russian Automation Conference (RusAutoCon), Sochi, Russian Federation. - 2023. PP. 31-35.
142. Osowski, S. Neural network for estimation of harmonic components in a power system / S. Osowski // IEEE Proceedings on Generation, Transmission and Distribution. - 1992. - vol. 139 (2). - PP. 129-135.
143. Parlos, A. G. Application of the recurrent multilayer perceptron in modeling complex process dynamics / Parlos A.G., Chong K.T., Atiya A.F. // IEEE transactions on neural networks. - 1994. - vol. 5 (2). - PP. 255-266.
144. Pawlik, P. Fault diagnosis of machines operating in variable conditions using artificial neural network not requiring training data from a faulty machine / P. Pawlik, K. Kania, B. Przysucha // Eksploatacja i Niezawodnosc. - 2023. - Vol. 25, No. 3.
145. Plett, G. L. Adaptive inverse control of linear and nonlinear systems using dynamic neural networks / G. L. Plett // IEEE transactions on neural networks. - 2003. - vol. 14 (2). - PP. 360-376.
146. Power Factor Prediction in Three Phase Electrical Power Systems Using Machine Learning / J. M. Gámez Medina, J. De La Torre Y Ramos, F. E. López Monteagudo [et al.] // Sustainability. - 2022. - vol. 14, no. 15. - P. 9113.
147. Power Transformer Fault Detection: A Comparison of Standard Machine Learning and autoML Approaches. / G. Santamaria-Bonfíl, G. Arroyo-Figueroa, M.A. Zuniga-Garcia, C.G. Azcarraga Ramos, A. Bassam // Energies. - 2024. - 17. - P. 77.
148. Radhi, A. T. Faults diagnosis in stator windings of high speed solid rotor induction motors using fuzzy neural network / A. T. Radhi, W. H. Zayer // International Journal of Power Electronics and Drive Systems. - 2021. - vol. 12, no. 1. - PP. 597-611.
149. Rajanathan, C. B. Simulation of a single phase induction motor operating in the motoring, generating and braking modes / C. B. Rajanathan and B. J. Watson // IEEE Transactions on Magnetics. - 1996. - 32(3). - PP. 1541-1544.
150. Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks / Ince T., Kiranyaz S., Eren L., Askar M., Gabbou M. // IEEE Transactions on Industrial Electronics. - 2016. - vol. 63, № 11. - PP. 7067-7075
151. Recurrent Neural Network Based Harmonic Reduction and AI Based Voltage Stability Compensation in Distribution Feeder System / S. M, S. R, S. K, S. Kumar P, S. S and P. K, // 2023 International Conference on Circuit Power and Computing Technologies (ICCPCT), Kollam, India - 2023. - PP. 689-694.
152. Rosenblatt, F. Principles of neurodymamics. / F. Rosenblatt. Washington D.C.: Spartan books. 1962. 616 p.
153. Rukonuzzman, M. An Advanced Three-Phase Active Filter with Adaptive Neural Network Based Harmonic Detection Scheme / M. Rukonuzzman and M. Nakaoka // Journal of Power Electronics. - 2002. - vol. 2, no. 1. - PP. 1-10.
154. Samarasinghe, S. Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition. / S. Samarasinghe. Boca Raton: Auerbach Publications. 2006. 582 p.
155. Sattarov, R. R. Physical approach to analysis of induction motor braking under machinery load / R. R. Sattarov, P. V. Morozov // Journal of Physics: Conference Series : 2020 International Conference on Information Technology in Business and
Industry, ITBI 2020, Novosibirsk, 06-08 апреля 2020 года. Vol. 1661. - BRISTOL, ENGLAND: IOP Publishing Ltd, 2020. - P. 012151.
156. Schmidhuber, J. Deep Learning in neural networks: An overview / J. Schmidhuber // Neural Networks. - 2015. - Vol. 61. - PP. 85-117.
157. Shah1, B. S. Transformer protection using artificial neural network / Shah1 B. S., Parmar S. B. // IJNRD. - 2017. - vol. 2 (5). - PP. 108-111.
158. Shuraiji, A. L. Fuzzy Logic Control and PID Controller for Brushless Permanent Magnetic Direct Current Motor: A Comparative Study. / Ahlam Luaibi Shuraiji, Salam Waley Shneen // Journal of Robotics and Control (JRC) - 2022. - V3 (6) - 10.18196/jrc.v3i6.15974 762.
159. Slavutsky, A. L. Neural Network for Real-Time Signal Processing: The Nonlinear Distortions Filtering / A. L. Slavutsky, L. A. Slavutsky, E. V. Slavutskaya // International Ural Conference on Electrical Power Engineering : Proceedings - 2021 International Ural Conference on Electrical Power Engineering, UralCon 2021, Magnitogorsk, 24-26 September 2021 year. - Magnitogorsk: Institute of Electrical and Electronics Engineers. - 2021. - PP. 84-88.
160. Slavutskii, L. A. Using the simplest neural network as a tool for fault location in power lines / L. A. Slavutskii, N. N. Ivanova // AIP Conference Proceedings, Moscow, 01-02 April 2020 year. - Moscow, 2022. - P. 030006.
161. Stubberud, S. C. An adaptive extended Kalman filter using artificial neural networks / S. C. Stubberud, R. N. Lobbia and M. Owen // Proceedings of 1995 34th IEEE Conference on Decision and Control. - New Orleans, LA, USA. - 1995. -vol.2. PP. 1852-1856.
162. Syvokobylenko, V. F. The mathematical model of an induction machine in terms of the skin effect in the rotor and the saturation of magnetic circuits / V. F. Syvokobylenko, and S. N. Tkachenko, // 2018 X International Conference on Electrical Power Drive Systems (ICEPDS). - 2018. - PP. 1-5.
163. Teler, K. Experimental Verification of Neural Network-Based Fault Types Classifier for Current Sensors in Induction Motor Drive / Teler K., M. Skowron and T.
Orlowska-Kowalska // 2023 International Conference on Electrical Drives and Power Electronics (EDPE). The High Tatras, Slovakia. - 2023. - PP. 1-8.
164. The Impact of Zero-Mode Inrush Current of T-Hin on Zero-Sequence Overcurrent Protection and an Improved Protection with the Second Harmonic Restraint / Cao W, Yin X, Chen Y, Pan Y, Yin X and Wang Y // Energies. - 2019. - 12. - PP. 1-19.
165. The Hemodynamic Parameters Values Prediction on the Non-Invasive Hydrocuff Technology Basis with a Neural Network Applying / M. Markuleva, M. Gerashchenko, S. Gerashchenko [et al.] // Sensors. - 2022. - Vol. 22, No. 11.
166. Timko, J. Nonlinear System Control Using Neural Networks / J. Timko, P. Girovsky //Acta Polytechnica Hungarica. - 2006. - vol. 3 (4). - PP. 85-94.
167. Transients in the load node at power loss: Group run-out of induction motors / A. L. Slavutskiy, L. N. Vasilieva, V. G. Grigoriev [et al.] // E3S Web of Conferences : 2019 International Scientific and Technical Conference Smart Energy Systems, SES 2019, Kazan, 18-20 September 2019 year. Vol. 124. - Kazan: EDP Sciences. - 2019. -P. 05010.
168. Transformer Faults Classification Based on Convolution Neural Network / M. A. Elmohallawy, A. Y. Hassan, A. . F. Abdel-Gawad, and S. . I. Selem, // IJECES. -2023. - vol. 14, no. 9. - PP. 1069-1075.
169. Vargas, José A. R. Improved learning algorithm for two-layer neural networks for identification of nonlinear systems / José A.R. Vargas, W. Pedrycz W., Hemerly M. Elder // Neurocomputing. - 2019. - vol. 329. - PP. 86-96.
170. Venkata, Anjani Kumar G. Mitigation of Grid Current Harmonics by ABCANN based Shunt Active Power Filter / Venkata Anjani Kumar G, & M. Damodar Reddy // Journal of Advanced Research in Applied Sciences and Engineering Technology. - 33(1). - PP. 285-298. DOI https://doi.org/10.37934/araset.33.L285298
171. Watson, N. Power system electromagnetic transients simulation / N. Watson and J. Arillaga. Institution of Electrical Engineers, London. 2007. - 421 p.
172. Wang, L., Method of interfacing rotating machine models in transient simulation programs / L. Wang, J. Jatskevich and V. Dinavahi // IEEE Transactions on Power Delivery, - 2010. - 25(2). - PP. 891-903.
Акт об использовании результатов ООО «Юнител Инжиниринг»
университет имени И.
МНИ ОКР] I ЛУК И РОСС и и фол ер яльное государстве иное бмджетвоЕ обраэоват ел ьв ое учреждение высшего образования
«Чувашский государственный линкереII 1^1 нмёнв И.Н. Ульянова» (Ф1 ЬОУ ВО «41 V ЙМ.И.Н. Ульянова»)
Московский л р., 15, г. Чебоксары, 42ВО 15 тчл.: (8352) 5S3-036; факс: (8352) 450-279
Е-niail: officeiöjchnvsiini ОГРН 1022101274315 IfHH 21 î£0()Q4i 1
00.12.2(12-1 J4I4464
ВО «Чувашский государственный Н. Ульянова»
PAÇÇEH ФЕДЕ РАДHflÉlI ÄCJ1 Л. IЛ\[IЛ ACJIЛ llÈViy МИНИСТЕРСТВЕ
федерации acaä пелу паpuкап ^ИьН, Ульянов ячЁлшЕ Чявшл пат шал äi уннверентечё» патшал^х всрену бюджет
уЧр«£Д«ННЙё
42К015 Шупашкй]) хули. Мускав л р.. 15
на № о т
СПРАВКА
il имелрепнн резуЛЬТЙТОВ j.Htct'pi ацшшшин вССЛВДОВаIf Авдреевв Олега Николаевич«
на тему «Нейросетевые программно-аппаратные средства обработки сигналов в электротехнических комплексах»
Результаты диссертационной работы Андреева Олега Николаевич на 1Сму «Нейросетевые программно-аппаратные средства обработки сигналов в электротехнических комплексах», представленной на со искан не ученой степени кандидата технических наук по специальности 2,4.2 Электрагехнические комплексы и системы, используются на кафелре автоматики л управления в технических системах ФГБОУ ВО «Чувашским государственный университет им, И.Н. Ульянова» r учебном процессе при подготовке магистров по направлению 2704.04 - «Управление в технических системах» (профиль "Нстраипасмые системы управления") л о дисциплинам «Планирование и методы автоматизации эксперимента» и «Автомат!гзироваиное проектирование средств и систем управления», при подготовке бакалавров но направлению 27.U3.04 "Управление в технических системах" (профиль "Автономные информационные и управляющие системы") но дисциплине «Нечеткая логика и искусственные нейронные сети в системах управления» и при подготовке выпускных квалификационных работ.
Проректор по учебной райоте И.Е. Поверинов
ДОКУМЕИг подписан ЭЛЕКТРОННОЙ Подписью
Сертификат: Ol DA559041 ОЕ05ЕООООввААСЭВ1 D0002 ВГЯЛЁПЙЦ: Пйнерьчнап Игорь Erû(Vint+j Действителен:с 02 ог 20Î4 по Oï 02 ZOZS
Доворитвп- Фадвртьнов госудяргтвпннов бюджетной
öSpawiH Т4ПЫ4С4 уч1»||щеиие ыисшсю tiöiiiUOBiiHUH qiiuiipDiiHOCTL: ОЗОЫ4[1с иЬ25-4о 1 Q-J5QÎ-331607Л7[=еЬ4
Ifen.: Иынйва A.B., жшенйр Тел.: S'il7<]ftft4* 13
РОССИЙСКАЯ ФЕДЕРАЦИЯ
СЮ)
RU
он
219 015(1* U1
(51) MI [К Н04В1/Ю (2006.01) G06N-V01 (200Ы)])
ФЕДЕРАЛЬНАЯ СЛУЖБА. по интеллектуальной собственности
<12> ОПИСАНИЕ ПОЛЕЗНОЙ МОДЕЛИ К ПАТЕНТУ (Я) сп к
И04В Ш0 (202X02): G06S Ш (20ВЗ-Ш)
ш ^
о
СП (Ч
э ÜÉ
(21)(22>Чаявка: 2022132В27Г 14.12.2022
(24) Лига начала отсчета срока действия патента:
14.12.2O2S
Да га регистрации: 22.06.2025
I [рноритет(ii):
(22) Дата подачи аши: 14.12.20122
(45)Опу5лысс1иво- 22.0fi.2U23 Еюл. Jfc 1Я
Адрес для переписки:
LUHU11. Москва. Киевское ш. 22-й км. д/ владение 4, стр. I. Блок Б, ООО "Атлант*
(54) НЕЙРОСЕТЕВОЙ АДАПТИ В Е i Ы И ФИЛ ЬТР
(57) Е*ферат:
11элоии модель относится к электротехнике и электроэнергетике, а именно к релейной чашнте и нрогнвоаварнйной автоматике и цифровой обработке сигнала. Устройство может быть мснолььоваио для выделения необходимой составляющей спектра алсстрнчЕского сигнала. Цель предлагаемой гтолелноЯ модели уменьшение времени определения параметров электрических сигналов тюка и напряжения в условиях нсопределенн о сги основной частоты периодического сигнала. 11оле1ная модель представляет сооой нсйросетевой адаптнвЕ1ый фильтр электрического сигнала. содержащнй аналоговый датчик. вход которого является входом устройства. аналого-цифровой
(72) Автор) bij:
Андреев Олег Николаевич ÍRL"), Славутсккй Александр Леонидович (RU}
(73) Патентообладателей):
Общество с ограниченной ответетвенностью 'Атлшгг" (RU)
(56) Синеок документов, uní ированны^ а отчете о поиске: RU17«Й47 Щ, >4.012018. RU 2708684 С1, 11 12J019. U5 20200373954 AI, 2)6.11.2020. US 20200L19759 Al, LftíMJHEO CN 10702462? А, 0В.СЬ20]7.
ЭЛЕКТРИЧЕСКОГиСИГНАЛА
п ресюрилователь. который преобра зует выходной сигнал аналогового датчика в цифровой н передает в -блок хранения данных, ладаюшнй тактовый генератор для подачи управляющего сигнала ш аналого-цифровой преобраловатгль. блок хранения данных для хранения днекретнчированных значений аналогового енг на.1 ш длительностью не менее временного okeib наблюдения, процессор, который лабираст необходимее данные и i блока хранения дакных. производил их обработку н передаст па выход необходимые параметры сигнала. блок преобцалователя цифровые интерфейсов, выход которого является выходом устройства.
71 С
м щ
0
01
российская федерация
а«
ни
(II)
226 110"* 01
{31) М11К
вот 23/20 (200641)
ФЕДЕРАЛЬНАЯ служба по интеллектуальной СОЕСТВЕННОСТИ
<12> ОПИСАНИЕ ПОЛЕЗНОЙ МОДЕЛИ К ПАТЕНТУ
(12} сп к
001 а 2Ш> (20240!)
(21)(22| Чаявка: 5023134872, 25.12.2ti2}
124) Дига начала отсчета срока действия патента: 25 Л 2.2023
Дата регистрации: 2l.05.20M
I [рнорнтет! II):
(22) Дата пода-ш зон: 25.122023
(45) Отблн ковано: 2l.05.2al4 Беол. .4! 15
Адрес для переписки:
[(ЯШИ, Москва, Киевское ш. 22-й вы. д/влад. 4. стр. I, блок Ь, ООО "Атлант"
(72) Авторы;:
Андреев Олег Николаевич ГК1Г), Славутсккй А.тгксанлр Леонидович (Ки)
(73) Патентообладатели н):
Обществос ограннчеккойотБетствеЕазостыо 'Атлант" (Ии)
(56) Синеок документов, цнтнрованнш в -отчете о поиске: ЙИ 2477442 С2, 10.03.2013. 54 1318926 А1,23.06. IM7.SU 1120253 А). 23.10.19М. аи 152642 И1, 20.06.3015.1Р 309927» А, 24.04.IWI.CN 218131739 Ц. 17.01ЖО
30 с
ю
КЗ
и>
(О
см см
э
0£
(54) НЕЙРОСЕТЕВОЙ ДЕТЕКТОР И А [1АЛ А Н ЕЛ ИНЕЙНЫХ ИСКАЖЕНИЙ ЭЛЕКТРИЧЕСКОГО СИГНАЛА
(57) Е*1еферат:
I [олеянан модель относится к электротехнике и ак» I ^оэнсргстнкс, а именно [репейной чашЕпе и противоаварийноА автомизнке и цифровой обработке сигнала. Устройство может быть использовано дли оп редетення момента времени нелинейного искажении электрического сигнала, с отстройкой от допустимого уровня кшпт
Цель предлагаемой полезной модели -определение налпш нелинейного искажения пектрнческие сигналов нежа и напряжения выше ладаЕнюпо уровни ча мнннма.ЕЬЕЮ ншшвос Бремя. равЕЕое иерноду днекретичацнн ошош, и КН1ЮЖН1ЕП ждання допустимого уровня искажения.
1[оленная ыодель п редставляет собой нейросетсеой детектор начала нелинейные искажений шепрпнхасл сигнала, содержащий аналоговый датчик. вход которого является
входом устройства. анлдото-цнфровой п рсооратователь, который преобрачует выходной сигнал аналогового датчика в цифровой и передает н блок .ераЕ1епия данных, задающего талового генератора дпя подачи управляющего сигнала на аналого-цифровой преобралователъ, блока хранения данные для еранення днекречичированых ЭЕ1аченнй аналогового рплпдшюшикпп не менее одного периода основной частоты сигнала, процессора, который забирает необходимыеданныеиз блока хранения данных, провсчво;щт их обработку и перелает ее.1 вы код чначение целевой логической функции, которая может принимать чначенне 0 < искаженна нет') иен I (искажение сстьк, блока преобралователя цифровые интерфейсов, выход которого является выходом устройства.
РОССИЙСКАЯ федерация
ни ¡023669009
федеральная служба по интеллектуальной собственности
ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ
11амер регистрации (слмдетельсгв а): Лиюр(Ы):
202ЭС69009 Андреев ОигНвшсш {]Ш>
Дата регистрации: 06.09.20(23 Правообладатель^!
Помер и дата поступления юшки: Общество с ограниченной ответственностью
20236630+2 3а.0в.2033 «АТЛАНТ* <ЕШ)
Дата публикации и номер бюллетеня:
«09.2023 Бил. № 9
Название программы д.™ ЭВМ:
Встроенное программное обеспечение «ЮИИТ-ДЗ-М» Реферат:
Программа предна значена дчя функционирования устройства обнаружения дуговых заыыканнй Ю11ИТ-ДЗ-М прокАводства ОСЮ «Юнител Инжиниринг». Программа обеспечивает иысюлненне оиующии функций устройства ЮНИТ-Д-МЗ: обнаружение дугового замыкании. отстройм 01 фонового освещения, диагностика целостности подключенные волоконно-оптичес^и* датчшвв, мониторинг работоспособпост устройства ЮНИТ-ДЗ-М, регистрации т ех н с л огн чес к н * событий в уст ройстве ЮНИГ-ДЗ-М, подключение к устройству ЮНИТ-М 300 по цифровой шнае данные, передачу управляющего цщЛеши на реле, нндикифы состояния устройства ЮНИТ-ДЗ-М. Тип ЭВМ: Микроконтроллер АкМ-архытектуры; ОС: не требуется.
Я лык ирш раммирования: С, С++
Объем программы для ЭВМ: КБ
РОССИЙСКАЯ ФЕДЕРАЦИЯ
ки 1023669010
федеральная служба по интеллектуальной собственности
ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ
11омер регистрации (свидетельства): Аи1 Ор( ы):
2023^69010 Андреев Олег Николаевич ШЦ>
Дата регистрации: 06.09.2023 П равоой.тадателыи >:
11омер и дата поступления заявки: Общество с ограниченной Ответствен нйСтьлО
20236630+4 30.0e.2023 «АТЛАНТ* (МЦ)
Дата публикации и номер бюллетеня:
06.09.2023 Бил. № 9
I{аэвавне программы дтя ЭВМ:
Встроенное программное обеспечение «ЮНИТ-ДЭ»
Реферат:
Программа предназначена дтя функционирования устройства :!атциты от дуговых заыыканнй ЮНИТ-ДЗ производства ООО «Юнжел Инжиниринг». Программа обеспечивает выполнение следующих функций устройства ЮПИТ-ДЗ: обнаружение дугового замыкания, отстройка от фонового освещения, диагностика ^достностн подключенные вело и дано- мггич ескю: дат чинов, монжторинг работоспособности устройства ЮМИТ-ДЗ. регистрация технологически* события в устройстве ЮЕШТ-ДЗ. настройка устройства ЮНИТ-ДЗ, подключение к централизованной системе ыониюринга, передачу управляющего ш>¡дейст иин на реле, индикация состояния устройства ЮНИТ-ДЗ. Тип ЭВМ: Микроконтроллер АДМ-архитектуры; ОС: не требуется.
Яяа программирования: С, С++
Объем программы для ЭВМ: 256 КБ
РОССИЙСКАЯ ФЕДЕРАЦИЯ
Н112024660291
федеральная служба по интеллектуальной собственности
ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ
11омер регистрации (свидетельсгтв а|: АвТОрС Ы):
2024660291 Андреев Одет Николаевич ГЕШ).
Дата регистраЦЦИ: 03.05.20(24 С.таыу сскнй Александр Леонндсшнч (ГШ)
11ймср и дата поступления заявки: П равооб.та дате.ть(и ):
202461765а 09.042024 Общество с счраннчсшшЙ спт)е [ с илен ностьло
Дата публикации и номер бюллетеня: «АТЛАНТ» 0Ш)
03052024 Бюл_ № 5
Квнтшши реквизиты:
нет
I(ааванне программы для ЭВМ:
Встроенное программное обеспечение «КШИТ-Р1»
Реферат:
Встроенное програмывоео&еспецЕдне предназначается для функционировании рек защити л аятоыцтнкя серии ЮММТ-Р1 производства ООО «Юнмтел Инжиниринг» Программа обеспечивает выполнение следующие функций устройства Ю11ИТ-Р1: управление концу та ционными а ппара ■ амн: про т нвоааарнйнам пи I оыагн на: релейная защита; сиг на.1 си ¡ация и нсграцнл событий на объектах двергегики; мониторинг работоспособности репе Ю11ИТ-Р1; конфигурирование реле ЮНИТ-Р1; подключение к централизованной системе мониторинга; индикация состояния реле ЮНИТ-Р1. Тин "!ИШ: Микроконтроллер АЫМ-архитектуры. ОС: Е1е используется.
Яши и реи ранлшровання: С, С++
Объем просраимы для ЭВМ: 1024 КБ
РОССИЙСКАЯ ФЕДЕРАЦИЯ
ни >024660337
федеральная служба по интеллектуальной собственности
ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ДЛЯ ЭВМ
11омер регистрации (свидетельства): АвгТОр(ы):
2024660337 Андре«л Олег 1 1н ко.тагвич (КЩ
Дата регистрации: 0605.2024 СлавутСянЙ Александр Леонидович (ИЦ)
11омер и дата поступления заявки: П равообладателыи >:
2024« 17659 09.04.20(24 Общество с ограниченной ответственностью
Дата публикации и помер бюллетеня: кАТЛАНТ* 0Щ)
06 05 2024 Б ни. 5
Контактные реквизиты:
нет
Название Программы ДТЯ ЭВМ:
Встроенное программное ийеснечснне *Ю[ШТ-М1»
РеферйТ:
Встроенное программное обеспечение предназначается для функционирования ышро процессорно го устройства релейной защиты и автоматики Ю1111Т-М1 пронзводстна ООО «Юнител Нвшниврог». Программа обеспечннае! выполнен не следующие функций устройства 101П1Т-МI: релейная защита; управление коммутационными аппаратами; противоаварийная автоматика, сигнализации и регистрация событий на объектах энергетики: мониторинг работоспособности устройства ЮПИТ-МI; настройка устройства ЮНИТ-М1; подключение к централизованной системе мониторинга: индикация состояния устройства Ю11ИТ-МI.Тип ЭВМ: Микроконтроллер АРМ-архитектуры. ОС: Не используе 1ся.
Яши нротрамкирйваыня: Объем программы для ЭВМ:
С, С++
Ш24 КБ
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.