Выбор предпочтительного решения по развитию электрических сетей на основе нейросетевых технологий

Наталья Геннадьевна Семенова, Анастасия Дмитриевна Чернова

Аннотация


При принятии решения по развитию электрических сетей анализируется большой объем информации, сравнивается множество вариантов, оценивается влияние решения в долгосрочной перспективе. Все это усложняет процесс выбора альтернативы развития электрической сети (АРЭС). В связи с этим необходима разработка автоматизированной системы поддержки принятия решений, способствующей определению предпочтительной АРЭС.

В статье представлен выбор математического аппарата, реализующего указанную задачу, а также обоснование его характеристик. Предложено использовать технологию искусственных нейронных сетей (ИНС), которая на основе разработанной многокритериальной системы оценки АРЭС позволяет ранжировать альтернативы по степени их предпочтительности. Обоснованы архитектура ИНС, алгоритм оптимизации весов и оценена их эффективность при различных параметрах. В качестве показателей эффективности выбраны F-мера и процент правильно принятых решений, которые составили 0,9794 и 97,83 % соответственно для оптимальных параметров сети. Полученная ИНС была успешно апробирована в составе программного комплекса.


Ключевые слова


развитие электрических сетей; системы поддержки принятия решений; многокритериальная система оценки; нейронные сети

Полный текст:

PDF

Литература


Glazunov A.A., Leshchinskaya T.B., Shvedov G.V. [Algorithm for Solving Multicriteria Optimization Problems with Indefinite Information on the Example of Optimal Power Selection for a Deep High-voltage Input]. Electrical Technology Russia, 2004, no. 10, pp. 8–14. (in Russ.)

Pankrat'ev P.S., Shakirov V.A. [Decision Making Support at the Pre-Feasibility Study Stage Based on Two Level Multi-Attribute Analysis]. Mezhdunarodnyy nauchno-issledovatel'skiy zhurnal [International Research Journal], 2013, vol. 2, no. 8 (15), pp. 71–73. (in Russ.)

Lyubchenko V.Ya., Manusov V.Z., Pavlyuchenko D.A. [Genetic Algorithm for Optimizing Power System Modes by Active Power]. Elektro [Electro], 2003, no. 3, pp. 71–73. (in Russ.)

Bulatov B.G., Tarasenko V.V [Algorithms for Optimal Distribution Network Reconfiguration]. Bulletin of South Ural University. Ser. Power Engineering, 2013, vol. 13, no. 2, pp. 14–18. (in Russ.)

Berdin A.S., Kokin S.E., Semenova L.A. [Optimization of the Power Supply System in Conditions of Uncertainty]. Promyshlennaya energetika [Industrial Power Engineering], 2010, no. 4, pp. 29–35 (in Russ.)

Ramsay B., McPherson A., Eastwood R., Ozveren C.S., Glare J. Oatley. A Decision Support System for Electricity Distribution Network Refurbishment Projects. Electric Power Systems Research, 1997, no. 40,

pp. 27–35.

Bova V.V., Dukkardt A.N. [Application of Artificial Neural Networks for Collective Decision of Complex Intelligent Problems]. Izvestiya YuFU. Tekhnicheskie nauki [Bulletin of Southern Federal University. Technical Science.], 2012, no. 7, pp. 131–138. (in Russ.)

Kamenev A.S., Korolev S.Yu, Sokotushchenko V.N. Neyromodelirovanie kak instrument intellektualizatsii energoinformatsionnykh setey [Neuro-Modeling as a Tool of Energy Information Networks Intellectualization], Moscow, Energiya Publ., 2012. 124 p.

Medvedev V.S., Potemkin V.G. Neyronnye seti. MATLAB 6 [Neural Networks. MATLAB 6], Moscow, DIALOG Publ., 2001. 630 p.

Ananicheva S.S., Mezentsev P.E., Myzin A.L. Modeli razvitiya elektroenergeticheskikh sistem: uchebnoe posobie [Models of Development of Electric Power Systems: Textbook], Ekaterinburg, Ural Federal University Publ., 2014. 148 p.

Andervazh M‐R., Javadi S., Aliabadi M. Hosseini. Decision Support System for Multicriteria Reconfiguration of Power Distribution Systems Using CSO and Efficient Graph Traversal and Repository Management Techniques. International Transactions on Electrical Energy Systems, 2018, e2579. https://doi.org/10.1002/etep.2579

Haykin S. Neural Networks and Learning Machines. Pearson Prentice Hall Publ., 2009. 906 p.

Dianov R.S., Protalisnkiy O.M. [Decision Support System for the Development of Gas Condensate Deposits Based on Neural Networks]. Avtomatizatsiya v promyshlennosti [Automation in the Industry], 2005,

no. 7, pp. 50–52. (in Russ.)

Gajowniczek K., Nafkha R., Tomasz Z. Electricity Peak Demand Classification with Artificial Neural Networks. Proceedings of the Federated Conference on Computer Science and Information Systems, 2017,

pp. 307–315. DOI: 10.15439/2017F168

Davis J., Goadrich M. The Relationship between Precision-Recall and ROC Curves. Proceedings of

the 23rd International Conference on Machine Learning, 2006, pp. 233–240. DOI: 10.1145/1143844.1143874




DOI: http://dx.doi.org/10.14529/power180305

Ссылки

  • На текущий момент ссылки отсутствуют.