1. Repository at ChSTU
  2. Випускні кваліфікаційні роботи
  3. Магістр
  4. 141 Електрична інженерія (Електротехнічні системи електроспоживання)
Please use this identifier to cite or link to this item: https://er.chdtu.edu.ua/handle/ChSTU/8990
Title: Дослідження перспективних напрямків застосування нейронних мереж в електроенергетиці
Authors: Ситник, Олександр Олексійович
Ключка, Анатолій Костянтинович
Keywords: нейронні мережі;інтелектуальні системи управління;нелінійні елементи;розумні мережі
Issue Date: Dec-2022
Abstract: Метою магістерської роботи є визначення кола та проведення дослідження перспективних напрямків застосування нейронних мереж в сфері електроенергетики. Для розв’язування задач, що поставлені в магістерській роботі, були використані методи теоретичної електротехніки та основи теорії кіл, математичний апарат теорії нейронних мереж, методи комп’ютерного моделювання електроенергетичних об’єктів. Практичною цінністю магістерської роботи є те, що отримані теоретичні результати магістерської роботи дозволяють більш ефективно здійснювати впровадження новітніх методів та підходів, зокрема застосування елементів нейронних мереж, при проектуванні інтелектуальних мереж нового покоління.
URI: https://er.chdtu.edu.ua/handle/ChSTU/8990
Appears in Collections:141 Електрична інженерія (Електротехнічні системи електроспоживання)

Files in This Item:
File Description SizeFormat 
ВКРМ_КЛЮЧКА_А_2022.pdf
  Restricted Access		2.76 MBAdobe PDFView/Open Request a copy
Show full item record


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

Extracted text 
ЧЕРКАСЬКИЙ ДЕРЖАНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ 
ФАКУЛЬТЕТ ЕЛЕКТРОННИХ ТЕХНОЛОГІЙ, АВТОТРАНСПОРТУ  
ТА МАШИНОБУДУВАННЯ 
Кафедра електротехнічних систем 
 
 «До захисту допущено» 
Зав. кафедри ЕТС 
 
__________ О.О. Ситник 
(підпис)                 (ініціали, прізвище) 
«___»___________202__ р. 
 
 
 
Кваліфікаційна робота 
на здобуття ступеня вищої освіти магістра 
 
на тему:  
«Дослідження перспективних напрямків застосування  
нейронних мереж в електроенергетиці» 
 
 
Виконав: здобувач вищої освіти  2  курсу, групи ЕСЕ–012 
Спеціальності: 141 «Електроенергетика, електротехніка та електромеханіка» 
(шифр і назва напряму підготовки, спеціальності) 
 
 
 
Ключка Анатолій Костянтинович ______________ 
 (прізвище, ім’я, по-батькові здобувача вищої освіти ) (підпис) 
   
Науковий д.т.н., професор Ситник О.О. ______________ 
керівник (підпис) 
(вчені ступінь та звання,  прізвище та ініціали) 
   
Нормоконтроль к.т.н., доцент  Ключка К.М. ______________ 
(підпис) 
(вчені ступінь та звання,  прізвище та ініціали) 
   
 
 
 
 
 
 
 
Черкаси 2022 р.  
 
ЧЕРКАСЬКИЙ ДЕРЖАНИЙ ТЕХНОЛОГІЧНИЙ УНІВЕРСИТЕТ 
ФАКУЛЬТЕТ ЕЛЕКТРОННИХ ТЕХНОЛОГІЙ, АВТОТРАНСПОРТУ  
ТА МАШИНОБУДУВАННЯ 
Кафедра електротехнічних систем 
 
Рівень вищої освіти – другий (магістерський) 
Спеціальність 141 «Електроенергетика, електротехніка та електромеханіка» 
                                                                                         (код і назва) 
 
ЗАТВЕРДЖУЮ 
Завідувач кафедри 
____________ О.О. Ситник 
(підпис)                (ініціали, прізвище) 
«______» __                 2022 р. 
 
ЗАВДАННЯ 
на магістерську кваліфікаційну роботу здобувачу вищої освіти 
 
 
Ключці Анатолію Костянтиновичу 
(прізвище, ім’я, по батькові) 
 
1. Тема магістерської роботи  
 
«Дослідження перспективних напрямків застосування нейронних мереж в 
електроенергетиці» 
 
науковий керівник д.т.н., професор Ситник Олександр Олексійович 
                                                           (прізвище, ім’я, по батькові, науковий ступінь, вчене звання) 
затверджені наказом по університету від «13» вересня 2022р. № 234/04 
 
2. Термін подання студентом роботи_____________________________ 
 
3. Об’єкт дослідження – процеси, пов’язані з функціонуванням елементів нейронних 
мереж в електроенергетиці.  
 
4. Предмет дослідження – методи комп’ютерного моделювання процесів з застосуванням 
принципів функціонування нейронних мереж. 
 
5. Перелік завдань, які потрібно розробити: 
− обґрунтувати необхідність впровадження принципів «розумних» мереж при 
розробці новітніх систем електропостачання;  
− дослідити потенційні можливості та вигоди від використання штучних нейронних 
мереж в галузі електроенергетики при розв’язанні задач управління, прогнозування та 
передбачення;  
− окреслити коло найбільш доцільних для застосування  математичних алгоритмів 
та комп’ютерних моделей при використанні можливостей нейронних мереж в 
електроенергетичних системах;  
− продемонструвати на прикладі, порядок складання та розв’язання модельної 
задачі для оцінки ефективності застосування елементів нейронних мереж. 
 
 
6. Перелік ілюстративного матеріалу − у вигляді презентації  
 
7. Перелік публікацій – у вигляді статті чи тез доповіді на конференції   
 
8. Дата видачі завдання «14» вересня  2022 р. 
 
 
Календарний план 
 
Термін виконання 
№ Назва етапів  виконання  
етапів магістерської Примітка 
з/п магістерської роботи 
роботи 
1 Аналіз літератури по темі  магістерської роботи  14.09.2022–20.09.2022  
Складання попереднього плану і структури 
2 21.09.2022–25.09.2022  
магістерської роботи. Узгодження з керівником 
3 Підготовка матеріалів по розділу 1 26.09.2022–19.10.2022  
4 Підготовка матеріалів по розділу 2  20.10.2022–30.10.2022  
Підготовка матеріалів по розділу 3 
5 31.10.2022–19.11.2022  
Вступ. Реферат 
Підготовка і публікація тез за результатами  
6 20.11.2022–24.11.2022  
магістерської роботи 
Підготовка остаточної версії магістерської 25.11.2022–29.11.2022 
7  
роботи. Узгодження з керівником 
Підготовка доповіді і презентації. Підготовка до 30.11.2022–12.12.2022 
8  
захисту 
9 Захист магістерської роботи 13.12.2022–16.12.2022  
 
 
 
 
Здобувач вищої освіти                А.К. Ключка 
(підпис) (ініціали, прізвище) 
   
Науковий керівник роботи                О.О. Ситник 
(підпис) (ініціали, прізвище) 
 
3 
РЕФЕРАТ 
 
Повний обсяг магістерської роботи складає 111 сторінок, у тому числі  
34 рисунків і 3 таблиці, список використаних джерел, що містить 41 
найменування на  4  сторінках. 
Метою магістерської роботи є визначення кола та проведення 
дослідження перспективних напрямків застосування нейронних мереж в 
сфері електроенергетики. 
Для розв’язування задач, що поставлені в магістерській роботі, були 
використані методи теоретичної електротехніки та основи теорії кіл, 
математичний апарат теорії нейронних мереж, методи комп’ютерного 
моделювання електроенергетичних об’єктів. 
Практичною цінністю магістерської роботи є те, що отримані 
теоретичні результати магістерської роботи дозволяють більш ефективно 
здійснювати впровадження новітніх методів та підходів, зокрема 
застосування елементів нейронних мереж, при проектуванні інтелектуальних 
мереж нового покоління. 
Ключові слова: нейронні мережі, інтелектуальні системи управління, 
нелінійні елементи, розумні мережі, комп’ютерне моделювання, граф-схема,, 
алгоритмічне забезпечення, обчислювальні операції. 
 
  
4 
 
ЗМІСТ 
 
ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ, СИМВОЛІВ,   
СКОРОЧЕНЬ І ТЕРМІНІВ……………………………………………..…… 6 
ВСТУП……………………………………………..………………………… 7 
РОЗДІЛ 1  
ПОБУДОВА ЕНЕРГО-ІНФОРМАЦІЙНОЇ ІНФРАСТРУКТУРИ  
ЕЛЕКТРОЕНЕРГЕТИЧНОЇ ГАЛУЗІ ЧЕРЕЗ ПЕРЕХІД ВІД  
АНАЛОГОВИХ ДО ЦИФРОВИХ СИСТЕМ УПРАВЛІННЯ З  
ШИРОКИМ ВИКОРИСТАННЯМ МЕРЕЖЕВИХ ТЕХНОЛОГІЙ............. 15 
 1.1 Визначення кола існуючих проблем сучасного стану  
електроенергетичної галузі та обґрунтування необхідності  
впровадження «розумних» мереж ……..…………………………… 15 
 1.2 Технології побудови «розумної» електромережі……………… 21 
 1.3 Переваги, отримувані від запровадження «розумних» мереж … 25 
 1.4 Можливість та потенційні вигоди від використання елементів  
нейронних мереж при побудові новітніх електроенергетичних  
систем………………………………………………………………….. 29 
 Висновки до розділу 1…………………………………………………. 46 
РОЗДІЛ 2  
ОГЛЯД ПОТЕНЦІЙНИХ МОЖЛИВОСТЕЙ ТА ОЦІНКА  
ВИКОРИСТАННЯ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ СТОСОВНО  
ПИТАНЬ ЕЛЕКТРОЕНЕРГЕТИКИ……………………………….……….. 47 
 2.1 Основні принципи функціонування та інноваційні складові  
штучних нейронних мереж …………………………………………. 47 
 2.2 Коло задач  для застосування штучних нейронних мереж …… 53 
 2.3 Визначення доцільності використання штучних нейронних  
мереж для вирішення задач електроенергетики…………………… 56 
 2.4 Застосування елементів штучних мереж для оптимізації  
процесу прогнозування навантаження……………………………… 59 
 2.5 Застосування елементів штучних мереж для оптимізації  
процесу прогнозування тарифів на електроенергію……………… 63 
5 
 
 2.6 Проведення діагностики та локалізація аварійних ситуацій в  
ЕЕС……………………………………………………………………... 66 
 2.7 Застосування штучних нейронних мереж для оптимізації  
розподілу навантаження…………………………………………….. 67 
 2.8 Оцінка надійності ЕЕС…………………………………………… 69 
 Висновки до розділу 2………………………………………………… 72 
РОЗДІЛ 3  
ЕЛЕКТРОЕНЕРГЕТИЧНІ ЗАВДАННЯ РОЗПІЗНАВАННЯ ОБРАЗІВ З  
ПОГЛЯДУ ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖЕВИХ АЛГОРИТМІВ…. 73 
 3.1 Визначення кола задач розпізнавання образів у  
електроенергетиці …………………………………………………… 73 
 3.2 Завдання виявлення аварійних режимів електромереж та  
пошкоджених енергетичних об'єктів….……………………………. 73 
 3.3 Завдання діагностики асинхронних електродвигунів…………. 76 
 3.4 Задача діагностики ядерних енергетичних установок………… 82 
 3.5 Переваги методів розпізнавання образів, заснованих на  
застосуванні штучних нейронних мереж……………………………. 84 
 Висновки до розділу 3………………………………………………... 86 
РОЗДІЛ 4  
ОСОБЛИВОСТІ АЛГОРИТМІЧНОГО ЗАБЕЗПЕЧЕННЯ ТА  
РОЗВ’ЯЗАННЯ ПРИКЛАДНИХ ЗАДАЧ ЕЛЕКТРОЕНЕРГЕТИКИ З  
ВИКОРИСТАННЯМ ПІДХОДІВ ЗАСНОВАНИХ НА ВИКОРИСТАННІ  
ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ………………..….…………………... 87 
 4.1 Особливості математичного апарату, використовуваного при  
розв’язуванні задач електроенергетики з використанням підходів  
нейромереж ………..…………………………………..…. 87 
 4.2 Приклад розв'язання прикладної задачі електроенергетики з  
застосуванням апарату штучних нейронних  
мереж…………………………………………………………………… 93 
 Висновки до розділу 4………………………………………………... 105 
ВИСНОВКИ………………………………………………………………….. 106 
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ…………………………………… 108 
  
6 
 
ПЕРЕЛІК УМОВНИХ ПОЗНАЧЕНЬ, СИМВОЛІВ,  
СКОРОЧЕНЬ І ТЕРМІНІВ 
 
АЕС атомні електростанції 
ГПП головна понижуюча підстанція 
ЕЕС електроенергетична система 
РЗА релейний захист та автоматика 
СКБД система керування базою даних 
ШНМ штучні нейронні мережі 
DBN deep belief network 
GRU Recurrent Unit  
GRTN Gestore della Rete di Trasmissione Nazionale 
IEEE Institute of Electrical and Electronics Engineers 
IP internet protocol 
RBM restricted Boltzmann machine 
PDA Personal Digital Assistant  
LSTM Long Short-Term Memory 
SCADA Supervisory control and data acquisition  
 
 
 
7 
 ВСТУП 
 
Актуальність теми. Електроенергетику можна віднести до тієї 
складової частини економіки країни, яка досить значно впливає на 
ефективність функціонування підприємств, яка сильно залежить від 
безвідмовності роботи різного обладнання, а також від рівня 
електроспоживання енергії, від супутніх втрат при передачі електричної 
енергії тощо. 
Станом на сьогодні електроенергетика знаходиться на порозі 
новітнього індустріального етапу розвитку. Основними напрямками та 
трендами якого мають стати кількісне та якісне зростання в сферах 
генерування та споживання електроенергії. Також важливим бачиться й 
подальша глобалізація в сфері електроенергетики, але й з атрибутами її 
регіоналізації [1, 2]. 
Набуті за останній період кількох десятиліть знання та створені  
технології вимагають для свого широкого та всеохоплюючого втілення в 
життя використання нових нетрадиційних підходів та напрямків до розвитку 
енергетики. 
Можна спостерігати ситуація, коли енергетичні галузі вже не в змозі  
впоратися з викликами, що постають перед ними без застосування новітньої  
інтелектуальної та технологічної бази. При цьому старіюча інфраструктура, 
яка розрахована на жорстку ієрархічну структуру в той же час обмежена 
вузькими рамками галузевих підходів, не дає можливості здійснити швидкий 
та настільки необхідний технологічний перехід. Все, вище сказане, дозволяє 
припустити, що існує структурно-технологічна криза в енергетиці, а 
подальший якісно-технологічний розвиток принципово неможливо при 
структурі, що зберігається. 
Очевидно, для подолання структурно-технологічної кризи необхідна 
нова енергетична ідеологія та інфраструктура. На сьогоднішній день все ще  
8 
залишається відкритим питання, яким вимогам вони повинні відповідати. 
Якщо враховувати досвід розвитку інформаційних мереж за минуле 
десятиліття та сучасній тенденції розвитку, то основними властивостями 
енергетичної інфраструктури в процесі перспективного розвитку повинні 
стати: мережна архітектура; інтелектуалізація; галузева інтеграція; зв'язок із 
глобальним інформаційним простором тощо. 
За умови розвитку енергетики у напрямі масової децентралізації з 
появою великої кількості суб'єктів та об'єктів управління в умовах 
глобалізації та міжгалузевої інтеграції, можна взяти за основу подальшого 
розвитку той напрям яким пішов розвиток інформаційних мереж. Тобто 
потрібне застосування вже іншого типу інтелекту − колективного, 
побудованого з безлічі частково незалежних інтелектуальних складових, що 
знаходяться в умовах довкілля, що безперервно змінюється. Таким чином, на 
перший план виходить біологічний підхід, що імітує поведінку складних 
біологічних систем, представниками котрих є штучні нейронні мережі 
(ШНМ).  
Нейронні мережі мають наступні переваги та переваги, порівняно з 
традиційними обчислювальними системами: 
1. Розв'язання задач при невідомих закономірностях. Використовуючи 
здатність навчання на безлічі прикладів, нейронна мережа дозволяє 
вирішувати завдання, у яких невідомі закономірності розвитку ситуації 
залежно між вхідними та вихідними даними. Традиційні математичні методи 
та експертні системи в таких випадках пасують. 
2. Стійкість до шумів у вхідних даних. Можливість роботи за 
наявності великої кількості неінформативних, шумових вхідних сигналів. 
Немає необхідності робити їх попереднє відсівання, нейронна мережа сама 
визначить їх малопридатність для вирішення завдання і відкине їх. 
3. Адаптування змін навколишнього середовища. Нейронні мережі 
мають здатність адаптуватися до змін навколишнього середовища. Зокрема, 
9 
нейронні мережі, навчені діяти у певному середовищі, можуть бути легко 
перевчені для роботи в умовах незначних коливань параметрів середовища. 
Більше того, для роботи в нестаціонарному середовищі (де статистика 
змінюється з часом) можуть бути створені нейронні мережі, що 
переучуються в реальному часі. Чим вище адаптивні можливості системи, 
тим стійкішою буде її робота в нестаціонарному середовищі. При цьому слід 
зауважити, що адаптивність не завжди веде до стійкості, іноді вона 
призводить до протилежного результату. Наприклад, адаптивна система з 
параметрами, що швидко змінюються в часі, може швидко реагувати і на 
сторонні збудження, що викликає втрату продуктивності. Для того, щоб 
використовувати всі переваги адаптивності, основні параметри системи 
повинні бути достатньо стабільними, щоб можна було не враховувати 
зовнішні перешкоди, і досить гнучкими, щоб забезпечити реакцію на істотні 
зміни середовища. 
4. Потенційна надвисока швидкодія. Нейронні мережі мають 
потенційну надвисоку швидкодію за рахунок використання масового 
паралелізму обробки інформації. 
5. Відмовостійкість при апаратній реалізації нейронної мережі. 
Нейронні мережі потенційно стійкі до відмови. Це означає, що за 
несприятливих умов їхня продуктивність падає незначно. Наприклад, якщо 
пошкоджено якийсь нейрон або його зв'язок, витяг інформації, яка раніше 
запам'ятовувалася, не може. Однак, беручи до уваги розподілений характер 
зберігання інформації в нейронній мережі, можна стверджувати, що лише 
серйозні пошкодження структури нейронної мережі суттєво вплинуть на її 
працездатність. Тому зниження якості роботи нейронної мережі відбувається 
повільно. 
Необхідність застосування адаптивних систем управління 
електроенергетичними об'єктами на етапі розвитку енергетики зростає через 
10 
зміни умов їх функціонування. Структурна перебудова та впровадження 
енергетичного ринку супроводжується не тільки збільшенням числа 
розв'язуваних технологічних завдань управління, а також й динамічності 
ситуацій і взаємозв'язком технологічних завдань різних груп. 
Для забезпечення належного рівня надійності функціонування 
електроенергетичних об'єктів існує нагальна потреба вдосконалення систем 
управління, особливо диспетчерського, шляхом розробки нових підходів, у 
тому числі заснованих на методах штучного інтелекту та принципах 
адаптивного управління. 
Нейромережні обчислювальні моделі дають великі сподівання на 
поліпшення різних аспектів операцій на електростанціях. Вони включають 
прогнозування навантаження, управління безпекою, оптимізацію зворотного 
тиску турбін та ефективне моделювання процесів. 
У таких випадках властивість нейронних мереж навчатися складному 
відображенню навчальних даних використовується для побудови оцінок або 
передбачення різних цікалячих властивостей. 
Останнім часом з'являються розробки у цій галузі великих зарубіжних 
фірм [3]. Попередній аналіз останніх досліджень показав, що в даний час 
підвищення швидкодії адаптивних систем керування систем забезпечується 
за рахунок: 
− побудови та використання багатопроцесорних систем паралельної 
архітектури; 
− розроблення та реалізації алгоритмів паралельних обчислень на 
відповідному апаратному забезпеченні (нейрочіпах); 
− комбінованого використання генетичних алгоритмів та методів 
мінімізації, для яких характерна надлінійна швидкість збіжності. У цьому 
використовуються спрощені математичні моделі (насамперед лінеаризовані), 
а розв'язання завдань виконується, зазвичай, як on-line; 
11 
− забезпечення хорошої обумовленості завдання різними методами; 
− використання робастних методів, стійких до наявності похибок у 
вихідній інформації [3, 4]; 
− навчання нейронної мережі поза реальним часом, але при 
забезпеченні обліку складної поверхні функції якості та адаптації до змін 
топології електричної мережі та зміни режиму; 
− використання рекурентних нейронних мереж типу Хопфілда-
Лагранжа, в яких точні вимірювання враховуються у вигляді обмежень типу 
рівностей і багатошарових нейронних мереж, в яких реалізується 
розпаралелювання обчислювального процесу і використовується переважно 
аналогова або аналогово-цифрова елементна база з високою швидкодією. 
Основні завдання, які вирішуються адаптивними регуляторами на 
основі нейронних мереж у сучасних енергетичних системах: 
− передбачення навантаження; 
− прогнозування температури навколишнього середовища з метою 
прогнозування навантаження; 
− керування потоками електроенергії в мережах; 
− забезпечення максимальної потужності; 
− регулювання напруги; 
− діагностика енергосистем для визначення несправностей; 
− оптимізація розміщення датчиків для контролю безпеки 
енергосистем; 
− моніторинг безпеки енергосистем; 
− забезпечення захисту трансформаторів; 
− забезпечення стійкості, оцінка динамічного стану та діагностика 
генераторів; 
− управління турбогенераторами; 
− управління мережею генераторів; 
12 
− управління потужними перемикачами. 
Перелік завдань застосування адаптивних регуляторів на основі 
нейронних мереж у системах керування енергетичними системами постійно 
зростає. 
Як випливає із проведеного в представленій магістерській роботі 
дослідження значної кількості робіт, найбільшого поширення в енергетиці 
набули три види штучних нейронних мереж: багатошарові мережі прямого 
поширення, мережі Кохонена, рекурентні мережі Хопфільда. Особливості 
нейромережевого моделювання ініціювали безліч досліджень його 
застосування під час вирішення різних завдань оперативного управління 
електроенергетичних систем. Важливим етапом у створенні штучних 
нейронних мереж є її навчання, яке полягає у налаштуванні параметрів таких 
мереж. Вид штучної нейронної мережі визначає особливості навчання.  
Застосування нейронних мереж в електроенергетиці дозволяє 
оптимізувати процес виробництва та розподілу електроенергії, керувати 
безпекою та режимами функціонування енергосистем. 
Практичні результати нейромоделювання показують [5, 6, 7, 8], що 
штучні нейронні мережі можна використовувати для всіх видів 
прогнозування електричних навантажень, у тому числі для довгострокового, 
мінімізуючи при цьому негативний вплив таких факторів, як людський 
фактор, неточність, недостовірність або захищеність вихідних даних. 
Основними дослідниками, які розвивають дані напрямки є: S. Haykin, 
A. J. Shepherd, D.C. Dracopoulos, D.E. Specht, E.A. Nadaraya, R.J. Schilling, J.J. 
Carrol, A.F. Al-Ajlouni, Y. Bodyanskiy, N. Teslenko, M. Dalto, T. Hastie, R. 
Tibshirani, J. Friedman, та значна кількість інших дослідників. 
Таким чином можна стверджувати, що дослідження перспективних 
напрямків, пов’язаних з застосування нейронних мереж в електроенергетиці 
є досить перспективною та актуальною задачею сьогодення. 
13 
Мета та задачі дослідження. Метою магістерської роботи є 
визначення кола та проведення дослідження перспективних напрямків 
застосування нейронних мереж в сфері електроенергетики. 
Для досягнення вказаної мети, нам потрібно вирішити наступні 
науково-технічні  задачі: 
− обґрунтувати необхідність впровадження принципів «розумних» 
мереж при розробці новітніх систем електропостачання;  
− дослідити потенційні можливості та вигоди від використання 
штучних нейронних мереж в галузі електроенергетики при розв’язанні задач 
управління, прогнозування та передбачення;  
− окреслити коло найбільш доцільних для застосування  
математичних алгоритмів та комп’ютерних моделей при використанні 
можливостей нейронних мереж в електроенергетичних системах;  
− продемонструвати на прикладі, порядок складання та розв’язання 
модельної задачі для оцінки ефективності застосування елементів нейронних 
мереж. 
Об’єктом дослідження є процеси, пов’язані з функціонуванням 
елементів нейронних мереж в електроенергетиці.  
Предметом дослідження є методи комп’ютерного моделювання 
процесів з застосуванням принципів функціонування нейронних мереж. 
 Методи дослідження. Для розв’язування задач, що поставлені в 
магістерській роботі, були використані методи теоретичної електротехніки та 
основи теорії кіл, математичний апарат теорії нейронних мереж, методи 
комп’ютерного моделювання електроенергетичних об’єктів. 
Наукова новизна одержаних результатів. Під час вирішення задач 
дослідження було отримано такі наукові результати. 
14 
1. Визначення кола переваг, що отримуються від впровадження 
«розумних» мереж через перехід від аналогових до цифрових систем 
управління з широким використанням мережевих технологій. 
2. Обґрунтовано необхідність та своєчасність використання штучних 
нейронних мереж для вирішення задач електроенергетики. 
3. Досліджені та отримали подальший розвиток методи, алгоритми та 
моделі для проектування та забезпечення поточного функціонування 
електроенергетичних систем на основі застосування штучних нейронних 
мереж. 
4. Розглянуто практичну задачу з кола питань електроенергетики, для 
підтвердження  ефективності застосування нейронних мереж. 
Практична цінність. Отримані результати магістерської роботи 
дозволяють більш ефективно здійснювати впровадження новітніх методів та 
підходів, зокрема застосування елементів нейронних мереж, при 
проектуванні інтелектуальних мереж нового покоління. 
Апробація роботи. Основні положення магістерської роботи 
доповідалися та обговорювалися на студентській науково-практичній 
конференції ЧДТУ, 19-22 квітня 2022 року, м. Черкаси. 
Публікації. За результатами досліджень було надруковано 1 наукову 
працю [41]. 
Структура роботи. Робота складається з вступу, трьох розділів, 
висновку і списку використаної літератури. Робота викладена на 111 
сторінках машинописного тексту, містить 34 рисунків та 3 таблиці. 
 
 
 
 
 
15 
РОЗДІЛ 1 
ПОБУДОВА ЕНЕРГО-ІНФОРМАЦІЙНОЇ ІНФРАСТРУКТУРИ 
ЕЛЕКТРОЕНЕРГЕТИЧНОЇ ГАЛУЗІ ЧЕРЕЗ ПЕРЕХІД ВІД 
АНАЛОГОВИХ ДО ЦИФРОВИХ СИСТЕМ УПРАВЛІННЯ З 
ШИРОКИМ ВИКОРИСТАННЯМ МЕРЕЖЕВИХ ТЕХНОЛОГІЙ 
 
1.1 Визначення кола існуючих проблем сучасного стану 
електроенергетичної галузі та обґрунтування необхідності впровадження 
«розумних» мереж 
Зростання споживання електроенергії приводить до того, що старіючі 
електромережі працюють на межі перевищення розрахункового 
навантаження. В наслідок цього, мережні компанії по всьому світу 
стикаються з однією і тією ж самою дилемою. З одного боку, потреба у 
високоякісному безперебійному електропостачанні продовжує постійно 
зростати. З іншого ж боку, регулюючі органи не дуже радіють факту 
підвищення тарифів, що йде на оплату критично важливих оновлень 
інфраструктури електроенергетичної галузі. 
Поступовий перехід на роботу за принципом «розумної» мережі, що 
базується на удосконаленій мережевій аналітиці, автоматизованого 
управління приладами обліку, віддаленому моніторингу та контролю над 
обладнанням, управління мобільними людськими ресурсами та використання 
сучасних систем диспетчерського управління та збору даних, що працюють 
через IP, допоможе мережевим компаніям продовжити ресурс обладнання, 
визначити пріоритети у заміні обладнання, відкласти дороговартісні  
оновлення мережі та запобігти мережевим збоям. 
Але завжди можна говорити, що «розумна» мережа створена для того, 
щоб дозволити мережевим компаніям надавати послуги найкращої якості без 
різкого підвищення цін, а також стати першим кроком для побудови 
інфраструктури новітньої енергетики. 
16 
Станом на сьогодні на ринках електроенергії практично у всіх країнах 
світу зростають обсяги споживання і, як наслідок, зростають пікові 
навантаження, що змушує збільшувати передавальну потужність 
електричних мереж. Погано це чи добре, але споживання електроенергії 
зростає як функція зростання ВВП. Таким чином, електричні мережі різних 
країн очікує постійне зростання споживання та постійна потреба у 
збільшенні потужностей передавальних електромереж. 
Так, в більшій мірі, значна кількість, нині функціонуючих мереж, 
були побудовані ще в 1950+х, 1960+х та 1970+х роках (див. рис. 1.1).  
 
 
 
Рис. 1.1. Історичний перебіг інвестицій в мережеве обладнання 
 в Великобританії 
 
Сьогодні багато обладнання, що є виключно важливим для роботи 
мереж (наприклад, трансформатори та головні понижуючі підстанції (ГПП)), 
наближається до кінця свого терміну служби. Проте, оскільки регулюючі 
органи неохоче затверджують підвищені тарифи, що дозволяють 
здійснювати повномасштабну дорого вартісну модернізацію інфраструктури, 
мережеві компанії змушені продовжувати працювати з обладнанням, яке вже 
17 
виробило свій розрахунковий термін служби або знаходиться на межі такого, 
то ця тенденція представляє всезростаючу загрозу для надійності та безпеки 
мережі. На папері може здатися, що середній вік активів знижується, але це 
враження оманливе. Середній «обліковий» вік не включає обладнання, що 
повністю знецінилося, яке продовжує працювати. При тому, що середній вік 
активів у США знизився з 24,1 років в 1999 р. до 15,8 років в 2003 році [10]. 
Але насправді критична маса активів швидко наближається до кінця їх 40-ка 
річного періоду експлуатації. Подібна ситуація має місце у Великобританії та 
Австралії, де пік інвестицій у мережеве обладнання припав на кінець 1960+х 
та початок 1970+х років [10] (див. рис. 1.2).  
 
 
 
Рис. 1.2. Віковий діапазон активів електромережевих компаній 
в Австралії 
 
В умовах розвитку електроенергетичної галузі України ситуація є ще 
більш складною, оскільки інвестиції в розвиток були вельми незначними на 
протязі останніх десятиліть. 
З плином часу зростання споживання піднімає щорічні витрати на 
18 
забезпечення працездатності мережі. У ситуації жорсткого контролю тарифів 
з боку регулюючих органів, коли підвищення тарифів у кращому випадку 
проблематично, альтернатива є зрозумілою: необхідно відповідати темпам 
зростання чи ризикувати зниженням рівня обслуговування споживачів. Якщо 
не вирішувати цю проблему, то зростання споживання може призвести до 
виникнення великих проблем у мережевої компанії у моменти пікових 
навантажень. У крайніх випадках доведеться вдатися до відключення  
клієнтів, щоб уникнути перевантаження мережі. 
У випадках, коли системи доведені до самої межі, великі та помітні  
збої привертають увагу різних ЗМІ і, як наслідок, викликають громадський 
гнів. Так, наприклад, подія в Італії, призвела до несподіваного припинення 
подачі електроенергії у червні 2003 р. залишило практично усіх 57 млн. 
громадян без електроенергії. Також ще, в серпні 2003 р. більшість США і 
Канади (від Огайо до Онтаріо та Нью-Йорка) пережили відключення 
електроенергії після того, як збій мережі в Огайо віяловим чином обвалився 
на північ і схід по всьому континенту. Масові відключення, що стосувалися 
близько  50 млн. осіб, вартували США більше, ніж у 10 млрд. дол., і призвели 
до того, що ВВП Канади в серпні зменшився приблизно на 0,7%. 
Аварії в мережі не просто завдають незручностей споживачам, вони 
можуть мати негативні наслідки для керівництва енергокомпаній. Наприклад, 
у 1998 р. відключення електроенергії в Окленді (Нова Зеландія) призвели до 
відставки верхівки правління компанії Mercury Energy. А в 1999 р. низка 
аварій у системі енергопостачання Чикаго викликав перестановки серед 
керівництва компанії Commonwealth Edison. 
Навіть попередження регулюючих органів про можливість аварії 
можуть мати політичні наслідки. У 2003 р. менеджмент національної 
передавальної компанії Італії, Gestore della Rete di Trasmissione Nazionale 
(GRTN), повідомив уряд, що для запобігання відключенням електроенергії 
знадобиться більше інвестицій. Через кілька тижнів збої справді відбулися і у 
19 
відповідь уряд здійснив зміну вищого керівництва GRTN. 
Економіка електроенергетичної галузі починає віддавати перевагу 
малої генерації електроенергії, підключеної до загальної розподільчої мережі. 
Цей зсув у виробництві електроенергії викликаний двома тенденціями. По-
перше, проблема забруднення навколишнього середовища та кліматичних 
змін породила інтерес до нових технологій вироблення електроенергії. Уряди 
значної кількості країн субсидують розробку екологічно нешкідливих 
методів вироблення електроенергії, включаючи сонячну енергію, енергію 
вітру, паливні елементи, навіть силу припливів та теплову енергії Землі. По-
друге, прагнення до підвищення ефективності призводить до використання 
малої генерації за рахунок використання генераторів, які працюють на газі. 
Нові технології, наприклад, паливні елементи, будуть також застосовуватися 
в будівлях установ та житлових будинках, щоб виробляти електрику та 
обігрівати воду. 
При виробництві електроенергії великою кількістю генераторів 
меншого розміру з економічної точки зору більш доцільно розмістити 
генератор ближче до споживача, щоб менше електроенергії губилося у 
мережі. В результаті величезна кількість невеликих джерел генерації 
електроенергії вбудовуються в мережі, які спочатку створювалися під великі 
централізовані електростанції. 
Ця тенденція може сильно змінити традиційну модель розподілення 
електроенергії. 
Розподільні мережі спроектовані так, щоб автоматично регулювати 
напругу відповідно до заданих чи нормативними вимогами в рамках деякої 
допустимої межі. Впровадження малої енергетики чи навіть 
мікроенергетичних систем, які характеризуються наявністю великої кількості 
малих генераторів вимагатиме відповідних змін принципів побудови 
традиційної системи управління енергосистемою. 
Традиційні мережі не створені для роботи зі складними завданнями 
20 
управління потоками енергії, які з'являться з переходом на розподілену 
генерацію, наприклад, з несподіваними зворотними потоками потужності в 
процесі відключення відключенні генераторів. Таким чином, мережні 
компанії стоять перед вибором, як вирішувати складні завдання, породжені в 
т.ч. розподіленою генерацією: або пасивно, оновлюючи лінії електропередачі 
та інші компоненти, щоб вони справлялися з максимальним потоком від 
кожного генератора, або активно, вбудовуючи датчики та перемикачі, щоб 
відстежувати і контролювати процес вироблення електроенергії 
генераторами, уникати «вузьких місць», утримувати струм пошкодження на 
безпечному рівні, а напругу – у допустимих границях їх нормативних рамок. 
Крім того, зростання використання розподіленої генерації буде все більше і 
більше вимагати застосування приладів обліку та укладання комерційних 
угод, за для підтримати імпорт та експорт електроенергії. 
В процесі того, як мережеві компанії борються з проблемою 
старіючого обладнання, зростаючим піковим навантаженням та збільшенням 
використання розподіленої генерації, обмеження доходів із-за регулювання 
тарифів та розкрадань зменшують можливості інвестування у нову 
інфраструктуру. 
Хоча частини електроенергетичного ланцюжка створення доданої 
вартості майна не регулюються державою, розподіл електроенергії, швидше 
за все, як і раніше регулюватиметься як монопольний вид діяльності. 
Незважаючи на відмінності у підходах до регулювання цього питання по 
всьому світу, на більшості ринків зміни мережевих тарифів та/або норм 
прибутку, як і раніше, вимагають дозволів від регулюючих органів. 
Як правило, органи, що відповідають за встановлення тарифів, 
неохоче дозволяють інвестиції у мережеві активи. Вони повинні захищати 
інтереси споживачів, забезпечуючи безперервність та високу якість 
постачання електроенергії. Але крім цього, вони прагнуть уникати 
політичних наслідків підвищення тарифів. Через це чиновники дуже 
21 
обережно підходять до змін у співвідношенні затрат та прибутків. В 
результаті, регулюючі органи можуть не визнавати потребу нових інвестицій 
в обладнання. 
У цих умовах мережеві компанії повинні надавати переконливі 
аргументи того, що вкладення коштів у модернізацію мережі будуть 
ефективними. 
Втрата доходів через розкрадання також обмежує можливість 
вкладення коштів. Розкрадання електроенергії – це серйозна проблема у 
підсумкових фінансових документах енергокомпаній, особливо в країнах, що 
розвиваються. Так, Індія, Бірма та Бангладеш очолюють список країн за 
відсотками споживання електроенергії, яка не фіксується приладами обліку. 
Інша проблема − розкрадання електроенергії, вона є характерною в 
т.ч. і для розвинених країн. Так, наприклад, у 2002 р. вона коштувала 
Великобританії понад 500 млн. дол., а у 1998 р. США − цілих близько 10 
млрд. доларів. Щоб боротися з такими втратами, енергокомпанії мають 
набагато чіткіше бачити, де і як електрика йде з їхніх мереж [10]. 
 
1.2 Технології побудови «розумної» електромережі 
Як вважається [8, 11, 12], «розумна» мережа заснована на п'яти 
ключових технологічних: мережева аналітика, автоматизоване зчитування 
показань приладів обліку, віддалений моніторинг обладнання, управління 
мобільною робочою силою та IP SCADA. 
Мережева аналітика. Враховуючи зростаючі можливості датчиків і 
приладів обліку у сфері безперервного відстеження статусу обладнання 
«розумної» електричної мережі, мережеві компанії можуть зберігати 
постійний потік даних від цих пристроїв у сховище даних (хмару даних), де 
можливе застосування удосконаленої мережевої аналітики для підвищення 
оперативної ефективності. За допомогою удосконаленої мережевої аналітики 
дані датчиків та приладів обліку можна вибирати з вказаних сховищ, для того 
22 
щоб піддержувати виконання основних стратегічних задач, а саме: 
спрямування інвестицій у те обладнання, яке може в близькій перспективі 
дати збій або наближається до роботи на повну потужність (щоб уникнути 
простоїв мережі); забезпечення реконфігурування в режимі реального часу у 
разі відключення енергопостачання (щоб скоротити простої, уникнути втрати 
доходу та невдоволення користувачів); оптимізація конфігурації мережі (щоб 
компоненти не виходили за межі допустимих експлуатаційних меж); 
переконання регулюючих органів у розсудливості прийняття рішень щодо 
інвестицій. 
Автоматизоване зчитування показань приладів обліку. Дана 
технологія може допомогти впоратися зі зростанням потреб в електроенергії 
та обмежити розкрадання. Встановлення «розумних» приладів обліку в 
житлових будинках та на підприємствах дозволяє варіювати тарифи в 
залежності від часу споживання, що, як було доведено, стимулює споживачів 
споживати менше електроенергії в години пікового навантаження. 
Дослідження в США [13] говорять про те, що потреба може знизитися на 
5,2% при впровадженні незначних змін у тарифи на підставі часу 
споживання. 
Без застосування заходів щодо зниження споживання в пікові години 
зростання потреби в обсягах електричної енергії, може вимагати річних 
інвестицій в інфраструктуру до 175 дол./кВт, з яких 21,50 дол./кВт 
відносяться до розподільчої мережі. Було доведено, що тарифікація, що бере 
до уваги пікові години споживання, скорочує потребу на тих ринках, де їх 
було впроваджено. У 1998 р. компанія Gulf Power of Florida запустила 
програму під назвою Good Cents («Гарні центи»), яка дозволила скоротити 
споживання в години пік майже на 45%. 
Нова інфраструктура дає можливість повністю відстежувати мережі 
низької напруги, отримуючи інформацію про місце та природу збоїв. За 
необхідності регулювання (нормування) електропостачання система дозволяє 
23 
встановлювати обмеження, знижуючи рівень максимальної енергії, доступної  
для споживача. 
Крім цієї функціональності, нова інфраструктура дозволяє скоротити 
витрати на управління клієнтами більше, ніж на 40%, при цьому підвищуючи 
обсяги утримання своїх клієнтів. Крім того, система дозволяє компанії 
знизити втрати енергії та кількість конфліктів із споживачами, надає готову 
платформу для пропозиції нових послуг безпосередньо вдома, 
використовуючи сегментацію споживачів. 
Тарифікація, заснована на часі споживання, популярна і серед 
регулюючих органів, оскільки дозволяє впоратися зі зростанням споживання 
та дозволяє мережевим компаніям відкласти модернізацію мережі та не 
підвищувати споживчі ціни. Так, наприклад, у штаті Вікторія (Австралія) 
зростання використання кондиціонерів змусило регулюючі органи у 
наказовому порядку запровадити використання приладів обліку та 
тарифікацію за часом споживання для всіх споживачів електроенергії [14]. 
Комісія з найважливіших видів обслуговування штату вирішила, що 
зниження потреби за допомогою ефективної роздрібної тарифікації є більш 
економічним ніж підвищення потужностей системи. 
Встановлення в мережі «розумних» приладів обліку також допоможе 
мережевим компаніям виявити масштаби та області розкрадання 
електроенергії. Наприклад, якщо пристрій обліку на підстанції низької 
напруги вказує, що відпускається дуже багато електроенергії, він може 
підказати мережевим компаніям, що у цій області може відбуватися 
розкрадання. Інвестиції у системи виявлення розкрадань мають сенс лише у 
тому випадку, якщо місцеве законодавство дозволяє енергетичним компаніям 
порушувати судові справи проти винуватців розкрадання. 
Віддалений моніторинг обладнання. Віддалений моніторинг 
обладнання може продовжити терміни використання критично важливої 
мережевої інфраструктури та покращити обслуговування клієнтів завдяки 
24 
запобіганню збоїв. 
По-перше, віддалені датчики можуть відстежувати, чи відповідає 
навантаження в мережі її потужностям та попереджати операторів, коли 
якийсь компонент почне функціонувати поза оптимальними рамками. Маючи 
можливість відстежувати, чи не виходять потоки енергії за оптимальні 
рамки, оператори можуть навантажувати компоненти більше, ніж раніше. 
По-друге, датчики можуть відстежувати, коли ділянки мережі 
починають давати збої; наприклад, коли механічні перемикачі, регулюючі 
напругу в трансформаторах, потребують обслуговування або коли ізоляція 
трансформатора починає руйнуватися (найчастіше, через тривале 
перегрівання). На підставі даних від цих датчиків контролюючий центр може 
змінювати конфігурацію мережі, щоб знизити навантаження на обладнання, 
яке піддається небезпеці, і попередити техніків, коли виникає, нехай і низька, 
ймовірність того, що це обладнання стає вже небезпечним (при високій 
ймовірності виходу з ладу обладнання, його краще відключити). Дані 
датчиків також можуть використовуватися для оптимізації технічного 
обслуговування, ремонтів та заміни обладнання. 
Аналогічний підхід може застосовуватися для стеження за будь-яким 
іншим важливим обладнанням мережі. Датчики на проводах ліній 
електропередачі можуть покращувати обслуговування клієнтів, оскільки 
вони попереджують, коли дерева чи інші рослини починають проростати 
занадто близько біля ліній електропередачі. Дані про розташування 
очікуваних збоїв можуть використовуватися, щоб спрямовувати ремонтні 
бригади у ці точки мережі. Аналогічно «розумні» прилади обліку, 
встановлені у кінцевих користувачів, можуть підвищити рівні 
обслуговування завдяки дистанційному визначенню місця збою в мережі та 
надання діагностичних даних, що пришвидшить ремонтні роботи. 
Управління мобільною робочою силою. Управління мобільною 
робочою силою підвищує швидкість і точність технічного обслуговування та 
25 
ремонтів завдяки електронній оптимізації потоку даних від датчиків через 
контрольний центр до груп техніків, забезпечених персональними 
мобільними пристроями – PDA. Це швидко і точно надає бригадам дані від 
приладів обліку, датчиків, контролерів стану обладнання та контролерів 
проводів. 
Дані можуть попереджати про наближення збоїв або виявляти 
наявність, розташування і природу збоїв, що відбулися. Якщо обладнання 
функціонує за межами допустимих границь або збій є реальною загрозою, 
управління мобільною робочою силою дозволяє мережевим компаніям 
видавати швидкі та детальні інструкції щодо ремонту або попередження 
знаходитися якнайдалі від небезпечних зон. 
SCADA на підставі протоколу IP. SCADA на підставі IP може 
скоротити телекомунікаційні витрати на 20 або більше відсотків, а також 
пропонує надійну, відмовостійку архітектуру, яку легко масштабувати для 
підтримки датчиків, «розумних» приладів обліку та віддалених мобільних 
пристроїв по всій мережі – часто в таких кількостях, що це розтягує існуючу 
телекомунікаційну інфраструктуру за практичні межі 
SCADA на підставі IP замінює дорогі патентовані системи, 
пропоновані виробниками обладнання (конвертери дозволяють зберегти 
наявні пристрої). Цей крок може звільнити енергетичні компанії від 
залежності від протоколів зв'язку розроблених виробниками обладнання та 
забезпечити підвищену стійкість до відмови мережі. Інтернет-технологія, на 
якій базується SCADA, також дає комунікаційну платформу для можливих у 
майбутньому послуг, наприклад, «розумних» домашніх електроприладів, 
якими можна керувати на відстані через консоль, що працює на веб-браузері 
[13]. 
 
1.3 Переваги, отримувані від запровадження «розумних» мереж 
Проведення переходом до «розумної» електроенергетичної мережі 
26 
може виявитися непростою задачею. Але, незважаючи на всі труднощі, 
потенційні результати в разі успіху, варті зусиль для їх подолання. Так, 
зокрема, найбільш значущі потенційні вигоди від переходу до «розумної» 
мережі такі: 
− Скорочення капітальних затрат на ремонт мереж, цільові 
інвестиції, які наближені до кінця фактичного строку служби (а не 
середнього строку корисного використання); зменшення пікових 
навантажень за допомогою інтелектуальних приладів обліку з покращеною 
тарифікацією; підтримка розподіленої генерації за допомогою віддаленого 
моніторингу обладнання; 
− Скорочення операційних затрат, в т.ч. зменшення об’ємів крадіжок 
електричної енергії та краща отримуваність платежів з використанням 
інтелектуальних приладів обліку; уникнення аварійних ремонтів та заміни 
обладнання за допомогою віддаленого моніторингу та діагностики стану 
обладнання; 
− Підвищення надійності за рахунок прогнозування споживання, 
оптимального використання детальної інформації, отримуваної в режимі 
реального часу, для уникнення відключень електроенергії чи забезпечення 
максимально коротких проміжків відключення електропостачання; 
уникнення несподіваного збільшення тарифів з причини несподіваних 
мережевих аварій; 
− Удосконалення обґрунтування програм оновлення 
інфраструктури, шляхом отримання підтримки регулюючих органів в 
питанні виділення інвестицій, та відстрочування необхідності інвестування за 
рахунок застосування інтелектуальних приладів обліку та тарифікації в 
залежності від часу споживання. 
Крім вигод, що несуть окремі технології «розумної» мережі, її 
використання може дати синергетичний ефект між складовими частинами. 
Масштабованість SCADA на основі мережі IP, наприклад, може знизити 
27 
витрати на використання систем та пристроїв, з яких складається «розумна» 
мережа. 
Кожна з цих систем та пристроїв покладається певною мірою на 
зв'язок. За допомогою технологій SCADA на основі IP можна істотно знизити 
витрати на розширення мережі та впровадження нових її компонентів. 
Інші синергетичні ефекти можуть виникнути між елементами мережі. 
Поєднання управління автоматизованими приладами обліку, відстеження та 
контролю над віддаленими активами зменшить потребу у використанні 
датчиків. Наприклад, роблячи висновки про струм мережі на підставі даних 
приладів обліку, мережні компанії можуть використовувати менше датчиків, 
щоб обслуговувати обладнання мережі. 
Синергетичний ефект дає також поєднання управління «розумними» 
приладами обліку та управління мобільною робочою силою. У разі збою це 
поєднання допоможе скоротити час та витрати на відновлення 
енергопостачання, оскільки можна зібрати дані для попередньої діагностики 
збою до відправки фахівця на місце аварії. 
І, нарешті, поєднання віддаленого моніторингу та контролю над 
обладнанням та управління мобільною робочою силою може допомогти 
мережевим компаніям відстрочити заміну устаткування, що виходить з ладу, 
і не оновлювати його там, де збої виходять за допустимі межі лише 
нетривалий час на рік. Можливості мережевої компанії виявляти і 
огороджувати зони навколо пошкодженого обладнання дозволяють 
продовжувати роботу з рештою обладнання, схильного до ризику збоїв. 
Роками капіталовкладення у мережевих компаніях не встигали за 
безпосередніми щорічними оновленнями. Щорічні інвестиції в оновлення 
мережі типової мережевої компанії у Великій Британії, наприклад, 
становлять менше ніж 1% від її бази активів. Це призводить до виникнення 
циклу поновлення, що перевищує 100 років, що значно виходить за межі 
розрахункової довговічності будь-якого мережного обладнання. Внаслідок 
28 
цієї тенденції сьогоднішні мережеві компанії запізнюються з 
багатомільярдними інвестиціями у доларовому вираженні. Очевидним 
рішенням є великі капіталовкладення Але для більшості мережевих 
компаній, а також для регулюючих і політичних організацій, збільшення 
капіталовкладень у найближчому майбутньому в два або навіть втричі просто 
нереально як стратегія. 
Закордонні мережеві компанії, перебуваючи в пастці між потребою в 
модернізації та оновленні старіючих мереж, а також клієнтською базою, що 
звикла до незмінних тарифів, швидко наближаються до тієї точки, коли 
звичайний перебіг їхньої діяльності стане неможливим. Українська 
специфіка полягає в тому, що подальше зростання тарифів на електроенергію 
гальмує розвиток як самої галузі, консервуючи неефективність та 
технологічну відсталість, так і всієї економіки в цілому, не кажучи вже про 
ту соціальну напруженість, що виникає періодично з підвищенням тарифів. 
Передбачувана подальша лібералізація ринку електроенергії вимагає 
від мережевих компаній нових технологічних та архітектурних рішень у 
побудові мереж. Гнучка тарифікація, віртуальні електростанції, розподілені 
потужності, вітроенергетика, контроль споживання в онлайн-режимі, 
зворотний зв'язок із клієнтом – все це неможливо без побудови розумної 
електромережі. 
Потрібно розуміти, що побудова «розумних» електромереж дасть 
новий поштовх для інтелектуалізації всіх енергетичних галузей. З 
урахуванням розвитку локальних малих газових електростанцій, великі 
перспективи відкриваються й у газової енергетики. 
Наприклад, у зв'язку з недостатньою розвиненістю засобів 
накопичення електричної енергії, наявні газові сховища у поєднанні з 
ефективними парогазовими установками можуть стати «енергетичним» 
буфером і таким чином стати високоефективним засобом боротьби з 
піковими навантаженнями на мережу. У зв'язку з цим, надалі можна 
29 
припустити досить швидку появу інтегрованих інтелектуальних 
енергетичних мереж, в першу чергу, що включають газову та електричну 
складову. 
 
1.4 Можливість та потенційні вигоди від використання елементів 
нейронних мереж при побудові новітніх електроенергетичних систем 
В даний час в енергетиці одним із найперспективніших методів 
прогнозування є використання штучних нейронних мереж. 
В попередніх пунктах нами було показано доцільність запровадження 
«розумних» електроенергетичних мереж. Одним із найбільш перспективних 
напрямків при побудові  таких мереж є впровадження елементів нейронних 
мереж. Запровадження нейронних мереж обумовлено нагальною доцільністю 
створення адаптивних систем управління електроенергетичними об'єктами 
через зміни умов їх функціонування в складі «розумних» мереж. Структурна 
перебудова та розширення енергетичного ринку супроводжується як 
збільшенням числа розв'язуваних технологічних завдань управління, так і 
високою динамічністю ситуацій і взаємозв'язком технологічних завдань 
різних груп. 
Вирішенням цих проблем мають стати такі інноваційні концепції, як 
розподілена генерація електроенергії, кластери міні-електростанцій, активно-
адаптивні мережі. 
Сучасний технічний прорив, досягнутий останні два десятиліття у 
сфері інформаційних технологій, дедалі глибше впроваджується у всі сфери 
діяльності, і енергетика перестала бути винятком. Існуюча енергетична 
інфраструктура, що представлена електростанцією, мережею електропередачі 
і споживачем, може виявитися неконкурентоспроможною у світі з широко 
розповсюдженими невеликими енергоефективними виробництвами, 
зростаючим навантаженням дрібних домогосподарств, розвиваючийся 
перехід на електроавтомобілі та прогресу, що досягнутий в сфері 
30 
альтернативної енергетики. Більш того, енергетична трансформація є просто 
необхідною в умовах екологічної та ресурсної кризи, що насувається чи вже 
наступила. 
Електроенергетика відноситься до тієї складової частини економіки 
України, яка значною мірою впливає на ефективність роботи підприємств, 
яка залежить від безвідмовності роботи обладнання, від рівня споживання 
електроенергії, від втрат при передачі енергії та інших, пов'язаних з цим 
витрат. 
У сучасній електроенергетиці, яка постійно збільшує протяжність 
своїх мереж та величину генеруючої потужності, стоїть завдання своєчасного 
правильного управління процесами, що відбуваються, і передачею великої 
кількості інформації. Значні обсяги, а також чисельна кількість факторів, які 
необхідно враховувати в процесі управління енергосистемою та її 
оптимізації, створюють певний набір проблем, які можуть бути успішно 
вирішені при використанні з метою аналізу, управління та прогнозування 
апарату нейромоделювання. 
Важливим питання сьогодення є підвищення ефективності обліку 
споживаної електроенергії та її оплата. Так, при сплаті рахунків за 
електроенергію важливим є прогноз її споживання, що залежить, зокрема, і 
від втрат енергоресурсів. При оплаті за електроенергію враховується 
заявлена потужність, більш точне прогнозування якої може знизити частку 
енергетичної складової у собівартості продукції. Тому проблема вибору 
ефективного методу прогнозування є актуальною. До останнього часу для 
цього використовувалися наближені методи. В даний час в Україні успішно 
проводяться роботи з розвитку штучного інтелекту та використання 
нейронних мереж, що може бути застосовано і для електроенергетики. 
Завдання більш точного визначення втрат при передачі електроенергії 
актуальне як для постачальників електроенергії, так і для кінцевого 
споживача, оскільки, володіючи підтвердженими даними про втрати, 
31 
постачальники можуть аргументовано підтверджувати тарифи, а енергетики 
на підприємствах максимально точно прогнозувати втрати потужності та 
витрати на електроенергію. Перспективним для вирішення цього завдання є 
використання штучних нейронних мереж (ШНМ), що дозволяє виконувати 
розрахунок втрат з найменшою похибкою навіть в умовах неповноти 
інформації, а також враховувати в розрахунках великі бази даних за 
факторами, що впливають на роботу систем електропостачання. 
Проведені дослідження підтверджують, що відомі системи 
прогнозування на основі штучних нейронних мереж складно формалізувати і, 
як результат, отримати однозначне рішення [14-20]. Виходом із цієї ситуації 
є застосування поетапного системного підходу. На першому етапі доцільно 
провести декомпозицію проблеми на ряд взаємопов'язаних завдань. Другим 
етапом є визначення необхідного обсягу навчальних вибірок і на третьому 
етапі здійснюється вибір типу, структури та складу нейронної мережі. 
Кінцевим підсумком застосування системного підходу може стати 
використання гібридних нейронечітких мереж для вирішення різноманітних 
прогностичних завдань в електроенергетиці. Подібні мережі поєднують у 
собі можливості як штучних нейронних мереж, так і положень нечіткої 
логіки в умовах часткової невизначеності вихідних параметрів. 
Як вважає більшість дослідників в даній сфері, одним із найбільш 
перспективних способів подолання сруктурно-технологічної кризи в 
енергетиці є побудова взаємопов'язаних інтелектуальних енергетичних 
систем, що самоорганізуються. Концепція даних систем передбачає, що 
зважаючи на прогрес, досягнутий насамперед у сонячній та вітряній 
генерації, споживач електроенергії є одночасно і її виробником, також у 
даних системах присутні традиційні системи електрогенерації, та активно-
адаптивні мережі, здатні транспортувати електроенергію у будь-якому 
напрямку. При великій кількості споживачів та виробників електроенергії 
ключовим питанням є грамотний розподіл енергії, при якому споживач має 
32 
отримати енергію у необхідному обсязі та за конкурентною ціною, а 
виробник вигідно продати. Ядром даної системи є комп'ютерний алгоритм, 
який приймає рішення про розподіл енергії. Структурний склад 
інтелектуальної енергетичної системи яка володіє властивістю 
самоорганізації представлено на рис. 1.3. 
Завдання створення даного алгоритму не є тривіальним через велику 
кількість абонентів, багатогранність їх енергетичних характеристик 
(показників якості електричної енергії), а також навантаження, що динамічно 
змінюється та потужності генерації. Таким чином, алгоритм повинен збирати 
інформацію про вище вказані параметри в реальному часі і на підставі 
отриманих даних забезпечувати стабільність роботи усієї системи та її 
оптимальність. Це можливо виконати лише за умови, що алгоритм не тільки 
активно реагуватиме на зміну параметрів, але й здійснюватиме 
прогностичний аналіз. Досягнутий прорив у галузі нейронних мереж вже 
сьогодні дозволяє створювати подібні системи. 
 
 
Рис. 1.3. Структурний склад інтелектуальної енергетичної системи 
 з самоорганізацією 
33 
Нейронна мережа (штучна нейронна мережа) − математична модель, а 
також її програмне чи апаратне втілення, побудована за принципом 
організації та функціонування біологічних нейронних мереж − мереж 
нервових клітин живого організму. 
Даний вид алгоритмів, побудованих за технологіями нейронних 
мереж, має кілька суттєвих переваг: 
− ефективна робота з динамічними системами; 
− можливість завдання не повністю формалізованого завдання; 
− висока відмовостійкість; 
− здатність виділення шаблонів у великому обсязі інформації та ін. 
Всі ці переваги стали рушійним драйвером для широкого поширення 
вказаних алгоритмів та широкого впровадження і застосування в економіці, 
медицині, робототехніки, сфері інформаційних технологій тощо. Однак, 
існують недоліки, такі як необхідність великого обсягу навчальних даних, 
високої обчислювальної потужності комп'ютерного обладнання, високої 
кваліфікації кадрів, що проектують дані мережі. 
Для забезпечення належного рівня надійності функціонування 
електроенергетичних об'єктів існує нагальна потреба вдосконалення систем 
управління, особливо диспетчерського, шляхом розробки все нових підходів, 
у тому числі, заснованих на методах штучного інтелекту та принципах 
адаптивного управління. 
Усі штучні нейронні мережі є сукупністю двох типів елементів − 
нейронів та зв'язків між ними. 
Нейрони є простими процесорами, обчислювальні можливості яких 
обмежуються деяким правилом активації, що дозволяє обчислювати 
вихідний сигнал за сукупністю вхідних сигналів. Вихідний сигнал елемента 
посилається іншим елементам зваженим зв'язкам, з кожним з яких пов'язаний 
ваговий коефіцієнт, або вага. Залежно від його значення сигнал, що 
передається або посилюється, або пригнічується [1]. 
34 
Найважливішою властивістю нейронних мереж є їхня здатність 
навчатися на основі даних навколишнього середовища та в результаті 
навчання підвищувати свою продуктивність (точність обчислення). 
Нейронна мережа − це система, яка приймає рішення при множині 
заданих умов (на вході багато різних умов, за якими видається рішення на 
виході). 
Обчислювальні моделі на основі нейромереж дають великі сподівання 
на поліпшення різних аспектів функціонування електростанцій. Вони 
включають прогнозування та передбачення навантаження, управління 
процедурами безпеки, оптимізацію зворотного тиску турбін та широкого 
кола обчислювальних процедур пов’язаних з моделюванням вказаних  
процесів. 
В таких задачах здатність нейронних мереж навчатися складному 
відображенню навчальних даних використовується для побудови різного 
роду оцінок або передбачення різних характеристик та ознак які можуть бути 
цікавими. 
Існують різні види нейронних мереж, також дуже важливий вибір 
кількості шарів і кількості нейронів у цих шарах та багато іншого. 
На протязі останнього часу з'являються розробки у вказаному 
напрямку від великих зарубіжних фірм [24]. 
Проведений попередній аналіз останніх досліджень показав, що в 
теперішній час підвищення швидкодії адаптивних систем керування 
енергосистемами забезпечується за рахунок: 
− побудови та використання багатопроцесорних систем паралельної 
архітектури; 
− розроблення та реалізації алгоритмів паралельних обчислень на 
відповідному апаратному забезпеченні (нейрочіпах); 
− комбінованого використання генетичних алгоритмів та методів 
мінімізації, для яких характерна надлінійна швидкість збіжності. У цьому 
35 
використовуються спрощені математичні моделі (насамперед лінеаризовані), 
а розв'язання завдань виконується, зазвичай, як on-line; 
− забезпечення достатньої обумовленості завдання різними методами; 
− використання робастних методів, стійких до наявності похибок у 
вихідній інформації [27]; 
− навчання нейронної мережі поза реальним часом, але при 
забезпеченні врахування складної поверхні функції якості та адаптації до 
змін топології електричної мережі та зміни режиму; 
− використання рекурентних нейронних мереж типу Хопфілда-
Лагранжа, в яких точні вимірювання враховуються у вигляді обмежень типу 
рівностей та багатошарових рекурентних нейронних мереж, в яких 
реалізується розпаралелювання обчислювального процесу та 
використовується переважно аналогова або аналогово-цифрова елементна 
база з високою швидкодією. 
Основні завдання, які вирішуються адаптивними регуляторами на 
основі нейронних мереж у сучасних енергетичних системах бачаться такими: 
− прогнозування навантаження; 
− передбачення температури навколишнього середовища з метою 
прогнозування навантаження; 
− керування потоками електроенергії в мережах; 
− забезпечення максимальної потужності; 
− регулювання напруги; 
− діагностика енергосистем для визначення несправностей; 
− оптимізація розміщення датчиків для контролю безпеки 
енергосистем; 
− моніторинг безпеки енергосистем; 
− забезпечення захисту трансформаторів; 
− забезпечення стійкості, оцінка динамічного стану та діагностика 
генераторів; 
36 
− управління турбогенераторами; 
− управління мережею генераторів; 
− управління потужними перемикачами. 
Так, наприклад, процес прогнозування навантажень за допомогою 
нейронних мереж складається з наступних основних етапів: 
− підбір архітектури нейронної мережі; 
− вибір навчальних даних; 
− тренування нейронної мережі, її тестування за контрольними 
даними та при необхідності донавчання мережі; 
−  використання мережі для прогнозування навантаження; 
− можливість навчання та коригування мережі за результатами 
використання. 
Перелік завдань застосування адаптивних регуляторів на основі 
нейронних мереж у системах керування енергетичними системами постійно 
зростає. 
Як випливає із значної кількості робіт, найбільшого поширення в 
електроенергетиці набули три види нейронних мереж: багатошарові мережі 
прямого поширення, мережі Кохонена, рекурентні мережі Хопфільда [16] 
(див. рис. 1.4).  
 
Рис. 1.4. Основні типи нейронних мереж які використовуються 
 в електроенергетиці 
37 
Розглянемо роботу інтелектуальної енергетичної системи структурно. 
Нижче, на рис. 1.5 представлено структурну схему інтелектуальної 
енергетичної системи з можливістю введення в її склад елементів нейронних 
мереж. 
                        
 
Рис. 1.5. Структурна схема інтелектуальної енергосистеми з можливістю введення в 
її склад елементів нейронних мереж 
38 
Кожен абонент цієї мережі повинен мати пристрої контролю 
кількісних та якісних показників електроенергії, якими можуть виступати 
аналізатори якості електроенергії або смарт-лічильники. Дані прилади, 
використовуючи інформаційні мережі, передають виміряні значення 
параметрів якості споживаної чи виробленої потужності, і навіть величину 
самої потужності центр обробки інформації.  
Програмне забезпечення складається з нейронної мережі узагальнення 
якісних показників, нейронної мережі прийняття рішень та програмне 
забезпечення для можливості управління розподілом електроенергії.  
Завдання першої з переліку нейронних мереж полягає у зведенні 
безлічі параметрів якості та величини потужності до одного параметру, що 
передається далі. Також у даному блоці має здійснюватися аналіз якості 
електроенергії та формуватися висновок про можливі несправності та 
причини їх виникнення. Ця інформація дозволить абонентам мережі 
оперативно вжити заходів щодо усунення несправності та мінімізувати 
негативний вплив на всю енергосистему. 
Нейронна мережа прийняття рішення безпосередньо здійснює оцінку 
розподілу навантаження та споживання електроенергії в режимі реального 
часу, за допомогою даної інформації та володіючи відомостями про історичні 
патерни, мережа оптимізує роботу системи за показниками максимальної 
стабільності та ефективності. 
Далі інформація передається на блок програмного забезпечення для 
керування розподілом електроенергії, що здійснює узгоджене сполучення з 
апаратними системами активно-адаптивної електроенергетичної мережі. 
У майбутньому подібного складу система дозволить успішно 
поєднати традиційні електростанції та ринок приватної генерації 
електроенергії. 
Відомим є той факт, що понад 20% потужності електростанцій 
резервується на пікове добове споживання і не використовується більшу 
39 
частину часу, системи подібні до описаних вище в значній мірі нівелюють 
вказану потрібність. Також буде мати місце постійний моніторинг параметрів 
показників якості електричної енергії, що підвищить ефективність 
використання енергії. 
Крім того, відомо, що одним з важливих параметрів є ціна 
електроенергії. В контексті цього питання можна очікувати, що за 
допомогою активних електроенергетичних мереж з'явиться можливість 
споживати електроенергію від того виробника, який в поточний момент часу 
пропонує саму низьку ціну, зважаючи на технічні, кліматичні чи, наприклад, 
логістичних особливостей. Всі перераховані вище фактори дозволять істотно 
знизити витрати, пов'язані з виробництвом і споживанням електроенергії, і, 
отже, значно підвищити конкурентоспроможність продукції.  
Особливості нейромережевого моделювання ініціювали велику 
кількість різного роду досліджень його застосування під час вирішення 
різних завдань оперативного управління електроенергетичних систем [14, 
18]. Важливим етапом у створенні нейронних мереж є її навчання, яке 
полягає у налаштуванні її параметрів. Вид нейронної мережі визначає 
особливості навчання.  
Таким чином, бачиться вельми перспективним напрямом розвитку 
розподілених електроенергетичних систем та мереж, введення в систему їх 
управління елементів нейронних мереж. 
Поняття цифрових двійників сучасної ЕЕС. Сучасні 
електроенергетичні системи є складними високотехнологічними об'єктами, 
що з'єднують різноманітні споживачі електричної енергії (у тому числі з 
керованим споживанням), локальне генеруюче обладнання (у тому числі на 
відновлюваних джерелах енергії) та системи накопичення електроенергії. 
Головним принципом організації управління такими об'єктами, відповідно до 
підходу модельно-орієнтованої системної інженерії (Model-Based Systems 
Engineering) та парадигмою четвертої промислової революції (Industrie 4.0), є 
40 
формування цифрового двійника (Digital Twin) − віртуальної копії об'єкта, 
що достовірно відтворює та задає структуру, стан та поведінку оригіналу в 
реальному часі [32].  
Цифровий двійник, будучи інтелектуальною надбудовою над 
середовищем інтернету речей та інформаційною моделлю об'єкта, стає 
ключовим базовим елементом системи управління об'єктом. 
Однак на даний час багато питань формування та застосування 
цифрових двійників в енергетиці не вирішено [32]. Традиційні фізико-
математичні моделі погано справляються з високою динамікою та 
прихованими поведінковими закономірностями, властивими сучасним ЕЕС, 
тому математичне забезпечення цифрового двійника потребує застосування 
засобів штучного інтелекту, зокрема на базі нейронних мереж глибокого 
навчання [20]. Аналізу таких засобів, включаючи рекомендації щодо 
характеру їх застосування, присвячено роботу [24]. 
Елементарним будівельним блоком нейромережі, служить нескладний 
обчислювальний модуль, що грубо імітує поведінку клітини-нейрону. Цей 
модуль має кілька входів та один вихід, на який при надходженні вхідних 
сигналів видає результат дії функції збудження на їхню зважену суму (див. 
рис. 1.6). Функція збудження має вигляд сигмоїду, як у рис. 1.6, або інший 
безперервної апроксимації порогової залежності. Набори W вагових 
коефіцієнтів входів всіх нейронів і є тими параметрами нейромережі, які 
підбираються під час навчання з метою мінімізації функції помилки. 
Для нейромереж традиційною є багатошарова топологія: сигнал 
послідовно проходить крізь шари у напрямку від вхідного (input) через 
проміжні або приховані (hidden) до вихідного (output). Нейромережа з 
базовою багатошаровою архітектурою називається перцептрон (perceptron). 
У сучасних перцептронах число проміжних шарів сягає сотень, тому їх 
називають глибокими (deep).  
41 
 
 
Рис. 1.6. Структура штучної нейронної мережі 
 
Вважається, що в міру проходження шарів вхідний сигнал 
перетворюється на уявлення все більш високорівневих ознак (features), що 
характеризують справжній «сенс». Для завдань типу розпізнавання образів, 
які зводяться саме виділення ознак, можна оптимізувати мережу шляхом 
зменшення кількості зв'язків між нейронами сусідніх верств, відповідно 
зменшуючи кількість коефіцієнтів, підлягають добору. Оптимізована у такий 
спосіб глибока мережа називається згортковою (convolutional neural network, 
CNN) [7]. 
Існують також рекурентні архітектури мереж (recurrent neural network, 
RNN), що включають зворотні зв'язки від нейронів наступних верств до 
попередніх. Завдяки зворотним зв'язкам з'являється можливість враховувати 
результати попередніх актів проходження сигналів у наступних, тобто 
частково запам'ятовувати історію функціонування мережі. Ця можливість 
42 
особливо зручна у задачах прогнозування часових рядів. Щоб враховувати 
«повільні» кореляції, помітні лише на досить довгих фрагментах ряду, 
нейрони такої мережі в явному вигляді вбудовують елементи пам'яті і 
внутрішні комутатори (гейти), що управляють їх наповненням. Найбільш 
широко застосовуються два типи нейронів такого роду: Long Short-Term 
Memory (LSTM) та Gated Recurrent Unit (GRU) [8]. 
На завершення короткого огляду розглянемо архітектури нейромереж, 
що застосовуються у навчанні без учителя. Одним із підходів тут є побудова 
мережі, в якій вхідний і вихідний шар складаються з однакового числа 
нейронів, а приховані шари − із значно меншої кількості. Таку нейромережу 
тренують на довільному масиві предметних даних з метою мінімізації 
відхилення виходу від входу, змушуючи прихований шар формувати набір 
ознак, що статистично достовірно класифікує вхідний масив. Так влаштовані 
автокодувальники (autoencoders, AE), відомі своїм застосуванням у 
розпізнаванні мови: автокодувальник бере він трудомістку функцію розмітки 
потоку мови на смислові одиниці [13]. Інший підхід до навчання без вчителя 
полягає у створенні взаємозалежних нейронів в ансамбль у фізико-
статистичному сенсі. У міру проходження наборів вхідних даних крізь такий 
ансамбль він прагне рівноважного стану (мінімуму функціоналу «енергії»), в 
якому відтворюється найбільш «схожий на правду» імовірнісний розподіл 
вхідних даних. Такий підхід реалізовано в обмежених машинах Больцмана 
(restricted Boltzmann machine, RBM), з яких збирають глибокі мережі довіри 
(deep belief network, DBN). 
Побудова адаптивних систем керування електроенергетичними 
об’єктами на основі штучних нейронних мереж.  Традиційні системи 
керування електроенерегитчними об’єктами, які побудовані на основі 
класичної теорії автоматичного керування, повинні працювати в складних 
умовах різнорідних збурюючих впливів зумовлених впливом навколишнього 
43 
середовища. Необхідність роботи у цих умовах ускладнює використання 
стандартних систем автоматики. Тому вкрай важливою є можливість 
використання для опису та формалізації областей допустимих режимів 
роботи обладнання нечіткої моделі на базі штучних нейронних мереж. 
В [24] штучна нейрона мережа системи управління 
електроенергетичним об'єктом представлена в рамках наступної структури 
закону керування 
                                (1.1) 
 
де NC(...) − здійснюване нейронною мережею функціональне перетворення; 
ur − сигнал завдання (уставка) системи керування на базі нейронної мережі;  
Δ – крок дискретизації системи керування. 
 
На рис. 1.7 представлена схема системи керування на базі 
нейроконтролера.  
 
  
 
Рис. 1.7. Схема дискретної системи керування електроенергетичним об’єктом на 
основі штучної нейронної мережі 
44 
На його вхідний шар надходять сигнали зовнішнього завдання ur(k) та 
зворотного зв'язку по виходу об'єкта y(k) на k-му кроці, а також затриманий 
сигнал зворотного зв'язку y(k-1) на попередньому кроці. Вихідний нейрон 
нейроконтролера формує сигнал управління на k-му етапі u(k). 
Отримані за рис. 1.7 результати, що наведені в [24] дозволяють 
застосовувати цю технологію в управлінні нелінійними динамічними 
об'єктами шляхом створення адаптивної системи керування. 
Завдання керування полягає у тому, щоб у процесі функціонування 
визначити закон регулювання, який би забезпечив оптимальну поведінку 
об'єкту. Для вирішення цього завдання на додаток до основного контуру в 
систему керування вводиться контур адаптації (див. рис. 1.8). 
 
 
 
 
Рис. 1.8. Загальна функціональна схема адаптивної системи керування 
 
Для оптимального управління в умовах невизначеності [3, 19] 
адаптацію можна ототожнити з оптимізацією в умовах недостатньої 
апріорної інформації [19]. 
Як свідчить з проведеного аналізу публікацій,  багатошарові нейронні 
мережі, що налаштовуються, мають ряд переваг, що виправдовують їх 
45 
застосування в завданнях управління нелінійними динамічними об'єктами. 
Перелічимо найістотніші з них. 
1. Універсальні апроксимаційні властивості багатошарових мереж [5, 
6]. За допомогою нелінійних нейронних мереж можна як завгодно точно 
поступово наблизити будь-яку безперервну функцію багатьох змінних на 
будь-якій замкненій обмеженій множині. 
2. Здатність адаптивності нейромережевих структур внаслідок їх 
навчання у процесі функціонування. Ця властивість дозволяє коригувати в 
реальному часі функцію управління при неконтрольованих змінах 
динамічних та статичних характеристик об'єкта, використовуючи при цьому 
поточну вимірювальну інформацію в системі. 
3. Здатність нейромережі до паралельної обробки сигналів, що робить 
природним їх застосування управління багатовимірними об'єктами. 
 
 Висновки до розділу 1 
1. Штучні нейронні мережі мають досить значний потенціал 
застосування в інтелектуальному управлінні сучасних ЕЕС. Вже зараз вони 
дозволяють вирішувати низку завдань із помилкою близько 10%, що 
вважається достатнім для багатьох практичних цілей. Нейромережні засоби 
прогнозування навантаження, цін та генерації доцільно включати до базового 
математичного забезпечення систем управління ЕЕС, тоді як засоби 
діагностики технічного стану та аварій відносяться до спеціалізованих 
додатків. А в перспективі нейромережні засоби зможуть зайняти лідируючу 
позицію серед компонентів математичного забезпечення систем управління 
ЕЕС. Тут виникає низка перспективних напрямів подальших досліджень. 
2. В теперішній час метод застосування штучних нейронних мереж 
активно використовується для вирішення наступних енергетичних та 
електротехнічних завдань: передбачення навантаження споживачів; 
управління потоками електроенергії в енергетичних мережах та системах; 
46 
забезпечення максимальної потужності електродвигунів, генераторів; 
регулювання напруги силових трансформаторів; діагностика енергосистем 
для визначення несправностей; оптимізація розміщення датчиків контролю 
безпеки енергосистем; моніторинг безпеки енергосистем; забезпечення 
захисту трансформаторів; забезпечення стійкості, оцінка динамічного стану 
та діагностика генераторів; керування турбогенераторами; керування 
мережею генераторів; керування потужними перемикачами; діагностика та 
моніторинг нагріву трансформаторів. Саме ці напрямки застосувань штучних 
нейронних мереж є найбільш перспективними та доцільно проводити їх 
подальший розвиток. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
47 
РОЗДІЛ 2 
ОГЛЯД ПОТЕНЦІЙНИХ МОЖЛИВОСТЕЙ ТА ОЦІНКА 
ВИКОРИСТАННЯ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ СТОСОВНО 
ПИТАНЬ ЕЛЕКТРОЕНЕРГЕТИКИ 
 
2.1 Основні принципи функціонування та інноваційні складові 
штучних нейронних мереж 
Якщо розглядати історичну ретроспективу виникнення та розвитку 
поняття нейронної мережі, то слід почати ще з 1957 р., коли  американський 
фізіолог Ф. Розенблатт зробив спробу технічно реалізувати фізіологічну 
модель сприйняття характерну для людської свідомості. Дослідник виходив 
із припущення, що сприйняття здійснюється так званою мережею нейронів. 
Згідно з поширеною і найпростішою моделлю нейрона (моделі Мак-Калока – 
Пітса), нейрон – це нервова клітина, яка має кілька входів – дендритів та 
один вихід – аксон (див. рис. 2.1). Входи бувають або збуджуючі, або 
гальмуючі. Нейрон збуджується і посилає імпульси в тому випадку, якщо 
кількість сигналів, що прийшли по збуджуючих входах, перевищує кількість 
сигналів, що прийшли по входах нейрона, що гальмують. Модель сприйняття 
складається з рецепторного шару S, шару перетворюючих нейронів A та 
шару реагують нейронів R [20]. 
Якщо надходить зовнішнє подразнення, то воно сприймається 
рецепторами. Кожен рецептор пов'язаний з одним або декількома нейронами 
перетворюючого шару, при цьому кожен нейрон перетворюючого шару може 
бути пов'язаний з кількома рецепторами. 
Далі виходи перетворюючих (асоціативних) нейронів, у свою чергу, 
з'єднуються з входами нейронів третього шару. Нейрони цього шару – 
«реагуючі» − теж мають кілька входів (дендритів) і один вихід (аксон), який 
збуджується, якщо сумарна величина вхідних сигналів перевищує поріг 
спрацьовування. Але на відміну від нейронів другого шару, де 
48 
підсумовуються сигнали з тим самим коефіцієнтом підсилення (але, 
можливо, різними знаками), для реагуючих нейронів коефіцієнти 
підсумовування різні за величиною і, можливо, за знаком. 
Всі рецептори можуть бути в одному з двох станів: збудженому або 
незбудженому. Залежно від характеру зовнішнього подразнення в 
рецепторному шарі утворюється той чи інший букет імпульсів, який, 
поширюючись нервовими шляхами, досягає шару нейронів, що 
перетворюють. Тут, відповідно до букету імпульсів, утворюється букет 
імпульсів другого шару, який надходить на входи нейронів, що реагують. 
Сприйняття будь-якого об'єкта визначається збудженням відповідного 
нейрона третього шару, причому різним букетам імпульсів рецепторного 
шару може відповідати збудження одного і того ж нейрона, що реагує. 
Гіпотеза якраз і полягає в тому, що коефіцієнти підсилення реагуючого 
нейрона підібрані так, щоб у випадку, коли об'єкти належать до одного класу, 
букети імпульсів, що відповідають їм, збуджували один і той же нейрон 
реагуючого шару. Наприклад, спостерігаючи якийсь предмет у різних 
ракурсах, людина ототожнює побачене, оскільки щоразу на різні зовнішні 
подразнення реагує той самий нейрон, який є відповідальний за впізнавання 
цього предмета. 
Поміж надзвичайно великого числа нейронів людини, які 
забезпечують сприйняття, лише деяка частина зайнята сформованими 
поняттями, інша служить для утворення нових. Формування нового поняття, 
сутнісно, полягає у встановленні коефіцієнтів підсилення реагуючого 
нейрона. Процес встановлення коефіцієнтів підсилення реагуючих нейронів 
описується Розенблаттом у термінах «заохочення» та «покарання». 
Припустимо, що з'явився букет імпульсів, що відповідає новому 
виробленому поняттю. Якщо з його появи необхідний реагуючий нейрон не 
збудився, то реагуючий нейрон «штрафується»: коефіцієнти підсилення тих 
його входів, якими приходив імпульс, збільшуються на одиницю. Якщо 
49 
нейрон правильно реагував на імпульси, що прийшли, то коефіцієнти 
підсилення не змінюються. Якщо ж виявиться, що деякий набір сигналів буде 
помилково віднесено до цього поняття, то нейрон теж «штрафується»: у 
цьому випадку коефіцієнти підсилення тих входів, якими прийшов імпульс, 
зменшуються на одиницю. Така модель сприйняття проста і може бути 
реалізована на однорідних елементах – порогових елементах. 
Елемент називається пороговим, коли він має n входів x1,..., xn, і один у 
вихід , причому сигнал на виході може приймати тільки два значення − 0 і 1, і 
пов'язаний з входами x1,..., xn співвідношенням: 
 
 n
1, якщо xii  0 ,
 i=1
y =  (2.1) 
n
0, якщо xi   ,                                          
 i 0
 i=1
 
де  ,...,  − коефіцієнти підсилення сигналів x1,..., xn, а   − величина порогу 
i n 0
спрацювання елементу. 
 
Моделлю перетворюючого нейрона може служити пороговий 
елемент, у якого i  = ±1, а моделлю нейрона, що реагує, служить пороговий 
елемент, у якого коефіцієнти   − деякі настроювані числа. 
Технічну модель зорового аналізатора Розенблатт назвав 
персептроном (від слова «перцепція» − сприйняття). Персептрон призначався 
для роботи у двох режимах: навчання та експлуатації. У режимі навчання у 
персептрона за описаним вище принципом вироблялися величини 
коефіцієнтів i ,...,n  нейронів, що реагують. У ході експлуатації персептрон 
класифікував пред'явлені йому ситуації: якщо порушувався p-й елемент, що 
реагує, і не порушувалися інші R-елементи, то ситуація відносилася до p-го 
класу. 
50 
В даний час широко використовуються математичні моделі 
нейронних мереж. Графічно такі моделі зображуються у вигляді граф-схеми, 
що представлена на рис. 2.1, де зображена найпростіша багатошарова 
нейронна мережа прямого поширення, тобто описаний вище персептрон. 
 
 
Рис. 2.1. Граф-схема математичної моделі нейронної мережі 
 прямого розповсюдження 
 
 Існують також інші моделі нейронних мереж, серед яких найчастіше 
використовуються рекурентні мережі Хопфілда і самоорганізовані мережі 
Кохонена. Прямокутники представляють собою тіла нейронів, вихідні та 
вхідні стрілки − дендрити, а точки, в які стрілки заходять і точки, з яких 
стрілки виходять − це відповідно синапси і аксони. Фігури у вигляді кола 
(див. рис. 2.1) − умовні входи нейронів, які просто розподіляють вхідні 
значення по всіх нейронах мережі. У математичної моделі нейрона всі вхідні 
стрілки мають ваги, але в виході зазвичай обчислюється нелінійна функція 
від середньої суми цих ваг з деякими додатковими арифметичними діями. 
51 
Для використання нейронної мережі прямого розповсюдження при 
вирішенні конкретного завдання її необхідно спочатку «навчити». Для цього 
на вхід нейронної мережі подаються будь-які дані, а на виході знімаються 
результуючі значення, які порівнюються з тими значеннями, які там повинні 
бути. Якщо вихідні значення нейронної мережі відрізняються від необхідних 
значень, то відбувається оптимізація ваг нейронної мережі будь-яким з 
математичних алгоритмів до тих пір, поки ці значення їм не відповідатимуть 
із заданою точністю. 
Послідовність ситуацій із зазначенням, до якого класу вони 
відносяться, називається навчальною послідовністю. 
Завдання полягає в тому, щоб побудувати таку програму, яка, 
використовуючи навчальну послідовність, виробляла б правило, що дозволяє 
класифікувати нові «незнайомі» ситуації (взагалі кажучи, відмінні від тих, 
що входили в навчальну послідовність) приблизно так само, як вчитель. 
Після цього нейронну мережу можна вважати навченою. 
Далі розглянемо деякі інноваційні складові штучних нейронних 
мереж, серед них виділимо наступні: 
− багатопроцесорна (нейронна мережа, імітуючи структуру та 
властивості нервової системи живих організмів, складається з великої 
кількості простих обчислювальних елементів (нейронів, процесів) і має більш 
складну поведінку порівняно з можливостями кожного окремого нейрона. 
Нейромережа отримує на вході набір вхідних сигналів і видає відповідну їм 
відповідь (вихідні сигнали), що й буде розв'язанням задачі); 
− математична (нейронні мережі є обчислювальною системою з 
великою кількістю паралельно функціонуючих простих процесорів з 
безліччю зв'язків. Ця складова пов'язана з обчислюваними особливостями 
побудови нейронної мережі: вибір мережевої структури, визначення 
характеру зв'язку між нейронами, кількість шарів, отримання вихідних 
параметрів тощо); 
52 
− інформаційна (нейронна мережа має здатність узагальнювати 
отриману інформацію, тобто давати правильні відповіді при пред'явленні 
«незнайомих», зашумлених, суперечливих даних. Паралельна обробка 
інформації одночасно всіма нейронами визначає величезний потенціал та 
широкі прикладні можливості нейронного аналізу); 
− технологічна (нейромережеве моделювання нерозривно пов'язане 
з сучасними комп'ютерними та інформаційними технологіями. На практиці 
нейронні мережі реалізуються у двох видах: у вигляді програмних продуктів 
та апаратних пристроїв (спеціалізованих нейрочіпів та плат розширень); 
− суб᾿єктивна (застосування комп'ютерної техніки сприяє 
зменшенню впливу людського фактора (суб'єктивності) на ухвалені 
рішення); 
− економічна (за допомогою нейронних мереж можна ефективно 
аналізувати, класифікувати, керувати та з високою точністю прогнозувати 
соціально-економічні процеси та фінансові операції. Здатність до 
моделювання нелінійних процесів, роботи із зашумленими даними та 
адаптивність дають можливість застосовувати нейронні мережі для 
вирішення широкого класу завдань. В останні кілька років на основі 
нейронних мереж було розроблено багато програмних систем для 
застосування в таких питаннях, як операції на товарному ринку, оцінка 
ймовірності банкрутства, оцінка кредитоспроможності, контроль за 
інвестиціями, розміщення позик тощо); 
− екологічна (нейронні мережі здатні в реальному масштабі часу 
ідентифікувати небезпечні забруднюючі речовини у повітряних та рідких 
середовищах. Для цього використовується так званий «електронний ніс». 
Прототипи електронного носа можуть бути широко застосовані під час 
контролю та ідентифікації токсичних викидів в атмосферу; аналізі паливних 
сумішей; виявлення викидів масляних сумішей; дослідженні якості, у тому 
числі запаху, артезіанських вод; для контролю якості повітря тощо); 
53 
− педагогічна (нейронна мережа навчається розв'язанню задачі на 
деякому «підручнику» − наборі ситуацій, кожна з яких описує значення 
вхідних сигналів нейромережі та необхідну при цих вхідних сигналах 
відповідь. Підручник задає набір еталонних ситуацій з відомими рішеннями, 
а мережа при навчанні сама знаходить залежності між вхідними сигналами і 
необхідними відповідями. Навчена нейромережа може узагальнювати 
(інтерполювати та екстраполювати) отриману навичку рішення та видавати 
прогноз для нових значень вхідних сигналів, які не увійшли до 
«підручника»); 
− адаптаційна (нейронні мережі можуть швидко адаптуватися до 
навколишнього середовища. До неї можуть бути включені додаткові 
нейрони, якщо первинна система не здатна забезпечити вирішення задачі з 
необхідною точністю. Також можуть бути виключені зайві нейрони та зв'язки 
між ними, якщо первинна система занадто складна для вирішення 
поставленої задачі. Нейромережа може сама виділити найбільш інформативні 
вхідні сигнали, відкинути неінформативні, шумові сигнали, а у результаті 
підвищити надійність отримання рішення. При цьому нейронна мережа не 
здійснює попереднього повного забування раніше сформованих навичок, 
прискорюючи в такий спосіб своє донавчання після корекції розмірів. 
Розглянуті інноваційні складові дозволяють говорити не тільки про 
новизну інструментарію, але й характеризують нейронне моделювання як 
систему аналізу, підкреслюють його особливості в порівнянні з іншими 
статистичними методами. Потенціал та прикладні можливості застосування 
нейронних мереж знаходять своє відображення у їх інноваційності. 
 
2.2 Коло задач  для застосування штучних нейронних мереж 
Найбільш широку затребуваність і як наслідок частоту застосування, 
нейронні мережі отримують у областях, де людський інтелект 
малоефективний, а традиційні обчислення трудомісткі або фактично 
54 
неадекватні,  тобто такі, що не відображають або погано відображають 
реальні фізичні процеси та об’єкти. Аналогічно, як це пророблює мозок 
людини, так і нейронна мережа здатна вирішити велику кількість 
різнопланових завдань. 
Можна виділити такі типові завдання, які вирішуються за допомогою 
нейронних мереж (див. рис. 2.2): 
✓ автоматизація процесу класифікації; 
✓ автоматизація прогнозування; 
✓ автоматизація процесу передбачення; 
✓ автоматизація процесу ухвалення рішень; 
✓ управління; 
✓ кодування та декодування інформації; 
✓ апроксимація залежностей та ін. 
 
 
Рис. 2.2. Перелік типових задач, котрі ефективно вирішуються за допомогою 
 штучних нейронних мереж 
 
 
55 
Широкий спектр задач говорить про надзвичайно широке коло та 
значні можливості застосування нейронних мереж. Завдяки цьому області їх 
застосування дуже різноманітні. Майже в кожній предметній області при 
найближчому розгляді можна знайти постановки задач для нейронних мереж. 
Можна виділити такі основні сфери застосування штучних нейронних 
мереж: 
✓ економіка та бізнес; 
✓ авіоніка; 
✓ маркетинг; 
✓ лінгвістика та мова; 
✓ зв'язок; 
✓ введення та обробка інформації; 
✓ геологорозвідка; 
✓ екологія; 
✓ безпека та охоронні системи; 
✓ фото- та відеозображення; 
✓ політика та соціологічні технології; 
✓ промисловість; 
✓ Інтернет. 
Вище наведений перелік є далеко не повним, проте навіть у такому 
вигляді він дозволяє отримати уявлення про характер затребуваності 
нейромережевих технологій. Наведені вище сфери застосування показують, 
що технології нейронних мереж можуть використовуватися практично в 
будь-якій галузі народного господарства та промисловості. Впровадження 
нових наукомістких технологій є складним та ресурсозатратним, але в 
більшості випадків вкладені в нього інвестиції не лише окуплюються і 
приносять гарний зиск, а й дають тим, хто їх використовує, відчутні 
переваги. 
  
56 
2.3 Визначення доцільності використання штучних нейронних 
мереж для вирішення задач електроенергетики 
Визначення інтелектуальних мереж, на відміну від інформаційних чи 
розумних, передбачає вміст в ній елементів штучного інтелекту. В контексті 
нашого дослідження, можна вважати що такі елементами можуть бути 
представлені штучними нейромережами. Далі будемо робити оцінку 
доцільності та місця застосування штучних нейромережежевих технологій 
саме в електроенергетичній галузі. 
Проведений аналіз публікацій за останній період надає підставу 
зробити припущення, що за останні двадцять років, найбільш 
перспективними з точки зору використання штучних нейронних мереж в 
галузі електроенергетики є такі галузі [5]: 
✓ прогнозування навантаження ЕЕС; 
✓ діагностика та локалізація несправностей; 
✓ оптимізація розподілу навантаження; 
✓ оцінка надійності; 
✓ динамічна стійкість ЕЕС. 
У табл. 2.1 наводиться перелік публікацій та матеріалів конференцій 
асоціації інженерів-електриків (IEEE − Institute of Electrical and Electronics 
Engineers), які прямо стосуються застосування штучних нейронних мереж в 
електроенергетичній галузі. Для здійснення оціночного огляду підвищення 
зацікавленості в цій сфері, публікації нами було розбито на два часових 
проміжки [36, 38]. Співставлення цих двох стовпців дає змогу оцінити та 
отримати судження про успіхи та невдачі застосування штучних нейронних 
мереж. Крім вказаної таблиці, певний інтерес представляє рисунок з графік 
(див. рис. 2.3), на якому відображено процентне співвідношення кількості 
опублікованих праць у сфері застосування штучних нейронних мереж в 
електроенергетиці. 
 
57 
Таблиця 2.1 
Число опублікованих праць по застосуванню штучних нейромереж в 
електроенергетиці членами асоціації IEEE  
Кількість публікацій стосовно впровадження 
елементів штучних нейронних мереж в 
Коло застосування 
електроенергетику 
1990-2009 рр. 2010-2021 рр. 
Генерація 0 1 
Передавання 0 1 
Дистриб'юція 0 1 
Планування 
Реактивна 
С 
потужність 1 
Надійність 0 1 
Прогнозування 0 4 
навантаження 
Оптимізація 
розподілу 1 14 
навантаження 
Керування 
реактивною 1 1 
потужністю 
Функціонування Контролювання 
електростанцій рівня напруги 4 3 
Визначення рівня 
13 
надійності 12 
Прогнозування 
проведення 
3 1 
технічного 
обслуговування 
Моніторинг роботи 
4 3 
обладнання 
Прогнозування 
12 23 
навантаження 
Діагностика та 
попередження 13 20 
аварійних ситуацій 
Відновлення 
Використання нормальної 
ЕЕС працездатності 0 2 
функціонування 
системи 
Проведення аналізу 
Наслідків аварійних 1 2 
ситуацій 
Оцінка стану 4 2 
58 
Продовження таблиці 2.1 
Напрямки потоку 
енергії 4 4 
Вищі гармоніки в 
3 
ЕЕС 0 
Стійкість в 
Моделювання/ 
перехідних 
Проведення 5 9 
режимах роботи 
досліджень 
ЕЕС 
Системи керування 13 7 
Симуляція процесів 
в ЕЕС 0 1 
РЗА та автоматика 7 4 
 
Як показує проведений аналіз публікацій учасників асоціації IEEE, 
вони не охоплюють весь спектр досліджень у цій галузі. Однак примітним є 
той факт, що можливо на прикладі найбільшої у світі міжнародної асоціації 
інженерів-електриків, досить точно та інформативно простежити загальні 
тенденції та динаміку у сфері впровадження штучних нейронних мереж в 
електроенергетику. 
 
 
Рис. 2.3. Процентне співвідношення кількості опублікованих праць у сфері 
застосування штучних нейронних мереж в електроенергетиці 
59 
2.4 Застосування елементів штучних мереж для оптимізації 
процесу прогнозування навантаження 
Прогнозування електричних навантажень є досить важливою сферою 
досліджень в електроенергетиці. Вирішення цих питань необхідне практично 
для всього спектра завдань поточного планування та оперативного 
управління режимами функціонування електроенергетичної системи. На  
основі такого прогнозування розраховуються вихідні та оптимальні 
електричні режими електроенергетичної системи, оцінюється їхня надійність, 
економічність, якість електроенергії [37]. Отримувана точність прогнозу 
навантажень істотно впливає економічність завантаження генеруючого 
устаткування, а отже, в підсумку на вартість електроенергії. 
Перші публікації з методів прогнозування електричних навантажень 
електроенергетичних систем з'явилися ще в пору рубежів десятих-двадцятих 
років минулого століття [38]. З того часу минуло багато днів і здавалося б, 
практично за століття вказана проблема повинна була бути вирішена. Проте 
кількість публікацій із прогнозування електричних навантажень все ще 
продовжує зростати. Основна причина такого стану справ полягає у все 
більш високих вимогах ринку електроенергії до показників якості 
прогнозних розрахунків, а саме: точності, достовірності, швидкодії і т.п., 
досягнення яких можливе за сучасного рівня інформаційної забезпеченості 
електроенергетичних систем. 
Станом на сьогоднішній день розроблено велику кількість методів і 
моделей прогнозування електричних навантажень як традиційних, так і 
нетрадиційних. Їхній досить детальний огляд представлено в роботах [18, 21, 
22]. Традиційні статистичні (ймовірнісні) моделі можуть бути умовно 
поділені на регресійні моделі та моделі на основі часових рядів. Докладне 
огляд такого типу моделей наведено у [25]. 
З розвитком теорії новітніх інформаційних технологій в останній 
період часу було запропоновано вирішення завдання прогнозування 
60 
навантаження нетрадиційними методами, а саме, з використанням моделей 
на основі експертних систем та штучних нейронних мереж [14, 15, 16, 17, 
33]. Головна перевага таких моделей перед традиційними обумовлена тим, 
що не потрібно побудови моделі об'єкта, не втрачається працездатність при 
неповній вхідній інформації. Вони характеризуються підвищеною 
завадостійкістю, а також мають високу швидкодію. 
Проведений нами аналіз публікацій дає змогу стверджувати, що 
одним із найбільш важливих напрямків застосування елементів нейронних 
мереж в електроенергетиці є прогнозування навантаження на ЕЕС. В цьому 
контексті застосування нейромереж можна сформулювати три основні типи 
задач (див. рис. 2.4): короткострокове (оперативне) прогнозування, 
середньострокове прогнозування, довгострокове прогнозування. 
 
 
Рис. 2.4. Процентне співвідношення кількості опублікованих праць по 
основним видам прогнозування 
 
 Проведення короткострокового прогнозування. В такому випадку 
розглядається проміжок часу від однієї години до одного тижня. Одним із 
самих важливих питань такого прогнозування є планування вироблення 
61 
об’єму електроенергії конкретним блоком, крім того важливим є оптимізація 
розподілу навантаження, а також здійснення диспетчерського контролю 
передавання та розподілу електричної енергії в ЕЕС і, що є найбільш 
важливим, в режимі реального часу. При такому виді прогнозування 
традиційно (за класичним підходом) використовуються велика кількість 
алгоритмів та методів зі сфери моделювання з застосуванням нейромереж. 
Серед методів особливо часто застосовуються такі: фільтрація Калмана, 
моделі Бокса-Дженкінса, експертні системи, регресне моделювання, підходи 
нечіткої логіки, теорія хаосу тощо [6, 7]. Також дослідження виявили, що 
багатьом з указаних методів, властивим є досить суттєві обмеження до 
конкретного випадку застосування і визначення саме такого випадку в 
практичній ситуації. Також є суттєві труднощі в пошуку функціональних 
залежностей між всіма впливаючими чинниками та величиною миттєвого 
навантаження. Крім того є певною проблемою зміна переліку правил, які 
керують експертною системою, у випадках швидкоплинних змін 
навантажень ЕЕС нелінійного характеру. 
У вище перерахованих умовах здійснення короткострокового 
прогнозування, використання штучних нейронних мереж дає змогу успішно 
розв’язувати подібні проблеми. В таких випадках застосування вже 
розроблених штучних нейромереж, дозволяє успішно враховувати всю 
множину впливаючих чинників, включно з погодними умовами, вихідними 
днями, різного роду масовими заходами тощо. Така можливість досягається 
за рахунок структури штучної нейромережі, яка дозволяє створювати 
структури з множиною ввідних чинників. 
Прикладів короткострокового прогнозування навантаження за 
допомогою нейромереж відомо дуже багато. Як і в регресійних моделях, 
основними вхідними даними для них є масиви значень споживання, виходячи 
з практичного досвіду за попередні періоди (попередня година, день, 
тиждень) і температура повітря. Додатковими аргументами можуть бути: 
62 
номер дня тижня, тип дня (робочий/вихідний), температура точки роси (для 
врахування вологості). Відомі обчислювальні експерименти з прогнозування 
погодинних профілів споживання для енергосистем регіонального рівня на 
базі як багатошарових перцептронів, так і рекурентних мереж, навчених на 
перерахованих вище даних, де вдалося досягти похибки менше 1% на 
реальних даних [11] (рис. 2.5).  
 
 
 
Рис. 2.5. Процедура обчислювального експерименту із проектування 
навантаження, інформація з джерела 
 
Найменшу похибку продемонструвала рекурентна мережа, причому з 
гіперболічним тангенсом як функцію активації. 
Здійснення середньострокового прогнозування. В цьому випадку 
розглядається період від одного місяця до 5 років. Найбільш оптимальний 
випадок застосування проведення тарифікації цін за електричне споживання, 
а також для оцінки запасів палива [18]. 
Здійснення довгострокового прогнозування. Вже у такому випадку 
розглядається календарний період від 5-ти до 20-ти років. Таке 
прогнозування здійснюється з метою визначення типів та потужностей як 
63 
тих, що проектуються, так і тих, що знаходяться в експлуатації 
електрогенеруючих станцій для мінімізації постійних та епізодичних витрат 
[23]. 
В підсумку можна зробити висновок, що головні позитивні 
характеристики застосування штучних нейронних мереж при здійснення 
прогнозування полягають у наступному: збір та первинна обробка вхідних 
даних відбувається без часових обмежень, можливість отримувати дані 
безпосередньо від електроенергетичної системи; можливість врахування 
великої кількості параметрів, які не мають функціонального зв’язку між 
собою [29]. 
 
2.5 Застосування елементів штучних мереж для оптимізації 
процесу прогнозування тарифів на електроенергію 
 Динаміка ринку електроенергії України перебуває в перехідному 
етапі від вертикально інтегрованої національної монополії до цілком 
конкурентного ринку. Дуже важливим моментом процесу реструктуризації, 
від якого залежить подальший розвиток та успіх модернізації вітчизняного 
енергетичного сектора, є оптовий ринок електроенергії та потужності. 
Уведення такого ринку дозволяє виробити новий механізм утворення цін на 
електричну енергію. Також в цьому випадку ціни відображають баланс 
інтересів виробників та споживачів електроенергії. 
Схиляння галузі до лібералізації, запровадження повністю 
конкурентного ринку, є неоднозначним питанням. З одного боку, це буде 
сприяти розвитку електроенергетичного ринку та галузі в цілому, а з іншого 
− запроваджує додаткові ризики як постачальників в особі генеруючих 
компаній, так покупців – в особі енергозбутових організацій, великих 
споживачів електроенергії тощо). У першу чергу, ризики пов'язані з 
особливістю електроенергії як товару, обумовленої її фізичними 
властивостями, які й призводять до відповідної організації ринку. 
64 
Неможливість запасання електроенергії в достатніх масштабах призводить до 
того, що ринок може функціонувати лише за умови, що у кожний момент 
часу забезпечується баланс виробництва та споживання. 
Під час епохи регульованого ринку електроенергії, основною метою 
держави було забезпечення попиту всієї величезної системи загалом у 
безпосередній залежності від державної бюджетної політики та 
ціноутворення, чи це прямо робилося, чи опосередковано правилами 
встановлюваними державою. А вже після припинення регулювання ринку, 
метою всіх учасників стала максимізація прибутку. 
Досвід західних компаній, що вже достатньо багато часу працюють в 
умовах конкурентного ринку, коли флуктуації цін за добу можуть 
демонструвати неймовірні для інших ринків показники в 300%, показує, що 
розробка технологій управління ризиками є основою і гарантією успішної 
діяльності компанії і в Українських реаліях. 
Слід зазначити, що ціни на електроенергію характеризуються 
реверсивним характером динаміки та наявністю великої кількості досить 
вузьких та високих піків. Можна спостерігати помітну періодичність 
коливань цін, яка обумовлена зміною споживання електроенергії протягом 
доби, тижня та року. На таких графіках також спостерігається кластеризація 
волатильності цін, тобто наявність великої кількості цінових піків в одні 
проміжки часу і досить спокійна поведінка цін − в інші. Із-за цього 
передбачити точну поведінку ринку є принципово неможливим питанням. 
Тоді, в такому випадку, управління ризиками набуває великого значення – 
тобто необхідно не уникати ризиків, а самим управляти ними. Управління 
такими ризиками включає два основні процеси, а саме оцінку ризиків (risk 
measurement) та безпосередньо керування цими ризиками (risk reshaping). 
Для отримання оцінки ринкових ризиків (risk measurement), є 
необхідним отримати прогноз цінової динаміки. Отже, прогнозування цін та 
волатильності займає одне з центральних місць при оцінці ринкових ризиків і 
65 
значною мірою визначає точність такої оцінки.  
Крім того, саме завдячуючи прогнозу, у генеруючих компаній 
з'являється можливість вибирати періоди технічного обслуговування так, 
щоб періоди максимальних цін збігалися з максимальною доступністю 
потужностей, що генерують, і навпаки. Ще позитивним достоїнством є те, що 
прогнози також можуть використовуватись і споживачами для бюджетного 
планування, зменшення витрат на електроенергію, завдяки збільшенню 
споживання у періоди низьких цін. Сектор збуту відрізняється найбільшою 
конкуренцією, тому що дохід компаній у цьому секторі складається з маржі 
між цінами при купівлі та продажу електроенергії. І, як наслідок, для 
виживання збутовим компаніям потрібно дотримуватися балансу між 
привабливістю пропозиції для покупців та власним прибутком. Якраз із-за 
таких умов ціновий прогноз стає критично важливим для розробки політики 
закупівель на оптовому ринку та роздрібного ціноутворення для дотримання 
балансу інтересів споживачів та інвесторів. 
Прогнозування тарифів та волатильності є вельми корисним 
інструментом підтримки прийняття рішень для гравців ринку електроенергії. 
Для цього розроблялося безліч математичних моделей. Деякі з них придбали 
велику популярність і використовуються скрізь. Деякі ж, тільки у своєму 
вузькому сегменті задач, а ще деякі вже давно забуто.  
Моделі із сімейств ARIMA (процес авторегресії інтегрованого 
ковзного середнього) та GARCH (узагальнений авторегресійний процес з 
умовною гетероскедастичністю) були випробувані, наприклад, на 
іспанському та норвезькому ринках. Моделі, що ґрунтуються на 
використанні нейронних мереж, активно використовуються на ринках 
Австралії та Великобританії. Зауважимо, що ARIMA-моделі та нейронні 
мережі зазвичай застосовуються на електроенергетичних ринках для 
прогнозування майбутніх навантажень та демонструють досить пристойні 
результати. Використовувалися й інші методи, наприклад, перетворення 
66 
Фур'є і стохастичне моделювання, але з меншим успіхом [37]. 
 
2.6 Проведення діагностики та локалізація аварійних ситуацій в 
ЕЕС 
Останні досягнення в області у галузі цифрових технологій 
спонукають до того, що все більше і більше даних стає доступним для систем 
диспетчерського контролю та збору даних. Зрозумілим є той факт, що це 
завданням удосконалення SCADA-систем [32]. Водночас такий підхід криє в 
собі загрозу безпеці. Це пояснюється тим, що значна кількість інформації 
веде до перевантаження оператора, а це найбільш небезпечно саме в 
критичних ситуаціях. Так, стрес від наростаючого потоку тривог в поєднанні  
з недосвідченістю оператора може стати причиною неправильного рішення і 
навіть паніки, а це, в свою чергу, призводять до ще більших втрат та 
погіршення ситуації. Тому, у зв'язку з цим, виникає нагальна потреба у 
розробці систем підтримки прийняття рішень, які б працювали у режимі 
реального часу. 
Перехід до нормального режиму роботи, перш за все, починається з 
визначення «тригера», тобто події, яка ініціювала послідовність 
різноманітних тривог і аж до паніки. Окрім стандартних причин, таких як  
несправності мережного обладнання і генеруючих потужностей, ще 
необхідно враховувати і такі специфічні для сучасних цифрових систем збої, 
як помилки першого та другого роду систем захисту, пошкодження каналів 
передачі даних та баз даних тощо [8]. 
Характер міркувань людини-оператора має евристичну природу, а 
також вкупі з неявною функціональною залежністю між причинами збоїв, 
відкривають простір застосування технологій штучного інтелекту. З різною 
мірою позитивних результатів при вирішення завдань створення систем 
підтримки прийняття рішення, застосовуються наступні основні алгоритми 
та методи: експертні системи, нейронні мережі, нечітка логіка, генетичні 
67 
алгоритми, мережі Петрі і подібні [12]. 
Найістотнішою позитивною рисою штучних нейронних мереж при 
здійсненні діагностування аварійних ситуацій та неприпустимих 
перевантажень є її гнучкість поряд з потоком даних разом з  інформаційним 
шумом. А найбільш вагомий недолік – це тривалий час навчання. За для 
зменшення терміну навчання до достатніх результатів може бути 
використана узагальнено-регресійна нейронна мережа (GRNN), яка має 
топологію прямої передачі сигналу, імовірнісна нейронна мережа (PNN), а 
також  адаптивна нечітка нейронна мережа з властивістю самоорганізації [7]. 
 
 2.7 Застосування штучних нейронних мереж для оптимізації 
розподілу навантаження 
Важливим призначенням процедури оптимізації розподілу 
навантаження (Economic Dispatch) полягає в мінімізації експлуатаційних 
витрат залежно від попиту. Тобто в оптимальному розподілі навантаження 
між генеруючими джерелами [29, 30]. Одна з основних складностей при 
такому оптимальному розподілі заключається в тому, що на практиці весь 
робочий діапазон генеруючих джерел, виявляється не завжди доступним для 
розподілу навантаження у зв'язку з фізичними обмеженнями. 
За весь період коли проводилося вирішення завдань оптимального 
розподілу, використовувалися різні методи, включаючи метод релаксації 
Лагранжа, лінійне програмування, алгоритми динамічного програмування, 
квадратичне програмування, метод Ньютона-Рафсона, і з недавніх пір 
генетичні алгоритми та штучні нейронні мережі. Методи Лагранжа, які 
найчастіше використовуються під час вирішення проблем оптимального 
розподілу, не дають бажаного результату при прямому використанні. Методи 
динамічного програмування також є широко поширеними та вивченими, але 
при їх використанні на електроенергетичних системах реальних розмірів з 
великою кількістю джерел, що генерують, призводить до так званого 
68 
«прокляття розмірності», що полягає в експоненційному збільшенні обсягів 
даних. 
Головними недоліками генетичних алгоритмів у вирішенні завдань 
оптимального розподілу навантажень є складність визначення функції 
пристосованості, а також знаходження субоптимальних рішень без гарантії 
того, що ці рішення не є локальними, та ще й тривалий час пошуку 
результату. 
Використання ж штучної нейронної мережі, а особливо нейронної 
мережі Хопфілда продемонстрували чудову здатність вирішення 
комбінаційних завдань оптимізації. Процентне співвідношення типів 
штучних нейромереж, застосовуваних в процесі оптимального розподілу 
навантаження представлено на рис. 2.6. Можна бачити, що також для 
рішення задач оптимального розподілу використовуються багатошаровий 
персептрон та штучна нейронна мережа типу LVQ. 
 
Рис. 2.6. Процентне співвідношення типів штучних нейромереж 
в розподілі навантаження 
 
Нейронна мережа Хопфілда застосовується для енергоблоків із 
69 
безперервною або кусково-квадратичною функцією вартості палива. 
Підвищений інтерес до цієї нейронної мережі, що проявляється останнім 
часом у різних публікаціях, зумовлений її прекрасною можливістю щодо 
обліку всіх вимушених обмежень, наприклад, втрат при передачі енергії, 
контролю рівнів забруднення енергоблоку тощо.  
 
2.8 Оцінка надійності ЕЕС 
Однією з головних задач успішного функціонування будь-якої ЕЕС є 
передача та доставка в необхідних обсягах кінцевому споживачу 
електроенергії без перевищення допустимих меж за напругою та частотою. 
Також очевидним є те, що це завдання повинне вирішуватися реальному часі 
та ще й  найбезпечнішим, найнадійнішим і найбільш економічно ефективним 
методом. 
Якщо розглядати сучасну ЕЕС з точки зору циркуляції по ній різного 
роду інформаційних сигналів, то основні висновки будуть такі: усі поточні 
вимірювання повинні проводитися проводяться в режимі реального часу та 
зберігаються системою керування базою даних (СКБД) (див. рис. 2.7). 
Важливою в цьому контексті є роль блоку оцінки стану (блок − Estate 
Estimation). Цей блок виправляє некоректні дані та доповнює недостаючі. 
Математична модель реального часу (блок − Real Time Power System Model) 
вибирається на основі отриманих оціночних значень. Величина рівня безпеки 
усієї системи визначається на основі моделювання можливості потенційного 
збою в роботі системи, тобто задіяного в ЕЕС обладнання. У випадку оцінки 
системи як ненадійної чи небезпечної застосовуються відповідні міри 
контролю (блок − Control Actions) [39]. 
Вивчення даного питання показало, що в загальному випадку існує 
пара типів оцінки безпеки системи: динамічні і статичні. Для них 
різноманітні експлуатаційні стани визначаються наступним чином [36]: 
70 
 
 
Рис. 2.7. Інформаційні зв’язки між компонентами ЕЕС 
 
✓ нормальний чи безпечний стан −  коли виконуються усі без винятку 
запити споживачів без перевищення встановлених лімітів; 
✓ попередження чи критичний стан −  коли показники системи все ще 
знаходяться в межах встановлених лімітів, але лише вже невелика аварія 
може призвести до значної нестабільності системи; 
✓ екстрений чи не безпечний стан −  коли ЕЕС переходить в 
аварійний стан функціонування через перевищення встановлених лімітів. 
При розгляді реальних електроенергетичних систем часто може 
виникати питання неконтрольованого збільшення обсягу даних, яке ще 
називається «прокляття розмірності». І саме застосування штучних 
нейронних мереж дозволяє успішно вирішувати цю проблему. 
Серед усіх відомих типів штучних нейронних мереж для оцінки 
71 
питання про безпечність системи найбільш оптимально підходить 
багатошаровий персептрон. Цей елемент навчається за методом зворотного 
розповсюдження помилки. Найбільш вагомі переваги подібної нейромережі 
полягають в тому, що вона має здатність до навчання в онлайн режимі. Але 
такій системі притаманні також і недоліки, які криються у виборі вхідних 
даних та перенавчанні. З метою прискорення функціонування систем на 
основі багатошарового прсептрона використовують штучні нейромережі по 
типу Хопфілда [20].  
Так, на рис. 2.8 представлено процентне співвідношення 
різноманітних типів штучних нейронних мереж стосовно задач по оцінці 
безпеки ЕЕС [14]. 
 
 
Рис. 2.7. Процентне співвідношення різноманітних типів штучних 
 нейронних мереж стосовно задач по оцінці безпеки ЕЕС 
 
 
 
 
72 
Висновки до розділу 2 
1. Огляд переліку наукових та науково-пркладних публікацій, зокрема 
асоціації IEEE, показав, що основні тенденції та динаміка розвитку 
застосування штучних нейронних мереж в галузі електроенергетики, є 
такими що інтенсивно розвиваються. Виявлено, що основними перевагами 
застосування штучний нейронних мереж є наступні: можливість в реальному 
часу проводити надзвичайно швидку класифікацію та первинну  обробку 
інформації; нелінійне моделювання та розподіл поступаючих вхідних даних 
за необхідним ознаками; ефективна робота при ймовірнісних змінах робочих 
параметрів системи; здатність до масштабування. 
2. Кількість опублікованих наукових праць в області оцінки міри 
безпеки та надійності в останній час невпинно зростає. Широке 
впровадження штучних нейронних мереж в цій сфері обумовлюється в першу 
чергу нелінійним та динамічним поводженням ЕЕС в сучасних умовах 
функціонування. З розширенням масштабів ЕЕС, що відбувається в умовах 
підвищення вимог до безпечності  та надійності системи можуть виявлятися 
ознаки проблем великої розмірності наявних систем оцінки безпеки та 
надійності. 
  
 
 
 
 
 
 
 
 
 
 
73 
РОЗДІЛ 3 
ЕЛЕКТРОЕНЕРГЕТИЧНІ ЗАВДАННЯ РОЗПІЗНАВАННЯ ОБРАЗІВ З 
ПОГЛЯДУ ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖЕВИХ АЛГОРИТМІВ 
 
3.1 Визначення кола задач розпізнавання образів у 
електроенергетиці 
Станом на сьогоднішній день нейромережні технології при вирішенні 
задачі розпізнавання образів застосовуються в різних сферах таких як 
медицина, машинобудування, фінансова діяльність, для вирішення задач 
розпізнавання тексту та мовлення, електронній промисловості і, що нас 
найбільш цікавить, в енергетиці. Далі спробуємо окреслити коло важливих 
електроенергетичних завдань розпізнавання образів в контексті застосування 
алгоритмів штучних нейронних мереж. Під час проведення досліджень 
публікацій за останній період нами було виявлено наступний перелік питань: 
✓ завдання виявлення аварійних режимів електромереж та 
пошкоджених енергетичних об'єктів; 
✓ завдання діагностики асинхронних електродвигунів; 
✓ завдання діагностики ядерних енергетичних установок. 
 
3.2 Завдання виявлення аварійних режимів електромереж та 
пошкоджених енергетичних об'єктів 
Відомо, що виконання задач по  виявленню аварійних режимів та 
визначення пошкоджених енергооб'єктів виконує релейний захист та 
автоматика [32, 33]. У таких ситуаціях, по-перше, у ряді випадків аварійні 
режими є схожими до нормально-експлуатаційних. Так, наприклад, короткі 
замикання можна вважати подібними до режимів самозапуску потужних 
асинхронних двигунів, стрибка струму намагнічування силових 
трансформаторів  тощо. По-друге, як показує практика, насичення 
магнітопроводів вимірювальних трансформаторів струму призводить до 
74 
сильного спотворення інформації про силу струму, що надходить до обмоток 
вимірювальних реле струму. Обидва ці випадки є основними коли виникає 
невизначеність. І, як наслідок, із-за цього, неправильних дій захисту. Для 
побудови захисту будь-якого об'єкта, що найбільш повно задовольняє 
вищенаведеним суперечливим вимогам, постає проблема у вирішенні задачі 
безпомилкового розпізнавання саме аварійних ситуацій в електричних 
системах. 
Під час вирішення такої задачі необхідно виявити ознаки чи 
властивості, що криються в контрольованих релейним захистом електричних 
параметрах і які є характерні в основному лише одному конкретному класу 
режимів, а після все це врахувати у розробці принципу функціонування 
релейного захисту. Зрозуміло, що безпомилкове розпізнавання режиму 
неможливе без урахування спотворень у вхідних струмових ланцюгах 
захисту через насичення магнітопроводів трансформаторів струму, з'єднаних 
у трифазні групи, під час перехідних процесів при виникненні аварійної 
ситуації. Очевидно, що вищевказане завдання найбільш доцільно вирішувати 
методами статистичної теорії розпізнавання образів. 
Окремою рисою такого підходу до розпізнавання режиму є та 
обставина, що досліджуваний режим, описуваний n-параметрами, 
представляється у вигляді об'єкта в n-мірному просторі спостережень. Якщо 
отримати навчальну статистичну вибірку з об'єктів із встановленою 
приналежністю до того чи іншого класу режимів, то можна отримати у 
просторі режимних параметрів поверхні з границями, які розділяють об'єкти 
різних класів. За визначенням, процедура розпізнавання − це прийняття 
рішення про встановлення належності нового об'єкта, який раніше не 
розглядався в процесі вивчення, до конкретного класу об'єктів (або образу) 
шляхом порівняння властивостей цього об'єкта з вже відомими та вивченими. 
Визначення стану об'єкта, що захищається пристроєм релейного 
захисту (РЗА), повністю відповідає задачі розпізнавання образів у загальному 
75 
вигляді, яка ставиться до нейромереж. Хоча вже давно відомі класичні 
принципи виявлення короткого замикання, наприклад, максимальний струм, 
мінімальна напруга, використання похідної струму за часом, які взяті окремо, 
є досить ефективними, але в порівняно малому числі випадків. І навпаки, у 
випадках коли в диференціальних захистах зосереджених об'єктів у процесі 
виявлення пошкодження чи аварійної ситуації беруть участь кілька 
параметрів (тобто формується n-мірний образ поточного режиму), то 
відчутно підвищується чутливість і стійкість функціонування захисту, і він 
більшою мірою відповідає вимогам, що висуваються до релейних захистів. 
Подальший розвиток релейних захистів, з використанням теорії 
розпізнавання образів, передбачає застосування її методів для первинної 
обробки інформації, що зберігається в електричних сигналах, які надходять 
на захист. Математичним апаратом постановки та вирішення багатьох 
завдань розпізнавання є теорія статистичних рішень, логіки алгебри, теорія 
ймовірностей тощо. 
Логічні методи розпізнавання образів базуються на дискретному 
аналізі, тобто на використанні логічних ознак, які можна розглядати як 
елементарні висловлювання, що приймають два значення істинності − так, ні 
або істина, неправда − з повною визначеністю. До цих ознак відносяться, 
перш за все, ознаки, що не мають кількісного виразу, що є судженням 
якісного характеру типу наявності або відсутності деяких властивостей у 
об'єктів, що розпізнаються, або процесів. Яскравим прикладом таких ознак 
може бути поведінка реле: «спрацювало» воно чи «не спрацювало». Процес 
прийняття рішення будується на основі розроблених булевих співвідношень 
чи функцій. 
При використанні структурних (лінгвістичних, синтаксичних) методів 
образ представляється частин (фрагментів) − підобразів, які називаються 
«непохідними елементами» або «терміналами». Структурні ознаки є 
сукупністю непохідних елементів структури об'єкта. Кожен об'єкт може 
76 
розглядатися як ланцюжок терміналів – речення чи просто слово [13]. Тобто 
під час використання структурних методів пропонується з контрольованих 
параметрів створити структуру образу, внаслідок чого контрольовані 
параметри розглядатимуться нами разом, одночасно, а не окремо між собою, 
як і властиво логічним методам. 
Наприклад, на застосуванні структурних методів побудовані 
кардіомонітори, де розпізнавання ведеться за характерними елементами 
електрокардіограми, що виділяються. Подібно до цього відбувається 
розпізнавання режиму роботи електроенергетичного обладнання пристроями 
релейного захисту та автоматики по характерним ознакам елементів кривої 
струмового сигналу, що виділяються. На підставі тверджень такої аналогії, 
можна констатувати про можливість і доцільність  застосування структурних 
методів для побудови релейного захисту. 
 
3.3 Завдання діагностики асинхронних електродвигунів 
На сьогоднішній день асинхронні електродвигуни є споживачами 
понад 70% всієї електроенергії країни. Практичний досвід експлуатації 
асинхронних електродвигунів свідчить про велику кількість відмов, що 
відбуваються внаслідок аварійних ситуацій [39]. Пошкодження та подальший 
повний вихід з ладу асинхронного електродвигуна завдає великих збитків. 
Переважно  ця шкода пов'язана з простоєм технологічного обладнання чи й 
псуванням продукції, що випускається внаслідок такої аварії двигуна. Поряд 
з вказаними збитками ще додається зниження електро- та пожежної безпеки, 
що пов'язане з можливими короткими замиканнями  в обмотці статора або 
ротора пошкодженого електродвигуна. 
При застосуванні традиційних засобів захисту, не забезпечується 
збереження електродвигуна і знижується ймовірність виникнення лише 
деяких із перелічених вище випадків. Тому виникає потреба діагностики 
стану електродвигуна у процесі функціонування, тобто проведення 
77 
процедури функціональної діагностики. Якщо здійснювати виявлення 
дефектів у працюючому електродвигуні на ранній стадії їх розвитку, це не 
тільки попередить раптову зупинку виробництва внаслідок аварії, а й значно 
знизить витрати на ремонт електродвигуна та збільшить фактичний термін 
його служби. Крім цього, в даний час досить актуальним є застосування 
адаптивних пристроїв захисту та діагностики, що дозволяють виконувати 
діагностику електродвигунів незалежно від їх потужності та конструкції. 
Сучасні засоби та методи діагностики електроустаткування можна 
розділити на дві групи. 
В теперішній час тестове діагностування – основний вид виявлення 
дефектів електрообладнання у вітчизняній енергетиці. Такий вид 
діагностування визначив сформовану структуру технічного обслуговування 
та ремонту за регламентом [25]. Але при такому діагностуванню відповідні 
процедури сприяють як попередженню розвитку різних дефектів, так й їх 
появі. Наприклад, при проведенні планових ремонтів електричних машин, 
після повного збирання конструкції двигун піддається високовольтним 
випробуванням. Такі випробовування створюють на ізоляцію електричних 
машини згубний вплив, викликаючи появу в обмотці мікродефектів, що в 
майбутньому розвиваються в процесі роботи електромашини під впливом 
несприятливих факторів, таких як: неякісної електроенергії, перевантажень, 
постійних пусків та зупинок.  
З кожною проведеною процедурою високовольтного випробування 
при планово-попереджувальних ремонтах кількість дефектів збільшується, 
що в підсумку може закінчитися аварійним виводом з експлуатації 
електричного двигуна. Ситуація ще ускладнюється тим, що кожне 
розбирання та складання електродвигуна збільшує ці мікродефекти [9]. 
Також до переліку вище вказаних недоліків тестової діагностики, 
можна ще віднести тимчасове призупинення роботи обладнання, яке 
тестується, відсутність контролю ненормальних режимів роботи даного 
78 
обладнання тощо. 
Для здійснення переходу з обслуговування та ремонту за регламентом 
на ремонт та обслуговування за фактичним станом необхідна детальна 
діагностика електрообладнання. Причому, щоб підготуватись до ремонту, 
бажано виявити всі дефекти, що впливають на ресурс, ще задовго до самого 
факту відмови. З огляду на це, є необхідним застосування методів 
діагностики, що не тільки належать до категорії функціональних, але й 
дозволяють виявити дефект конкретної частини електроустаткування. Крім 
того, методи функціональної діагностики економічно найвигідніші, тому що 
не потребують навіть короткочасного виведення тестованого 
електрообладнання з експлуатації. 
Сучасний розвиток технологій відповідного спрямування, 
функціонування яких засноване на використанні програмованих 
мікроконтролерів, дозволяють гнучкіше реалізувати захист і функціональну 
діагностику електродвигунів за їх електричними параметрами. 
Найбільш перспективним підходом є використання програмно-
апаратного комплексу. Такий комплекс складається з комп'ютера та 
цифрового пристрою-посередника, що здійснює необхідні вимірювання та 
передає інформацію до комп'ютера. У якості вимірюваних електричних 
величин можуть бути величина споживаного струму та споживана 
потужність і т. д. Програмне забезпечення, що виконується на комп'ютері, 
повинне, у свою чергу, певним чином обробити вхідну інформацію і 
визначити найбільш ймовірний вид пошкодження працюючого 
електродвигуна або зробити висновок про його справність. Такий метод 
найбільш ефективний, оскільки дозволяє зберігати на комп'ютері великі бази 
даних з інформацією про динаміку пошкоджень електродвигуна, що 
відстежується, з подальшим прогнозуванням виходу його з ладу. 
79 
Також, комп'ютер є багато розвиненішим засобом обробки інформації, 
ніж мікроконтролер. Це, зокрема, дозволяє використовувати сучасні 
технології, у тому числі технології штучного інтелекту, такі як використання 
штучних нейронних мереж, нечіткої логіки та експертних систем. 
Відомо, що магнітне поле ротора, що обертається, працюючого 
асинхронного електродвигуна впливає на магнітне поле його статорної 
обмотки, що призводить до періодичних коливань електричних величин 
електродвигуна, таких як споживаний струм, потужність чи напруга обмотки 
статора. Період даних коливань пропорційний частоті обертання ротора. 
Отже провівши аналіз та отримавши залежності сигналу будь-якої з 
електричних величин на даному періоді, на основі цього можна виявити 
пошкодження в електромеханічній частині електродвигуна і розпізнати його 
тип. Для отримання розв᾿язку цієї задачі можна використати багато різних 
підходів. Так, наприклад, можна побудувати апроксимаційну функцію за 
декількома вихідними точками сигналу, що відповідає конкретному виду 
пошкодження, і в процесі діагностики порівнювати поточні вимірювані 
значення зі значеннями даної функції з певною часткою похибки. Однак 
апроксимація складних нелінійних сигналів призводить до великих похибок, 
що збільшуються додатковими завадами електричної мережі з підключеним 
електродвигуном. В наш час досить широкого поширення набуло 
використання штучних нейронних мереж для побудови математичних 
моделей складних нелінійних процесів, прогнозування сигналів та 
розпізнавання образів.  
Застосування нейронних мереж надає можливість ефективно 
визначати причину та види пошкодження асинхронних електродвигунів. При 
цьому з’являється можливість, працювати з зашумленими даними, без 
необхідності застосування проміжних протизавадних фільтрів чи фільтрації 
80 
математичними методами, також при цьому можна легко адаптуватися до 
конкретного типу електродвигуна. 
Окрім вибору алгоритмів обробки сигналу та визначення способу 
діагностики асинхронних електродвигунів, ще важливою задачею є  
розроблення апаратної частини програмно-апаратного діагностичного 
комплексу. Актуальним є при цьому вибрати недорогу компонентну базу для 
його реалізації, бо це визначає собівартість комплексу, розмір якої не більше 
ніж 10% вартості самого електродвигуна. 
У роботі [5] описана реалізація програмної частини комплексу, де  
використовується метод аналізу сигналу повної споживаної потужності 
електродвигуна по кожній фазі трифазного живлення, за допомогою штучної 
нейронної мережі, яка визначає ймовірність присутності будь-якого 
пошкодження як в електричній, так і в механічній частині електродвигуна 
[5]. Для цього нейронну мережу прямого поширення (див. рис 3.1), 
планується використовувати для ідентифікації залежності повної потужності 
від часу або для ідентифікації спектру гармонік сигналу повної споживаної 
потужності на одному періоді.  
 
Рис. 3.1. Структурна схема нейромережі, яка пристосована для ідентифікації 
 сигналу повної споживаної потужності 
81 
Спочатку виконується визначення періоду сигналу (див. рис. 3.2). 
Потім відрізок, на якому сигнал триває протягом попередньо визначеного 
періоду, масштабується по ширині, а значення амплітуди повної потужності 
нормуються щодо номінальної потужності електродвигуна. Таким чином, 
будуть аналізуватись відсоткові зміни потужності. Для аналізу отриманий 
графік розбивається на рівномірні проміжки, кількість яких залежить від 
швидкодії вимірювального пристрою і частоти обертання ротора 
електродвигуна. 
 
Рис. 3.2. Графічне відображення інформації про споживану потужність 
електродвигуном для визначення періоду сигналу 
 
При навчанні нейронної мережі на виході використовується певне 
значення Yнавч, що відповідає конкретному виду несправності електродвигуна 
та еталонні експериментальні значення сигналу повної споживаної 
потужності дослідного електродвигуна, отримані за допомогою того ж 
вимірювального пристрою. Після цього, при ідентифікації сигналу вже 
навченою мережею, відбувається перевірка відповідності значення Y на 
виході мережі значенню Унавч, яке задавалася під час навчання. Якщо ці 
значення рівні між собою, то це означає, що у електродвигуні на 100% є 
несправність, на яку навчалася дана нейронна мережу. За визначену 
82 
несправність обирається та, у якої міра схожості найбільша. За рівнем 
відповідності інших несправностей електродвигуна можна отримувати 
висновки про ймовірність їх наявності. А у найскладніших випадках, 
можливо, ще й  доведеться використовувати експертну систему з набором 
правил нечіткої логіки, які визначатимуться під час експериментальних 
досліджень. 
Для створення діагностичних пристроїв та програмно-апаратних 
комплексів дуже бажано використовувати штучні нейронні мережі, оскільки 
вони є потужним засобом розпізнавання та прогнозування сигналів, а їх 
здатність до навчання дає можливість розробляти адаптивні системи захисту 
та діагностики електродвигунів. 
 
3.4 Задача діагностики ядерних енергетичних установок 
Рання діагностика несправностей та пошкоджень ядерних 
енергетичних установок є важливим компонентом забезпечення безпеки 
атомних електростанцій і може зробити свій внесок у формування 
громадської думки на користь (чи навпаки) використання атомної енергії. 
За останні роки було зроблено великі зусилля, спрямовані на розробку 
систем неруйнівного контролю вузлів атомних електростанцій, із 
застосуванням даних, отриманих від акустичних та вібродатчиків. Багато 
систем віброакустичної діагностики засновані на реєстрації та інтерпретації 
шумових сигналів, що представляють собою записи шумів різних вузлів у 
різних режимах роботи установки. 
При створенні таких систем дослідники стикаються із загальним 
комплексом проблем. Ці проблеми не залежать від специфіки даних, що 
обробляються. Перелік таких проблем такий: обробка та розпізнавання 
нестаціонарних сигналів, негаусівських сигналів та сильно зашумлених та 
спотворених сигналів. 
83 
Багато з перелічених завдань неможливо вирішити задовільно у межах 
застосування лінійної теорії обробки сигналів. Подібні задачі вимагають 
запровадження нових аналітичних та обчислювальних методів для свого 
вирішення. 
Новітня технологія нейронних мереж вже на даному етапі розвитку 
може запропонувати перспективні підходи до вирішення деяких із 
перелічених завдань і є додатковою по відношенню до традиційних методів 
обробки та розпізнавання сигналів. 
Багато сигналів, що реєструються в процесі роботи атомних 
електростанцій, є імпульсними з розподілом, що відхиляється від 
гаусівського [10]. 
На практиці часто корисний сигнал є зашумленим у частотній ділянці. 
Причому в цьому випадку співвідношення сигнал/шум істотно менше 
одиниці. Для обробки і розпізнавання такого роду сигналів в [12] 
запропонована методика, що включає адаптивний фільтр, блок вилучення 
ознак і нейронну мережу, що навчається з «учителем». 
Адаптивний фільтр дає змогу пригнічувати у вхідному сигналі 
корельовані компоненти. Як показує досвід, сигнали, що характеризують 
аварійні або аномальні стани АЕС, часто є більш «випадковими» по 
відношенню до нормального шуму фону і мають автокореляційну функцію з 
меншою постійною часу згасання. Цей факт використовується для фільтрації 
аномальних сигналів та придушення потужнішого фонового шуму. Слід 
зазначити, що адаптивний фільтр в залежності від своєї імпульсної функції 
відгуку від часу не може бути віднесений до лінійних систем і є 
найпростішим нелінійним елементом, який використовується в нейронних 
мережах. 
Після процедури фільтрації, акустичний сигнал надходить у блок 
отримання ознак. Як правило, акустичні сигнали оцифровуються з великою 
84 
частотою, тому розпізнавання вихідного сигналу утруднено через його 
велику розмірність. 
Для зниження розмірності акустичного способу сигналу, що подається 
на нейронну мережу, і для виключення надлишкової інформації 
використовується блок отримання ознак. У задачах класифікації як ознаки 
часто використовуються різні розкладання сигналу, наприклад, по головним 
компонентам. Для діагностики такі розкладання який завжди мають сенс, 
оскільки інформація про аномальному стані може міститися над головних 
компонентах. З цього погляду перспективним є підхід із вилученням 
незалежних компонентів із сигналу [34]. Сигнал розкладається за найбільш 
незалежними компонентами, що з точки зору діагностики дуже привабливим, 
оскільки сигнал, що характеризує аномальний стан, часто не залежить від 
фонового шуму. Поряд із вилученням ознак блок виконує завдання 
нормування вхідних образів, що є дуже важливим для нейронної мережі. 
Найбільш популярною архітектурою нейронних мереж в енергетиці в 
останні роки є багатошаровий персептрон із навчанням за правилом 
зворотного поширення помилок. Ця архітектура використовувалася й у 
прикладі [34]. Правило зворотного розповсюдження помилок модифіковано 
для прискорення збіжності мережі. Архітектура персептрона була змінена 
для розпізнавання образів з урахуванням контексту. Детально даний підхід 
описаний в [36]. 
 
3.5 Переваги методів розпізнавання образів, заснованих на 
застосуванні штучних нейронних мереж 
Є зрозумілим, що ефективність нейронних мереж зумовлюється, по-
перше, з розпаралелюванням обробки інформації а, по-друге, із-за здатності 
до самонавчання, тобто до уміння створювати узагальнення. Під терміном 
«узагальнення» розуміється здатність отримувати обґрунтований результат 
85 
на підставі даних, які не зустрічалися у процесі навчання. Ці властивості 
дозволяють нейронним мережам вирішувати складні завдання, які на 
сьогоднішній день вважаються такими, що важко розв'язуються. Але в 
практичному додатку при автономній (самостійній) роботі нейронні мережі 
не можуть забезпечити готових рішень. Їх необхідно інтегрувати у складні 
системи. Зокрема, комплексне завдання можна розбити на послідовність 
простих і частину з яких вже може вирішувати нейронна мережа. 
Тому, використовувати нейронні мережі для визначення всіх видів 
несправностей і ненормальних режимів роботи електродвигуна не надто 
доцільно, а деяких випадках і неможливо. 
Наприклад, неможливо визначити наявність рівномірного 
навантаження електродвигуна лише формою сигналу повної потужності 
електродвигуна, оскільки необхідно порівнювати амплітуду потужності 
електродвигуна з його номінальною потужністю. Однак це легко реалізувати 
у програмі. Тому, якщо програмно-апаратний комплекс 
використовуватиметься не тільки для діагностики, а й для захисту 
електродвигуна, то реалізація у ньому традиційних методів релейного 
захисту в цілому призведе до підвищення надійності його роботи. 
Для створення пристроїв та програмно-апаратних комплексів для 
проведення діагностики, доцільно використовувати у їхньому складі штучні 
нейронні мережі, оскільки вони є потужним засобом розпізнавання та 
прогнозування сигналів, а їх здатність до навчання дає можливість 
розробляти адаптивні системи захисту та діагностики електродвигунів. 
 
 
 
 
 
86 
Висновки до розділу 3 
1. Визначено коло задач пов’язаних з розпізнаванням образів в 
контексті невирішених питань електроенергетики. Під час проведення 
дослідження було виявлено наступний перелік питань: завдання виявлення 
аварійних режимів електромереж та пошкоджених енергетичних об'єктів; 
завдання діагностики асинхронних електродвигунів; завдання діагностики 
ядерних енергетичних установок. 
2. Своєрідні властивості дозволяють нейронним мережам вирішувати 
складні завдання, які на сьогоднішній день вважаються такими, що важко 
розв'язуються. Але в практичному додатку при автономній (самостійній) 
роботі нейронні мережі не можуть забезпечити готових рішень. Їх необхідно 
інтегрувати у складні системи. Зокрема, комплексне завдання можна розбити 
на послідовність простих і частину з яких вже може вирішувати нейронна 
мережа. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
87 
РОЗДІЛ 4 
ОСОБЛИВОСТІ АЛГОРИТМІЧНОГО ЗАБЕЗПЕЧЕННЯ ТА 
РОЗВ’ЯЗАННЯ ПРИКЛАДНИХ ЗАДАЧ ЕЛЕКТРОЕНЕРГЕТИКИ  
З ВИКОРИСТАННЯМ ПІДХОДІВ ЗАСНОВАНИХ  
НА ВИКОРИСТАННІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ 
 
4.1 Особливості математичного апарату, використовуваного при 
розв’язуванні задач електроенергетики з використанням підходів 
нейромереж 
Як відомо в основі теорії нейронних мереж лежить модель штучного 
нейрона (ШН), прототипом якого є найпростіша клітина нервової системи 
людини або тварини. Такий нейрон перетворює множину вхідних сигналів  
 
Х = {Х1, Х2 ... Хm}                                                (4.1) 
 
у вихідний сигнал Y за допомогою нелінійних перетворень [15]. 
У моделі штучного нейрона можна виділити три основні елементи: 
1) набір сигналів чи зв'язків, кожен із яких характеризується своєю 
вагою чи силою; 
2) суматор, що складає вхідні сигнали; 
3) функцію активації (стиснення), що обмежує амплітуду вихідного 
сигналу. 
Графічно повна модель нейрона може бути представлена як 
представлено на рис. 4.1. 
З точки зору оцінки математичного апарату, використовуваного для 
функціонування нейронних мереж, найбільш доцільно розглянути алгоритм 
навчання, вид штучної нейронної мережі визначає особливості такого 
навчання. 
 
88 
 
 
Рис. 4.1. Графічна модель нейрона 
 
У мережах оптимальні вихідні значення нейронів всіх шарів, крім 
останнього, зазвичай невідомі. У таких умовах навчити багатошаровий 
перцептрон неможливо, керуючись лише величинами помилок на виходах 
штучної нейронної мережі. Навчання багатошарових мереж супервізерне, що 
вимагає в навчальній вибірці наявності не тільки безлічі вхідних векторів, а й 
безлічі відповідних відгуків [15]. 
Математично завдання полягає у знаходженні таких значень вагових 
коефіцієнтів (при фіксованій структурі), щоб мінімізувалась помилка 
неузгодженості між реакцією мережі та необхідним відгуком для всіх 
прикладів навчальної вибірки. Підсумовування ведеться по всіх нейронах 
вихідного шару і по всіх оброблюваних мережею образах. 
Алгоритм зворотного поширення помилки визначає стратегію підбору 
ваги багатошарової мережі із застосуванням градієнтних методів оптимізації. 
Винайдений заново кілька разів, він в даний час вважається одним з 
найбільш ефективних алгоритмів навчання багатошарової мережі. Його 
основу становить цільова функція, що формулюється, як правило, у вигляді 
квадратичної суми різниць між фактичними та очікуваними значеннями 
вихідних сигналів [15]. 
Навчання багатошарової мережі із застосуванням градієнтних методів 
вимагає визначення вектора градієнта щодо ваги всіх шарів мережі, що 
необхідно для правильного вибору напрямку p(w). Це завдання має очевидне 
89 
рішення лише для ваги вихідного шару. Для інших шарів створена 
спеціальна стратегія, яка в теорії штучних нейронних мереж називається 
алгоритмом зворотного поширення помилки (англ. error backpropagatiott), 
що ототожнюється, як правило, з процедурою навчання мережі. Відповідно 
до цього алгоритму у кожному циклі навчання виділяються такі етапи. 
1. Аналіз нейронної мережі у прямому напрямку передачі інформації 
при генерації вхідних сигналів, що становлять черговий вектор х В результаті 
такого аналізу розраховуються значення вихідних сигналів нейронів 
прихованих шарів та вихідного шару, а також відповідні похідні 
 
                                    (4.2) 
 
від функції активації кожного шару (m – кількість шарів мережі). 
 
2. Створення мережі зворотного поширення помилок шляхом зміни 
напрямів передачі сигналів, заміна функцій активації їх похідними та подача 
на колишній вихід (а зараз − вхід) мережі збудження у вигляді різниці між 
фактичним та очікуваним значенням. Для певної в такий спосіб мережі 
необхідно розрахувати значення необхідних зворотних різниць. 
3. Уточнення вагів (навчання мережі) проводиться за 
запропонованими вище формулами на основі результатів, отриманих в п. 1 і 
2, для оригінальної мережі та для мережі зворотного розповсюдження 
помилки. 
4. Описаний у пунктах 1, 2 і 3 процес слід повторити по усім 
навчальним вибіркам, продовжуючи його до виконання умови зупинки 
алгоритму. Дія алгоритму завершується в момент, коли норма градієнта 
впаде нижче за апріорі заданого значення ε, що характеризує точність 
процесу навчання [17]. 
90 
Основоположні формули та їхні модифікації для конкретних типів 
нейронних мереж вважаються класичними для теорії нейронних мереж. З цієї 
причини ми розглянемо лише умови, що стосуються мережі з одним 
прихованим шаром. Кількість вхідних вузлів N, кількість нейронів у 
прихованому шарі К, а кількість нейронів у вихідному шарі М. Основу 
алгоритму становить розрахунок значення цільової функції як квадратичної 
суми різниць між фактичними та очікуваними значеннями вихідних сигналів 
мережі. У разі одиничної навчальної вибірки (x,d) цільова функція задається 
формулою 
                                   (4.3) 
 
а для множини навчаючих вибірок j(j=1,2,…,p) − виразом 
 
                                    (4.4) 
 
 Для спрощення використовуємо цільову функцію виду (4.3) котра 
дозволяє уточнювати ваги після пропозиції кожної навчальної вибірки 
 
    (4.5) 
 
 Конкретні компоненти градієнта розраховуються диференціюванням 
виразу 4.5. В першу чергу підбираються ваги нейронів  
 
                                (4.6) 
91 
де 
 
 
 Якщо увести позначення виду 
                                    (4.7) 
 
то відповідний компонент градієнта щодо ваг нейронів вихідного шару 
можна представити у вигляді 
 
                                           (4.8) 
 
Компоненти градієнта щодо нейронів прихованого шару 
визначаються за тим же принципом, проте вони описуються іншою, 
складнішою залежністю, наступною з існування функції, заданої у вигляді 
 
                                 (4.9) 
 
Після конкретизації окремих складових цього виразу отримуємо 
 
            (4.10) 
 
Якщо ввести позначення 
92 
                                     (4.11) 
 
то ми отримаємо вираз, що визначає компоненти градієнта щодо ваг нейронів 
прихованого шару у вигляді 
 
                                              (4.12) 
 
В обох випадках опис градієнта має аналогічну структуру і 
представляється добутком двох сигналів: перший відповідає початковому 
вузлу даної зваженої зв'язку, а другий – величині похибки, перенесеної на 
вузол, з яким цей зв'язок встановлений. Визначення вектора градієнта є дуже 
важливим для подальшого процесу уточнення ваг.  
У класичному алгоритмі зворотного поширення помилки фактор p(w), 
що враховується у виразі w(k +1) = w(k)+Δw, задає напрям негативного 
градієнту, тому 
 
                                            (4.13) 
 
Стохастичні методи навчання виконують псевдовипадкові зміни 
значень ваги, зберігаючи ті зміни, які ведуть до зменшення функції помилки. 
Саме через це тому залучаються методи адаптивного випадкового пошуку, 
генетичні алгоритми та інших. При використанні лінеаризованих моделей 
технологічних завдань спрощується поверхню функції якості, що впливає 
адекватність моделі знань. При орієнтації на існуючі апаратні засоби 
управління з урахуванням їхньої еволюційної модифікації перспективним 
напрямом у побудові адекватної моделі знань для штучних нейронних мереж 
є винесення етапу навчання з процедури управління у реальному часі [20]. 
93 
4.2 Приклад розв'язання прикладної задачі електроенергетики з 
застосуванням апарату штучних нейронних мереж 
Теплова паротурбіна електростанція, теплова електростанція, де для 
приводу електричного генератора використовується парова турбіна. Основне 
призначення таких електростанцій, як і будь-якої електростанції − 
виробництво електричної енергії. 
Сучасні паротурбінні електростанції, які працюють на вугіллі, 
природному газі та інших видах викопного палива, все ж залишаться 
затребуваними протягом найближчих десятиліть, незважаючи на зростання 
відновлюваних джерел енергії. Будучи своєрідним мостом у майбутнє, такі 
енергетичні об'єкти продовжують забезпечувати населення та промислових 
споживачів дешевою енергією у всьому світі. У наші дні енергетичні 
компанії змушені вирішувати численні технічні, фінансові та екологічні 
проблеми, задовольняючи попит на електроенергію, що зростає, і гнучко 
реагуючи на коливання навантаження, викликані впровадженням 
відновлюваних джерел енергії. Будівництво паротурбінних електростанцій із 
високим ККД та мінімальними викидами може покращити ситуацію завдяки 
інноваційним технологіям.  
Як і будь-яка електростанція, теплова паротурбінна електростанція  
повинна мати високу надійність, мати властивість маневреності і бути 
економічною. Надійність обладнання станції повинна бути достатньою для 
того, щоб у кожен момент часу вона могла розвивати потужність, рівну 
потужності електричного навантаження (змінюється в часі), і забезпечувати 
необхідну якість електроенергії в енергосистемі.  
В теплових паротурбінних електростанціях, зазвичай парову турбіну 
з'єднують з генератором безпосередньо, без проміжної передачі, утворюючи 
паровий турбоагрегат, що відрізняється компактністю, надійністю та 
високим ккд. Турбоагрегат можна практично повністю автоматизувати і в 
результаті здійснювати керування ним з центрального пульта керування. 
Необхідна для парової турбіни пара виробляється в парогенераторі. 
94 
В задачі, що розв’язується, за допомогою нейронної мережі 
визначаємо несправності труб парогенератора використовуючи нейронну 
мережу. Дані, отримані в результаті вимірювання диференційним зондом 
контрольного трубопроводу (файл "ref.mat"), використовуватимемо для 
навчання нейронної мережі. Також необхідно перевірити результат навчання 
нейронної мережі; встановити несправності парогенераторної трубки 
застосувавши нейронну мережу для оцінки реальних вимірів (файли «A.mat» 
– «K.mat»). 
Виміри у файлі «ref.mat» представлені наступним чином: 
довжина позиція тип парамет параметр ..... параметр довжи положе ..... 
несправ р [0] [1] [довжина -1] на ння 
ності комп 
Довжина – визначає кількість виміряних значень для певної несправності 
положення несправності на трубопроводі; 
тип − визначає тип несправності відповідно до таблиці; 
data[x] − виміри (комплексне значення) 
Таблиця 4.1 
Встановлені типи несправностей 
несправність Тип 
Контрольна труба – дефект – 100% 10 
Контрольна труба – дефект – 72% 11 
Контрольна труба – дефект – 48% 12 
продовження трубка – зовнішня канавка – 20% 13 
продовження трубка – підпорка 16 
Контрольна труба – дефект 100% + ребро підпорки 17 
продовження трубка – підпорка + дефект 100% 18 
продовження трубка – дефект 48% + ребро підпорки 19 
Контрольна труба – підпорка + дефект 48% 20 
  
95 
Продовження таблиці 4.1 
Контрольна труба – зовнішній паз 20% + опора 21 
продовження трубка – підпорка + зовнішня 22 
канавка 20% 
... ... 
 
Розв’язання задачі 
1. Результат навчання нейронної мережі:  
 
Рис. 4.1 Результат навчання нейронної мережі 
 
2 Доповнимо файл ‚vypis.m‘ так, аби ми могли додати до робочого 
простору програми Matlab дані з файлів ‚A.mat‘ - K.mat‘, після чого 
виконуємо нормалізацію значень. 
96 
 
Рис. 4.1 Перенесення типів несправностей  до програми Матлаб 
 
3. За допомогою нейронної мережі можемо класифікувати ознаки 
несправностей: 
 
Рис. 4.3 Класифікація ознак несправностей за допомогою нейронної мережі 
 
4. Використовуючи запропоновану в завданні таблицю та отримані 
дані, можемо класифікувати несправності. 
 
Рис.4.4 Результат класифікації в Matlab 
97 
Таблиця 4.2 
Визначення несправності за її типом 
Несправність тип Файл 
Контрольна труба – дефект – 100% 10 A 
Контрольна труба – дефект – 72% 11 B 
Контрольна труба – дефект – 48% 12  
продовження трубка – зовнішня канавка – 13  
20% 
продовження трубка – підпорка 16 E, F, G, H 
Контрольна труба – дефект 100% + ребро 17 I 
підпорки 
продовження трубка – підпорка + дефект 18  
100% 
продовження трубка – дефект 48% + 19  
ребро підпорки 
Контрольна труба – підпорка + дефект 20  
48% 
Контрольна труба – зовнішній паз 20% + 21  
опора 
продовження трубка – підпорка + 22 J, K 
зовнішня канавка 20% 
N/A 15 C, D 
... ...  
 
Пояснення до алгоритму розв'язання задачі 
1. Який тип нейронної мережі було застосовано? 
Досліджуючи файл start.m, було встановлено, що для створення 
нейронної мережі використовувалася функція newwff; тобто 
використовується мережа прямого зворотного поширення. Кількість 
98 
нейронів для прихованого шару та для вихідного шару зазначається в 
квадратних дужках. 
 
 
Рис. 4.5 Функція для створення нейронної мережі 
 
2. Скільки шарів має нейронна мережа? 
Matlab визначає дану нейронну мережу як таку, що складається з двох 
рівнів (рис. 7): одного прихованого шару та одного вихідного шару. Загалом 
можна також сказати, що нейронна мережа складається з вхідного, 
прихованого та вихідного рівня. 
 
Рис. 4.6 Графічне зображення нейронної мережі 
 
 
 
Рис. 4.7 Властивості нейронної мережі 
 
3. Скільки входів і виходів має нейронна мережа? Скільки нейронів у 
кожному шарі? 
99 
На основі рис. 4.6 бачимо, що вхідний рівень має 6 нейронів (тобто 6 
входів), а вихідний рівень має один нейрон (тобто 1 вихід). Прихований шар 
містить 9 нейронів. 
4. Які використовуються типи передавальних функцій? 
Використовуючи команду net.layers{1}.transferFcn, ми визначили, що 
передавальною функцією є функція гіперболічного тангеНМа сигмоїди. 
 
Рис. 4.8 Передавальна функція 
     
  5. Порівняйте отримані параметри нейронної мережі після навчання 
змінивши передавальну функцію. 
 
Рис. 4.9 Вихідна гіперболічна передавальна функція тангеНМа сигмоїди 
 
Додавши більше даних до функції newff, можемо змінити тип 
передавальної функції (див. рис. 4.10). 
100 
 
Рис. 4.10 Зміна типу передавальної функції 
 
Опираючись на дані, зображені на рис. 11-13, ми бачимо, що після 
навчання мережі інші типи передавальних функцій мають значно більшу 
похибку. 
 
Рис. 4.11 Лінійна передавальна функція 
 
 
Рис. 4.12 Передавальна функція «зрізаний лінійний вузол» (ReLu). 
 
101 
 
Рис. 4.13 Лог-сигмоїдна передавальна функція 
 
6. Видаливши будь-яку діагностичну ознаку на вході НМ, як 
змінилися параметри нейронної мережі після навчання? Чи правильно НМ 
класифікує несправності? 
Для цього видалимо признак 4 (dispersion_x) на вході нейронної 
мережі. 
 
 
Рис. 4.14 Видалення ознаки дисперсії  
 
У результаті ми все ще можемо навчити мережу, але отримуємо 
більшу похибку: Δmse = 2e-05. Проте варто зазначити, що для деяких файлів 
ми отримаємо неправильну класифікацію (рис. 16), однак в той же час інші 
файли класифікуються вірно. Це можна пояснити тим, що неправильно 
класифіковані файли мали саме той тип несправності, ознаки якої ми 
видалили на вході НМ. 
 
102 
 
Рис. 4.15 Результат навчання після зміни вхідного параметра нейронної мережі 
 
 
 
Рис. 4.16 Результат класифікації після видалення діагностичного параметра 
 
7. Чи можна здійснити навчання НМ з однаковими початковими 
вагами нейронів? Щоб початкові ваги повторювалися? 
Якщо вага всіх нейронів починається з однакових значень і якщо 
рішення вимагає створення нерівних ваг, система ніколи не зможе навчитися. 
103 
Помилка поширюється назад по шкалам пропорційно значенням шкал. Це 
означає, що всі приховані нейрони, з’єднані  безпосередньо з вихідними 
блоками, отримуватимуть однакові сигнали помилок, і оскільки зміни ваги 
залежать від сигналів помилок, ваги від цих блоків до вихідних блоків 
завжди будуть залишатись однаковими. Система починає роботу в певній 
точці нестабільної рівноваги, яка зберігає незмінні ваги, але вищі, ніж деякі 
сусідні точки на поверхні розлому, і коли вони переміщуються до однієї з 
цих точок, вони ніколи не повертаються. Ми вирішуємо цю проблему, 
запускаючи систему з малими випадковими вагами. За цих умов подібні 
проблеми симетрії не виникають. 
Наприклад, якщо ми ініціалізуємо всі ваги однаковим значенням 
(наприклад, нулем або одиницею). У цьому випадку кожен прихований блок 
отримує абсолютно однаковий сигнал. Якщо всі ваги ініціалізовано на 1, 
кожен блок отримує сигнал, що дорівнює сумі вхідних даних (і виводить 
sigmoid(sum(inputs))). Якщо всі ваги дорівнюють нулю, що ще гірше, кожна 
прихована одиниця отримає нульовий сигнал. Незалежно від того, що було 
введено, якщо всі ваги однакові, усі одиниці у прихованому шарі також 
будуть однаковими. 
Щоб встановити певну вагу шару, нам потрібно зробити наступне: 
Ми можемо підійти до ваги шару наступним чином: 
net.LW{i,j} 
Ми можемо встановити довільні значення ваг нейронів і встановити 
net.layerWeights{i,j}.learn на 0, щоб ваги не змінювалися під час навчання та 
адаптації. У цьому випадку неможливо встановити конкретну вагу для 
з’єднання, оскільки властивість net.layerWeights{i,j}.learn визначено для всіх 
з’єднань між шарами i та j. 
net.layerWeights{i,j}.learn = 0 
net.LW{i,j} = ones(size(net.LW{i,j})) % any weights of size(net.LW{i,j}) 
Архітектура мережі вже визначена та навчена: 
104 
Тоді ми можемо встановити вагу зв’язку між нейронами k & l шарів i 
& j наступним чином: 
net.LW{i,j}(k,l) = 1 
Вищеописані кроки також можна виконати і для вхідних ваг. 
8. Чи можна визначити результуючі ваги сигналів в окремих 
нейронах? Якщо так, то дізнайтеся їх значення в представленому прикладі! 
Так, ваги окремих нейронів можна визначити. 
Використовуючи команду «weights_input = net.IW{1}», ми можемо 
визначити вагу кожного сигналу, що надходить від одного з шести нейронів 
у вхідному шарі до кожного з дев’яти нейронів у прихованому шарі. 
За допомогою команди "weights_hidden = net.LW{2}" ми можемо 
визначити вагу кожного сигналу, що надходить від одного з дев'яти нейронів 
прихованого шару до нейрона вихідного шару. 
 
 
 
Рис. 4.17 Результуючі ваги сигналів в окремих нейронах 
 
 
 
 
 
105 
Висновки до розділу 4 
1. З точки зору оцінки математичного апарату, використовуваного для 
функціонування нейронних мереж, найбільш доцільно розглянути алгоритм 
навчання навчання, вид штучної нейронної мережі визначає особливості 
такого навчання. 
2. У рамках розв'язання прикладної задачі ми класифікували дефекти 
трубопроводу парогенератора для парової турбіни  теплової паротурбінної 
електростанції за допомогою нейронної мережі в програмі Matlab.  
3. Використовуючи отримані дані, користуючись таблицею, ми змогли 
визначити тип несправності. Але варто зауважити, що класифікувати деякі 
типи несправностей за допомогою таблиці, запропонованої в завданні, не 
вдалося: на основі даних, запропонованих нейронною мережею, файли C.mat 
і D.mat мають тип помилки 15, які не зазначені в таблиці. 
4. Було здійснено дослідження нейронної мережі за допомогою 
засобів і функцій програми Matlab. Визначили основні параметри цієї мережі, 
порівняли результати навчання при зміні типу передавальної функції, а також 
розглянули зміни у функціонуванні нейронної мережі при зміні одного з 
вхідних параметрів. Розглянули нейронну мережу з однаковими початковими 
вагами нейронів. Також, нам вдалося з'ясувати результуючі ваги сигналів в 
окремих нейронах. 
 
 
 
 
 
 
 
 
 
 
106 
ВИСНОВКИ 
 
В магістерській роботі досліджені та систематизовані методи штучних 
нейронних мереж в контексті можливості їх застосування при розв’язанні 
широкого кола задач електроенергетики. 
Основні результати магістерської роботи полягають у наступному. 
1. Штучні нейронні мережі мають досить значний потенціал 
застосування в інтелектуальному управлінні сучасних ЕЕС.  
2. В результаті дослідження значної кількості наукових та науково-
прикладних публікацій, зокрема асоціації IEEE, було виявлено, що 
основними перевагами застосування штучний нейронних мереж є наступні: 
можливість в реальному часу проводити надзвичайно швидку класифікацію 
та первинну  обробку інформації; нелінійне моделювання та розподіл 
поступаючих вхідних даних за необхідним ознаками; ефективна робота при 
ймовірнісних змінах робочих параметрів системи; здатність до 
масштабування. 
3. Широке впровадження штучних нейронних мереж в сфері 
електроенергетики, в першу чергу обумовлюється  нелінійним та динамічним 
поводженням ЕЕС, проблемами великої розмірності наявних систем оцінки 
безпеки та надійності. 
4. Було окреслено коло задач пов’язаних з розпізнаванням образів в 
контексті невирішених питань електроенергетики.  
5. Обґрунтовано, що своєрідні властивості, дозволяють нейронним 
мережам вирішувати складні завдання, які на сьогоднішній день вважаються 
такими, що важко розв'язуються. Але в практичному додатку при автономній 
(самостійній) роботі нейронні мережі не можуть забезпечити готових рішень. 
Їх необхідно інтегрувати у складні системи. Зокрема, комплексне завдання 
можна розбити на послідовність простих і частину з яких вже може 
вирішувати нейронна мережа. 
107 
6. Визначено, що найбільш доцільно, в якості математичного апарату, 
розглядати до застосування алгоритм навчання, при цьому вид штучної 
нейронної мережі визначає особливості такого навчання. 
7. У рамках прикладу розв'язання прикладної задачі було 
класифіковано дефекти трубопроводу парогенератора для парової турбіни  
теплової паротурбінної електростанції за допомогою нейронної мережі в 
програмі MatLab. Використовуючи отримані дані, користуючись таблицею, 
ми змогли визначити тип несправності.  
8. Було здійснено дослідження нейронної мережі за допомогою 
засобів і функцій програми MatLab. Визначено основні параметри цієї 
мережі, здійснено порівняння результатів навчання при зміні типу 
передавальної функції, а також розглянуто зміни у функціонуванні нейронної 
мережі при зміні одного з вхідних параметрів.  
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
108 
СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ 
 
1. Madni A.M., Madni C.C., Lucero S.D. Leveraging digital twin 
technology in model-based systems engineering // Systems, 2019. Vol. 7. Iss. 1. 
Art. No. 7. 13 p. 
2. Andryushkevich S. K., Kovalyov S. P., Nefedov E. Composition and 
application of power system digital twins based on ontological modeling // 17th 
IEEE Conference (International) on Industrial Informatics Proceedings. — 
Helsinki-Espoo, Finland: IEEE, 2019. P. 1536-1542. 
3. Frolov D. How machine learning empowers models for digital twins // 
Benchmark, 2018. Vol. 6. P. 48-53. 
4. Cybenko G. V. Approximation by superpositions of a sigmoidal 
function // Math. Control Signal., 1989. Vol. 2. No.4. P. 303-314. 
5. Srinivas S., Sarvadevabhatla R. K., Mopuri K. R., Prabhu N., 
Kruthiventi S. S. S., Babu R. V. A taxonomy of deep convolutional neural nets for 
computer vision // arXiv.org, 2016. arXiv:1601.06615 [cs.CV]. 
https://arxiv.org/abs/1601.06615. 
6. Chung J., Gulcehre C., Cho K., Bengio Y. Empirical evaluation of 
gated recurrent neural networks on sequence modeling // arXiv.org, 2014. 
arXiv:1412.3555 [cs.NE]. https: //arxiv.org/abs/1412.3555. 
7. Hsu W.-N., Zhang Y., Glass J. Unsupervised domain adaptation for 
robust speech recognition via variational autoencoder-based data augmentation // 
arXiv.org, 2017. arXiv:1707.06265 [cs.CL]. https://arxiv.org/abs/1707.06265. 
8. Панов M., Хмелев И., Смирнов А. Нейронные сети на службе 
энергетиков // Открытые системы. СУБД, 2016. №4. С. 39-41. 
9. Ugurlu U., Oksuz I., Tas O. Electricity price forecasting using 
recurrent neural networks // Energies, 2018. Vol. 11. Iss. 5. Art. No. 1255. 21 p. 
doi: 10.3390/ en11051255. 
10. Bhattacharya B., Sinha A. Intelligent subset selection of power 
generators for economic dispatch // arXiv.org, 2017. arXiv:1709.02513 [cs.CE]. 
109 
https://arxiv.org/abs/ 1709.02513. 
11. Zhao R., Yan R., Chen Z., Mao K., Wang P., Gao R.X. Deep learning 
and its applications to machine health monitoring// Mech. Syst. Signal Pr., 2019. 
Vol. 115. P.213-237. 
12. Rudin F., Li G.-J., Wang K. An algorithm for power system fault 
analysis based on convolutional deep learning neural networks // Int. J. All 
Research Education Scientific Methods, 2017. Vol. 5. Iss. 9. P. 11-18. 
13. Chen K., Hu J., He J. Detection and classification of transmission line 
faults based on unsupervised feature learning and convolutional sparse autoencoder 
// IEEE T. Smart Grid, 2016. Vol. 9. Iss. 3. P. 1748-1758. 
14. Ивченко, В. Д. Применение нейросетевых технологий в 
различных областях науки и техники. Текст / В. Д. Ивченко, С. С. Кананадзе 
// Приборы и системы. Управление, контроль, диагностика. - 2005. - № 6. - С. 
28-29. 
15. Махотило, К. В. Дискретная нейросетевая система управления 
нелинейными динамическими объектами / К. В. Махотило, С. А. Сергеев, А. 
В. Сушков. - К.: Наукова думка, 2000. 
16. Каллан, Р. Основные концепции нейронных сетей / Р. Каллан. М.: 
Вильяме, 2003. - 288 с. 
17. Оссовський С.. Нейронні мережі для обробки інформації. / Пер. з 
польського І.Д. Рудинського. – М.: Фінанси та статистика, 2002. – 344 с. 
18. Чукре Ю.Я., Хохлов М.В., Алла Е.А. Оперативне управління 
режимами регіональної енергосистеми з використанням технології штучних 
нейронних мереж // Електрика. 2000. - №4. – С. 2-10. 
19. Брікман М.С., Крістніков Д.С. Аналітична ідентифікація 
керованих систем. - Рига: Зінатне, 1999. 
20. Комашинський В.І.. Введення в нейро-інформаційні технології – 
Скб.: Тема, 1999. – З 36-40. 
110 
21. Alekseev A. Plans for improving the efficient use of electricity in 
Europe: the role of power electronics // Energoekspert. - 2009. - № 6. - Pp. 82-84. 
(Rus) 
22. Varivodov V., Kovalenko Yu. Intelligent power systems // 
Elektrichestvo. - 2011. - № 9. - Pp. 4-9. (Rus) 
23. Dorofeev V., Makarov A. Active-adaptive network - a new quality of 
UES of Russia // Energoekspert. - 2009. - № 4. - Pp. 28-34. (Rus) 
24. Douglas G. Demonstration Projects on Intelligent Networks: focus on 
the integration of distributed energy sources // Energoekspert. - 2011. - № 2. - Pp. 
92-95. (Rus) 
25. Kyrylenko O., Yakimenko Yu., Zhuikov V., Denysiuk S. Converter 
parameters in power systems, Energy Smart // Pratsi Instytutu elektrodynamiky 
NAN Ukrainy. Spetsialnyi vypusk. - 2010. - Pp. 17-23. (Ukr) 
26. Kobets B., Volkova I. Smart Grid as the concept of innovation 
development of power abroad // Energoekspert. - 2010. - № 2. - Pp. 52-58. (Rus) 
27. Romero K. Integration of information and operational technologies to 
create an effective smart grid // Energoekspert. - 2011. - № 3. - Pp. 72-75. (Rus) 
28. Stognii B., Kyrylenko O., Denysiuk S. Smart grids, electric power 
systems and their technological support // Tekhnichna elektrodynamika. - 2010. - 
№ 6. - Pp. 44-50. (Ukr) 
29. Stognii B., Kyrylenko O., Prahovnyk A., Denysiuk S. Intelligent 
electrical network: the international experience and perspectives of Ukraine // 
Pratsi Instytutu elektrodynamiky NAN Ukrainy. Spetsialnyi vypusk. - 2011. - Pp. 
5-20. (Ukr) 
30. Stognii B., Kyrylenko O., Batalov A., Denysiuk S. The technological 
basis Intellectual united energy system of Ukraine // Pratsi Instytutu 
elektrodynamiky NAN Ukrainy. Spetsialnyi vypusk. - 2011. - Pp. 20-31. (Ukr) 
31. EPRI’s IntelliGridSM initiative. [Electronic resource] - Mode of 
access: http: // intelligrid.epri.com 
111 
32. EPRI Smart Grid Demonstration Initiative. Two year update. - 
Electric Power Research Institute (EPRI). - USA, California, 2010. 
33. European Technology Platform - Smartgrids, April 2010: “Strategic 
Deployment document for Europe’s Electricity Networks of the Future. 
34. Grid Weise Architectural Council. [Electronic resource] - Mode of 
access: http://www.gridwiseac.org 
35. Grid 2030: A National Version for Electricity’s Second 100 Years // 
Office of Electric Transmission and Distribution United State Department of 
Energy, July 2003. 
36. Hawitt C. ORGs for Scalable, Robust, Privacy-Friendly Client Cloud 
Computing / C.Hawitt // IEEE Internet Computing, September/October 2008. - 
Vol. 12. - N 5. - Pp. 96-99. 
37. Smart Grid - European Technology Platform for Electricity Networks 
of the Future. - European Commission, 2005. [Electronic resource] - Mode of 
access: http://www.smartgrids.eu/ 
38. Smart Power Grids - Talking about a Revolution // IEEE Emerging 
Technology portal, 2009. 2011. [Electronic resource] - Mode of access: 
http://www.ieee.org/portal/site/emergingtech/techindex.isp7techIdM220 
39. The Modern Grid Initiative Version 2.0, Conducted by the National 
Energy Technology Reliability, January 2007. [Electronic resource] - Mode of 
access: http://www.netl.doe.gov/moderngrid/resources.html 
40. The National Energy Technology Laboratory: A vision for the 
Modern Grid, March 2007. [Electronic resource] - Mode of access: 
http://www.bpa.gov/energy/n/smart grid/docs/Vision for theModernGrid Final.pdf 
41. Ключка А.К., Ситник О.О. «Використання нейронних мереж при 
діагностиці та оптимізації складних електричних схем» // Збірник тез 
доповідей студентської науково-практичної конференції ЧДТУ, 19-22 квітня, 
Черкаси.). 2022. – С. 111