Прогнозування працездатності суднової електроенергетичної системи на базі штучної нейронної мережі

Автор(и)

  • Irina Gvozdeva Національний університет «Одеська морська академія», вул. Дідріхсона, 8, м. Одеса, Україна, 65029, Україна https://orcid.org/0000-0003-2172-8888
  • Valery Lukovtsev Національний університет «Одеська морська академія», вул. Дідріхсона, 8, м. Одеса, Україна, 65029, Україна https://orcid.org/0000-0003-3673-5159
  • Sergii Tierielnyk Національний університет «Одеська морська академія», вул. Дідріхсона, 8, м. Одеса, Україна, 65029, Україна https://orcid.org/0000-0002-7661-9470

DOI:

https://doi.org/10.15587/2312-8372.2017.108528

Ключові слова:

прогнозування стану суднової електроенергетичної системи, коефіцієнт узагальненого параметра, штучна нейронна мережа

Анотація

Розроблена структура системи прогнозування стану суднової електроенергетичної системи (СЕЕС) на базі штучної нейронної мережі (ШНМ). Вирішена задача навчання ШНМ, використовуючи данні, отримані в результаті застосування аналітичних методів прогнозування стану СЕЕС. Доведена можливість застосування ШНМ для вирішення задач прогнозування стану СЕЕС.

Біографії авторів

Irina Gvozdeva, Національний університет «Одеська морська академія», вул. Дідріхсона, 8, м. Одеса, Україна, 65029

Доктор технічних наук, професор 

Кафедра електрообладнання та автоматики суден

Valery Lukovtsev, Національний університет «Одеська морська академія», вул. Дідріхсона, 8, м. Одеса, Україна, 65029

Кандидат технічних наук, доцент

Кафедра електрообладнання та автоматики суден

Sergii Tierielnyk, Національний університет «Одеська морська академія», вул. Дідріхсона, 8, м. Одеса, Україна, 65029

Аспірант

Кафедра електрообладнання та автоматики суден

Посилання

  1. MAIB Marine Accident Investigation Branch. Available: http://www.maib.gov.uk
  2. In: Bunn, D. W., Farmer, E. D. (1985). Comparative Models for Electrical Load Forecasting. Wiley, 242.
  3. Zakariukin, V. P., Kriukov, A. V., Raevskii, N. V., Yakovlev, D. A.; In: Kriukov, A. V. (2007). Modelirovanie i prognozirovanie protsessov elektropotrebleniia na zheleznodorozhnom transporte. Irkutsk, 115.
  4. Emelianov, A. S. (1985). Ekonometriia i prognozirovanie. Moscow: Ekonomika, 306.
  5. Singh, A. K., Khatoon, I. S., Muazzam, M., Chaturvedi, D. K. (2013). An Overview of Electricity Demand Forecasting Techniques. Network and Complex Systems. National Conference on Emerging Trends in Electrical, Instrumentation & Communication Engineering, 3 (3), 38–48.
  6. Garde, V. D., Patel, R. R. (1985). Technological forecasting for power generation –A study using the Delphi technique. Long Range Planning, 18 (4), 73–79. doi:10.1016/0024-6301(85)90087-1
  7. Venttsel, E. S. (1999). Teoriia veroiatnostei. Ed. 6. Moscow: Vishcha shkola, 576.
  8. Wailly, O., Heraud, N., Sambatra, E. J. R. (2014). Algebraic Observability Analysis of Electrical Network with Symbolic Computation: Application on MYRTE Electrical Power Plant. IFAC Proceedings Volumes, 47 (3), 1085–1089. doi:10.3182/20140824-6-za-1003.01782
  9. Gordunovsky, V. (2015). A Summation Constraint Method for Linear Programming. Procedia Computer Science, 55, 246–250. doi:10.1016/j.procs.2015.07.039
  10. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control. Ed. 5. Wiley, 712.
  11. Smoliak, S. A., Titarenko, B. P. (1980). Ustoichivye metody otsenivaniia. Moscow: Statistika, 208.
  12. Alencar, R. J. N., Bezerra, U. H., Ferreira, A. M. D. (2014). A method to identify inrush currents in power transformers protection based on the differential current gradient. Electric Power Systems Research, 111, 78–84. doi:10.1016/j.epsr.2014.02.009
  13. Mitiushkin, K. G. (1990). Telekontrol' i teleupravlenie v energosistemah. Moscow: Energoatomizdat, 287.
  14. Myzin, A. P. (1994). Metody i modeli prognozirovaniia dlia razvitiia elektroenergeticheskih sistem v usloviiah neopredelionnosti i mnogokriterial'nosti. Novosibirsk, 307.
  15. Kozub, D. J., MacGregor, J. F., Wright, J. D. (1986). Multivariable Control of a Catalytic Tubular Reactor Using Both Wiener-hopf Controller Design and Internal Model Controller Design Approaches. IFAC Proceedings Volumes, 19 (15), 285–293. doi:10.1016/s1474-6670(17)59436-7
  16. Singh, S. K., Sinha, N., Goswami, A. K., Sinha, N. (2016). Several variants of Kalman Filter algorithm for power system harmonic estimation. International Journal of Electrical Power & Energy Systems, 78, 793–800. doi:10.1016/j.ijepes.2015.12.028
  17. Spravochnik po tipovym programmam modelirovaniia. (1980). Kyiv: Tehnika, 184.
  18. Ding, F., Meng, D., Wang, Q. (2015). The model equivalence based parameter estimation methods for Box–Jenkins systems. Journal of the Franklin Institute, 352 (12), 5473–5485. doi:10.1016/j.jfranklin.2015.08.018
  19. Alban, A., Darji, H. A., Imamura, A., Nakayama, M. K. (2017). Efficient Monte Carlo methods for estimating failure probabilities. Reliability Engineering & System Safety, 165, 376–394. doi:10.1016/j.ress.2017.04.001
  20. Theil, H. (1966). Applied Economic Forecasting. Elsevier Science Publishing Co Inc., 503.
  21. Bolshov, L. A., Kanevskii, M. F., Savelieva, E. A. et al. (2004). Prognozirovanie energopotrebleniia: sovremennye podhody i primer issledovaniia. Izvestiia RAN. Energetika, 6, 74–92.
  22. Wang, C., Yan, C., Wang, J., Tian, C., Yu, S. (2017). Parametric optimization of steam cycle in PWR nuclear power plant using improved genetic-simplex algorithm. Applied Thermal Engineering, 125, 830–845. doi:10.1016/j.applthermaleng.2017.07.045
  23. Khan Mashwani, W., Salhi, A., Yeniay, O., Hussian, H., Jan, M. A. (2017). Hybrid non-dominated sorting genetic algorithm with adaptive operators selection. Applied Soft Computing, 56, 1–18. doi:10.1016/j.asoc.2017.01.056
  24. Javidrad, F., Nazari, M. (2017). A new hybrid particle swarm and simulated annealing stochastic optimization method. Applied Soft Computing, 60, 634–654. doi:10.1016/j.asoc.2017.07.023
  25. Gordienko, E. K., Lukianitsa, A. A. (1994). Iskusstvennye neironnye seti I. Osnovnye opredeleniia i modeli. Tehnicheskaia kibernetika, 5, 79–91.
  26. Dorrer, M. G.; In: Gorban, A. N. (1998). Intuitivnoe predskazanie neirosetiami vzaimootnoshenii v gruppe. Metody neiroinformatiki. Krasnoiarsk, 111–129.
  27. Mihailov, M. Yu. (1995). Primenenie iskusstvennyh neironnyh setei dlia kratkosrochnogo prognozirovaniia nagruzki. Metody upravleniia fiziko-tehnicheskimi sistemami energetiki sistemami energetiki v novyh usloviiah. Novosibirsk, 82–86.
  28. Leikin, V. S., Nino, V. P. (1974). Sistemnyi podhod k otsenke sudovyh elektroenergeticheskih kompleksov. Sudostroenie, 3, 41–44.
  29. Haykin, S. (1998). Neural Networks: A Comprehensive Foundation. Ed. 2. Prentice Hall, 842.
  30. Aksenov, S. V., Novoseltsev, V. B.; In: Novoseltsev, V. B. (2006). Organizatsiia i ispol'zovanie neironnyh setei (metody i tehnologii). Tomsk: NTL, 128.
  31. Geman, S., Bienenstock, E., Doursat, R. (1992). Neural Networks and the Bias/Variance Dilemma. Neural Computation, 4 (1), 1–58. doi:10.1162/neco.1992.4.1.1
  32. Virianskii, Z. Ya., Kiselev, I. L., Kolesnikov, N. V. (1974). Sudovye sistemy avtomaticheskogo kontrolia (Sistemnyi podhod k proektirovaniiu). Leningrad: Sudostroenie, 254.
  33. Baranov, A. P. (1988). Sudovye avtomatizirovannye elektroenergeticheskie sistemy. Moscow: Transport, 328.
  34. Gaskarov, D. V., Golinkevich, D. V., Mozgalevskii, A. V. (1974). Prognozirovanie tehnicheskogo sostoianiia i nadezhnosti radioelektronnoi apparatury. Moscow: Sovetskoe radio, 224.
  35. NeuroPro: neironnye seti, metody analiza dannyh: ot issledovanii do razrabotok i vnedrenii. Available: http://neuropro.ru/

##submission.downloads##

Опубліковано

2017-07-25

Як цитувати

Gvozdeva, I., Lukovtsev, V., & Tierielnyk, S. (2017). Прогнозування працездатності суднової електроенергетичної системи на базі штучної нейронної мережі. Technology Audit and Production Reserves, 4(1(36), 43–49. https://doi.org/10.15587/2312-8372.2017.108528

Номер

Том 4 № 1(36) (2017): Виробничо-технологічні системи

Розділ

Технології та системи енергопостачання: Оригінальне дослідження

Ліцензія

Авторське право (c) 2017 Sergii Tierielnyk, Valery Lukovtsev, Irina Gvozdeva

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.