Публикации автора

Введение. В статье рассматривается применение методов эволюционной оптимизации в задачах расчета установившегося режима электрической сети, в частности речь пойдет о генетических алгоритмах.

Цель. Описание метода популяционной оптимизации, который может быть использован для расчета установившегося режима электрической сети.

Материалы и методы. Объектом исследования является алгоритм популяционной оптимизации. Предметом исследования является целевая функция генетического алгоритма, применяемая для нахождения уровней напряжений в узлах электрической сети. Использованы метод оптимизации, основанный на генетических алгоритмах, а также классический метод Ньютона для расчета установившегося режима электрической сети.

Результаты и обсуждение. В работе представлены основные элементы генетического алгоритма для расчета установившегося режима электрической сети, определена оптимизируемая целевая функция, а также приведены результаты расчета по сравнению с методом Ньютона.

Заключение. По итогам проведенного исследования сделан вывод о том, что расчет установившегося режима можно рассматривать с точки зрения оптимизационной задачи небалансов мощности, использование генетического алгоритма для расчета режима электрической сети возможно, однако точность результатов сильно зависит от количества итераций, хоть и не требует больших вычислительных мощностей и сложных вычислений.

В настоящей работе произведено сравнение эффективности модели машинного обучения регрессора k-соседей и модели классификатора k-ближайших соседей в задаче предсказания состояния трансформаторного оборудования с использованием данных, которые были сняты системой мониторинга трансформатора.

Предмет исследования: силовые трансформаторы.

Цель исследования: выявление наилучшей модели в задаче классификации состояния трансформаторного оборудования.

Объект исследования: система диагностики трансформаторного оборудования.

Методы исследования: анализ, компьютерное моделирование.

Основные результаты исследования: были получены данные об эффективности моделей с разными параметрами, но все регрессионные модели показали результат хуже, чем модель классификатора.