В ТюмГУ научились лучше управлять «умными электросетями»

Smart Grid представляет собой мониторинг данных в режиме реального времени и активное управление микросетями посредством внедрения технологических решений в инфраструктуру электроснабжения. Smart Grid включает в себя интеллектуальную систему мониторинга, которая контролирует поток электроэнергии и включает использование кабелей или линий для управления колебаниями мощности, потерями и интеграцией когенерации из солнечной энергии, топливных элементов и ветра.

Фото - utmn.ru

Сети решают ключевую проблему в обслуживании и эксплуатации энергетики. Если возникла аварийная ситуация, то разработанная система мониторинга позволяет передавать сигналы о неисправностях в диспетчерский центр, где будет показано, какая деталь повреждена на объекте. SMART необходим и когда управления энергетическим комплексом усложнено — энергетические объекты расположены в труднодоступных местах. Основа функционирования SMART grid — ряд инструментов для мониторинга и анализа собранных данных. Среди основных: удаленный мониторинг с помощью дронов, мониторинг с помощью искусственного интеллекта на основе предиктивной аналитики с использованием машинного обучения.

Статья «Использование гибридного CBR для интеллектуального мониторинга и систем принятия решений на SMART grid» ученых ИМИКН ТюмГУ и Северного Уральского государственного аграрного университета (Екатеринбург) Игоря и Дмитрия Глухих, Ильи Шинникова вышла в журнале Intelligent Decision Technologies.

В своей работе ученые рассмотрели систему поддержки принятия решений для систем SMART-grid. Ученые предложили новую концепцию интеллектуальной системы поддержки принятия решений, основанную на методе гибридного CBR. Сочетание искусственного интеллекта и машинного обучения позволит ускорить процесс принятия решений (что особенно важно в критических ситуациях), исключить человеческий фактор, снизить трудоемкость операционных процессов.

С научной точки зрения, подход тюменских айтишников предлагает новую возможность для создания гибридных моделей рассуждений на основе прецедентов и способствует решению актуальной проблемы интеграции двух концепций искусственного интеллекта – систем, основанных на знаниях, и машинного обучения.

Результаты экспериментов подтверждают перспективность использования нейронных сетей для определения сходства ситуаций. Эксперимент показал эффективность предложенной архитектуры нейронной сети для извлечения наиболее похожей ситуации из базы знаний.

Нейросеть повторяла выбор эксперта, при этом, в отличие от аддитивной свертки, не выдавала коллизий, а ранжировала ситуации по сходству в соответствии с выбором эксперта. Реализация этого функционала также позволит использовать методы машинного обучения и методы систем, основанных на знаниях. В план дальнейших исследований входит детализация этих методов для разных состояний и случаев. 

Исследование выполнено при финансовой поддержке РФФИ и Тюменской области, проект № 20-47-720004. 

Источник: Управление стратегических коммуникаций ТюмГУ и сайт Naked Science