60

Прогнозирование электрической нагрузки обеспечивает основную исходную информацию для принятия решения при управлении системой электроснабжения железнодорожного транспорта. При этом необходимо найти исходные и оптимальные режимы, оценить их надёжность, экономичность и качество энергии. Существующие алгоритмы, применяемые для прогнозирования электрических нагрузок в системе электроснабжения железнодорожного транспорта основаны на статистических методах, а также на рассмотрениии изменения электрических нагрузок как случайные процессы. Все эти методы не могут реально описать процесс прогнозирования в связи с тем, что имеются неполные исходные данные. Всё это даёт повод для применения методов нейронных сетей с нечёткой логикой для прогнозирования изменения электрических нагрузок в системе электроснабжения железнодорожного транспорта. Выявлено, что данный метод является оптимальным для прогнозирования электрических нагрузок.

  • Internet havola
  • DOI
  • UzSCI tizimida yaratilgan sana 25-04-2024
  • O'qishlar soni 60
  • Nashr sanasi 29-12-2023
  • Asosiy tilRus
  • Sahifalar42-46
English

Forecasting the electrical load provides the main basis for decision-making when managing the power supply system of railway transport. In this case, it is necessary to find the initial and optimal modes, evaluate their reliability, efficiency and energy quality. Existing algorithms used to predict electrical loads in the railway power supply system are based on statistical methods, as well as on considering changes in electrical loads as random processes. All these methods cannot really describe the forecasting process due to the fact that there are incomplete source data. All this gives rise to the use of neural network methods with fuzzy logic to predict changes in electrical loads in the power supply system of railway transport. It was found that this method is optimal for predicting electrical loads

Русский

Прогнозирование электрической нагрузки обеспечивает основную исходную информацию для принятия решения при управлении системой электроснабжения железнодорожного транспорта. При этом необходимо найти исходные и оптимальные режимы, оценить их надёжность, экономичность и качество энергии. Существующие алгоритмы, применяемые для прогнозирования электрических нагрузок в системе электроснабжения железнодорожного транспорта основаны на статистических методах, а также на рассмотрениии изменения электрических нагрузок как случайные процессы. Все эти методы не могут реально описать процесс прогнозирования в связи с тем, что имеются неполные исходные данные. Всё это даёт повод для применения методов нейронных сетей с нечёткой логикой для прогнозирования изменения электрических нагрузок в системе электроснабжения железнодорожного транспорта. Выявлено, что данный метод является оптимальным для прогнозирования электрических нагрузок.

№ Muallifning F.I.Sh. Lavozimi Tashkilot nomi
1 Rustamov D.S. Dotsent Тashkent State Transport University
2 Turdibekov K.X. Dotsent Tashkent State Transport University
№ Havola nomi
1 1. С. Осовский Нейронные сети для обработки информации - М. Финансы и статистика 2002 год - 344 с.
2 2. В.В. Круглов, Р.Ю. Голунов Нечёткая логика и искусственные нейронные сети Издательство Физ-Мат Литр. 2001 год - 244 с
3 3. В.В. Круглов, В.В. Борисов Гибридные нейронные сети - Смоленск Издательство Русич 2001 год - 244 с.
4 4. В.З. Манусов, Е.В. Бирюков. Краткосрочное прогнозирование электрической нагрузки на основе нечётной нейронной сети и её сравнение с другими методами Новосибирский государственный университет 2017 год - 153-158 с.
5 5. С. Хайкин. Нейронные сети: полный курс, 2-издание Перевод с английского - М : Издательский дом “Вильямс” 2006 год
6 6. А.В. Крюков, Н.В. Раевский, Д.А. Яковлев. Прогнозирование электропотребления с применением аппарата нейронных сетей – Иркутск 2004 год.
7 7. А.С. Луковенко. Повышение надёжности и качества электроснабжения потребителей тяговых подстанций переменного тока. Диссертация на соискание учёной степени кандидата технических наук Красноярск 2016 год.
8 8. В. Ф. Голиков. Вероятностные свойства начальных значений весовых коэффициентов в синхронизируемых искусственных сетях. Системный анализ и прикладная информатика – минск, 2013, -№ 1-2,-с.33-37.
9 9. М.Н. Назаров. Искусственная нейронная сеть с модуляцией коэффициентов синансов. Вестник Самарского государственного технического унверситета. – Самара, 2013. - №2 (31). – С. 58-71.
10 10. Е.В. Христинич. Расчет режимов работы электрогенераторов на основе искусственных нейронных сетей. Известия вузов. Электромеханика. – Новочеркасск, 2005-№1-С. 35-31
11 11. Н.В. Воронов Краткосрочное прогнозирование электропотребления энергосистем с помощью искусственных систем – М,2009 - № 2-С.15-18
12 12. Amirov, S., Rustamov, D., Yuldashev, N., Mamadaliev, U., & Kurbanova, M. Study on the Electromagnetic current sensor for traction electro supply devices control systems. In IOP Conference Series: Earth and Environmental Science, Vol. 939, No. 1, p. 012009. (2021).
13 13. Amirov, S., Turdibekov K., Rustamov D., Saydivaliev S. Mathematical models of magnetic circuits of the high current’s induction sensors for the electric power supply systems devices of electric transport. E3S Web of Conf. Volume 401, 2023 V International Scientific Conference “Construction Mechanics, Hydraulics and Water Resources Engineering” (CONMECHYDRO - 2023)
14 14. Safarov A.M., Rustamov D.Sh. Comparative analysis of modern current transformers in traction power supply system and future development. Problems of energy and resource saving. Vol. 6, (2021).
Kutilmoqda