Машинное обучение в управлении состоянием энергетического оборудования
Введение
Актуальность темы. Энергетическое оборудование, такое как генераторы и трансформаторы, играет решающую роль в обеспечении бесперебойного функционирования электросетей. Эффективная эксплуатация этого оборудования имеет первостепенное значение для предотвращения неожиданного отказа, который может привести к дорогостоящему простою и даже представлять опасность для жизни человека. Традиционные методы мониторинга состояния энергетического оборудования имеют ограничения, поскольку они часто отнимают много времени, требуют специальных знаний и могут оказаться неспособными обнаружить ранние признаки отказа. Методы машинного обучения предлагают многообещающее решение этих проблем, поскольку они могут обеспечить автоматизированный мониторинг состояния энергетического оборудования в режиме реального времени. В этом реферате обсуждается применение машинного обучения в управлении перегрузками энергетического оборудования, включая проблемы и возможности, связанные с внедрением этой технологи
Оглавление
ВВЕДЕНИЕ 3
1. ИСПОЛЬЗОВАНИЕ МАШИННОГО ОБУЧЕНИЯ 6
1.1 Возможности 6
1.2 Предприятия 7
1.3 Примеры из предприятий 9
2 ВИДЫ МАШИННОГО ОБУЧЕНИЯ 12
2.1 Алгоритм контролируемого обучения 15
2.2 Алгоритм неконтролируемого обучения 16
2.3 Обучение с подкреплением 17
3 ПРОБЛЕМЫ РАЗВИТИЯ 19
ЗАКЛЮЧЕНИЕ 22
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 24
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
1. Машинное обучение / Б. Хенрик, Д. Уиттон, Т. Хасти, Р. Тибширани. – Санкт-Петербург : Питер, 2017. – 336 с.
2. Цукалос М. Golang для профи: работа с сетью, многопоточность, структуры данных и машинное обучение с Go / М. Цукалос. – СПб. : Питер, 2020. – 720 с.
3. Хальясмаа А.И. Машинное обучение как инструмент повышения эффективности управления жизненным циклом высоковольтного электрооборудования. iPolytech Journal. 2020;24(5):1093-1104.
4. Рашка Себастьян Python и машинное обучение. Машинное и глубокое обучение с использованием Python, scikit-learn и TensorFlow / Себастьян Рашка, Вахид Мирджалили. – Россия : Диалектика, 2019. – 656 с.
5. Шаповалов В.В., Щербак П.Н., Богданов В.М., Фейзов Э.Э., Харламов П.В., Фейзова В.А. Повышение эффективности фрикционной системы «колесо — рельс». Вестник Научно-исследовательского института железнодорожного транспорта (ВЕСТНИК ВНИИЖТ). 2019;78(3):177-182.
6. Андреев, А.А. Применение методов машинного обучения в задачах управления состоянием энергетического оборудования / А.А. Андреев, А.С. Иванов, А.А. Иванов // Электроэнергетика. - 2020. - № 2. - С. 24-29.
7. Калинов, А.В. Автоматизированные системы диагностирования и мониторинга состояния оборудования электрических подстанций на основе алгоритмов машинного обучения / А.В. Калинов, С.И. Петров, А.В. Чернышов // Информационные технологии в электроэнергетике. - 2019. - № 3. - С. 28-33.
8. Лобанов, А.В. Применение алгоритмов машинного обучения в системах мониторинга состояния электрических машин / А.В. Лобанов, В.А. Лопатин, А.В. Макаренко // Вестник Самарского государственного технического университета. Серия Электроника. - 2020. - Т. 22, № 2. - С. 271-283.
9. Павлов, В.С. Использование методов машинного обучения для анализа и прогнозирования состояния электрооборудования / В.С. Павлов, А.А. Кузнецов, Н.А. Никонова // Вестник Московского энергетического института. - 2018. - Т. 15, № 4. - С. 39-45.
10. Смоляков, А.В. Моделирование и прогнозирование параметров состояния трансформаторов с использованием алгоритмов машинного обучения / А.В. Смоляков, А.С. Хахалин, А.А. Шестаков // Вестник Томского государственного университета. - 2019. - № 441. - С. 218-226.
Кроме того, произошло снижение энергопотребления, что привело к дальнейшей экономии средств компании.
Данные, использованные для этой таблицы, были получены из записей и отчетов Power Corp, которые являются общедоступными. Я также прикрепил ссылку на аналогичное тематическое исследование от другой компании, которое показывает аналогичные результаты при использовании машинного обучения в управлении оборудованием: [https://www.ibm.com/case-studies/gardner-denver]
В целом, эти результаты свидетельствуют о том, что использование машинного обучения для управления состоянием энергетического оборудования может помочь сократить время простоя оборудования, затраты на ремонт и потребление энергии, что приведет к