10.14489/td.2020.02.pp.040-045

2020, 02 февраль (February)

DOI: 10.14489/td.2020.02.pp.040-045

Бабокин Г. И., Шпрехер Д. М., Колесников Е. Б.
НЕЙРОННЫЕ СЕТИ КАК СРЕДСТВО ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ ИЗОЛЯЦИИ В СЕТЯХ С ИЗОЛИРОВАННОЙ НЕЙТРАЛЬЮ
(c. 40-45)

Аннотация. Решается задача прогнозирования изменения сопротивления изоляции электрооборудования с учетом воздействия внешних факторов, таких как влажность и температура воздуха. Для решения этой задачи была предложена рекуррентная нейронная сеть с долговременной памятью типа LSTM. Результаты моделирования показали, что нейронная сеть LSTM успешно справилась с задачей прогнозирования изменения сопротивления изоляции с учетом изменяющихся факторов внешней среды. Ошибка прогноза для одночасового интервала составила 0,052. Предложенная идея непрерывного контроля сопротивления изоляции с прогнозированием его изменения на определенный период позволит избежать внезапных отказов электрических узлов, поражения электрическим током и пожара, вызванных снижением сопротивления изоляции ниже критического значения. Прогноз сопротивления изоляции в случаях запаздывания срабатывания устройства утечки при высокой скорости изменения сопротивления изоляции обеспечит повышение эффективности работы горного оборудования за счет исключения повреждений от внезапных отключений оборудования подземных горных машин в процессе их эксплуатации.

Ключевые слова: интеллектуальный анализ данных, искусственная нейронная сеть, сопротивление изоляции, прогнозирование, факторы окружающей среды, глубокая нейронная сеть, ошибка прогноза.

Babokin G. I., Shprekher D. M., Kolesnikov E. B.
NEURAL NETWORKS AS A MEANS TO PREDICTING THE STATE OF ISOLATION IN NETWORKS WITH ISOLATED NEUTRAL
(pp. 40-45)

Abstract. Electrical insulation is an important parameter of the structural element of electrical equipment, provides reliability and durability of electrical networks with an isolated neutral and safe use of electricity in underground conditions. This article solves the problem of predicting changes in insulation resistance of electrical equipment, taking into account changes in external factors such as humidity and air temperature. An example of using a conventional neural network such as MLP did not give an acceptable result. To solve this problem, a recurrent neural network with longterm memory type LSTM was proposed. Its structure was developed. The simulation results showed that the neural network LSTM successfully coped with the task of predicting changes in insulation resistance, taking into account changing environmental factors. The prediction error for the one-hour interval was 0.052. The proposed idea of continuous monitoring of the insulation resistance with the prediction of its changes for a certain period will avoid sudden failures of electrical components, electric shock and fire caused by a decrease in insulation resistance below the critical value. The forecast of insulation resistance will allow in cases of delay of actuation of the device leakage at high rate of change of the insulation resistance, allows you to increase the efficiency of mining equipment through the reduction of damage from sudden shutdowns of the equipment underground mining machines in the course of their normal work.

Keywords: data mining, artificial neural network, insulation resistance, forecasting, environmental factors, deep neural network, forecast error.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

Г. И. Бабокин (НИТУ «МИСиС», Горный институт, Москва, Россия) E-mail: Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
Д. М. Шпрехер (ТулГУ, Тула, Россия) E-mail: Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
Е. Б. Колесников (НИ РХТУ им. Д. И. Менделеева, Новомосковск, Тульская обл., Россия) E-mail: Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.

Eng

G. I. Babokin (National Research Technological University “MISIS”, Mining Institute, Moscow, Russia)
D. M. Shpreher (Tula State University, Tula, Russia)
E. B. Kolesnikov (Novomoskovsk Institute of Russian Chemical Technology University n. D. I. Mendeleev, Novomoskovsk, Russia)

+ - Библиографический список (References) Click to collapse

Рус

1. Шкрабец Ф. П. Контроль и управление параметрами изоляции распределительных сетей // Научный вестник НГУ – национальный горный университет, Украина (Науковий вісник). 2010. № 7 – 8. С. 84 – 88.
2. Самойлович И. С. Режимы нейтрали электрических сетей карьеров. М.: Недра, 1976. 175 с.
3. Электробезопасность на открытых горных работах / под ред. В. И. Щуцкого. М.: Недра, 1983. 192 с.
4. Гребченко Н. В., Сидоренко А. А. Интеллектуальная система для определения места и степени локальных дефектов изоляции в сети с изолированной нейтралью // Релейная защита и автоматика энергосистем: сб. докл. 2006. С. 150 – 152.
5. Булычев А. В., Нудельман Г. С. Упреждающие функции релейной защиты // Современные направления развития систем релейной защиты и автоматики энергосистем: сб. докл. междунар. НТК. М., 2009. С. 72 – 78.
6. Утегулов Б. Б., Уахитова А. Б., Бегентаев Б. М. Разработка мероприятий по повышению уровня электробезопасности в сетях напряжением до 1000 В шахты «Капитальная» АО «Майкаинзолото» // Наука и техника Казахстана. 2010. № 3. С. 130 – 136.
7. Саркисян С. А., Каспин В. И., Лисичкин В. А. и др. Теория прогнозирования и принятия решений / под ред. С. А. Саркисяна. М.: Высш. шк., 1977. 352 с.
8. Шпрехер Д. М. Диагностирование и управление состоянием электромеханических систем горных машин с использованием искусственных нейронных сетей: автореф. дис. … д-ра техн. наук. Тамбов, 2016. 32 с.
9. Любимова Т. В., Горелова А. В. Решение задачи прогнозирования с помощью нейронных сетей // Инновационная наука: междунар. науч. ж-л. 2015. № 4. С. 39 – 42.
10. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с польск. И. Д. Рудинского. М.: Горячая линия – Телеком, 2008. 452 с.
11. Хайкин, С. Нейронные сети: полный курс. 2-е изд. М.: Вильямс, 2006. 1104 с.

Eng

1. Shkrabets F. P. (2010). Monitoring and control of distribution network isolation parameters. Nauchniy vestnik NGU – natsional'niy gorniy universitet, (7 – 8), pp. 84 – 88. Ukraine. [in Russian language]
2. Samoylovich I. S. (1976). Neutral modes of quarry electrical networks. Moscow: Nedra. [in Russian language]
3. Shchutskoy V. I. (Ed.) (1983). Electrical safety in open pit mining. Moscow: Nedra. [in Russian language]
4. Grebchenko N. V., Sidorenko A. A. (2006). Intelligent system for determining the location and extent of local insulation defects in a network with isolated neutral. Relay protection and automation of power systems, pp. 150 – 152. [in Russian language]
5. Bulychev A. V., Nudel'man G. S. (2009). Proactive Relay Protection Functions. Modern directions of development of relay protection systems and automation of power systems, pp. 72 – 78. Moscow. [in Russian language]
6. Utegulov B. B., Uahitova A. B., Begentaev B. M. (2010). Development of measures to improve electrical safety in networks with voltages up to 1000 V of the Kapitalnaya mine of Maykainzoloto JSC. Nauka i tekhnika Kazahstana, (3), pp. 130 – 136. [in Russian language]
7. Sarkisyan S. A. (Ed.), Kaspin V. I., Lisichkin V. A. et al. (1977). Theory of Forecasting and Decision Making. Moscow: Vysshaya shkola. [in Russian language]
8. Shprekher D. M. (2016). Diagnosis and control of the state of the electromechanical systems of mining machines using artificial neural networks. Tambov. [in Russian language]
9. Lyubimova T. V., Gorelova A. V. (2015). The solution to the problem of forecasting using neural networks. Innovatsionnaya nauka, (4), pp. 39 – 42. [in Russian language]
10. Rutkovskaya D., Pilin'skiy M., Rutkovskiy L. (2008). Neural networks, genetic algorithms and fuzzy systems. Moscow: Goryachaya liniya – Telekom. [in Russian language]
11. Haykin S. (2006). Neural networks: a full course. 2nd ed. Moscow: Vil'yams. [in Russian language]

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/td.2020.02.pp.040-045

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/td.2020.02.pp.040-045

and fill out the form