Застосування глибинних нейронних мереж для прогнозування електричних навантажень у розподілених енергосистемах

Abstract

У тезах досліджено використання методів штучного інтелекту (ШІ) для підвищення ефективності процесів розподілу електроенергії та ідентифікації вразливих місць в електроенергетичних мережах. Показано, що за умов зростання частки відновлюваних джерел енергії, активної цифровізації та посилення кіберзагроз класичні централізовані системи керування потоками потужності виявляються малопридатними для оперативної адаптації до змін режимів. Обґрунтовано застосування алгоритмів машинного й глибинного навчання для задач прогнозування навантаження, оптимізації схем енергорозподілу та інтелектуальної діагностики аномальних режимів з метою завчасного виявлення технічних відмов і потенційних кібератак. Розглянуто переваги й обмеження централізованих, децентралізованих і гібридних структур керування, а також висвітлено можливості блокчейн-технологій і смартконтрактів для забезпечення прозорості, простежуваності й захисту транзакцій в енергомережах. Виокремлено основні чинники, що визначають результативність моделей ШІ в енергетиці (повнота й якість даних, обчислювальний ресурс, рівень зашумлення сигналів, стійкість до кіберзагроз), та окреслено перспективні напрями розвитку гібридних інтелектуальних систем керування електроенергетичними мережами.

-

The paper summarises the possibilities of applying artificial intelligence (AI) methods to improve energy distribution efficiency and enhance vulnerability detection in power networks. The limitations of traditional centralised control approaches under the conditions of increasing renewable energy penetration, large-scale digitalisation and growing cyber threats are outlined. The use of machine learning and deep learning algorithms for load forecasting and optimisation of power flows is substantiated, as well as intelligent anomaly detection techniques for timely identification of technical faults and potential cyberattacks. The advantages and disadvantages of centralised, decentralised and hybrid control models are analysed, with particular attention to the role of blockchain technologies and smart contracts in ensuring transparency and security of operations. Key factors influencing the effectiveness of AI models in energy networks – data quality, computational resources, noise level and cyber-resilience – are highlighted, and directions for further development of hybrid intelligent control systems are defined.