ПРИМЕНЕНИЕ МОДЕЛЕЙ НЕЙРОННЫХ СЕТЕЙ LSTM И МАШИННОГО ОБУЧЕНИЯ XGBOOST ДЛЯ ПРОГНОЗИРОВАНИЯ ДОЛГОВЕЧНОСТИ И ИЗНОСА КОМПОНЕНТОВ ЭНЕРГОСИСТЕМЫ

УДК 004.8:621.
DOI: 10.36871/ek.up.p.r.2024.09.14.019

Авторы

Чумак Ирина Валентиновна,
Технологический институт (филиал) ДГТУ в г. Азове, г. Азов, Российская Федерация.
Минаев Осман Мовладинович,
ФГБОУ ВО «Чеченский государственный университет им. А. А. Кадырова», г. Грозный, Российская Федерация.
Бисултанова Петимат Адамовна,
ФГБОУ ВО «Грозненский Государственный нефтяной технический Университет», г. Грозный, Российская Федерация.

Аннотация

В данной статье исследуются возможности применения моделей машинного обучения XGBoost и нейронных сетей LSTM для прогнозирования долговечности и износа компонентов энергосистем. Рассматриваются теоретические основы методов, их применение на практических данных и сравнительный анализ эффективности. Модель LSTM показала высокую точность при обработке временных рядов, таких как изменения температуры и вибрации, благодаря способности учитывать долгосрочные зависимости. Алгоритм XGBoost, в свою очередь, продемонстрировал высокую производительность при работе с табличными данными, особенно в выявлении значимых факторов износа. Результаты исследования подчеркивают потенциал данных моделей в повышении надежности энергосистем, снижении затрат на обслуживание и предотвращении аварий. Также обсуждаются ограничения, перспективы развития подходов и их интеграция в системы мониторинга.

Ключевые слова

прогнозирование долговечности, износ компонентов, LSTM, XGBoost, энергосистемы, машинное обучение, временные ряды