Разработка метода формирования автономных электросетей на основе имитационного моделирования и нейросетевых алгоритмов

1. Тема: Разработка метода формирования автономных электрических сетей на основе имитационного моделирования и нейросетевых

Полюхович Алёна Игоревна, математик лаборатории №49, ИПУ РАН
Тема: Разработка метода формирования автономных электрических
сетей на основе имитационного моделирования и нейросетевых
алгоритмов для повышения устойчивости объектов информационной
инфраструктуры

2. О себе

Полюхович Алёна Игоревна, математик лаборатории №49 ИПУ РАН
Образование: бакалавр по направлению 01.03.04 «Прикладная математика»
МГТУ им. Н.Э. Баумана
На данный момент студентка 1 курса магистратуры по направлению 01.04.04
«Прикладная математика» МГТУ им. Н.Э. Баумана
Публикации:
Статьи в журналах/сборниках из перечня ВАК: 1

3. Современное состояние проблемы

Известен ряд методов формирования микросетей, успешно
зарекомендовавших себя – графовые методы, методы
кластерного анализа и линейного программирования.
Однако они не лишены существенных недостатков:
1) Существующие методы требуют точных моделей сети,
что не предполагает учёт возможных неисправностей или
колебаний нагрузки в сети.
2) Необходимы существенные вычислительные и
временные ресурсы для решения поставленной задачи.
Методы формирования микросетей
Научная новизна: применение и разработка нейросетевых
алгоритмов для решения задачи формирования микросетей
в условиях нестабильной работы энергетических систем,
питаемых источниками мобильной генерации.
Пример нейросетевого алгоритма

4. Описание проекта

Формирование микросетей осуществляется на основе выборов виртуальных агентов, исследующих
электрическую сеть для определения наилучшей конфигурации запитанных узлов, обеспечивающей
максимальный процент восполненной мощности в сети.
Агенты принимают решение о запитывании или не запитывании узлов самостоятельно, на основе Qфункции полезности, сгенерированной нейронной сетью для каждого действия. Учитывается
соответствие ограничений, регулирующих баланс мощности в сети.
Задача состоит в том, чтобы сформировать микросети, которые будут обеспечивать энергией
максимальное количество потребителей. Для успешного решения задачи необходимо учитывать
радиально-базисную топологию каждой микросети, центр которой непосредственно совмещён с
точкой подключения мобильного источника генерации в энергосистеме.
Архитектура нейронной сети

5. Первые результаты

1. Проведено имитационное моделирование автономных электрических сетей различных топологий с целью
получения синтетических данных.
2. Выбран метод глубокого обучения с подкреплением в качестве решающего алгоритма, описана его
архитектура.
3. Реализован выбранный метод для тестовой сети IEEE-33, проведено исследование на сетях большей
размерности.
4. Предложен мультиагентный алгоритм глубокого обучения с подкреплением для сложных топологий сети.
Расположение агентов обучения с подкреплением в сети электроснабжения

6. План на 2025-2026 года

1. Развитие и апробация методов оптимизационного проектирования систем автономного электроснабжения
информационной инфраструктуры на основе мультиагентного подхода глубокого машинного обучения с
подкреплением.
2. Проведение численных экспериментов с использованием разработанных моделей и исследование
устойчивости объекта инженерной инфраструктуры при различных её состояниях.
3. Участие в конференциях УБС и ICCT-2025 и публикация двух статей в журналах из списка RSCI и WoS.
План на 2026-2027 года
Разработка и исследование имитационных моделей для исследования процесса формирования локальных
микросетей в объектах инженерной инфраструктуры, подверженных различных возмущающим воздействиям,
с целью сохранения их устойчивости за счёт применения нейросетевых алгоритмов обучения с подкреплением
с заменой в них перцептрона на сеть Колмогорова-Арнольда. Апробация моделей в программе расчета
динамических систем РДС.