В статье рассматривается задача классификации результатов технологического процесса учета расхода газа на предмет наличия в них отклонений. Классификация осуществлена при помощи LSTM-нейросети, обученной на размеченных данных, осуществлено сравнение с другими алгоритмами
машинного обучения, а также комбинирование с регрессионной LSTM-нейросетью. Применение данного алгоритма, с целью предсказательного
обслуживания, заблаговременного выявления и предотвращения причин некоторых видов отклонений, направлено на повышение эффективности
управления газотранспортной системой.
Ключевые слова: газотранспортная сеть, баланс газа, классификация отклонений, алгоритмы машинного обучения, LSTM нейронные сети
Список использованных источников
- Отчет «Газораспределение и реализация газа на внутреннем рынке Российской Федерации. https://groznyrg.ru/pdf/dokladGustov.pdf.
- А. Р. Саликов. Разбаланс в сетях газораспределения//Газ России. 2015. № 4. С. 36-41.
- Г. А. Хворов, С. И. Козлов, Г. С. Акопова, А. А. Евстифеев. Сокращение потерь природного газа при транспортировке по магистральным газопроводам ОАО «Газпром»// Газовая промышленность. 2013. № 12. С. 66-69.
- Сайт ПАО «Газпром». https://gasandmoney.ru/novosti/gazprom-budet-vychislyat-nebalans-gaza-pri-pomoshhi-big-data.
- Цифровая экономика Российской Федерации. https://digital.gov.ru/ru/activity/directions/858.
- С. Хайкин. Нейронные сети. Полный курс. М: Вильямс, 2018, 1104 c.
- В. П. Дьяконов, В. В. Круглов. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформации. М.: Солон-пресс, 2006.
- А. К. Петрова. Детектирование аномалий в технологических процессах газотранспортной системы с использованием сетей с долгой краткосрочной памятью (LSTM)// Сборник докладов Международной конференции «Проектирование и обеспечение качества информационных процессов и систем». СПбГЭТУ «ЛЭТИ», 2022. С. 95-98.
Авторы