Сравнительный анализ нейросетевых архитектур и алгоритмов обучения для задачи прогнозирования потерь электроэнергии

В рамках решения задачи прогнозирования и расчета потерь электроэнергии в распределительных сетях напряжением 0,420 кВ был проведен сравнительный анализ ряда нейросетевых архитектур и алгоритмов обучения. В качестве обучающих данных были использованы данные, полученные из параметров модели режимов электросети. Было определено, что наиболее эффективными типами нейросетей для данной задачи являются многослойный персептрон и сеть каскадной корреляции Фальмана. При этом обучать многослойный персептрон рекомендуется посредством использования объединенного алгоритма обратного распространения и сопряженных градиентов.