Изменение внешних условий, параметров функционирования объектов, взаимосвязей между элементами системы и связей системы с надсистемой приводит к снижению точности результатов моделей искусственного интеллекта, которое называется деградацией моделей. Снижение риска деградации моделей актуально для задач электроэнергетики, особенностью которых является многофакторные зависимости в сложных технических системах и влияние метеорологических параметров. Автоматическое обновление моделей с течением времени является необходимым условием формирования доверия пользователей к интеллектуальным системам прогнозирования. В данной статье представлена классификация видов дрейфа данных. Формализованы варианты решений, которые разработчикам необходимо принять при создании интеллектуальных систем для определения стратегии обновления прогнозных моделей, включая критерии запуска обновления, выбор моделей, оптимизацию гиперпараметров, выбор способа обновления и формирования наборов данных. Предложен алгоритм формирования стратегии автоматического обновления моделей искусственного интеллекта и даны практические рекомендации для разработчиков моделей в задачах прогнозирования временных рядов в электроэнергетике.

Ключевые слова: прогнозирование временных рядов, искусственный интеллект, машинное обучение, доверенная система искусственного интеллекта, деградация моделей, дрейф данных, дрейф концепции

1.2.2 - Математическое моделирование, численные методы и комплексы программ , 2.3.1 - Системный анализ, управление и обработка информации

Надежность работы электроэнергетических систем в значительной мере определяется состоянием изоляции электротехнического оборудования. Повреждения изоляции могут приводить к потерям электроэнергии, сокращению срока службы линий и аппаратов, а также к аварийным отключениям, поэтому диагностика изоляции приобретает критическое значение для предотвращения технологических нарушений. Однако традиционные подходы к контролю изоляции часто трудоемки и субъективны. В связи с этим возрастает роль методов компьютерного зрения и глубокого обучения, способных автоматически обнаруживать дефекты изоляции и тем самым повышать эффективность и объективность мониторинга. В настоящем исследовании рассматривается применение современных архитектур глубоких сверточных нейронных сетей для задачи распознавания изоляционных элементов электрооборудования. Особое внимание уделяется сравнительному анализу нескольких передовых моделей. Рассматриваемые архитектуры показывают эффективные результаты и обеспечивают глубокий многомасштабный анализ признаков сцены на основе сверточных сетей. В данной работе модели применяются в связке с алгоритмами аугментации изображений. Аугментация данных позволяет искусственно расширить ограниченные наборы обучающих изображений за счет разнообразных преобразований, что особенно важно при небольшом объеме датасета. Применение данных методов направлено на повышение качества обучающих данных и снижение риска переобучения моделей, а также на преодоление дисбаланса классов в выборке за счет генерации дополнительных образцов неисправностей. Предлагаемый подход включает проведение последовательного сравнительного эксперимента на малом и ограниченном наборе данных изображений с энергетических объектов. Проведено сравнение по метрикам точности и полноты различных архитектур нейросетей при комбинировании различных стратегий аугментации, чтобы выявить комбинацию моделей и методов увеличения данных, обеспечивающих наивысшую точность распознавания. Результаты исследования позволят определить наиболее эффективные модели и приемы аугментации, пригодные для условий реальной эксплуатации на энергетических объектах – с учетом сложного фона, переменного освещения и различных ракурсов съемки оборудования. Выявление таких оптимальных решений на основе глубокого обучения призвано повысить надежность и эффективность автоматизированного контроля изоляции в электроэнергетике.

Ключевые слова: компьютерное зрение, сверточные нейронные сети, изоляция, дефект, аугментация данных, машинное обучение, энергетика, автоматизация анализа изображений

2.3.1 - Системный анализ, управление и обработка информации , 2.4.1 - Теоретическая и прикладная электротехника