Registration Number
0826U002989, PhD dissertation
Status
Доктор філософії
Date
14-08-2026
popup.evolution
o
Title
Models and Methods for Electricity Consumption Data Analysis in Distributed Electrical Power Systems
Author
Andrii Voloshchuk,
popup.head Halyna Osukhivska
popup.head Andrii Sverstiuk
popup.opponent Roman Yuzefovych
popup.opponent Vladyslav Volynets
popup.review Oleh Yasnii
popup.review Mykhailo Fryz
popup.rada
Ternopil Ivan Puluj National Technical University
Description
У дисертаційній роботі розв’язано актуальне науково-прикладне завдання аналізу даних електроспоживання на основі моделі у вигляді періодично корельованих випадкових процесів (ПКВП) у поєднанні із методами машинного навчання (МН) для класифікації режимів електроспоживання в розподілених електроенергетичних системах.
У першому розділі виконано аналіз сучасного стану електроенергетичних систем в умовах розвитку розподіленої генерації та інтеграції відновлюваних джерел енергії в концепції Energy 4.0, зокрема в контексті синхронізації ОЕС України з континентальною мережею ENTSO–E, що підвищує вимоги до оперативності та надійності аналізу даних електроспоживання. Визначено, що основними прикладними завданнями є прогнозування електроспоживання, виявлення аномальних та пікових режимів, а також класифікація збалансованих і незбалансованих режимів електроспоживання вузлів розподіленої електроенергетичної системи. Обґрунтовано, що адекватна модель сигналу електроспоживання має одночасно враховувати стохастичну природу та повторювану (циклічну) структуру добового циклу.
У другому розділі розглянуто клас математичних моделей, що одночасно описують стохастичну природу та повторювану структуру сигналу електроспоживання: модель циклічного випадкового процесу (ЦВП), яка дозволяє отримати інформацію про моменти вищих порядків та міжциклові кореляції, та модель періодично корельованого випадкового процесу з періодичністю математичного сподівання та автоковаріаційної функції. Обґрунтовано вибір моделі ПКВП як основної для аналізу даних електроспоживання. Детально розглянуто два методи аналізу ПКВП: компонентний метод, що базується на розкладі автоковаріаційної функції у ряд Фур'є за гармоніками періоду, та синфазний метод, що виконує когерентне усереднення реалізацій циклу у часовій області. Проведено порівняльний аналіз методів та обґрунтовано вибір компонентного методу як основного для формування інформативних ознак.
У третьому розділі наведено результати експериментального дослідження реальних даних електроспоживання приватного підприємства за 365 діб (погодинна дискретизація). Підтверджено багаторівневу повторювану структуру електроспоживання з домінуванням добового періоду. На основі компонентного методу ПКВП сформовано набір із 13 інформативних ознак (9 компонентних та 4 часових), статистичний аналіз підтвердив їх дискримінантну здатність. Серед ознак визначено чотири найбільш значущі: середній рівень енергії (time_mean), інтенсивність флуктуацій після критичної точки (skew_after_45), часова локалізація точки перелому (tangent_45) та стандартне відхилення до точки перелому (std_before_45). Проведено порівняльний аналіз ефективності 14 моделей машинного навчання. Найвищий F1-score (0,9877) та Recall=1,0000 досягнуто для трьох моделей: Extra Trees, KNN (k=5) та SVM (RBF), за критерієм крос-валідаційної стабільності перевагу має Extra Trees (CV-F1=0,9826). Результати оцінювання за комплексом метрик якості (AUC, MCC, Kappa) підтверджують надійну роздільну здатність та узгодженість класифікації для всіх 14 моделей.
У четвертому розділі розроблено програмний модуль, що реалізує повний цикл аналізу даних електроспоживання – від опрацювання вхідних даних методами ПКВП до класифікації режиму електроспоживання з візуалізацією результатів. Запропоновано підхід до адаптивного вибору оптимального протоколу передавання даних (MQTT, CoAP, HTTPS) на основі аналізу мережевих параметрів методами машинного навчання, що забезпечує своєчасність надходження телеметричної інформації у розподілених електроенергетичних системах. За результатами порівняльного аналізу чотирьох моделей машинного навчання найкращу точність класифікації протоколу забезпечила модель MLP Neural Network (F1=0,9020).
Registration Date
2026-06-30
popup.nrat_date
2026-06-30 / 2026-10-20
