ЭЛЕКТР ЭНЕРГЕТИКА ТИЗИМЛАРИ ҲОЛАТЛАРИНИ ОПЕРАТИВ БОШҚАРИШ МАҚСАДЛАРИДА КОМПЛЕКС ОПТИМАЛЛАШТИРИШДА СУНЪИЙ НЕЙРОН ТАРМОҚ ПАРАМЕТРЛАРИНИ ТАНЛАШ

Ушбу мақолада электр энергетика тизимларининг ҳолатлариниоператив бошқариш мақсадида комплекс оптималлаштириш усули сифатидасунъий нейрон тармоқ (СНТ) параметрларини танлаш ва оптималлаштиришжараёнлари кўриб чиқилди. Тадқиқотнинг асосий мақсади — электр энергетикатизимининг динамик ўзгариш шароитларида ишлаш самарадорлигини ошириш,барқарорлашган ҳолатни ва ишончлиликни таъминлашдан иборатдир. Бумақсадга эришиш учун СНТ моделларининг структураси, ўрганиш алгоритмларива гипер параметрларини танлаш усуллари таҳлил қилинди. Эксперименталмоделлаштириш ва симуляция натижалари асосида оптимал параметрларкомбинацияси аниқланди, бу эса тизимнинг тезкор ва аниқ ечимлар қабул қилишқобилияти сезиларли даражада яхшиланишини кўрсатди. Тадқиқот натижалариэлектр энергетика тизимларининг ҳолат параметрларини оптималлаштиришдасунъий нейрон тармоқларидан самарали фойдаланиш имкониятлариникенгайтиришга қаратилган ёндашувларни тақдим этади.

DOI: https://doi.org/10.5281/zenodo.16961699

ЭЛЕКТР ЭНЕРГЕТИКА ТИЗИМЛАРИ ҲОЛАТЛАРИНИ ОПЕРАТИВ БОШҚАРИШ МАҚСАДЛАРИДА КОМПЛЕКС ОПТИМАЛЛАШТИРИШДА СУНЪИЙ НЕЙРОН ТАРМОҚ ПАРАМЕТРЛАРИНИ ТАНЛАШ

Ислом Каримов номидаги Алишер Тошкент давлат техника ШАНАЗАРОВ университети катта ўқитувчиси

Аннотация. Ушбу мақолада электр энергетика тизимларининг ҳолатларини оператив бошқариш мақсадида комплекс оптималлаштириш усули сифатида сунъий нейрон тармоқ (СНТ) параметрларини танлаш ва оптималлаштириш жараёнлари кўриб чиқилди. Тадқиқотнинг асосий мақсади — электр энергетика тизимининг динамик ўзгариш шароитларида ишлаш самарадорлигини ошириш, барқарорлашган ҳолатни ва ишончлиликни таъминлашдан иборатдир. Бу мақсадга эришиш учун СНТ моделларининг структураси, ўрганиш алгоритмлари ва гипер параметрларини танлаш усуллари таҳлил қилинди. Экспериментал моделлаштириш ва симуляция натижалари асосида оптимал параметрлар комбинацияси аниқланди, бу эса тизимнинг тезкор ва аниқ ечимлар қабул қилиш қобилияти сезиларли даражада яхшиланишини кўрсатди. Тадқиқот натижалари электр энергетика тизимларининг ҳолат параметрларини оптималлаштиришда сунъий нейрон тармоқларидан самарали фойдаланиш имкониятларини кенгайтиришга қаратилган ёндашувларни тақдим этади.

Калит сўзлар: электр энергетика тизимлари, оператив бошқариш, сунъий нейрон тармоқ, параметрларни оптималлаштириш, комплекс оптималлаштириш, гипер параметр.

ВЫБОР ПАРАМЕТРОВ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ПРИ КОМПЛЕКСНОЙ ОПТИМИЗАЦИИ ДЛЯ ОПЕРАТИВНОГО УПРАВЛЕНИЯ ЭНЕРГОСИСТЕМАМИ

Алишер ШАНАЗАРОВ, Старший преподаватель Ташкентского государственного технического университета имени Ислама Каримова

Аннотация. В данной статье рассматри­ваются процессы выбора и оптимизации параметров искусственных нейронных сетей (ИНС) как комплексного метода оптимизации для опера­ тивного управления состояниями энер­госистем. Основной целью исследования является повы­шение эффективности работы энерго­ системы в условиях динамических изменений, обеспечение ее устойчивости и надежности.

SELECTION OF ARTIFICIAL NEURAL NETWORK PARAMETERS IN COMPLEX OPTIMIZATION FOR OPERATIONAL CONTROL OF POWER SYSTEMS

Alisher SHANAZAROV, Senior Teacher of Tashkent State Technical University named after Islam Karimov

Abstract: This article considers the processes of selecting and optimizing artificial neural network (ANN) parameters as a complex optimization method for operational control of power system states. The main goal of the study is to increase the efficiency of the power system in conditions of dynamic changes, ensure its stability and reliability. To achieve this goal, the structure of ANN models, learning algorithms, and methods for selecting hyperparameters were analyzed.

O‘ZBEKGIDROENERGETIKA PRINT ISSN 3060-4672 52 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER VOLUME 8 | ISSUE 2 | 2025

Для достижения этой цели были проана­ лизированы структура моделей ИНС, алгоритмы обучения и методы выбора гиперпараметров. На основе результатов экспериментального моделиро­вания и имитационного моделиро­ вания опре­делено оптимальное сочетание пара­ метров, что существенно улучшило способность системы принимать быстрые и точные реше­ ния. Результаты исследования дают подходы, направленные на расширение возмож­ ностей эффективного использования ИНС при оптимизации пара­метров состояния энер­ госистем. Ключевые слова: энергосистемы, опера­ тивное управление, искусственная нейронная сеть, оптимизация параметров, комплексная оптимизация, гиперпараметр.

Based on the results of experimental modeling and simulation, an optimal combination of parameters was determined, which significantly improved the system›s ability to make quick and accurate decisions. The results of the study provide approaches aimed at expanding the possibilities of effective use of ANNs in optimizing the state parameters of power systems. Keywords: power systems, operational control, artificial neural network, parameter optimization, complex optimization, hyper parameter.

Ҳозирги даврда сунъий нейрон тармоқларининг турли соҳалардаги масалаларни ечишдаги имкониятларини эътиборга олиб, электр энергетика тизимларининг ҳолатларини оператив бошқариш мақсадида ушбу тармоқлардан фойдаланиш имкониятлари тадқиқ қилинди.

Кўрилаётган масалани ечиш учун сунъий нейрон тармоқларининг параметрларини танлаш уларнинг характерли хусусиятларини таҳлил этиш асосида амалга оширилди.

Электр энергетика тизими ҳолатини оператив бошқаришда комплекс оптмаллаштиришнинг вазифаси – юкламаларни қисқа муддатли режалаштиришдан кейинги ўзгаришларида ҳам оператив бошқарув жараёнида оптималликни таъминлашдир. Шу сабабли, кирувчи ва чиқувчи (оптималлаштирилувчи) маълумотларнинг кўплиги, улар орасида эгри чизиқли мураккаб боғланишларнинг мавжудлиги, тизим ҳолати тез ўзгарувчанлиги каби хусусиятларни эътиборга олиб, каскадли сунъий нейрон тармоқлардан фойдаланиш таклиф этилди. Ушбу ёндашув юкламалар режаси ўзгарган шароитларда, яъни ноаниқликлар ёки динамик ўзгаришлар туфайли, тизимни самарали бошқариш имкониятини беради. Каскадли нейрон тармоқлар тизимдаги турли ўзгарувчанликларга тез мослашиб, қарор қабул қилиш жараёнини яхшилайди ва натижада оператив бошқарув аниқлигини сезиларли даражада оширади. Шу билан бирга, сунъий нейрон тармоқларидан фойдаланишга асосланган модел ёрдамида юкламаларни прогнозлаш ва уларнинг ўзгаришларига доимий равишда мослашувчан ечимларни таклиф қилиш имкони пайдо бўлади [1,2]. Бу жараён бошқарув тизимининг барқарор ва самарали ишлашини таъминлашга хизмат қилади.

Каскадли сунъий нейрон тармоғи (Cascade Forward Neural Network, CFNN) нейрон тармоқлар синфи бўлиб, у тўғри йўналтирилган тармоқдан фарқли ўлароқ, кириш ва ҳар бир олдинги қатламдан кейинги қатламлар

PRINT ISSN 3060-4672 O‘ZBEKGIDROENERGETIKA

VOLUME 8 | ISSUE 2 | 2025 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER

уланишларини ўз ичига олади. Уч қатлами яширин қатламдан ташқари бевосита кириш қатламига ҳам уланади (1-расм) [3-5].

Тўғри йўналтирилган тармоқларда бўлгани каби, икки ёки ундан ортиқ қатлам каскадли тармоқда eтарли миқдордаги яширин нейронларни ҳисобга олган ҳолда исталган чекли кириш-чиқиш муносабатларини ўрнатиш мумкин.

Каскадли нейрон тармоқлари ҳар қандай турдаги кириш ва чиқиш маълумотларини қайта ишлашда қўлланилиши мумкин. Ушбу модел кириш ва чиқиш ўртасидаги чизиқли ҳамда ночизиқли боғланишларни ҳисобга олади. ЭЭТларини оптималлаштириш масаласи айнан мана шундай хусусиятларга эга бўлган масалалардан саналади, чунки уларда кўп миқдордаги дастлабки маълумотлар, шунингдек, оптималлаштирилувчи маълумотлар ҳам бир неча ўнлаб параметрларни ташкил этади [4-6]. Шу сабабли, улар учун ушбу каскадли нейрон тармоқларидан фойдаланишга асосланган алгоритмларини яратиш имкониятларини кўриб чиқиш муҳим саналади.

Ушбу мақолада активлаштирувчи функция сифатида сигмоида функциясидан фойдаланилган (2- расм):

Бу функция чизиқли бўлмаганлиги сабабли уни кўп қатламли нейрон тармоқларда қўллаш мумкин ва бу тармоқларни орқага қайтариш усули ёрдамида ҳам ўргатиш мумкин. Сигмоида иккита горизонтал y=1 ва y=0 чизиқлар билан чегараланади, бу эса ҳар бир нейроннинг чиқиш қийматини нормаллаштиради. Бундан ташқари, сигмоида функция силлиқ градиентга эга ҳисобланади, бу эса чиқиш қийматини ҳисоблашда кескин сакрашларни олдини олади.

O‘ZBEKGIDROENERGETIKA PRINT ISSN 3060-4672 54 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER VOLUME 8 | ISSUE 2 | 2025

Сигмоидадан кўриниб турибдики (2- расм), х нинг қийматлари -2 дан 2 гача оралиқда бўлган диапазонда у нинг қийматлари жуда тез ўзгаради. Бу ушбу оралиқда x нинг қийматларини ҳар қандай кичик миқдорга ўзгариш y нинг қийматлари сезиларли ўзгаришига олиб келишини кўрсатади.

2-расм. Сигмоида активлаштирувчи функцияси.

Сигмоиданинг яна бир афзаллиги функция қийматларининг бел­ гиланган диапазони – оралиқ [0,1] нинг мавжудлигидир. Солиштириш учун, агар чизиқли функцияни олсак, у (-inf, inf) ичида ўзгариб туради. Сигмоиданинг бу хусусияти катта активлаштириш қийматларида ҳам салмоқли хатоликларни келтириб чиқарилмаслигини таъминлайди [7-10].

Қуйида танланган СНТ асосида электр энергетика тизимининг ҳолатини комплекс оптималлаштириш масаласи кўриб чиқилган.

Тадқиқот объекти сифатида Халқаро энергетика ва электроника инстутути (IEEE - Institute of Electrical and Electronics Engineers) томонидан ишлаб чиқилган 14 тугунли тест схема (3-расм) танлаб олинди.

Сунъий нейрон тармоқлардан фойдаланишга асосланган комплекс оптималлаштириш моделини ишлаб чиқишда, кирувчи маълумотлар сифатида барча тугунларнинг актив қувватлари қабул қилинди. Бунда юкламаларнинг қувват коэффициентлари юкламанинг характерига боғлиқ ҳолда ўзгариб турганлиги сабабли, актив юкламанинг ўзгариши натижасида унга мос келувчи реактив юкламанинг ўзгариши табиий ҳолда унинг актив қувват коэффициентига боғлиқ ҳолда ҳосил бўлиши ҳисобга олинди. Ушбу жиҳатларни эътиборга олган ҳолда, нейрон тармоқни ўқитишда кирувчи маълумотлар сифатида қуйида таклиф этилаётган алгоритмда ҳар бир юкламанинг актив қувватлари Pюкj қабул қилинди.

PRINT ISSN 3060-4672 O‘ZBEKGIDROENERGETIKA

VOLUME 8 | ISSUE 2 | 2025 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER

3-расм. IEEEнинг электр энергетика тизимини 14 та тугунли тест схемаси.

Чиқиш маълумотлари сифатида қуйидаги оптималлаштирувчи пара­ метрлар қабул қилинди:

- PCi – оптималлаштиришда қатнашувчи барча станцияларнинг актив қувватлари;

- Qi – реактив қуввати оптималлаштирилувчи манбаларнинг реактив қувватлари;

- КТ – ростланувчан трансформаторларнинг трансформациялаш коэф­ фициентлари.

Электр энергетика тизимини комплекс оптималлаштиришда унга таъсир этувчи юқорида келтирилиб ўтилган факторларни ҳисобга олиш асосида СНТ қуйидаги боғланишларни ҳосил қилади:

O‘ZBEKGIDROENERGETIKA PRINT ISSN 3060-4672 56 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER VOLUME 8 | ISSUE 2 | 2025

Моделни шакллантиришда маълумотларни 3 қисмга: ўқитиш, тест ва валудацияларга ажратиб олинади. Бу моделнинг самарадорлигини текшириш ва уларни тўғри баҳолаш учун жуда муҳим қадам ҳисобланади. Ҳар бир қисм турли вазифаларни бажаради ва моделнинг умумийлаштириш қобилиятини оширишга ёрдам беради.

- Ўқитиш — модель маълумотлардан ўрганиши асосида кирувчи ва чиқувчи маълумотлар ўртасидаги боғланишни шакллантириш учун;

- Валидация — моделнинг гиперпараметрларини танлаш учун;

- Тест — моделнинг ҳақиқий самарадорлигини баҳолаш учун.

Кўрилаётган моделда дастлабки маълумотларни ўқитиш, валидация ва тест жараёнларига бўлиш нисбатлари қуйидагича таклиф этилади:

Тадқиқотлар СНТни ўқитиш самарадорлиги танламалар сонига ҳам боғлиқлигини кўрсатади. Масалан, дастлабки маълумотлар сонидан келиб чиққан ҳолда, 400 та тасодифий танланманинг 80% қисми (320 та тасодифий қиймат) ўқитиш ва бунга мос ҳолда валидация ҳамда тест тўпламлари кичик бўлгани учун моделнинг ҳаддан ташқари ўқитишга (оверфиттинг) мойиллиги юқори бўлиши мумкин. Бу ҳолатда валидация ва тест натижалари моделнинг ишончли баҳосини беришда етарли бўлмаслиги мумкин. Агар нисбат 70/15/15 бўлса, у баланслаштирилган тақсимот саналиши мумкин. Одатда, баланслаштирилган тақсимотда ўқитиш учун етарли миқдорда маълумот мавжуд бўлиб, валидация ва тест тўпламлари моделнинг кўп ўқитишдан қочишини таъминлаш учун етарли ҳисобланади. Валидация тўплами каттароқ бўлгани сабабли гиперпараметрларни танлашда моделнинг ишончлилигини яхшироқ текшириб олиш мумкин. Нисбат 60/20/20 бўлганда ўқитиш учун камроқ маълумот бўлгани сабабли, модель етарли даражада ўрганилмаслиги мумкин. Шу сабабли, кўрилаётган ҳолатда нисбат 70/15/15 танлаб олинди, 4-расмда ўқитиш натижалари графиги келтирилган.

PRINT ISSN 3060-4672 O‘ZBEKGIDROENERGETIKA

VOLUME 8 | ISSUE 2 | 2025 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER

Яширин қатламлардаги нейронлар сони моделнинг ишлаш самарадорлиги ва турли маълумотлар билан қандай ўрганишига бевосита таъсир қилади. Қатламлардаги нейронлар сонини тўғри танлаш — нейрон тармоқларни оптимал ишлатиш учун муҳим босқич ҳисобланади, чунки нейронлар сони моделнинг ўрганиш қобилияти, умумийлаштириш қобилияти ва ҳисоблаш қийинчилигини белгилайди. Ушбу ишда нейронларнинг оптимал сонини танлашда уларнинг 0-14 oралиқдаги сони кўриб чиқилди.

Моделнинг хатолиги, одатда, қуйидагича ҳисобланувчи ўртача абсолют квадратик оғишлар билан баҳоланади:

1 n ′ RMSE = ∑ n i =1 ( yi − yi ) 2 (4.5)

5-расмда нейронлар сони ва ўрта квадратик хатолик (RMSE) ўртасидаги боғлиқлик график шаклида тасвирланган. Графикдан кўриниб турибдики, нейронлар сонининг ҳар бир қатламида 4 та қийматида ўртача квадратик хатоликнинг сезиларли даражада камайиши кузатилмоқда, бу эса модель ўқитиш жараёнида маълумотлар ичидаги ҳатоликларни яхшироқ ўрганаётганини кўрсатади. Нейронлар сонининг 4 дан юқори бўлган ҳолатларида эса, аксинча, ўрта квадратик хатолик қийматлари сезиларли равишда ошишни бошлайди. Бу ҳолат ортиқча нейронлар моделида оверфиттинг (ҳаддан ташқари ўрганиш) жараёнини юзага келтириши

O‘ZBEKGIDROENERGETIKA PRINT ISSN 3060-4672 58 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER VOLUME 8 | ISSUE 2 | 2025

мумкинлигини кўрсатади, яъни модель ўқитиш тўпламига жуда қаттиқ мослашиб олиб, умумийлаштириш қобилияти пасаяди. Бу эса, моделнинг янги маълумотларда самарасиз ишлашга мойиллигини билдиради.

5-расм. Ўртача квадратик хатоликнинг нейронлар сонига боғлиқ равишда ўзгариш графиги.

5-расм таҳлилига кўра, яширин қатламда 4 та нейрон танлаш мақсадга мувофиқ, чунки нейронлар сони 4 та бўлганда энг кичик ўрта квадратли хатолик кузатилган. Бу танлов моделнинг оптимал ўқитилиши ва маълумотлар ичидаги қонуниятларни самарали ўрганишини таъминлайди. Ушбу ҳолатда қатламлар сони 3 та бўлиб, биринчи, иккинчи ва учинчи (чиқиш қатлами) қатламларининг ҳар бири 4 тадан нейрондан иборат.

6-расм. Ўртача квадратик хатоликнинг эпохларга боғлиқ ўзгариш графиги.

PRINT ISSN 3060-4672 O‘ZBEKGIDROENERGETIKA

VOLUME 8 | ISSUE 2 | 2025 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER

6-расмда ўқитиш жараёнида ўрта квадратик хатолик (RMSE) нинг ўқитиш эпохларига боғлиқ ҳолда ўзгариши келтирилган. Ушбу графикни ҳосил бўлишида маълумотлар 0 дан 80 гача бўлган давр оралиғида таҳлил қилинган.

6-расмдаги боғланишдан сунъий нейрон тармоқнинг катта аниқликкача ўқитиш жараёнида 50 та эпох максимал самарани берганлигини кўрамиз. Эпохларнинг ушбу сонида сунъий нейрон тармоғи тўйиниш ҳолатига етишган ҳисобланади. 50-чи эпох критик нуқта сифатида қабул қилинади ва бу асосда дастурда кейинги давр 50 та эпох давомида амалга оширилади. Бундай натижага эга бўлиш моделнинг самарадорлигини янада оширишга ёрдам беради.

1. Сунъий нейрон тармоқнинг (Cascade Forward Neural Network, CFNN) модификациясини танлаш асосида тадқиқотлар амалга оширилди. Ушбу каскадли нейрон тармоқлари ҳар қандай турдаги кириш ва чиқиш маълумотларини қайта ишлашда қўлланилиши мумкин. Кўрилаётган модел кириш ва чиқиш ўртасидаги чизиқли ҳамда ночизиқли боғланишларни ҳисобга олиш қобилиятига эга. Айнан шу хусусият, йирик электр энергетика тизимларида, станциялар ва юкламалар кўплигига қарамай, натижаларни қисқа вақт ичида аниқ ва ишончли тарзда олиш имконини яратади.

2. Сунъий нейрон тармоқ моделларининг гипер параметрларини тўғри танлаш уларнинг умумий самарадорлиги ва ишончлилигини сезиларли даражада оширишга имкон беради. Гипер параметрларни оптимал танлаш нафақат моделнинг ўқув жараёнини, балки унинг умумий ишлаш сифатини ҳам сезиларли даражада яхшилашда муҳим омил ҳисобланади.

1. T. Gayibov, B. Uzakov, A. Shanazarov. Algorithm of power system mode optimization taking into account losses in networks and functional constraints. // AIP Conference Proceedings 2612, 050011 (2023) https://doi.org/10.1063/5.0117667.

2. Braspenning P. J., Thuijsman F and Weijter A. J. M. M. 1995. Artificial Neural Networks: // An Introduction to ANN. Theory and Practice. pp. 1–100. Springer.

3. Abdolrasol, M.G.M.; Hussain, S.M.S.; Ustun, T.S.; Sarker, M.R.; Hannan, M.A.; Mohamed, R.; Ali, J.A.; Mekhilef, S.; Milad, A. Artificial Neural Networks Based Optimization Techniques: A Review. Electronics 2021, 10, 2689. https://doi. org/10.3390/electronics10212689.

4. Xu, Q. (2023). How neural networks can improve the performance of electrical power systems? Highlights in Science, Engineering and Technology, 29, 214-218. https://doi.org/10.54097/hset.v29i.4571.

O‘ZBEKGIDROENERGETIKA PRINT ISSN 3060-4672 60 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER VOLUME 8 | ISSUE 2 | 2025

5. B. Shaw, S. Ghoshal, V. Mukherjee, and S. P. Ghoshal. Solution of Economic Load Dispatch Problems by a Novel Seeker Optimization Algorithm. // International Journal on Electrical Engineering and Informatics ‐ Volume 3, Number 1, 2011. DOI:10.1016/j.eswa.2011.07.041.

6. T.Sh. Gayibov, A.E.Shanazarov, “Elektr energetika tizimlaring operativ ish holatlarini sun’iy neyron tarmoqlardan foydalanish asosida optimallashtirish”// Energiya va resurs tejash muammolari, No. 87, Dekabr, 2024. – P. 18-28.

7. Gayibov T.Sh., Shanazarov A.E. Algorithm for Complex Optimization of Short-term Modes of Electric Power Systems // International Journal of Advanced Research in Science, Engineering and Technology. Volume 11, Issue 3, 2024. -pp.21524-21530.

8. Pulatov B.M., Shanazarov A.E. “Optimization of modes of the electric power systems by genetic algorithms” // E3S Web of Conferences, 216, 01099, 2020. DOI/10.1051/e3sconf/202021601099.

9. Sh.Sh.Latipov, Alisher Shanazarov, I.B. Ikramdjanov// “Consideration of limitations in the form of inequalities in optimal planning of power systems regimes under uncertainty initial information” E3S Web of Conferences 289, 07005 (2021) https://doi.org/10.1051/e3sconf/202128907005

10. Tulkin Gayibov, Alisher Shanazarov. “Алгоритм комплексной оптимизации режимов электрических сетей” // Узбекгидроэнергетика, 2021. – С. 55-57.

PRINT ISSN 3060-4672 O‘ZBEKGIDROENERGETIKA

VOLUME 8 | ISSUE 2 | 2025 УЗБЕKГИДРОЭНЕРГЕТИКА UZBEKHYDROPOWER