Вестник Кольского научного центра РАН № 1, 2025 г.

как квадратный корень из дисперсии [Whitley & Ball, 2002]. Для классификации скейлограмм ГИТ и геомагнитно спокойных часов с использовани­ ем стандартного отклонения необходимо найти эмпирический порог. Но, как видно из значений на рисунке, скейлограммы ГИТ могут иметь как высокие, так и относительно низкие значения стандартного отклонения, которые сопостави­ мы со значениями стандартного отклонения для скейлограмм геомагнитно спокойных ча­ сов. Это осложняет поиск точного эмпирическо­ го порога для классификации событий и может привести к неверному определению класса. Это, в свою очередь, потенциально снижает точность классификации этого метода. Результаты и их обсуждение Одной из задач этой работы является созда­ ние бинарного классификатора скейлограмм токов в нейтрали автотрансформатора для ана­ лиза данных системы мониторинга ГИТ в Коль- ско-Карельской магистральной электрической сети. С этой целью был проведен сравнитель­ ный анализ четырех моделей СНС с разной конфигурацией. Все модели были построены с нуля. Первая модель имеет следующую архи­ тектуру: четыре сверточных слоя, четыре под- выборочных слоя, слой сглаживания и два пол­ носвязных слоя. Архитектуры второй и третьей моделей отличаются от первой наличием слоя дропаута после четвертого подвыборочного слоя и слоев предобработки перед первым сверточным слоем соответственно. Четвертая модель содержит все перечисленные выше слои в своей архитектуре. Обучение и тестирование моделей прово­ дилось на центральном процессоре Intel(R) Core(TM) i5-11400 с частотой 2.6 ГГц. Осталь­ ные технические характеристики компьютера, используемого в эксперименте: оперативная память объемом 16 ГБ и 64-разрядная операци­ онная система Microsoft Windows 10 Pro. Вкачес­ тве фреймворка для глубокого обучения была выбрана хорошо известная библиотека Keras (версия 2.12.0) [Chollet, 2015]. Keras представляет собой высокоуровневый программный интер­ фейс приложения с открытым исходным кодом, который работает поверх платформы для ма­ шинного обучения TensorFlow. Модели СНС обучались с использованием 80% (640) изображений скейлограмм и прове­ рялись с использованием остальных 20% (160). В качестве оценочных метрик были исполь­ зованы точность и функция потерь бинарной перекрестной энтропии. Обучение всех моде­ лей проводилось в течение 15 эпох. В табл. 2 показаны результаты валидационной оценки производительности моделей. В целом можно отметить тот факт, что все мо­ дели СНС показали хорошие результаты. Для пер­ вой модели СНС была получена точность 99.37% с потерей бинарной перекрестной энтропии 0.0098. Вторая модель бинарного классифика­ тора успешно классифицировала изображения скейлограмм с точностью 99.37% и самой низкой величиной потери бинарной перекрестной энтро­ пии равной 0.0092. Для третьей модели СНСбыла получена самая низкая точность 98.75% с самой высокой величиной потери бинарной перекрес­ тной энтропии равной 0.0344. Лучшая точность Таблица 2. Сравнение производительности моделей СНС с разными конфигурациями на валидационной выборке № Модели СНС Время, мин Бинарная перекрестная энтропия Точность, % 1 Простая СНС 03:06 0.0098 99.37 2 СНС с дропаутом 03:08 0.0092 99.37 3 СНС с аугментацией 03:19 0.0344 98.75 4 СНС с аугментацией и дропаутом 03:22 0.0115 100.00 19 Т. В. Аксенович rio.ksc.ru/zhurnaly/vestnik