Вестник Кольского научного центра РАН № 1, 2025 г.

Рис. 3. Изменение точности (а) и функции потерь перекрестной энтропии (б) от эпохи во время обучения и валидации нейронной сети 100.00% с потерей бинарной перекрестной энтро­ пии 0.0115 была оценена для четвертой модели СНС. Разница в значении общего времени обу­ чения (15 эпох) между самой быстрой и самой долгой моделью СНС составила всего 16 се­ кунд. В результате сравнения производитель­ ности моделей СНС с разной структурой, была выбрана последняя модель нейронной сети, содержащая слои аугментации изображений и слой дропаута, так как она достигла максималь­ ной точности. Кроме того, более высокое значе­ ние потери этой модели по сравнению с первой моделью (она достигла второй по величине точ­ ности среди рассматриваемых архитектур СНС) говорит о том, что СНС усвоила меньше невер­ ных признаков, связанных с шумом и случай­ ными колебаниями в данных. Таким образом, эта модель будет потенциально лучше клас­ сифицировать данные, которые ранее не виде­ ла. Также выбранная модель СНС превзошла по точности фреймворк для обнаружения ГИТ в энергосистемах, использующий гибридный частотно-временной анализ (ОПФ и НВП) в со­ четании с СНС. Этот фреймворк достиг точнос­ ти 90.95% [Wang et al., 2020]. На рис. 3 показаны кривые обучения для выбранной модели на обучающем и проверочном (валидационном) наборе данных. Использование дропаута сов­ местно с искусственным увеличением размера обучающего набора данных позволяет модели избежать переобучения и достигнуть высокой производительности. Как видно из рис. 3, точ­ ность валидации выбранной модели выше точ­ ности обучения, а валидационные потери ниже, чем потери при обучении. Это объясняется тем, что регуляризация (дропаут) и аугментация дан­ ных применяются только во время обучения, что затрудняет классификацию на обучающем наборе данных. Поскольку слой дропаута не ак­ тивен во время проверки, модель использует все признаки, что делает ее более надежной, по­ вышая валидационную точность и снижая ве­ личину потери во время проверки. Аугментация данных повышает сложность примеров в обу­ чающем наборе данных, что приводит к умень­ шению точности обучения и увеличению поте­ ри при обучении по сравнению со значениями этих метрик во время валидации. Архитектура предложенной модели СНС для классификации скейлограмм токов в ней­ трали автотрансформатора представлена на рис. 4. Она состоит из четырех сверточных слоев, четырех подвыборочных слоев, слоя дропаута, слоя сглаживания, и двух полносвяз­ ных слоев. Каждый сверточный слой и первый полносвязный слой сопровождаются функ­ цией активации ReLU, которая применяется для обеспечения эффективной производитель­ ности обучения. Размер ядра фильтра каждого следующего сверточного слоя уменьшается, что делает возможным извлечение локальных признаков из изображений при разных масш­ 20