Вестник Кольского научного центра РАН № 1, 2025 г.

Рисунок 4. Архитектура предложенной СНС для классификации ГИТ в нейтрали автотрансформатора табах фильтра. Так как наша задача состоит в бинарной классификации, то число нейронов в последнем слое равняется единице. В качест­ ве функции активации для выходного слоя была выбрана сигмоида, потому что ее использова­ ние уменьшает выходные данные до значения в интервале от нуля до единицы, представляю­ щего вероятность. Для расчета расхождения между прогнозируемым и истинным значением используется функция потерь бинарной пере­ крестной энтропии. Эта функция потерь специ­ ально создана для бинарных классификаторов. Коэффициент для слоя дропаута задан равным 0.5, что означает, что половина нейронов выбо­ рочно игнорируется во время обучения модели. Перечисленным выше слоям предшествуют слои предобработки, которые применяются для создания дополнительных изображений для обучения с помощью аугментации сущес­ твующих примеров. Случайные преобразова­ ния аугментации, которые были применены: отражение ('horizontal'), вращение (задано 0.01) и масштабирование (коэффициент высоты за­ дан (-0.001, -0.1), коэффициент ширины задан (-0.01, -0.6). Аугментация данных была исполь­ зована для того, чтобы улучшить обобщающую способность предложенной модели СНС. В ка­ честве оптимизатора используется алгоритм обучения Adam, скорость обучения которого задана 0.0001 [Kingma & Ba, 2014] Заключение Был предложен метод детектирования ГИТ в токе нейтрали автотрансформатора, осно­ ванный на НВП и СНС. Хотя подобные исследо­ вания проводились и в прошлом, впервые был предложен анализ данных токов в нейтралях автотрансформаторов с действующих под­ станций на Северо-Западе России, основан­ ный на бинарной классификации скейлограмм токов. Для обучения модели СНС был создан набор данных, содержащий 800 изображений скейлограмм двух классов: ГИТ и геомагнит­ но спокойные часы. В результате сравнения производительностей четырех СНС с разной архитектурой, была выбрана модель, которая показала высокую эффективность классифи­ кации ГИТ на валидационной выборке (100.00% точность и функция потерь бинарной перекрес­ тной энтропии 0.0115). В состав предложенной модели СНС, помимо основных слоев, вошли слои предобработки и слой дропаута. В даль­ нейших исследованиях планируется провести анализ 13-летних данных системы мониторинга ГИТ c использованием предложенного класси­ фикатора, основанного на СНС, для выявления участков линий, наиболее подверженных гео­ магнитным воздействиям, а также разработку мер по защите оборудования от влияния ГИТ. 21 Т. В. Аксенович rio.ksc.ru/zhurnaly/vestnik