Методология создания доверенных интеллектуальных систем прогнозирования в задачах электроэнергетики

В работе описаны принципы создания систем искусственного интеллекта, обладающих свойством доверенности, для решения задач прогнозирования генерации и потребления электрической энергии. Введены понятие и свойства доверенной интеллектуальной системы прогнозирования, основанные на существующей в РФ нормативно-правовой и нормативно-технической базе. Обосновано применение онтологического подхода для учета экспертных знаний о предметной области при построении прогнозных моделей машинного обучения. Предложено расширение классической триады защищаемых свойств информации за счет включения свойства релевантности и обосновано его использование для доверенных интеллектуальных систем прогнозирования в электроэнергетике. Показано, как разработанные автором модели и методы обеспечивают выполнение требований доверенности и расширяют границы применимости технологий искусственного интеллекта в промышленности, в задачах с высокой ценой ошибки.

Аффилиация авторов

Матренин Павел Викторович – канд. техн. наук, ведущий научный сотрудник,
Уральский федеральный университет имени первого Президента России Б.Н. Ельцина (УрФУ).
E-mail: p.v.matrenin@urfu.ru

Список литературы

1. Гнатюк В.И., Кивчун О.Р. Теоретические основы управления электропотреблением на базе квантовой ранговой динамики // Промышленная энергетика. 2024. № 1. С. 2–7.
2. Горшенин А. Ю., Грицай А.С., Денисова Л.А. Применение машинного обучения деревьев решений для краткосрочного прогнозирования электропотребления // Известия ТулГУ. Технические науки. 2023. №11. С. 226–231.
3. Блохин А.В., Грицай А.С., Горшенин А.Ю. Исследование факторов, влияющих на потребление электроэнергии коммерческим предприятием // Математические структуры и моделирование. 2022. № 3(63). С. 39–47.
4. Матренин П.В. Хамитов Р.Н., Сергеев Н.Н. Краткосрочное прогнозирование электропотребления промышленных предприятий методами искусственного интеллекта с учетом производственных факторов // Автоматизация в промышленности. 2025. № 6. С. 13–16.
5. Матренин П.В., Манусов В.З., Сафаралиев М.Х., Назаров М.Х. Модели и методы машинного обучения в задачах прогнозирования генерации на основе возобновляемых источников энергии. Новосибирск: Новосибирский государственный технический университет. 2024. 199 с.
6. Шлык Ю.К., Хамитов Р.Н., Попов Е.И. и др. Анализ электропотребления малых населенных пунктов на основе линейных мультипликативных прогнозных моделей // Инженерный вестник Дона. 2025. № 8(128). С. 653–668.
7. Матренин П.В., Хамитов Р.Н. Алгоритм формирования стратегии автоматического обновления моделей искусственного интеллекта в задачах прогнозирования в электроэнергетике // Инженерный вестник Дона. 2025. № 7(127). С. 228–247.
8. Намиот Д.Е., Ильюшин Е.А. Мониторинг сдвига данных в моделях машинного обучения // International Journal of Open Information Technologies. 2022. Т. 10. № 12. С. 84–93.
9. Матренин П.В. Метод объяснения прогнозов моделей искусственного интеллекта на основе алгоритма Шепли и генеративной языковой модели // Программная инженерия. 2025. № 9. С. 470–479.
10. Массель Л.В., Массель А.Г., Щукин Н.И., Цыбиков А.Р., Лосев А.С. Построение цифровых двойников ветровой и солнечной электростанций на основе онтологического подхода // Автоматизация в промышленности. 2022. №7. C. 28–32.
11. Андриевский А.А., Красильников М.И., Непша Ф.С. Онтология как основа для создания цифровых двойников объектов управления интеллектуальной распределённой энергетики // Автоматизация в промышленности. 2021. № 1. С. 27–33.
12. Матренин П.В. Архитектура доверенной системы искусственного интеллекта в задачах прогнозирования временных рядов в электроэнергетике // International Journal of Open Information Technologies. 2025. Т. 13. № 9. С. 103–110.