Ключевые слова
гидроэлектростанция, предиктивная аналитика, сингулярный анализ, нестационарные процессы, нейронные сети

Аннотация
Рассмотрена проблема прогнозирования нестационарных режимов работы гидроэлектростанций в условиях сложной динамики гидрологических и энергетических процессов. Представлена гибридная система предиктивной аналитики, объединяющая методику декомпозиции нестационарных процессов на основе сингулярного разложения матрицы развертки и рекуррентные нейронные сети с LSTM-архитектурой. Декомпозиция обеспечивает адаптивное выделение трендовых, колебательных и шумовых составляющих из исходных временных рядов (на примере показателей притока воды) с последующей рекурсивной очисткой шумового остатка. Для каждой группы выделенных компонент создаются специализированные LSTM-модели, объединенные в ансамбль, что позволяет учитывать разнородную динамику процессов и повышать точность многошагового прогнозирования. Практическое применение разработанного подхода способствует повышению достоверности прогнозирования режимов работы гидроэлектростанций, оптимизации управления водными ресурсами и снижению рисков возникновения аварийных ситуаций.

Authors
Altukhova M. K., Ph.D., Peter the Great St.Petersburg Polytechnic University, St.Petersburg, Russia.
E-mail: altuhova-mk@ntcees.ru
Lyulina M. A., Peter the Great St.Petersburg Polytechnic University, St.Petersburg, Russia.
E-mail: lyulina.m@spbstu.ru

Keywords
hydropower plant, predictive forecasting, singular value decomposition, non-stationary processes, neural networks

Annotation
The paper considers the problem of forecasting non-stationary operating conditions of hydropower plants under the complex dynamics conditions of hydrological and power-system processes. A predictive analytics system based on a hybrid approach integrating singular value decomposition of the trajectory matrix and recurrent neural networks with a long short-term memory (LSTM) architecture is proposed. Singular decomposition is used to perform the adaptive decomposition of the original signals, illustrated by water inflow indicators, into trend, oscillatory, and noise-related components, followed by iterative cleaning of the noise residual component. For each component group, dedicated LSTM models are developed and combined into an ensemble, which makes it possible to account for the heterogeneous dynamics of the processes and to improve the accuracy of multi-step forecasting. The practical implementation of the proposed approach can increase the reliability of hydropower plant operating condition prediction, optimize water resource management, and reduce the risk of emergency events.

1. Bushuev, S. Application of ai for monitoring and optimizing it infrastructure: economic prospects for implementing predictive analytics in enterprise operations / S. Bushuev // International Journal of Humanities and Natural Sciences. — 2024. —№ 8–3(95). — Pp. 125–129.
2. Основы расчетов гидроэнергетических режимов ГЭС в энергосистеме / Ю. А. Секретов,
   А. А. Жданович, С. В. Митрофанов, В. Г. Шальнев. — Новосибирск: Изд-во НГТУ, 2020. —228 с.
3. Modeling of an electric power system based on numerical experiment data for the purposes of static stability task / M. K. Altukhova, M. A. Lyu-lina, I. E. Ryndina, V. S. Chudny, E. A. Ivanova, G. A. Рershikov // 2023 Seminar on Industrial Electronic Devices and Systems (IEDS) St. Petersburg. — Moscow, Saint Petersburg. — 2023. —Pp. 14–19.
4. Roondiwala, M. Predicting stock prices using LSTM. International / M. Roondiwala, H. Patel, S. Varma // Journal of Science and Research. —2017. — Vol. 6. — № 4. — Pp. 1754–1756.
5. Time Series Analysis: Forecasting and Control (5th ed.) / G. E. P. Box, G. M. Jenkins, G. C. Reinsel & G. M. Ljung. — John Wiley & Sons. — 2016. — Р. 729.
6. Кедрин, В. С. Структурная оценка сингулярного спектра в задачах анализа динамики моделей дискретных последовательностей / В. С. Кедрин, О. В. Кузьмин, А. П. Хоменко // Современные технологии. Системный анализ. Моделирование. ИГУПС. — 2017. — № 1(53). — C. 152–162.
7. Дойников, А. Н. Моделирование нестационарных процессов с использованием алгоритмов их сингулярного разложения / А. Н. Дойников, В. С. Кедрин, М. К. Сальникова // Научно-технические ведомости СПбГТУ. — 2006. —№ 5. — С. 143–147.
8. Grouping and Selecting Singular Spectrum Analysis Components for Denoising Via Empirical Mode Decomposition Approach / P. Lin, W. Kuang, Y. Liu, B. W. K. Ling // Circuits, Systems, and Signal Processing. — 2019. — № 38. — pp. 356–370.
9. Цепелев, В. Ю. Ансамблевый прогноз: составление, использование, интерпретация /В. Ю. Цепелев, О. Г. Анискина. — СПб.: ИПАВУЗ, 2022. — С. 110.
10. Chernick M. R. Bootstrap methods: A guide for practitioners and researchers / 2nd ed. / M. R. Chernick. — A John Wiley&Sons, Inc., 20008. — P. 399.