Узбекистан академия наук республики узбекистан

СНТнинг ўртача квадрат хатоси (MSE) 
Тўпламлар
бирлиги 
Модель тури 
CFNN 
FNN 
Ўқитиш 
минг.кW*соат 
0,0003673 
0,00000012 
Текшириш 1 
минг.кW*соат 
0,0004713 
0,00000031 
Текшириш 2 
минг.кW*соат 
0,0004764 
0,00000022 
Тасдиқлаш
минг.кW*соат 
0,1370613 
0,00009921 

---

172 
2-жадвал 
Детерминация коэффициенти (R
2
) ва ҳисоблаш вақти 
Тўпламлар
Модель тури 
CFNN
FNN 
Ўқитиш 
0,99991473 
0,99999997 
Текшириш 1 
0,99954990 
0,99999984 
Текшириш 2 
0,99963510 
0,99999987 
Тасдиқлаш
0,69840612 
0,99980014 
Ҳисоблаш вақти, сек 
2,64 
4,18 
4-расм. Оддий пертсептрон (fitnet) тармоги учун солиштириш натижалари. 
Хулоса. 
Очиқ тақсимлаш электр тармоқларда электр энергия йўқотишларини 
аниқлаш учун сунъий нейрон тармоқлардан фойдаланиш анъанавий ҳисоблаш усулларига 
муносиб альтернатив бўлиб ҳисобланади. 
Классик усуллар билан таққослаганда, сунъий нейрон тармоқлар ёрдамида электр 
энергия йўқотишларини баҳолаш жуда кам вақт талаб қилади, бу эса ўз навбатида тезкор 
ҳисоблашни амалга оширишда жуда муҳим аҳамиятга эга. 
Тасдиқлаш тўпламидаги солиштириш натижалари шуни кўрсатдики, электр энергия 
йўқотишларни баҳолаш учун кўриб чиқилган, СНТлардан энг маъқбули оддий
 
пертсептрон
 
(fitnet) бўлиб ҳисобланади. Бунда ўртача квадратик хатолик 0,000099 МW *соат ни ва 
детерминация коэффициенти R
2
- 0,9998 ни ташкил қилади. 
Фойдаланилган адабиётлар. 
1. Железко Ю.С. Потери электроэнергии. Реактивная мощность. Качество 
электроэнергии: Руководство для практических расчетов / Ю. С. Железко. - М.: ЭНАС, 
2009. - 456 с. 
2. Насиров Т.Х., Васильев В.Г. Методы расчёта потерь электрической энергии в 
сетях энергосистем, - Т.: «Fan va texnologiya», 2016. – 336 c. 
3. Манов Н.А. и др. Новые информационные технологии в задачах оперативного 
управления электроэнергетическими системами. – Екатеринбург: Изддво УрО РАН, 2002. 
– 205 с. 
4. Заиграева Ю.Б., Манусов В.З. Прогнозирование потерь мощности и 
электроэнергии с учетом новых реалий в электроэнергетики // Энергетика: экология, 
надежность, безопасность: Матер. XIII Всеросс. научноотехн. конф. – Томск: Изддво ТПУ, 
2006. – С. 35–37. 
5. R. E. Bourguet, P. J. Antsaklis, "Artificial Neural Networks in Electric Power Industry,” 
Technical Report of the ISIS (Interdisciplinary Studies of Intelligent Systems) Group, No. ISIS-
94-007, Univ of Notre Dame, April 1994. 

---

173 
6. A. G. Leal, J. A. Jardini, L.C. Magrini and S. Ahm. (2009) Distribution Transformer 
Losses Evaluation: A New Analytical Methodology an Artificial Neural Network Approach. IEEE 
Transactions on Power Systems, 24, 705-712. 
7. C.T. Hsu, Y. M. Tzeng, C. S. Chen and M. Y. Cho. (1995) Distribution feeder loss 
analysis by using an artificial network. Electric Power System Research, 34, 85-90. 
8. J. A. Velasco, H. Amaris, M. Alonso. Deep learning loss model for large-scale low 
voltage smart grids. Electrical Power and Energy Systems 121 (2020) 106054. 
doi.org/10.1016/j.ijepes.2020.106054. 
9. Muzaffar Khudayarov, Nuriddin Normamatov. Power system steady state calculations 
using artificial neural networks. E3S Web of Conferences 216, 01102 (2020), RSES 2020. 
doi.org/10.1051/e3sconf/202021601102. 
10. N Aishwarya, Manjula S Sureban. Analysis of Steady State Stability of Power System 
using Artificial Neural Network International Journal of Scientific & Engineering Research 
Volume 10, Issue 5, May-2019 ISSN 2229-5518. 
11. Marwala L., Twala B., Forecasting Electricity Consuption in South Africa: ARMA, 
Neural Networks and Neuro-Fuzzy Systems, International Joint Conference on Neural Networks 
(2014), Beijing, China, pp. 5049-5066. 
12. Шведов Г.В. Потери электроэнергии при ее транспорте по электрическим сетям: 
расчет, анализ, нормирование и снижение: учебное пособие для вузов / Г.В. Шведов, О.В. 
Сипачева, О.В. Савченко; под ред. Ю.С. Железко. — М.: Издательский дом МЭИ, 2013. — 
424 с.: ил.