В статье приводится передовой метод прогнозирования гидравлического давления в системах ресурсоснабжения. В качестве основного примера рассматривается водопроводная сеть. Особое внимание уделяется повышению точности предсказания гидравлических параметров, используя модели нейронных сетей в технологическом процессе предприятий. В публикации отражается важность получения надежных данных для построения нейронных моделей. С этой целью использовались пьезоэлектрические датчики давления, которые врезались в трубопроводы в местах ответственных потребителей. Эти датчики подключались цифровым устройствам, передавая результаты измерений на вычислительный сервер, где происходило обучение моделей. Для передачи данных использовался облегченный протокол MQTT. Результаты исследования подчеркивают важность инновационных стратегий в управлении ресурсоснабжением, обеспечивая непрерывное обновление прогнозов давления. Использование рекуррентных нейронных сетей позволило значительно снизить ошибки интервального прогнозирования по сравнению с традиционными методами, например, моделью Хольта-Винтерса, с 6,07 до 4,36 %. Показано, что модель долгой краткосрочная памяти способна улавливать падающую динамику давления, даже при малой истории аварийных событий в процессе обучения.

The article provides an advanced method for predicting hydraulic pressure in resource supply systems. The main example is the water supply network. Particular attention is paid to improving the accuracy of prediction of hydraulic parameters using neural network models in the technological process of enterprises. The publication reflects the importance of obtaining reliable data for building neural models. For this purpose, piezoelectric pressure sensors were used, which crashed into pipelines at critical consumer locations. These sensors were connected to digital devices, transmitting measurement results to a computing server, where the models were trained. The lightweight MQTT protocol was used for data transfer. The study results highlight the importance of innovative strategies in resource management by ensuring continuous updating of pressure forecasts. The use of recurrent neural networks made it possible to significantly reduce interval forecasting errors compared to traditional methods, for example, the Holt-Winters model, from 6.07 to 4.36%. It is shown that the long short-term memory model is capable of capturing falling pressure dynamics, even with a short history of emergency events during the learning process.

Рассмотрены особенности моделирования электрических нагрузок потребителей частного жилого фонда при выполнении расчетов режимов работы электрических сетей напряжением 0,4кВ. Предложено нагрузку представлять активным и реактивным сопротивлениями, вольт-амперную характеристику (ВАХ) этих сопротивлений считать линейной, применять для расчета прямой метод.

Тhe features of modeling electrical loads of private residential consumers when performing calculations of operating modes of electrical networks with a voltage of 0.4 kV are considered. It is proposed to represent the load by active and reactive resistances, consider the current-voltage characteristic of these resistances to be linear, and use the direct method for calculation.

Предложены алгоритмы и программное обеспечение для определения пропускной способности низковольтных сельских электрических сетей, содержащих преимущественно воздушные линии электропередачи. Показано, что в реальных схемах электроснабжения необходимо оценивать три параметра: минимальное значение напряжения потребителя, максимальную температуру провода и максимальную температуру силового трансформатора. При этом расчеты должны выполняться для летнего и зимнего периодов по отдельности.

Аlgorithms and software for determining the low-voltage rural power grids capacity which contain mainly overhead power lines are proposed. It is shown that in real power supply circuits it is necessary to evaluate three parameters: the minimum value of the consumer voltage, the maximum temperature of the wire and the maximum temperature of the power transformer. At the same time, calculations should be performed for the summer and winter periods separately.