Методологические основы синтеза автономных систем управления режимами активных распределительных сетей с применением машинного обучения тема диссертации и автореферата по ВАК РФ 00.00.00, доктор наук Томин Никита Викторович

• Томин Никита Викторович
• доктор наук
• 2026

Оглавление диссертации доктор наук Томин Никита Викторович

Введение

Глава 1. Проблематика перехода к автономному управлению режимами электрических сетей при их

интеллектуализации и цифровизации

1.1 Переход современной энергосистемы от автоматизации к

автономности в эпоху цифровизации и интеллектуализации

1.1.1 Автоматическое и оперативное управление режимами современных ЭЭС

1.1.2 Основные драйверы перехода современной энергосистемы от автоматизации к автономности

1.2 Фундаментальные аспекты автономных систем управления

1.2.1 Обшая концепция автономных систем управления

1.2.2 Автономные компоненты

1.3 Функциональная архитектура автономных систем управления в

современных электрических сетях

1.3.1 Концепция коммуникационной архитектуры автономной системы управления в энергетических системах

1.3.2 Практика внедрения автономных систем управления режимами современных систем передачи и распределения электроэнергии

1.4 Анализ развития активных распределительных сетей и объектов

малой энергетики в РФ

1.4.1 Развитие проектов цифровых районов электрических сетей

1.4.2 От автоматизированного и автоматического управления активными распределительными сетями к автономному управлению цифровыми РЭС

1.5 Постановка задачи

1.6 Выводы по Главе

Глава 2. Искусственный интеллект и машинное обучение для

разработки автономных систем управления ЭЭС

2.1 Искусственный интеллект и агентные технологии для современных систем управления ЭЭС

2.1.1 Обзор метаисследований применения технологий ИИ в задачах энергетики

2.1.2 Применение ИИ в задачах интеллектуальной автоматизации управления режимами ЭЭС

2.1.3 Агентные технологии и ИИ для автономных систем

2.1.4 Мультиагентные системы в задачах оперативного и автоматического управления электрическими сетями ЭЭС

2.2 Методы машинного обучения при создании моделей автономного искусственного интеллекта

2.2.1 Автономный искусственный интеллект

2.2.2 Основные методы машинного обучения при разработке систем автономного искусственного интеллекта

2.3 Автономный искусственный интеллект и делегирование решений

2.3.1 Проблематика делегирования решений

2.3.2 Человеко-центрический автономный искусственный интеллект

2.4 Выводы по Главе

Глава 3. Исследование методов обучения с подкреплением для

синтеза систем управления на базе автономного ИИ

3.1 Методы обучения с подкреплением для создания автономных

интеллектуальных агентов

3.1.1 Общая постановка обучения с подкреплением

3.1.2 Безмодельные и основанные на модели алгоритмы обучения с подкреплением

3.1.3 Методы оптимизации стратегии ТИРО и РРО

3.1.4 Актёр-критические методы

3.1.5 Метод Монте-Карло по поиску в дереве

3.1.6 Методы глубокого обучения с подкреплением

3.2 Мультиагентное обучение с подкреплением для реализации децентрализованных автономных систем управления

3.2.1 Общие положения

3.2.2 Основная структура мультиагентного обучения с подкреплением

3.2.3 Проблемы теории и реализации мультиагентного

обучения с подкреплением

3.2.4 Алгоритмы мультиагентного обучения с подкреплением

3.2.5 Экспериментальный пример

3.3 Обзор исследований применения обучения с подкреплением для управления нормальными и аварийными режимами активных распределительных сетей

3.4 Выводы по Главе

Глава 4. Методология построения цифровых двойников энергетических систем на основе обучения с подкреплением

4.1 Практика применения цифровых двойников в электроэнергетике

4.1.1 Классификация цифровых двойников

4.1.2 Направления использования цифровых двойников в электроэнергетической отрасли

4.2 Информационная обеспеченность и подходы к построению цифровых двойников

4.3 Метод построения цифрового двойника энергетических систем для задач автономного управления на базе обучения с подкреплением

4.3.1 Проблема синергии цифрового двойника и автономной системы управления

4.3.2 Подход к построению цифрового двойника для задачи автономного управления энергетическим объектом

4.3.3 Метод достоверизации входных данных цифрового двойника для целей оценивания состояния и предиктивной диагностики энергетических объектов

4.3.4 Метод прогнозирования параметров режима

электрической сети на основе стекинга

4.4 Экспериментальный пример 1: Активное управление районом электрической сети энергорайона Академгородка (г. Иркутск) с использованием технологии цифрового двойника

4.4.1 Модель цифрового двойника распределительной электрической сети для решения задачи активного автономного управления режимом сети

4.4.2 Расчётный пример реализации активного управления режимом района электрических сетей с использованием цифрового двойника

4.5 Экспериментальный пример 2: Предиктивная диагностика в цифровых РЭС с использованием технологии цифрового двойника: обнаружение аномалий электропотребления

4.6 Выводы по Главе

Глава 5. Разработка самообучающихся систем автоматического управления активными цифровыми электрическими сетями: методология координации и автономного принятия решений

5.1 Постановка концепции самобучающихся САУ в электрических сетях на базе методов обучения с подкреплением

5.1.1 Принципы синтеза самообучающихся САУ

5.1.2 Концепция самообучающихся САУ на базе методов обучения с подкрепленением

5.2 Разработка модели многомерной самообучающейся САУ для управления ветроэнергетической установкой на базе алгоритма оптимизации политики с доверительной областью

5.2.1 Общие принципы и цели управления ветрогенерирующей установкой с переменной скоростью вращения

5.2.2 Модель многомерной самообучающейся САУ для управления ветроэнергетической установки на базе алгоритма оптимизации политики с доверительной областью

5.2.3 Экспериментальный пример: Многомерная

самообучающиеся САУ для управления реальными ветроэнергетическими установками

5.3 Мультиагентная самообучающаяся САУ системобразующих инверторов для распределённого управления напряжением в энергорайонах на базе актёр-критических сетей

5.3.1 Основные прицнипы регулирования напряжения в электрической сети с помощью инверторов

5.3.2 Мультиагентная самообучающая САУ системообразующих инверторов на основе обучения с подкреплением

5.3.3 Экспериментальный пример. Тестирование мультиагентного САУ инверторов на примере локального энергорайона с РЭР

5.4 Разработка самообучающейся САУ для оптимальной зарядки электромобилей на базе алгоритма Монте-Карло по поиску в дереве

5.4.1 Постановка проблемы

5.4.2 Самообучающейся САУ для оптимальной зарядки электромобилей на базе алгоритма Монте-Карло по

поиску в дереве

5.4.3 Эксперименты

5.5 Методология координации самообучающихся САУ и автономного принятия решений в цифровых активных электрических сетях

5.6 Выводы по Главе

Глава 6. Автономные диспетчерские системы для цифровых

районов электрических сетей

6.1 Новые энергетические практики для построения цифровых РЭС

в формате энергетических сообществ

6.2 Методология создания интеллектуальных систем управления„Автономный диспетчер"

6.3 Оптимальное управление локальными энергорайонами с РЭР в составе энергетического сообщества на базе АСТУ „Автономный диспетчер"

6.3.1 Методологическая основа для управления микроэнергетическими системами интегрируемыми в энергетическое сообщество

6.3.2 Модель модифицированного двухуровневого программирования для реализации локального „справедливого" энергорынка

6.3.3 Экспериментальный пример 1: Испытания САУ микросети на основе МСТБ для гибридной энергетической установки ИСЭМ СО РАН

6.3.4 Экспериментальный пример 2: микроэнергетические системы на побережье Байкала, объединённые в энергетическое сообщество

6.3.5 Экспериментальный пример 3: сообщество микросетей в Приморском крае

6.4 Оптимальное управление цифровым районом электрической сети на базе АСТУ „Автономный диспетчер" с реализацией сервиса „интеграции зданий в сеть"

6.4.1 Постановка задачи реализации концепции "интеграции зданий в сеть" для цифровой РЭС

6.4.2 Методология мультиагентного управления нормальными и послеаварийными режимами цифровых РЭС в рамках АСТУ „Автономный диспетчер"

6.4.3 Экспериментальный пример: реализация мультиагентного управления цифровым РЭС, реализованного на базе энергорайона Академгородка, г. Иркутск

6.5 Примение технологии „Автономного диспетчера" для энергообеспечения обитаемых надпланетных космических баз . . 454 6.5.1 Основные принципы энергообеспечения обитаемых

напланетных баз

6.5.2 Проблема энергообеспечения обитаемых баз на примере Марса

6.5.3 Реализация системы „Автономного диспетчера" для оптимального управления энергообеспечением надпланетной базы на Марсе

6.5.4 Экспериментальный пример

6.6 Методология внедрения автономных диспетчерских систем для

цифровых активных распределительных сетей

6.6.1 Роль человека-диспетчера в иерархической автономной системе управления

6.6.2 Общие требования к цифровизации и автоматизации распределительных электрических сетей для внедрения ИАСУ

6.6.3 Специфические требования для российских распределительных сетей

6.7 Выводы по Главе

Заключение

Список сокращений и условных обозначений

Список литературы

Список рисунков

Список таблиц

Приложение А. Математическое описание модели

распределительной сети, реализованное в программе на языке Python (параграф 4.4)

Приложение Б. Математическое описание динамической

О f* о

модели ветрянной турбины, реализованной в программной среде Python (параграф 5.2)

Приложение В. Математическое описание принципа

вторичного распределённого управления в активной распределительной сети на основе теории графов, реализованной в среде Python (параграф 5.3)

Приложение Г. Описание симулятора микрогрида,

реализованого в программной среде Python (параграф 6.3)

Приложение Д. Результаты интеллектуальной деятельности

Приложение Е. Акты внедрения

Введение диссертации (часть автореферата) на тему «Методологические основы синтеза автономных систем управления режимами активных распределительных сетей с применением машинного обучения»

Введение

Актуальность диссертационной работы определяется следующими факторами:

1. В настоящее время в мире происходит глобальная энергетическая трансформация, которая связана с масштабной цифровизацией и интеллектуализацией энергетической отрасли, что подразумевает создание и функционирование технических систем нового уклада - интеллектуальных энергетических систем. Во многих странах, в том числе и РФ, сегодня внедряются сценарии перехода к клиент-ориентированным распределённым архитектурам энергосистем, что меняет характер систем оперативного и автоматического управления, акцентируя переход к распределённым, интеллектуальным принципам и образованию так называемых активных электрических сетей.

2. Современный этап цифровой трансформации распределительных сетей 35-0,4 кВ выдвигает принципиально новые задачи перед системами управления. Возникает необходимость реагировать на сложные вызовы, связанные с возрастанием стохастичности генерации и потребления, появлением локальных микросетей и интеграцией распределённых энергоресурсов (РЭР). Эти тенденции требуют развития принципиально новых, продвинутых форм автоматизации. И если традиционные автоматизированные системы управления (АСУ) и системы автоматического управления (САУ) были ориентированы на работу с относительно стабильными, централизованно управляемыми сетями, то переход к активно-адаптивным цифровым районам электрических сетей (РЭС) требует качественно иного подхода - автономного управления.

3. Целый ряд отечественных и зарубежных энергокомпаний, такие как Siemens Energy, ABB Power Grids, ПАО „Россети" и др. сегодня реализуют проекты в области автоматизации управления распределительными электрическими сетями, которые подразумевают их поэтапную эволюцию: от автоматизированных систем, требующих постоянного вмешательства оператора, через автоматические системы, способные выполнять заданные алгоритмы без участия человека, к принципиально новому уровню когнитивной автоматизации -автономным системам, обладающим способностью к самообучению, адаптации и самостоятельному принятию решений в условиях неопределённости. Такой переход особенно актуален для реализуемых в РФ проектов цифровых РЭС, где

традиционные методы управления становятся малоэффективными из-за динамичности процессов, нелинейности характеристик и необходимости быстрого реагирования на изменения режимов работы сети.

4. В этих условиях в научно-инженерном сообществе формализовано общее требование, что интеллектуальность автоматизации в распределительных сетях должна значительно возрасти, развиваясь в сторону автономных систем, реализующих принципы «когнитивной автоматизации» в рамках концепции „Индустрии 4.0" и тем самым способных решать высокоуровневые задачи без явного программирования и принимать решения на основе альтернативных действий, что принципиально отличает их от традиционных подходов автоматизированного и автоматического управления.

Сегодня когнитивная автоматизация в электроэнергетике становится возможной за счёт стремительного развития в последние годы новых вычислительных технологий и средств, таких как: модели искусственного интеллекта (ИИ) и машинного обучения, цифровые двойники, интернет вещей и т.п. В контексте ИИ под „автономией" понимается способность искусственного агента действовать независимо от руководства человека, что подразумевает создание систем автономного ИИ. Наиболее подходящими для создания таких форм ИИ с точки зрения синтеза автономных систем управления, является перспективная ветвь машинного обучения - обучение с подкреплением (англ. Reinforcement Learning, RL), которая использует различные методы для создания автономных самообучающихся агентов. Именно обучение с подкреплением может стать основной для синтеза эффективных автономных систем управления режимами активных распределительных сетей.

Таким образом, диссертация посвящена вопросам разработки автономных систем управления режимами современных активных распределительных сетей на основе методов машинного обучения, и в первую очередь RL. В качестве основных задач рассматриваются вопросы радикального соверше-ствования средств классической автоматизации активных распределительных сетей 35 - 0.4 кВ, а также отдельных объектов малой энергетики, содержащих распределённые и возобновляемые источники энергии (ВИЭ), посредством разработки нового класса автономных систем управления на основе интеллектуальных алгоритмов принятия решений. В связи с тем, что для построения эффективной автономной системы управления требуется постоянно обновляемая высокореалистичная цифровая копия физического объекта, в диссертации

разрабатываются принципы совместного использования технологии цифровых двойников и методов RL. Предложенная в работе новая концепция иерархической интеллектуальной автономной системы управления (ИАСУ) цифровых электричеких сетей объединяет возможности автоматизированного и автоматического управления, создавая единый механизм, способный к самостоятельному принятию решений на основе заданных критериев и алгоритмов.

На сегодняшний день проблеме интеллектуализации процессов управления электроэнергетическими системами посвященно довольно много научно-технической литературы. Среди современных работ обширные исследования принадлежат сотрудникам ИСЭМ СО РАН Н.И. Воропаю, В.А. Стенникову,

B.Г. Курбацкому, И.Н. Колосок, Д.А. Панасецкому, А.В.Домышеву, Д.Н. Сидорову, Л.В. Массель, и др. В этом же направлении существенный вклад выполнен также другими отечественными и зарубежными учёными Н.А. Мановым, Ю.Я. Чукреевом, М.В. Хохловым, П.И. Бартоломеем, А.В. Паздерином, К.В. Сусловом, Е.Н. Сосниной, Д.В. Холкиным, M. Negnevitsky, Ch. Rehtanz, Z.A. Styczynski, B. Donnot, I. Guyon, и др. Проблеме разработки новых систем режимного и противоаварийного управления режимами микро- и миниэнергетических систем, активных электрических сетей посвящены работы П.В. Илюшина, Г.А. Фишова, Ф.Л. Быка, Н.В. Савиной, А.Ю. Макарова, В.А. Савельева, А.А. Волошина, D. Ernst, L. Wehenkel, M. Glavic, V. Francois-Lavet и др. В работе1 П.В. Илюшина и А.Л. Куликова были заложены методические основы проектирования энергорайонов с объектами распределённой генерации и основные принципы построения автоматики управления нормальными и аварийными режимами.

Развитию концепции автономных систем управления в отечественной и мировой электроэнергетике посвящены труды Колесникова А.В., Листопада

C.В., Кирилиной О.И., Ch. Rehtanz, V. Biagini, C. Becker и других выдающихся учёных. Отдельно стоит отметить, что в монографии Ch. Rehtanz, C. Becker одни из первых заложили основные принципы и подходы к реализации автономных систем управления режимами интеллектуальных энергетических систем с применением экспертных и мультиагентных систем 2. Созданию и развитию

1Илюшин П.В., Куликов А.Л. Автоматика управления нормальными и аварийными режимами энергорайонов с распределенной генерацией: монография / Рец.: В.Ф. Лачугин, Б.В. Папков, В.А. Шуин. Нижний Новгород: Нижегород. ин-т упр. - фил. РАНХиГС, 2019. 364 с.

2Rehtanz C. Autonomous systems and intelligent agents in power system control and operation. Berlin: Springer, 2003. 304 p.

теории адаптивных самообучающихся систем посвящены работы учёных В.А. Якубовича, Я.З. Цыпкина, Г.К. Кельмана, Р.Л. Стратоновича, А.Н. Горбаня, Ю.И. Журавлёва, D. Silver, R.S. Sutton. A.G. Barton, S.H. Altman, T. Hubert, J. Schrittwieser и др. Следует особо подчеркнуть советские математики В.А. Якубович и Я.З. Цыпкин одни из первых сформулировали понятие и дали математическую постановку автоматических самообучающихся систем, которые могут автономно находить „идеальное" управление 3 4.

Целью данной работы является разработка автономных систем управления режимами активных распределительных сетей и объектов малой энергетики в структуре современных электроэнергетических систем с применением методов машинного обучения.

Для достижения поставленной цели необходимо было решить следующие задачи:

1. Анализ особенностей систем автоматического и автоматизированного управления режимами современных распределительных электрических сетей в процессе их интеллектуализации и цифровизации с оценкой проблематики перехода к системам автономного управления

2. Сравнительный анализ современных технологий и моделей автономного ИИ, включащие мультиагентные системы и методы машинного обучения, потенциально эффективных для реализации высокоавтономных систем когнитивной автоматизации режимов электрических сетей.

3. Оценка эффективности различных алгоритмов и технологий RL для разработки автономных систем управления режимами современных электрических сетей ЭЭС, реализующих свойства автономного ИИ.

4. Разработка методологических основ синтеза автономных систем управления режимами активных распределительных сетей в процессе их цифровой трансформации.

5. Разработка нового подхода к созданию цифрового двойника энергетических систем с использованием метода обучения с подкреплением для обеспечения высокого уровня автономности систем управления при различных сценариях эксплуатации активных электрических сетей, включая анализ

3Якубович В.А. Об одном классе адаптивных (санообучающихся) систем //В сб.: Оптимальные адаптивные системы. Москва: Наука, 1972. С. 174-181.

4Цыпкин Я.З., Кельман Г.К., Эпштейн Л.Е. Обучающиеся автоматические системы //В сб.: Оптимальные адаптивные системы. Москва: Наука, 1972. С. 182-193.

аварийных режимов и оптимизацию управляющих воздействий с учетом технико-экономических критериев.

6. Развитие методов самообучающихся САУ, позволяющих реализовать функции когнитивной автоматизации для синтеза интеллектуальных контроллеров отдельных компонент и объектов активных распределительных сетей, характеризующимися высоким уровнем стохастичности - микросети, ветроэнергетические установки (ВЭУ), электрозаправочные станции (ЭЗС) электромобилей , сетевые инверторы и т.п..

7. Разработка методологии синтеза нового класса автоматизированных систем технологического управления (АСТУ), построенных на базе принципов когнитивной автоматизации, делегированной автономии и ситуацинного управления для реализации интеллектуальной платформы автономного технологического управления цифровыми районами РЭС: от полевых энергетических объектов до координирующего уровня центра управления сетями (ЦУС).

8. Проведение натурных испытаний и измерений на физической установки гибридной микроэнергетической системы ИСЭМ СО РАН, а также комплекса экспериментальных исследований и апробации предложенных моделей и систем автономного управления на примере тестовых и реальных энергорайнов электрических сетей с оценкой технических, экономических и экологических эффектов и возможностей внедрения достигнутых разработок.

9. Создание программного комплекса, предназначенного для многоуровневого моделирования и оптимального управления активными микроэнергетическими системами с интеграции технологий цифрового двойника, блокчейна и методов обучения с подкреплением.

10. Обобщение результатов диссертационной работы в виде методологии поэтапного внедрения автономных диспетчерских систем на уровне активных распределительных сетей 35 - 0.4 кВ, включая формулировку и учёт специфических требований к цифровой трансформации распределительного электросетевого комплекса РФ.

Объектом исследования данной работы являются активные распределительные электрические сети, включая отдельные энергорайоны и объекты малой энергетики, содержащие РЭР.

Предметом исследования являются автономные системы управления

режимами работы активных распределительных сетей и объектов малой энергетики использующие методы машинного обучения.

Методология и методы исследования. В работе использованы методы математического анализа и моделирования, динамической оптимизации, градиентные методы, машинного обучения, распознавания образов, теории игр. Программная реализация выполнена с использованием объектно-ориентированного подхода средствами языка Python и Julia.

Научная новизна:

1. Предложена адаптация «иерархической модели интеллекта» (Hierarchical Intelligence Model, HIM) для синтеза автономных систем управления в электроэнергетике на базе методологии RL, позволяющей создавать интеллектуальных агентов способных самостоятельно производить эффективные действия в заданной среде. Такой подход устранет ключевое ограничение традиционных систем управления - неспособность к многоуровневому принятию решений в условиях неопределенности, что актуально для сложных электрических сетей, включающих РЭР.

2. Разработаны методологические основы построения и внедрения иерархической интеллектуальной автономной системы управления (ИАСУ) для реализации поэтапной цифровой трансформации РЭС в энергетические сообщества с полноценной реализацией всех форм активности потребителей. Ключевое отличие от существующих решений - синтез возможностей автоматизированных и автоматических систем управления на базе методов RL с применением цифровых двойников, сочетающих физическое моделирование оборудования и поведенческие аспекты участников рынка, что обеспечивает переход к принципиально новой структуре управления с автономным принятием решений при сохранении операторского контроля.

3. Предложена комплексная методология построения цифрового двойника энергетических систем на базе оригинальной пятиуровневой архитектуры, принципиально отличающаяся тем, что обеспечивает одновременное комбинированное обучение RL-агента на данных как физической сети, так и её виртуальной полумарковской модели с реальными временными параметрами; реализует многоуровневую достоверизацию и адаптивную фильтрацию данных с заменой аномалий статистически обоснованными оценками, а также использует прогнозную метамодель на основе стекинга для повышения точности и устойчивости прогнозирования, что в совокупности позволяет достигать сквозного мониторинга, контроля и автономного управления электрической сетью в условиях неопределенности.

4. Разработана методология синтеза нового класса самообучающихся САУ на основе объединения теории «уравнений мозга» и методов обучения с подкреплением для реализации адаптивного управления устройствами и объектами активной распределительной сети. Данная методология позволяет впервые реализовать „разумные" автоматические системы В.А. Якубовича, способные самостоятельно находить стабильные стратегии оптимального управления (включая первичное и вторичное регулирование) различными РЭР (микросети, ВЭУ, ЭЗС электромобилей, сетевые инверторы и т.п.) в условиях неполноты и стохастичности информации.

5. Предложен принципиально новый подход к построению автономных диспетчерских систем типа «Автономный диспетчер», рассматриваемого как интеллектуального ядра ИАСУ, ориентированных на управление активными сетями 35-0,4 кВ, объединяя принципы когнитивной автоматизации, цифровых двойников и самообучающихся механизмов ЯЬ для сквозного интеллектуального управления: от локального регулирования микросетей и полевых устройств до стратегической оптимизации режимов цифровых РЭС на уровне ЦУС. Ключевое отличие от существующих АСТУ — способность автономного ИИ брать на себя до 90% оперативных решений по функциям ситуационного управления с обеспечением высокой скорости осмысленного реагирования, повышения общей эффективности функционирования и уровня надёжности цифровой сети, оставляя при этом за человеком стратегический контроль и утверждение ключевых сценариев управления.

Основные положения, выносимые на защиту:

1. Методология построения иерархической интеллектуальной автономной системы управления (ИАСУ) для цифровой трансформации распределительных электрических сетей, интегрирующая технологии цифровых двойников, машинное обучение и когнитивной автоматизации.

2. Способ построения цифрового двойника энергетических систем на базе пятиуровневой архитектуры, обеспечивающий комбинированное обучение агента с использованием методов обучения с подкреплением, многоуровневой фильтрации данных и стекинговых прогностических моделей.

3. Методология синтеза нового класса самообучающихся САУ на основе объединения теории «уравнений мозга» и методов обучения с подкреплением для реализации адаптивного управления отдельными компонентами активной распределительной сети.

4. Метод синтеза самообучающеся САУ микроэнергетической системы на базе алгоритма Монте-Карло по поиску в дереве.

5. Способ построения и реализации автономной диспетчерской системы нового поколения («Автономный диспетчер»), выступающей интеллектуальным ядром ИАСУ и ориентированной на сквозное управление цифровыми РЭС (от полевых объектов 6-0,4 кВ до функций центра управления сетями), реализованное на базе принципов когнитивной автоматизации, делегированной автономии и ситуацинного управления.

6. Принцип реализации оптимального управления микроэнергетическими системами городской среды и изолированных территорий, объединёнными в энергетическое сообщество, с реализаций локального „справедливого" рынка электроэнергии посредством технологии блокчейна.

7. Комплексная модель оптимального управления цифровым РЭС в городской среде с реализацией сервиса „интеграции зданий в сеть", сочетающей контекстно-зависимое управление нормальными и аварийными режимами сети, мультиагентную координацию электропотребления энергоэффективных зданий и автономное управление полевыми устройствами зданий и сети.

Соответствие паспорту специальности. Выносимые положения на защиту соответствуют следующим пунктам паспорта научной специальности 2.4.3. Электроэнергетика:

1. Пункту 20 паспорта специальности соответствуют положения 1, 5, 6, 7.

2. Пункту 10 паспорта специальности соответствует положение 2.

3. Пункту 16 паспорта специальности соответствуют положения 3, 4.

Обоснованность и достверность результатов диссертации. Достоверность полученных результатов обеспечивается их соответствием базовым законам электротехники и теории электрических цепей, корректностью математических моделей, их адекватностью для исследуемых процессов, соответствием теоретических положений и результатов, полученных при внедрении. Теоретические и практические результаты исследований докладывались и положительно оценены на международных симпозиумах, конференциях, семинарах, а также были опубликованы в ряде высокорейтинговых рецензируемых научных журналах первого квартиля Q1, согласно индексации системами Scopus и Web of Science. Результаты находятся в соответствии с результатами, полученными другими авторами.

Теоретическая значимость. Исследование вносит фундаментальный вклад в теорию управления режимами электрических сетей, предлагая принципиально новый подход к созданию автономных интеллектуальных систем нового поколения. Основной теоретический прорыв заключается в создании целостной концепции иерархического интеллектуального управления, объединяющей современные достижения в области обучения с подкреплением, теории сложных систем и когнитивной автоматизации. Предложенная парадигма позволяет формализовать процесс принятия решений в условиях высокой неопределенности, характерной для активных распределительных сетей. Особую научную ценность представляет разработанный математический аппарат, обеспечивающий устойчивую работу автономных систем при частичной наблюдаемости параметров сети, нестационарных режимах работы и наличии стохастических возмущений, что характерно для современных электрических сетей с высокой долей РЭР. Работа закладывает теоретические основы для перехода от традицонных детерминированных систем управления к новому классу когнитивных систем, способным к самообучению и адаптации в реальном времени.

Практическая ценность:

1. Методология интеллектуальных систем „Автономного диспетчера" и разработанный программный комплекс „МЕГА" позволяет реализовать автономное оптимальное управление микроэнергетическими системами с РЭР учетом множества усложняющих факторов. Проведённая апробация на примере реальных изолированных микроэнергетическими систем Бурятии, Якутии и Приморского края позволила добится существенных технико-экономических (снижение нормативной стоимости электроэнергии ЬСОЕ на 20-60%, повышение эффективности электроснабженя) и экологических (снижение в 2-3 раза выбросов С02 за счёт оптимального использования ВИЭ и газогенераторов). Система „Автономный диспетчер" также тестировалась на реальных участках сети 0.4 кВ микрорайона г. Якутска. Проект, включающий технологию „Автономного диспетчера", победил в областном конкурсе в сфере науки и техники Правительства Иркутской области в 2023 году.

2. Методика автономного управления энергоустановками и нагрузками зданий позволяет оптимизировать их энергопотребление (снижение на 15-55%). Она была использована в работах по разработке стандартов АО „Татэлектро-монтаж", а также легла в основу роботизированного управления нагрузками,

реализованного АО „Фонд Форсайт" в микрорайонах г. Якутска, спортивных объектов, торговых центров и офисных зданий Московской области, г. Владивостока, Благовещенска. Отдельные разработки в области управление спросом зданий были учтены в НИР „Энергетическая стратегия Иркутской области на период до 2036 года с целевым видением на перспективу до 2050 года" с оценкой достижимых технико-экономических эффектов для городских энергорайонов: улучшение качества электроэнергии (снижение отклонений напряжения до 30%) и сокращение времени восстановления режимов (уменьшение индекса БАГО1 на 25-50%).

3. Гибридная метамодель на основе стекинга позволяет существенно повысить точность прогнозирования стохастических параметров режима электрических сетей, что принципиально улучшает предсказательные функции предложенной модели цифрового двойника энергетических систем. Апробация метамодели на примере краткосрочного прогнозирования выработки мощности ВЭУ для ветростанции "Ени Яшма"(Азербайджан) показала повышение точности в 4-6 раз по основным метрикам в сравнении с традиционными методами. Результаты приняты к использованию и внедрены ОАО „Азерэнержи" (в период реструктаризации данной энергокомпании Институтом физики НАН Азербайджана).

4. Метод синтеза самообучающеся САУ позволяет микроэнергетической системы позволяет существенно сократить эксплутационные затраты, что было подтверждено его апробацией на физической модели гидридной микросети ИС-ЭМ СО РАН и зафиксировано актом об использовании результатов диссертации при выполнении научно-исследовательских работ ИСЭМ СО РАН.

5. Подход к построению цифрового двойника позволяет существенно повысить эффективность проектов по цифрофизации энергорайонов посредством реализации сквозной цикл "энергомониторинг-анализ-управление"от первичных датчиков до стратегий автономного управления. Апробация и тестирование отдельных элементов это подхода инженерной службой ИНЦ СО РАН в рамках реализации проекта цифровизации энергорайона Академгородка (г. Иркутск) и фондом стратегического развития энергетики „Фонд Форсайт" в энергорайоне г. Якутска для улучшения качества энергомониторинга на основе данных интеллектуальных электросчётчиков и моделирования нагрузок.

Апробация работы. Основные результаты работы докладывались на: совместном заседании Секции «Активные системы распределения электроэнер-

гии и распределенные энергетические ресурсы» НП «НТС ЕЭС» и Секции по проблемам НТП в энергетике Научного совета РАН по системным исследованиям в энергетике (Москва, 2025), 6th International Conference on Energy Systems and Electrical Power (Wuhan, 2024), 2024 International Ural Conference on Electrical Power Engineering (Магнитогорск, 2024, 2025), Международной конференции „Системные исследования в энергетике - 2023" (Иркутск, 2023), CIRED Porto Workshop 2022: E-mobility and power distribution systems (Porto, 2022), The 2nd Jiangsu-Hong Kong-Macau Conference on Biomass Energy and Materials (Nanjing, 2022), IEEE PES Innovative Smart Grid Technologies Europe (Espoo, 2021), Международной конференции „"Smart Energy Systems" (Казань, 2021), 5th IEEE Conference on Energy Internet and Energy System Integration (Taiyuan, 2021), Международной конференции „ENERGY-21 - Sustainable Development and Smart Management" (Иркутск, 2021), Международном семинаре "Методические вопросы исследования надежности больших систем энергетики"(Казань, 2020; Ташкент, 2019; Сыктывкар, 2016), 10th International Scientific Symposium on Electrical Power Engineering (Stara Lesna, 2019), International Workshop on Flexibility and Resiliency Problems of Electric Power Systems (Иркутск, 2019), 16th Conference on Electrical Machines, Drives and Power Systems (Varna, 2019), 10th IFAC Symposium on Control of Power and Energy Systems (Tokyo, 2018), IEEE PowerTech (Manchester, 2017).

Результаты диссертации получены при поддержке грантов РНФ №14-19-00054, 19-49-04108 (рук.Н.И.Воропай), РНФ №19-19-00673 (рук. А.Б. Искаков), РНФ №22-49-02065 (рук. Воробьев П.Е.), а также грантов РФФИ-ГФЕН №21-58-53049(рук. Н.В. Томин), РФФИ-ГФЕН №19-58-53011 (рук. Д.Н.Сидоров), РФФИ-БРИКС №19-58-80016 (рук. А.Н.Козлов), РФФИ №18-58-06001 (рук. С.М. Сендеров), ФЦП БРИКС Минобрнауки РФ No. 075-15-2022-1215 (рук. Д.Н.Сидоров), НИР «Энергетическая стратегия Иркутской области на период до 2036 года с целевым видением на перспективу до 2050 года» (гос.контракт №ЭК.03.2023) .

Личный вклад. Все научно-методические и прикладные результаты, представленные в диссертации, получены автором самостоятельно, либо под его научным руководством и при его непосредственном участии. Личный вклад автора: в рамках обзорно-аналитических работ - обоснование актуальности развития принципов когнитивной автоматизации для активных распределительных сетей, адаптация методов RL для синтеза автономных систем

Список литературы диссертационного исследования доктор наук Томин Никита Викторович, 2026 год

Список литературы

1. Воропай, Н. И. Концепция обеспечения надёжности в электроэнергетике / Н. И. Воропай, Г. Ф. Ковалёв, Ю. Н. и. д. Кучеров. — М:ООО ИД «ЭНЕРГИЯ», 2013. — 212 с.

2. Короткевич, М. А. Основы эксплуатации электрических сетей / М. А. Ко-роткевич. — Минск : Вышэйшая школа, 1999. — 268 с.

3. Русина, А. Г. Режимы электрических станций и электроэнергетических систем / А. Г. Русина, Т. Филлипова. — М. : Издательство Юрайт, 2022. — 399 с.

4. Tomin, N. Development a partially observable Markov decision processes-based intelligent assistant for power grids using Monte Carlo tree search / N. Tomin, V. Kurbatsky, M. Negnevitsky //2 the 10th International Scientific Symposium on Electrical Power Engineering, ELEKTROENERGETIKA 2019. — 09.2019. — С. 389—393.

5. Bundesnetzagentur, Kennzahlen der Versorgungsunterbrechungen Strom. — n.d. — URL: https : / / www . bundesnetzagentur . de / DE / Sachgebiete / ElektrizitaetundGas / Unternehmen _ Institutionen / Versorgungssicherheit / Versorgungsunterbrechungen / Auswertung _ Strom/Versorgungsunterbrech_ Strom_node.html.

6. The autonomous grid: Automation, intelligence and the future of power systems / V. Biagini [и др.] // Energy Research Social Science. — 2020. — Т. 65. — С. 101460. — URL: https://www.sciencedirect.com/science/article/ pii/S2214629620300372.

7. Impact analysis of human factors on power system operation reliability / Y. Bao [и др.] //J. Mod. Power Syst. Clean Energy. — 2018. — Т. 6. — С. 27—39. — URL: https://doi.org/10.1007/s40565-016-0231-6.

8. Office of Electricity Delivery Energy Reliability, US-Canada Power System Outage Task Force (2004) Blackout 2003: Final Report On the August 14, 2003 Blackout in the United States and Canada: Causes and Recommendations. — n.d.

9. UCTE, Interim Report of the Investigation Committee On the 28 September 2003 Blackout in Italy. — 2003. — URL: https://doi.org/10.16309/j.cnki.issn. 1007-1776.2003.03.004.

10. Iacobucci, R. Modeling shared autonomous electric vehicles: Potential for transport and power grid integration / R. Iacobucci, B. McLellan, T. Tezuka // Energy. — 2018. — Т. 158. — С. 148—163. — URL: https: //www.sciencedirect.com/science/article/pii/S0360544218310776.

11. Разработка инновационных технологий и средств для оценки и повышения гибкости современных энергосистем / Н. Воропай [и др.] // Электроэнергия. Передача и распределение. — 2021. — Т. 1, № 64. — С. 52—63.

12. Княгинин, В. Цифровой переход в электроэнергетике России : тех. отч. / В. Княгинин, Д. и. д. Холкин ; НТИ "Энерджинет". — 09.2017.

13. Poudineh, R. Smart Grids and Energy Trilemma of Affordability, Reliability and Sustainability: The Inevitable Paradigm Shift in Power Sector / R. Poudineh, T. Jamasb // USAEE Working Paper. — 2012. — Июль. — № 2111643. — URL: https ://ssrn . com / abstract = 2111643 ; Available at SSRN: https://ssrn.com/abstract=2111643 or http://dx.doi.org/10.2139/ssrn.2111643.

14. Интеллектуализация оперативно-технологического управления региональной электроэнергетикой методами когнитивных гибридных интеллектуальных систем. Часть 1 / А. В. Колесников [и др.] // Вестник Балтийского федерального университета им. И. Канта. Сер.: Физико-математические и технические науки. — 2020. — № 4. — С. 57—87.

15. Колесников, А. В. Интеллектуализация оперативно-диспетчерского управления сложной региональной динамической электроэнергетической системой / А. В. Колесников, С. В. Листопад, Ф. Г. Майтаков // Системы и средства информ. — 2019. — Т. 4, № 29. — С. 46—59.

16. About The Importance of Autonomy and Digital Twins for the Future of Manufacturing / R. Rosen [и др.] // IFAC-PapersOnLine. — 2015. — Т. 48, № 3. — С. 567—572. — URL: https://www.sciencedirect.com/science/article/ pii / S2405896315003808 ; 15th IFAC Symposium onInformation Control Problems inManufacturing.

17. Zuehlke, D. SmartFactory - from Vision to Reality in Factory Technologies / D. Zuehlke // IFAC Proceedings Volumes. — 2008. — T. 41, № 2. — C. 14101—14108. — URL: https://www.sciencedirect.com/science/article/ pii/S1474667016412565 ; 17th IFAC World Congress.

18. Tenorth, M. KnowRob: A knowledge processing infrastructure for cognition-enabled robots / M. Tenorth, M. Beetz // The International Journal of Robotics Research. — 2013. — T. 32, № 5. — C. 566—590. — URL: https: //doi.org/10.1177/0278364913481635.

19. Antsaklis, P. J. An introduction to intelligent and autonomous control / P. J. Antsaklis, K. M. Passino. — Boston : Kluwer Academic Publishers, 1993.

20. Organisation and Design of Autonomous Systems / ed. by J. Lagerberg. — University of Amsterdam, Faculty of Mathematics, Computer Science, Physics, Astronomy, 1996.

21. Wieber, P.-B. Model Predictive Control for biped walking / P.-B. Wieber // Humanoid Robotics: A Reference. — Springer Netherlands, 10.2018. — C. 1077—1097. — URL: https://hal.inria.fr/hal-02487862.

22. Passino, K. Intelligent control for autonomous systems / K. Passino // IEEE Spectrum. — 1995. — T. 32, № 6. — C. 55—62.

23. A Data-Driven Multi-Agent Autonomous Voltage Control Framework Using Deep Reinforcement Learning / S. Wang [h gp.] // IEEE Transactions on Power Systems. — 2020. — T. 35, № 6. — C. 4644—4654.

24. An Optimal Autonomous Decentralized Control Method for Voltage Control Devices by Using a Multi-Agent System / N. Yorino [h gp.] // IEEE Transactions on Power Systems. — 2015. — T. 30, № 5. — C. 2225—2233.

25. Deep-Reinforcement-Learning-Based Autonomous Voltage Control for Power Grid Operations / J. Duan [h gp.] // IEEE Transactions on Power Systems. — 2020. — T. 35, № 1. — C. 814—817.

26. Becker, C. Development of a Coordinating Autonomous FACTS Control System / C. Becker // Autonomous Systems and Intelligent Agents in Power System Control and Operation. — Berlin, Heidelberg : Springer Berlin Heidelberg, 2003. — C. 179—203. — URL: https://doi.org/10.1007/978-3-662-05955-5_9.

27. Talukdar, S. Cooperative Methods for Security-Planning / S. Talukdar, V. Ramesh // Proc. of 4th ESAP Conference. — Melbourne, Australia, 1993. — С. 93—98.

28. Rehtanz, C. Autonomous Systems for Intelligent Coordinated Control of FACTS-Devices / C. Rehtanz, C. Becker // Proc. of Bulk Power System Dynamics and Control IV - Restructuring. — Santorini, Greece, 1998.

29. Rehtanz, C. Autonomous systems and intelligent agents in power system control and operation / C. Rehtanz //. — Berlin : Springer, 2003. — С. 304.

30. Negnevitsky, M. Artificial Intelligence: A Guide to Intelligent Systems / M. Negnevitsky. — 3st. — USA : Pearson Education, 2011.

31. Van Son, P. Practical aspects of "intelligent machines"in the control room / P. Van Son // Electra. — 1995. — Т. 159. — С. 102—106.

32. Kumar, G. S. Applications of Multi-Agent System in Power System Engineering / G. S. Kumar, S. T. Selvi // Multi Agent Systems / под ред. R. L. .-. Ruiz. — Rijeka : IntechOpen, 2020. — Гл. 5. — URL: https: //doi.org/10.5772/intechopen.90297.

33. Multi-agent-system-based decentralized coordinated control for large power systems / C.-x. Dou [и др.] // International Journal of Electrical Power Energy Systems. — 2014. — Т. 58. — С. 130—139. — URL: https://www. sciencedirect.com/science/article/pii/S0142061514000222.

34. Comer, D. E. Internetworking with TCP/IP, Vol. 1: Principles, Protocols, and Architecture / D. E. Comer, D. L. Stevens. — Pearson, 2014.

35. Kasera, S. ATM Networks: Concepts, Prot, Applications / S. Kasera. — McGraw-Hill Education, 2006.

36. Warneryd, M. Unpacking the complexity of community microgrids: A review of institutions' roles for development of microgrids / M. Warneryd, M. Hakansson, K. Karltorp // Renewable and Sustainable Energy Reviews. — 2020. — Т. 121. — С. 109690. — URL: https://www.sciencedirect.com/ science/article/pii/S1364032119308950.

37. ISO. ISO 9506-1: 2003 specification: Industrial automation systems, Manufacturing Message Specification. Part 1 / ISO. — 2003. — ISO 9506-1-2003(E).

38. Performance of LTE for Smart Grid Communications / G. Karagiannis [и др.] // Measurement, Modelling, and Evaluation of Computing Systems and Dependability and Fault Tolerance / под ред. K. Fischbach, U. R. Krieger. — Cham : Springer International Publishing, 2014. — С. 225—239.

39. Autonomous control model for emergency operation of small modular reactor / H. A. Saeed [и др.] // Annals of Nuclear Energy. — 2023. — Т. 190. — С. 109874. — URL: https://www.sciencedirect.com/science/article/pii/ S0306454923001937.

40. Autonomy from an industrial perspective / T. Gamer [и др.] // ATP J. — 2019.

41. Майоров, А. Развитие системы оперативно-технологического управления электросетевым комплексом в рамках концепции цифровой трансформации 2030 / А. Майоров // Электроэнергия. Передача и распределение. — 2019. — S2 (13). — С. 2—7. — Специальный выпуск.

42. Autonomous Energy Management by Applying Deep Q-Learning to Enhance Sustainability in Smart Tourism Cities / P. Suanpang [и др.] // Energies. — 2022. — Т. 15, № 5. — С. 1906. — URL: https://doi.org/10.3390/en15051906.

43. Efficient and Autonomous Energy Management Techniques for the Future Smart Homes / A. Basit [и др.] // IEEE Transactions on Smart Grid. — 2017. — Т. 8, № 2. — С. 917—926.

44. Raju, L. Autonomous Energy Management of a Micro-Grid using Multi Agent System / L. Raju, R. Milton, A. Morais // Indian J. Sci. Technol. — 2016. — Т. 9. — С. 1—6.

45. Adu-Kankam, K. O. Delegating Autonomy on Digital Twins in Energy Ecosystems / K. O. Adu-Kankam, L. M. Camarinha-Matos // International Journal of Smart Grid. — 2022. — Дек. — Т. 6, № 4.

46. Wood, R. T. An autonomous control framework for advanced reactors / R. T. Wood, B. R. Upadhyaya, D. C. Floyd // Nuclear Engineering and Technology. — 2017. — Т. 49, № 5. — С. 896—904. — URL: https://www. sciencedirect.com/science/article/pii/S1738573317304096.

47. Digital-twin-based improvements to diagnosis, prognosis, strategy assessment, and discrepancy checking in a nearly autonomous management and control system / L. Lin [и др.] // Annals of Nuclear Energy. — 2022. — Т. 166. — С. 108715. — URL: https://www.sciencedirect.com/science/article/pii/ S0306454921005910.

48. Илюшин, П. В. Подходы к созданию микросетей переменного и переменно-постоянного тока на базе существующей пассивной распределительной сети / П. В. Илюшин, В. С. Вольный // Энергия единой сети. — 2023. — № 3/4. — С. 36—49.

49. Савина, Н. Выбор факторов сравнения для перевода электрических распределительных сетей в активно-адаптивные сети / Н. Савина, М. Янъкова // Вестник Амурского государственного университета. Серия: Естественные и экономические науки. — 2022. — № 97. — С. 111—117.

50. Илюшин, П. В. Перспективные направления развития распределительных сетей при интеграции локальных интеллектуальных энергосистем / П. В. Илюшин // Электроэнергия. Передача и распределение. — 2021. — 4(67). — С. 70—80.

51. Прогноз развития энергетики мира и России 2019 / под ред. А. Макаров, Т. Митрова, В. Кулагин. — Москва : ИНЭИ РАН - Московская школа управления СКОЛКОВО, 2019. — С. 210.

52. Активные распределительные электрические сети с децентрализованным мультиагентным управлением режимом. Ч. 1 / А. Г. Фишов [и др.] // Электричество. — 2022. — Т. 10, № 10. — С. 14—24.

53. IEEE joint task force on quadrennial energy review. IEEE QER Microgrids / IEEE joint task force on quadrennial energy review. — 2014. — accessed: 07.06.2024. https: / / smartgrid. ieee. org / images / files / pdf / IEEE _ QER _ Microgrids_0ctober_3_2014.pdf.

54. Бердников, Р. Н. Оптимизация систем энергоснабжения удаленных и изолированных территорий за счет управления энергетической гибкостью / Р. Н. Бердников, Д. В. Холкин, И. С. Чаусов // Энергетическая политика. — 2023. — 1(179). — С. 94—106.

55. Губанов, М. О создании фонда развития локальных энергосистем / М. Губанов, В. Киушкина, А. Широков // Энергетическая политика. — 2023. — 9(188).

56. Энергетика восточных регионов России: региональные особенности и декарбонизация / Б. Г. Санеев [и др.] // Регион: экономика и социология. — 2023. — № 4. — С. 271—298.

57. Функции региональных сетевых компаний при интеграции локальных энергосистем / Ф. Л. Бык [и др.] // Электроэнергия. Передача и распределение. — 2020. — 2(59). — С. 20—27.

58. Энергетические сообщества с возобновляемыми источниками энергии: эффективное планирование и управление в условиях многокритериаль-ности. Часть 1 / Н. В. Томин [и др.] // Электроэнергия. Передача и распределение. — 2023. — 3(78). — С. 18—27.

59. Исследование устойчивости параллельной работы локальной системы энергоснабжения малой мощности с внешней электрической сетью энергосистемы / А. Г. Фишов [и др.] // Известия Российской академии наук. Энергетика. — 2020. — № 1. — С. 116—127.

60. Илюшин, П. В. Подходы к созданию и принципы построения систем автоматического управления режимами микроэнергосистем / П. В. Илюшин // Цифровая энергетика: новая парадигма функционирования и развития / под ред. Н. Рогалев. — Москва : Издательство МЭИ, 2019. — С. 125—143.

61. РД 34.08.502-96. Основные научно-технические требования к созданию и развитию автоматизированных систем управлении районов электрических сетей (АСУ РЭС) / РД 34.08.502-96. — 1996.

62. Савельев, В. А. Интеллектуальные системы учета и диспетчеризации - одна из базовых составляющих "цифровых"РЭС / В. А. Савельев, С. А. Егоров, П. М. Зубряков // Сб. трудов Международный научный семинар им. Ю.Н. Руденко. — 2018. — С. 119—128.

63. Моисеев, М. Переход распределительных сетей 6-20 кВ к цифровым активно-адаптивным сетям с распределенной системой автоматизации / Моисеев, М. // Электроэнергия. Передача и распределение. — 2018. — Май. — 1(8). — (Спецвыпуск «Россети»).

64. Чалый, А. М. Пилотный проект цифрового РЭС в Республике Крым. Новые технологии и основные результаты / А. М. Чалый // Электроэнергия. Передача и распределение. — 2021. — 4(67). — С. 52—55.

65. Лебедев, А. А. Концепция построения и полигон для отработки технологий создания высокоавтоматизированных РЭС и микроэнергосистем / А. А. Лебедев, А. А. Волошин, А. Н. Леднев // Релейщик. — 2023. — № 2. — С. 22—26.

66. Московский энергетический институт. Центр компетенций НТИ МЭИ «Технологии транспортировки электроэнергии и распределенных интеллектуальных энергосистем» / Московский энергетический институт. — 2023. — URL: http://nti.mpei.ru/white-book/ (дата обр. 15.12.2023) ; Белая книга.

67. Изменения в модели деятельности электросетевой организации, происходящие в рамках реализации программы Цифровая трансформация (на примере «Россети Центр» и «Россети Центр и Приволжье») / В. О. Акули-чев [и др.] // Электроэнергия. Передача и управление. — 2020. — 6(63). — С. 14—18.

68. Макаров, А. Ю. Цифровизация электрических сетей. Практический опыт / А. Ю. Макаров. — Москва : Экономика, 2019. — С. 128.

69. Кузьмин, И. Цифровой РЭС на базе Северного РЭС ПАО "Ленэнерго" / И. Кузьмин, Н. Магдеев, Ю. Гулим // Электроэнергия. Передача и распределение. — 2018. — S4 (11). — С. 2—6.

70. Вяткин, В. От автоматизации распределительной сети к полноценному цифровому РЭС / В. Вяткин, А. Антипченко // Электроэнергия. Передача и распределение. — 2018. — Май. — 1(8). — (Спецвыпуск «Россети»).

71. Методические рекомендации по цифровизации объектов электросетевого хозяйства и организации эксплуатации электроустановок на базе цифровых технологий. — Москва : Электроэнергет. Совет СНГ, 2020. — С. 36.

72. Модель автоматизированной системы технологического управления электросетевым комплексом 6 - 220 кВ ПАО «МОЭСК». — Москва : Издательский дом «Спектр», 2017. — С. 228.

73. Илюшин, П. В. Обзор структур микросетей низкого напряжения с распределенными источниками энергии / П. В. Илюшин, В. С. Вольный // Релейная защита и автоматизация. — 2023. — № 1. — С. 68—80.

74. Network Interconnection Studies of Distributed Generation / A. Kulmala [и др.] // IFAC Proceedings Volumes. — 2009. — Т. 42, № 9. — С. 434—439.

75. Мартихин, А. Ю. Первая в московском регионе / А. Ю. Мартихин, И. С. Рыбин, А. В. Гурьев // Электроэнергия. Передача и распределение. — 2018. — 5(50). — С. 32—37.

76. Построение интегрированной АСДТУ. Программный комплекс нового поколения СК-11 для центров управления электрическими системами и сетями / Ю. Д. Карасев [и др.] // Автоматизация и IT в энергетике. —

2014. — 11(64). — С. 23—33.

77. Гончаров, Р. Внедрение технологий цифровых сетей в электросетевом комплексе ПАО "МРСК Юга" / Р. Гончаров // Электроэнергия. Передача и распределение. — 2018. — S4 (11). — С. 7—11. — Специальный выпуск.

78. Построение цифровых электрических сетей в группе компаний "Россе-ти" / Д. Гвоздев [и др.] // Электроэнергия. Передача и распределение. — 2018. — S1 (8). — С. 2—9. — Специальный выпуск.

79. When Autonomous Systems Meet Accuracy and Transferability through AI: A Survey / C. Zhang [и др.] // Patterns. — 2020. — Т. 1, № 4. — С. 100050. — URL: https://www.sciencedirect.com/science/article/pii/ S2666389920300611.

80. Mastering the game of Go without human knowledge / S. D. [и др.] // Nature. — 2017. — Т. 550. — С. 100050.

81. LeCun, Y. Deep learning / Y. LeCun, Y. Bengio, G. Hinton // Nature. —

2015. — Т. 521. — С. 436—444.

82. Ferdowsi, A. Deep Learning for Reliable Mobile Edge Analytics in Intelligent Transportation Systems: An Overview / A. Ferdowsi, U. Challita, W. Saad // IEEE Vehicular Technology Magazine. — 2019. — Т. 14, № 1. — С. 62—70.

83. McFarlane, D. Intelligent logistics: Involving the customer / D. McFarlane, V. Giannikas, W. Lu // Computers in Industry. — 2016. — T. 81. — C. 105—115. — URL: https://www.sciencedirect.com/science/article/pii/ S0166361515300488 ; Emerging ICT concepts for smart, safe and sustainable industrial systems.

84. Artificial intelligence and machine learning in energy systems: A bibliographic perspective / A. Entezari [h gp.] // Energy Strategy Reviews. — 2023. — T. 45. — C. 101017. — URL: https://www.sciencedirect.com/science/article/ pii/S2211467X22002115.

85. Zhao, S. An Overview of Artificial Intelligence Applications for Power Electronics / S. Zhao, F. Blaabjerg, H. Wang // IEEE Transactions on Power Electronics. — 2021. — T. 36, № 4. — C. 4633—4658.

86. Reinforcement-learning-based intelligent maximum power point tracking control for wind energy conversion systems / C. Wei [h gp.] // IEEE Transactions on Industrial Electronics. — 2015. — okt. — T. 62, № 10. — C. 6360—6370.

87. An adaptive network-based reinforcement learning method for MPPT control of PMSG wind energy conversion systems / C. Wei [h gp.] // IEEE Transactions on Power Electronics. — 2016. — hoh6. — T. 31, № 11. — C. 7837—7848.

88. Bandyopadhyay, I. Performance of a classifier based on time-domain features for incipient fault detection in inverter drives / I. Bandyopadhyay, P. Purkait, C. Koley // IEEE Transactions on Industrial Informatics. — 2019. — ^hb. — T. 15, № 1. — C. 3—14.

89. Remaining useful life prognosis of supercapacitors under temperature and voltage aging conditions / A. E. Mejdoubi [h gp.] // IEEE Transactions on Industrial Electronics. — 2018. — MaS. — T. 65, № 5. — C. 4357—4367.

90. Chang, C.-L. Herding behaviour in energy stock markets during the Global Financial Crisis, SARS, and ongoing COVID-19* / C.-L. Chang, M. McAleer, Y.-A. Wang // Renewable and Sustainable Energy Reviews. — 2020. — T. 134. — C. 110349. — URL: https://www.sciencedirect.com/science/ article/pii/S1364032120306377.

91. Energetics Systems and artificial intelligence: Applications of industry 4.0 / T. Ahmad [и др.] // Energy Reports. — 2022. — Т. 8. — С. 334—361. — URL: https://www.sciencedirect.com/science/article/pii/S2352484721014037.

92. Lu, Y. Semantic communications between distributed cyber-physical systems towards collaborative automation for smart manufacturing / Y. Lu, M. R. Asghar // Journal of Manufacturing Systems. — 2020. — Т. 55. — С. 348—359. — URL: https://www.sciencedirect.com/science/article/pii/ S0278612520300650.

93. intell, S. AI Investment Opportunities / S. intell. — 2020. — URL: https: //www.pangea-si.com/ai-investment-opportunities/ ; (Accessed 10 May 2020).

94. B, B. Global Artificial Intelligence (AI) in Energy Market - Analysis and Forecast, 2019-2024 / B. B. — 2020. — URL: https://www.prnewswire.com/ news- releases / global- ai- in- energy- market- to- reach- 7- 78- billion- by- 2024--300984256.html ; Accessed 10 June 2020.

95. Research on Application of Artificial Intelligence Technology in Electrical Automation Control / C. Jiang [и др.] // Journal of Physics: Conference Series. — 2020. — Июль. — Т. 1601, № 5. — С. 052006. — URL: https: //dx.doi.org/10.1088/1742-6596/1601/5/052006.

96. Zadeh, L. Fuzzy sets / L. Zadeh // Information and Control. — 1965. — Т. 8, № 3. — С. 338—353. — URL: https://www.sciencedirect.com/science/article/ pii/S001999586590241X.

97. Булатов, Ю. Н. Метод настройки нечеткой системы управления ветро-генератора с возбуждением от постоянных магнитов / Ю. Н. Булатов, Э. К. Шуманский // Системы Методы Технологии. — 2020. — Т. 1, № 45. — С. 41—46.

98. Седойкин, Д. Н. Адаптивный автоматический регулятор возбуждения на основе нечеткого аппроксиматора в режиме недовозбуждения синхронной машины / Д. Н. Седойкин, А. А. Юрганов // Научно-технические ведомости CПбПУ. Естественные и инженерные науки. — 2018. — Т. 24, № 2. — С. 22—29.

99. Карачев, А. А. Нечеткие регуляторы системы возбуждения бесщеточного синхронного генератора / А. А. Карачев // Технические и естественные науки. — 2006. — Т. 5. — С. 195—199.

100. Wai, R. J. Adaptive fuzzy-neural-network design for voltage tracking control of a DC-DC boost converter / R. J. Wai, L. C. Shih // IEEE Transactions on Power Electronics. — 2012. — Апр. — Т. 27, № 4. — С. 2104—2115.

101. A simple direct-torque neuro-fuzzy control of PWM-inverter-fed induction motor drive / P. Z. Grabowski [и др.] // IEEE Transactions on Industrial Electronics. — 2000. — Авг. — Т. 47, № 4. — С. 863—870.

102. Любарский, Ю. Я. Экспертная система-консультант по проработке ремонтных заявок в оперативных службах энергообъединений / Ю. Я. Любарский, Л. М. Горбунова, Ю. М. Буковников. — Москва : НЦ ЭНАС, 2002.

103. Новые информационные технологии в задачах оперативного управления электроэнергетическими системами / Н. А. Манов, Ю. Я. Чукреев, М. И. Успенский [и др.] ; под ред. П. И. Бартоломей. — Екатеринбург : Российская академия наук, Уральское отделение, Коми научный центр, Институт социально-экономических и энергетических проблем Севера, 2002. — С. 202.

104. Советчик диспетчера по ликвидации перегрузок в энергосистеме / М. Я. Куно [и др.] // Автоматизация и IT в энергетике. — 2012. — № 5. — С. 34—37.

105. Electric Power System Operation Decision Support by Expert System Built with Paraconsistent Annotated Logic / J. I. D. S. Filho [и др.] // Advances in Expert Systems / под ред. P. Vizureanu. — Rijeka : IntechOpen, 2012. — Гл. 2. — URL: https://doi.org/10.5772/51379.

106. A systematic review of machine learning techniques related to local energy communities / A. Hernandez-Matheus [и др.] // Renewable and Sustainable Energy Reviews. — 2022. — Т. 170. — С. 112651. — URL: https://www. sciencedirect.com/science/article/pii/S1364032122005433.

107. Design and optimal energy management of community microgrids with flexible renewable energy sources / N. Tomin [h gp.] // Renewable Energy. — 2022. — T. 183. — C. 903—921. — URL: https://www.sciencedirect.com/ science/article/pii/S0960148121015937.

108. Big data analytics for future electricity grids / M. Kezunovic [h gp.] // Electric Power Systems Research. — 2020. — T. 189. — C. 106788. — URL: https: //www.sciencedirect.com/science/article/pii/S0378779620305915.

109. Adjerid, H. Multi-Agent system-based decentralized state estimation method for active distribution networks / H. Adjerid, A. R. Maouche // Computers Electrical Engineering. — 2020. — T. 86. — C. 106652. — URL: https://www. sciencedirect.com/science/article/pii/S0045790620305073.

110. A multi-criteria approach to designing and managing a renewable energy community / N. Tomin [h gp.] // Renewable Energy. — 2022. — T. 199. — C. 1153—1175. — URL: https://www.sciencedirect.com/science/article/pii/ S0960148122013295.

111. Maximizing the degree of autarky of a 16 house neighbourhood by locally produced energy and smart control / B. Homan [h gp.] // Sustainable Energy, Grids and Networks. — 2019. — T. 20.

112. The Microgrid Case Studies: Community Resilience for Natural Disasters. — 2020. — https:/ / sepapower. orPeg/ resource /the- microgrid- case- studies -community-resilience-for-natural-disasters/.

113. Research and application of artificial intelligence service platform for the power field / P. Liu [h gp.] // Global Energy Interconnection. — 2020. — T. 3, № 2. — C. 175—185. — URL: https://www.sciencedirect.com/science/ article/pii/S2096511720300517.

114. Inc., S. Stem's Athena Software Selected by Available Power to Optimize Up to 2GWh Energy Storage Portfolio in ERCOT / S. Inc. // Business Wire. —

2022. — URL: https://investors.stem.com/news/news-details/2022/Stems-Athena- Software- Selected- by- Available- Power- to- Optimize- Up- to- 2GWh-Energy-Storage-Portfolio-in-ERCOT/default. aspx ; Accessed: August 29,

2023.

115. Renewable energy: Present research and future scope of Artificial Intelligence / S. K. Jha [и др.] // Renewable and Sustainable Energy Reviews. — 2017. — Т. 77. — С. 297—317. — URL: https://www.sciencedirect. com/science/article/pii/S136403211730518X.

116. Artificial intelligence techniques for stability analysis and control in smart grids: Methodologies, applications, challenges and future directions / Z. Shi [и др.] // Applied Energy. — 2020. — Т. 278. — С. 115733. — URL: https: //www.sciencedirect.com/science/article/pii/S0306261920312228.

117. Lin, L. Uncertainty quantification and software risk analysis for digital twins in the nearly autonomous management and control systems: A review / L. Lin, H. Bao, N. Dinh // Annals of Nuclear Energy. — 2021. — Т. 160. — С. 108362. — URL: https://www.sciencedirect.com/science/article/pii/ S0306454921002383.

118. Energy, S. GT Auto Tuner / S. Energy. — Accessed: [дата доступа]. https: / / www.siemens-energy.com / global/en/offerings / services / digital-services / gt-autotuner.html.

119. Саттон, Р. С. Обучение с подкреплением: введение: практическое пособие / Р. С. Саттон, Э. Д. Барто ; пер. А. А. Слинкин. — 2-е изд. — Москва : ДМК Пресс, 2020. — С. 552.

120. Rhodes, A. Digitalisation of Energy / A. Rhodes // Imp Collage London. — 2020. — С. 1—48.

121. Zhang, Y. Y. Bringing Artificial Intelligence to the Grid Edge [Technology Leaders] / Y. Y. Zhang, M. Spieler // IEEE Electrification Magazine. — 2022. — Т. 10, № 4. — С. 6—9.

122. Dunne, R. A Survey of Ambient Intelligence / R. Dunne, T. Morris, S. Harper // ACM Comput. Surv. — New York, NY, USA, 2021. — Май. — Т. 54, № 4. — URL: https://doi.org/10.1145/3447242.

123. Review on Home Energy Management System Considering Demand Responses, Smart Technologies, and Intelligent Controllers / H. Shareef [и др.] // IEEE Access. — 2018. — Т. 6. — С. 24498—24509.

124. Metz, M. Electric vehicles as flexible loads - A simulation approach using empirical mobility data / M. Metz, C. Doetsch // Energy. — 2012. — T. 48, № 1. — C. 369—374. — URL: https:/ / ideas . repec . org / a / eee / energy / v48y2012i1p369-374.html.

125. Mason, K. A review of reinforcement learning for autonomous building energy management / K. Mason, S. Grijalva // Computers Electrical Engineering. — 2019. — T. 78. — C. 300—312. — URL: https://www.sciencedirect.com/ science/article/pii/S0045790618333421.

126. Mischos, S. Intelligent energy management systems: a review / S. Mischos, E. Dalagdi, D. Vrakas // Artificial Intelligence Review. — 2023. — T. 56. — C. 11635—11674. — URL: https://doi.org/10.1007/s10462-023-10441-3.

127. Lentzas, A. Non-intrusive human activity recognition and abnormal behavior detection on elderly people: a review / A. Lentzas, D. Vrakas // Artificial Intelligence Review. — 2020. — T. 53. — C. 1975—2021. — URL: https://doi. org/10.1007/s10462-019-09724-5.

128. Popa, D. Deep learning model for home automation and energy reduction in a smart home environment platform / D. Popa, F. Pop, C. e. a. Serbanescu // Neural Comput Applic. — 2019. — T. 31. — C. 1317—1337.

129. Intelligent energy management: Evolving developments, current challenges, and research directions for sustainable future / M. Ali [h gp.] // Journal of Cleaner Production. — 2021. — T. 314. — C. 127904. — URL: https://www. sciencedirect.com/science/article/pii/S0959652621021223.

130. ReViCEE: A recommendation based approach for personalized control, visual comfort energy efficiency in buildings / P. Kar [h gp.] // Building and Environment. — 2019. — T. 152. — C. 135—144. — URL: https://www. sciencedirect.com/science/article/pii/S0360132319300459.

131. An applied energy management approach in intelligent environments based on a hybrid agent architecture / T. Stavropoulos [h gp.] // 3rd International Workshop on AI Problems and Approaches for Intelligent Environments (AI4IE) in conjunction with ECAI 2014. — Prague, Czech Republic, 2014.

132. Energy management system for residential buildings based on fuzzy logic: design and implementation in smart-meter / A. Chojecki [h gp.] // IET Smart Grid. — 2020. — T. 3, № 2. — C. 254—266.

133. Ren, W. Information consensus in multivehicle cooperative control / W. Ren, R. Beard, E. Atkins // Control Systems, IEEE. — 2007. — Т. 27, № 2. — С. 71—82.

134. Olfati-Saber, R. Consensus problems in networks of agents with switching topology and time-delays / R. Olfati-Saber, R. Murray // IEEE Transactions on Automatic Control. — 2004. — Т. 49, № 9. — С. 1520—1533.

135. Andreasson, M. Control of Multi-Agent Systems with Applications to Distributed Frequency Control Power Systems : дис. ... канд. / Andreasson Martin Stockholm : KTH Royal Institute of Technology, 2013. — С. vii, 89.

136. Wooldridge, M. An Introduction to Multiagent Systems / M. Wooldridge. — 2-е изд. — Chichester, UK : Wiley, 2009.

137. Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence / под ред. G. Weiss. — Cambridge, MA, USA : MIT Press, 2000.

138. Stephens, L. M. Multiagent Systems and Societies of Agents / L. M. Stephens, M. N. Huhns // Multiagent Systems: A Modern Approach to Distributed Artificial Intelligence / под ред. G. Weiss. — MIT Press, 2000. — С. 79—120.

139. A suite of intelligent tools for early detection and prevention of blackouts in power interconnections / N. I. Voropai [и др.] // Automation and Remote Control. — 2018. — Т. 79, № 10. — С. 1741—1755.

140. Comprehensive Overview of Multi-agent Systems for Controlling Smart Grids / O. P. Mahela [и др.] // CSEE Journal of Power and Energy Systems. — 2022. — Т. 8, № 1. — С. 115—131. — URL: https://www.sciopen. com/article/10.17775/CSEEJPES.2020.03390.

141. Saputro, N. PARP-S: A secure piggybacking-based ARP for IEEE 802.11s-based Smart Grid AMI networks / N. Saputro, K. Akkaya // Computer Communications. — 2014. — Т. 58. — С. 16—28.

142. Multi-agent systems for power engineering applications x2014;part ii: Technologies, standards, and tools for building multi-agent systems / S. D. J. McArthur [и др.] // Power Systems, IEEE Transactions on. — 2007. — Нояб. — Т. 22, № 4. — С. 1753—1759.

143. Belkacemi, R. Experimental Implementation of MultiAgent System Algorithm to Prevent Cascading Failure after N 1 1 Contingency in Smart Grid Systems / R. Belkacemi, S. Babalola, A. Zarrabian // IEEE Power Energy Society General Meeting. — Denver, CO, 2015. — С. 1—5.

144. Мультиагентная система управления напряжением и реактивной мощностью / И. Архипов, А. Иванов, Д. Холкин [и др.] // Тр. 22-й конф. "Релейная защита и автоматика энергосистем". — Москва, 2014. — С. 243—252.

145. Реуцкий, И. С. Повышение устойчивости по напряжению сложных энергосистем с использованием моделей адаптивной интеллектуальной автоматики: на примере северной части энергосистемы Иркутской области / И. С. Реуцкий, Н. В. Томин, В. Г. Курбацкий // Электроэнергия. Передача и распределение. — 2023. — № 2. — С. 46—57.

146. Волошин, А. А. Интеллектуальная система электроснабжения на базе персональных энергоблоков / А. А. Волошин, Е. А. Волошин, Е. И. Ро-гозинников // Электроэнергия. Передача и распределение. — 2017. — Т. 1(40). — С. 38—42.

147. Wooldridge, M. An Introduction to MultiAgent Systems / M. Wooldridge. — 2nd. — Wiley Publishing, 2009.

148. Multi-Agent Systems Applications in Energy Optimization Problems: A State-of-the-Art Review / A. Gonzalez-Briones [и др.] // Energies. — 2018. — Июль. — Т. 11, № 8. — С. 1—28. — URL: https://ideas.repec.org/a/gam/ jeners/v11y2018i8p1928-d159699.html.

149. Nweye, K. MERLIN: Multi-agent offline and transfer learning for occupant-centric operation of grid-interactive communities / K. Nweye, S. Sankaranarayanan, Z. Nagy // Applied Energy. — 2023. — Т. 346. — С. 121323. — URL: https://www.sciencedirect.com/science/article/pii/ S0306261923006876.

150. Totschnig, W. Fully Autonomous AI / W. Totschnig // Sci Eng Ethics. — 2020. — Т. 26. — С. 2473—2485. — URL: https://doi.org/10.1007/s11948-020-00243-z.

151. On Autonomous Systems: From Reflexive, Imperative and Adaptive Intelligence to Autonomous and Cognitive Intelligence / Y. Wang [и др.] // 2019 IEEE 18th International Conference on Cognitive Informatics Cognitive Computing (ICCI*CC). — 2019. — С. 7—12.

152. Watson, D. Autonomous Systems / D. Watson, D. Scheidt // Johns Hopkins Appl. Tech. Digest. — 2005. — Т. 26, № 4. — С. 268—376.

153. Wang, Y. From Information to Intelligence Revolution: A Perspective of Canadian Research on Brain and Its Applications / Y. Wang, T. Falk // Invited panel talk at the Workshop on Global Brain Initiatives (GBI'18) in IEEE SMC'18. — Miyazaki, Japan, 10.2018. — G.3—4.

154. Hou, M. Intelligent Adaptive Systems: An Interaction-Centered Design Perspective / M. Hou, S. Banbury, C. Bums. — NY : CRC Press, 2014.

155. Машинное обучение для людей // Вастрик. — 2019. — URL: https://vas3k. blog/blog/machine_learning/.

156. Candrian, C. Rise of the machines: Delegating decisions to autonomous AI / C. Candrian, A. Scherer // Computers in Human Behavior. — 2022. — Т. 134. — С. 107308. — URL: https://www.sciencedirect.com/science/ article/pii/S0747563222001303.

157. Bekey, A. Autonomous Robots: From Biological Inspiration to Implementation and Control / A. Bekey. — MIT Press, 2017. — URL: https: / / books. google. ru / books / about / Autonomous _ Robots. html ? id = 8MbxCwAAQBAJ&redir_esc=y.

158. Pedestrian detection aided by deep learning semantic tasks / Y. Tian [и др.] // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). — 2015. — С. 5079—5087.

159. Dynamic Label Graph Matching for Unsupervised Video Re-Identification / M. Ye [и др.]. — 2017. — arXiv: 1709.09297 [cs.CV].

160. Polydoros, A. Survey of Model-Based Reinforcement Learning: Applications on Robotics / A. Polydoros, L. Nalpantidis //J Intell Robot Syst. — 2017. — Т. 86. — С. 153—173.

161. PRM-RL: Long-range Robotic Navigation Tasks by Combining Reinforcement Learning and Sampling-based Planning / A. Faust [и др.]. — 2018. — arXiv: 1710.03937 [cs.AI].

162. Hochreiter, S. Long Short-Term Memory / S. Hochreiter, J. Schmidhuber // Neural Comput. — Cambridge, MA, USA, 1997. — Нояб. — Т. 9, № 8. — С. 1735—1780. — URL: https://doi.org/10.1162/neco.1997.9.8.1735.

163. Lee, D. Autonomous operation algorithm for safety systems of nuclear power plants by using long-short term memory and function-based hierarchical framework / D. Lee, P. H. Seong, J. Kim // Annals of Nuclear Energy. — 2018. — Т. 119. — С. 287—299. — URL: https://www.sciencedirect.com/ science/article/pii/S0306454918302512.

164. Intelligent autonomous street lighting system based on weather forecast using LSTM / D. Tukymbekov [и др.] // Energy. — 2021. — Т. 231. — С. 120902. — URL: https://www.sciencedirect.com/science/article/pii/ S0360544221011506.

165. Домышев, А. Комплекс автоматического иерархического управления напряжением и реактивной мощностью в ЭЭС / А. Домышев, А. Осак // Тр. Международной конференции «Релейная защита и автоматика энергосистем - 2021». — 2021. — С. 88—99.

166. Generative Adversarial Nets / I. Goodfellow [и др.] // Advances in Neural Information Processing Systems. Т. 27 / под ред. Z. Ghahramani [и др.]. — Curran Associates, Inc., 2014. — URL: https : / / proceedings . neurips . cc / paper_files/paper/2014/file/5ca3e9b122f61f8f06494c97b1afccf3-Paper.pdf.

167. Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network / C. Ledig [и др.]. — 2017. — arXiv: 1609.04802 [cs.CV].

168. Generative Adversarial Networks for Real-time Stability of Inverter-based Systems / X. Cao [и др.]. — 2019. — arXiv: 1901.05114 [cs.SY].

169. Conditional Generative Adversarial Networks for Dynamic Control-Parameter Selection in Power Systems / G. Raman [и др.] // IEEE Access. — 2022. — Т. 10. — С. 11236—11247.

170. Lapan, M. Deep Reinforcement Learning Hands-On : Apply Modern RL Methods, with Deep Q-Networks, Value Iteration, Policy Gradients, TRPO, AlphaGo Zero and more / M. Lapan. — Birmingham, UK : Packt Publishing, 2018. — 546 с.

171. Mastering the Game of Go with Deep Neural Networks and Tree Search / D. Silver [и др.] // Nature. — 2016. — Т. 529, № 7587. — С. 484—489.

172. Super-Human Performance in Gran Turismo Sport Using Deep Reinforcement Learning / F. Fuchs [и др.] // IEEE Robotics and Automation Letters. — 2021.

173. Resource Management with Deep Reinforcement Learning / H. Mao [и др.] // Proceedings of the 15th ACM Workshop on Hot Topics in Networks. — Association for Computing Machinery (ACM). 2016.

174. Simonite, T. Google's AlphaGo Levels Up From Board Games to Power Grids / T. Simonite. — 2017. — Accessed: 2022-10-12. https://www.wired. com/2017/05/googles- alphago- levels-board-games-power-grids/.

175. Li, F. From AlphaGo to Power System AI: What Engineers Can Learn from Solving the Most Complex Board Game / F. Li, Y. Du // IEEE Power and Energy Magazine. — 2018. — Т. 16, № 2. — С. 76—84.

176. Schrage, M. 4 Models for using AI to make decisions / M. Schrage // Harvard Business Review. — 2017.

177. Transferring decisions to an algorithm: A simple route choice experiment / C. Goldbach [и др.] // Transportation Research Part F: Traffic Psychology and Behaviour. — 2019.

178. Dietvorst, B. J. Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify Them / B. J. Dietvorst, J. P. Simmons // Management Science. — 2016. — Т. 64, № 3. —

C. 1155—1170.

179. Castelo, N. Task-Dependent Algorithm Aversion / N. Castelo, M. W. Bos,

D. R. Lehmann // Journal of Marketing Research. — 2019. — Т. 56, № 5. — С. 809—825.

180. Komiak, S. Y. X. The Effects of Personalization and Familiarity on Trust and Adoption of Recommendation Agents / S. Y. X. Komiak, I. Benbasat // MIS Quarterly. — 2006. — Т. 30, № 4. — С. 941—960. — URL: http://www.jstor. org/stable/25148760 (дата обр. 28.05.2023).

181. Bigman, Y. E. People are averse to machines making moral decisions / Y. E. Bigman, K. Gray // Cognition. — 2018. — Т. 181. — С. 21—34. — URL: https://www.sciencedirect.com/science/article/pii/S0010027718302087.

182. Dietvorst, B. J. Overcoming Algorithm Aversion: People Will Use Imperfect Algorithms If They Can (Even Slightly) Modify Them / B. J. Dietvorst, J. P. Simmons, C. Massey // Management Science. — 2018. — Март. — Т. 64, № 3. — С. 1155—1170. — URL: https: / / ideas. repec. org/ a/ inm / ormnsc/v64y2018i3p1155- 1170.html.

183. Yaniv, I. Advice Taking in Decision Making: Egocentric Discounting and Reputation Formation / I. Yaniv, E. Kleinberger // Organizational Behavior and Human Decision Processes. — 2000. — Т. 83, № 2. — С. 260—281. — URL: https://www.sciencedirect.com/science/article/pii/S0749597800929091.

184. Owens, D. The Control Premium: A Preference for Payoff Autonomy / D. Owens, Z. Grossman, R. Fackler // American Economic Journal: Microeconomics. — 2014. — Нояб. — Т. 6, № 4. — С. 138—61. — URL: https://www.aeaweb.org/articles?id=10.1257/mic.6.4.138.

185. Sengul, M. Strategic Delegation: A Review, Theoretical Integration, and Research Agenda / M. Sengul, J. Gimeno, J. Dial // Journal of Management. — 2012. — Т. 38, № 1. — С. 375—414. — URL: https : //doi.org/10.1177/0149206311424317.

186. Lupia, A. Delegation of Power: Agency Theory / A. Lupia // International Encyclopedia of the Social and Behavioral Sciences / под ред. N. J. Smelser, B. Baltes. — 2001. — С. 5—3375.

187. RL2: Fast Reinforcement Learning via Slow Reinforcement Learning / Y. Duan [и др.]. — 2016. — arXiv: 1611.02779 [cs.AI].

188. Голиков, Ю. Я. Концепции адаптивной автоматизации и подходы к человеку и технике для современных человеко-машинных комплексов / Ю. Я. Голиков // Психология адаптации и социальная среда: современные подходы, проблемы, перспективы. : коллективная монография. — 2007. — С. 392—407. — (Труды Института психологии РАН).

189. Levis, A. H. Task decomposition and allocation problems and discrete event systems / A. H. Levis, N. Moray, B. Hu // Automatica. — 1994. — Т. 30, № 2. — С. 203—216.

190. Society of Automotive Engineers. Taxonomy and Definitions for Terms Related to On-Road Motor Vehicle Automated Driving Systems : Standard / Society of Automotive Engineers ; SAE International. — Warrendale, PA, USA, 01.2014. — J3016. — URL: https://www.sae.org/standards/content/ j3016_201401/ ; SAE Standard J3016.

191. Envisioning human-robot coordination in future operations / D. Woods [и др.] // IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews). — 2004. — Т. 34, № 2. — С. 210—218.

192. Shneiderman, B. Human-Centered Artificial Intelligence: Reliable, Safe & Trustworthy / B. Shneiderman // International Journal of Human-Computer Interaction. — 2020. — Т. 36, № 6. — С. 495—504. — eprint: https://doi.org/ 10.1080/10447318.2020.1741118. — URL: https://doi.org/10.1080/10447318. 2020.1741118.

193. Shneiderman, B. 53Defining Reliable, Safe, and Trustworthy Systems / B. Shneiderman // Human-Centered AI. — Oxford University Press, 01.2022. — eprint: https://academic.oup.com/book/0/chapter/350464263/ chapter-pdf/50987992/oso-9780192845290-chapter-7.pdf. — URL: https: //doi.org/10.1093/oso/9780192845290.003.0007.

194. Shakya, A. K. Reinforcement learning algorithms: A brief survey / A. K. Shakya, G. Pillai, S. Chakrabarty // Expert Systems with Applications. — 2023. — Т. 231. — С. 120495. — URL: https://www. sciencedirect.com/science/article/pii/S0957417423009971.

195. Thorndike, E. L. Animal intelligence: Experimental studies / E. L. Thorndike. — Macmillan Press, 1911.

196. Turing, A. 395Intelligent Machinery (1948) / A. Turing // The Essential Turing. — Oxford University Press, 09.2004. — eprint: https://academic. oup . com / book / 0 / chapter / 355746030 / chapter - pdf / 43817005 / isbn -9780198250791-book-part-16.pdf. — URL: https://doi.org/10.1093/oso/ 9780198250791.003.0016.

197. Pavlov, I. P. Conditioned reflexes, an investigation of the physiological activity of the cerebral cortex / I. P. Pavlov ; пер. G. V. Anrep. — London : Oxford Univ. Press, 1927.

198. Minsky, M. Steps toward Artificial Intelligence / M. Minsky // Proceedings of the IRE. — 1961. — Т. 49, № 1. — С. 8—30.

199. Waltz, M. A heuristic approach to reinforcement learning control systems / M. Waltz, K. Fu // IEEE Transactions on Automatic Control. — 1965. — Т. 10, № 4. — С. 390—398.

200. Fu, K. Learning control systems and intelligent control systems: An intersection of artifical intelligence and automatic control / K. Fu // IEEE Transactions on Automatic Control. — 1971. — Т. 16, № 1. — С. 70—72.

201. Michie, D. Boxes: An Experiment in Adaptive Control / D. Michie, R. A. Chambers // Machine Intelligence 2 / под ред. E. Dale, D. Michie. — Edinburgh : Oliver, Boyd, 1968.

202. Klopf, A. H. A Comparison of Natural and Artificial Intelligence / A. H. Klopf // ACM SIGART Bulletin. — 1975. — No. 52.

203. Sutton, R. Single channel theory: A neuronal theory of learning / R. Sutton // Brain Theory Newsletter. — 1978. — Т. 3, № 3/4.

204. Sutton, R. Toward a Modern Theory of Adaptive Networks: Expectation and Prediction / R. Sutton, A. Barto // Psychological review. — 1981. — Апр. — Т. 88. — С. 135—70.

205. Bellman, R. Dynamic programming and stochastic control processes / R. Bellman // Information and Control. — 1958. — Т. 1, № 3. — С. 228—239. — URL: https://www.sciencedirect.com/science/article/pii/ S0019995858800030.

206. Bellman, R. Differential quadrature: A technique for the rapid solution of nonlinear partial differential equations / R. Bellman, B. Kashef, J. Casti // Journal of Computational Physics. — 1972. — Т. 10, № 1. — С. 40—52. — URL: https://www.sciencedirect.com/science/article/pii/0021999172900897.

207. Puterman, M. L. Markov Decision Processes: Discrete Stochastic Dynamic Programming / M. L. Puterman. — New York : John Wiley Sons Ltd., 1994.

208. Bellman, R. A Markovian Decision Process / R. Bellman // Journal of Mathematics and Mechanics. — 1957. — Т. 6, № 5. — С. 679—684. — URL: http://www.jstor.org/stable/24900506.

209. Howard, R. Dynamic Programming and Markov Processes / R. Howard. — Cambridge : The MIT Press, 1960.

210. Как создать цифровой двойник электроэнергетического объекта. Часть 1. Sampled Values. — 2022. — URL: https://habr.com/ru/companies/etmc_ exponenta/articles/663066/.

211. Trust Region Policy Optimization / J. Schulman [и др.] // Proceedings of the 32nd International Conference on Machine Learning. Т. 37 / под ред. F. Bach, D. Blei. — Lille, France, 07.2015. — С. 1889—1897. — (Proceedings of Machine Learning Research). — URL: http://proceedings.mlr.press/v37/ schulman15.pdf.

212. Косьмина, Е. В. Анализ применения устройств FACTS для обеспечения гибкости в распределительных сетях с ветроэнергетическими установками / Е. В. Косьмина, Н. Томин // Сборник трудов V Всероссийской молодёжной конференции с международным участием «Системные исследования в энергетике». — Иркутск, 2024.

213. Coulom, R. Efficient Selectivity and Backup Operators in Monte-Carlo Tree Search / R. Coulom // Computers and Games, 5th International Conference, CG 2006, Turin, Italy, May 29-31, 2006. Revised Papers / под ред. H. J. van den Herik, P. Ciancarini, H. H. L. M. Donkers. — Springer, 2007. — С. 72—83. — URL: http://citeseerx.ist.psu.edu/viewdoc/summary? doi=10.1.1.81.6817.

214. Tomin, N. V. The Concept of Constructing an Artificial Dispatcher Intelligent System Based on Deep Reinforcement Learning for the Automatic Control System of Electric Networks / N. V. Tomin //J. Comput. Syst. Sci. Int. — Berlin, Heidelberg, 2020. — Нояб. — Т. 59, № 6. — С. 939—956. — URL: https://doi.org/10.1134/S1064230720050111.

215. Tomin, N. V. Development a partially observable Markov decision processes-based intelligent assistant for power grids using Monte Carlo tree search / N. V. Tomin, Kurbatsky, M. Negnevitsky // 10th International Scientific Symposium on Electrical Power Engineering. — Stara Lesna, Slovakia, 2019. — URL: https://api.semanticscholar.org/CorpusID:216666149.

216. Fuzzy Control on Voltage/Reactive Power in Electric Power Substation / X.-h. Wu [h gp.] // Fuzzy Information and Engineering Volume 2 / nog peg. B. Cao, T.-F. Li, C.-Y. Zhang. — Berlin, Heidelberg : Springer Berlin Heidelberg, 2009. — C. 1083—1091.

217. Human-level control through deep reinforcement learning / V. Mnih [h gp.] // Nature. — 2015. — T. 518, № 7540. — C. 529—533.

218. Mastering Atari, Go, chess and shogi by planning with a learned model / J. Schrittwieser [h gp.] // Nature. — 2020. — T. 588, № 783. — C. 604—609.

219. A survey on deep learning and deep reinforcement learning in robotics with a tutorial on deep reinforcement learning / E. Morales [h gp.] // Intel Serv Robotics. — 2021. — T. 14. — C. 773—805. — URL: https://doi.org/10.1007/ s11370-021-00398-z.

220. Deep Reinforcement Learning for Autonomous Driving: A Survey /

B. R. Kiran [h gp.]. — 2021. — arXiv: 2002.00444 [cs.LG].

221. Tomin, N. Deep Reinforcement Learning for Energy Microgrids Management Considering Flexible Energy Sources / N. Tomin, A. Zhukov, A. Domyshev // International Workshop on Flexibility and Resiliency Problems of Electric Power Systems (FREPS 2019). T. 217 / nog peg. C. Rehtanz, N. Voropai. — EPJ Web of Conferences. 2019. — C. 01016. — URL: https://doi.org/10. 1051/epjconf/201921701016.

222. A Dynamic Analysis of Energy Storage With Renewable and Diesel Generation Using Volterra Equations / D. Sidorov [h gp.] // IEEE Transactions on Industrial Informatics. — 2020. — T. 16, № 5. —

C. 3451—3459.

223. Zhang, K. Multi-Agent Reinforcement Learning: A Selective Overview of Theories and Algorithms / K. Zhang, Z. Yang, T. Basar // Studies in Systems, Decision and Control. — Germany : Springer, 2021. — C. 321—384. — (Studies in Systems, Decision and Control).

224. Hernandez-Leal, P. A Survey and Critique of Multiagent Deep Reinforcement Learning / P. Hernandez-Leal, B. Kartal, M. E. Taylor // Autonomous Agents and Multi-Agent Systems. — USA, 2019. — hoh6. — T. 33, № 6. — C. 750—797. — URL: https://doi.org/10.1007/s10458-019-09421-1.

225. Zinkevich, M. Cyclic Equilibria in Markov Games / M. Zinkevich, A. Greenwald, M. Littman // Advances in Neural Information Processing Systems. Т. 18 / под ред. Y. Weiss, B. Scholkopf, J. Platt. — MIT Press, 2005. — URL: https://proceedings.neurips.cc/paper_files/paper/2005/file/ 9752d873fa71c19dc602bf2a0696f9b5-Paper.pdf.

226. Kawamura, K. Neural Fictitious Self-Play in Imperfect Information Games with Many Players / K. Kawamura, N. Mizukami, Y. Tsuruoka // CGW@IJCAI. — 2017. — URL: https://api.semanticscholar.org/CorpusID: 3267328.

227. Doan, T. T. Finite-Time Analysis of Distributed TD(0) with Linear Function Approximation on Multi-Agent Reinforcement Learning / T. T. Doan, S. T. Maguluri, J. K. Romberg // International Conference on Machine Learning. — 2019. — URL: https://api.semanticscholar.org/CorpusID: 173990272.

228. Zhang, K. Networked Multi-Agent Reinforcement Learning in Continuous Spaces / K. Zhang, Z. Yang, T. Basar // 2018 IEEE Conference on Decision and Control (CDC). — 2018. — С. 2771—2776.

229. Littman, M. L. Markov Games as a Framework for Multi-Agent Reinforcement Learning / M. L. Littman // International Conference on Machine Learning. — 1994. — URL: https : / / api. semanticscholar . org / CorpusID:8108362.

230. Basar, T. Dynamic Noncooperative Game Theory / T. Basar, G. J. Olsder. — 2nd. — Society for Industrial, Applied Mathematics (SIAM), 1999.

231. Huh, D. Multi-agent Reinforcement Learning: A Comprehensive Survey / D. Huh, P. Mohapatra. — 2024. — arXiv: 2312.10256 [cs.MA]. — URL: https://arxiv.org/abs/2312.10256.

232. Shoham, Y. Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations / Y. Shoham, K. Leyton-Brown. — USA : Cambridge University Press, 2008.

233. Bowling, M. Multiagent learning using a variable learning rate / M. Bowling, M. Veloso // Artificial Intelligence. — 2002. — Т. 136, № 2. — С. 215—250. — URL: https://www.sciencedirect.com/science/article/pii/ S0004370202001212.

234. Guestrin, C. Coordinated Reinforcement Learning / C. Guestrin, M. G. Lagoudakis, R. E. Parr // International Conference on Machine Learning. — 2002. — URL: https : / / api. semanticscholar . org / CorpusID : 1394727.

235. QMIX: Monotonic Value Function Factorisation for Deep Multi-Agent Reinforcement Learning / T. Rashid [h gp.]. — 2018. — arXiv: 1803.11485 [cs.LG].

236. Tan, M. Multi-Agent Reinforcement Learning: Independent versus Cooperative Agents / M. Tan // International Conference on Machine Learning. — 1997. — URL: https : / / api. semanticscholar . org / CorpusID : 262877664.

237. Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments / R. Lowe [h gp.] // Proceedings of the 31st International Conference on Neural Information Processing Systems. — Long Beach, California, USA : Curran Associates Inc., 2017. — C. 6382—6393. — (NIPS'17).

238. Gupta, J. K. Cooperative Multi-agent Control Using Deep Reinforcement Learning / J. K. Gupta, M. Egorov, M. J. Kochenderfer // AAMAS Workshops. — 2017. — URL: https://api.semanticscholar.org/CorpusID: 9421360.

239. Decentralized control of multi-robot partially observable Markov decision processes using belief space macro-actions / S. Omidshafiei [h gp.] // The International Journal of Robotics Research. — 2017. — T. 36, № 2. — C. 231—258.

240. Fully Decentralized Multi-Agent Reinforcement Learning with Networked Agents / K. Zhang [h gp.] // International Conference on Machine Learning. — 2018. — URL: https://api.semanticscholar.org/CorpusID: 3579986.

241. Bu§oniu, L. Multi-agent Reinforcement Learning: An Overview / L. Busoniu, R. Babuska, B. De Schutter // Innovations in Multi-Agent Systems and Applications - 1 / nog peg. D. Srinivasan, L. C. Jain. — Berlin, Heidelberg : Springer Berlin Heidelberg, 2010. — C. 183—221. — URL: https://doi.org/ 10.1007/978-3-642-14435-6_7.

242. Glavic, M. (Deep) Reinforcement learning for electric power system control and related problems: A short review and perspectives / M. Glavic // Annual Reviews in Control. — 2019. — T. 48. — C. 22—35. — URL: https://www. sciencedirect.com/science/article/pii/S1367578819301014.

243. Glavic, M. Reinforcement Learning for Electric Power System Decision and Control: Past Considerations and Perspectives / M. Glavic, R. Fonteneau, D. Ernst // IFAC-PapersOnLine. — 2017. — T. 50, № 1. — C. 6918—6927. — URL: https://www.sciencedirect.com/science/article/pii/ S2405896317317238 ; 20th IFAC World Congress.

244. Model-free voltage control of active distribution system with PVs using surrogate model-based deep reinforcement learning / D. Cao [h gp.] // Applied Energy. — 2022. — ^hb. — T. 306, Part A.

245. Deep reinforcement learning-based voltage control to deal with model uncertainties in distribution networks / J.-F. Toubeau [h gp.] // Energies. — 2020. — T. 13, № 15.

246. Sun, X. A Customized Voltage Control Strategy for Electric Vehicles in Distribution Networks With Reinforcement Learning Method / X. Sun, J. Qiu // IEEE Transactions on Industrial Informatics. — 2021. — Okt. — T. 17, № 10. — C. 6852—6863.

247. Reinforcement learning for robust voltage control in distribution grids under uncertainties / A. Petrusev [h gp.] // Sustainable Energy, Grids and Networks. — 2023. — T. 33. — C. 100959. — URL: https://www.sciencedirect. com/science/article/pii/S2352467722002041.

248. Two-timescale voltage control in distribution grids using deep reinforcement learning / Q. L. Yang [h gp.] // IEEE Transactions on Smart Grid. — 2020. — T. 11, № 3. — C. 2313—2323.

249. Bui, V. Double deep Q-Learning-based distributed operation of battery energy storage system considering uncertainties / V. Bui, A. Hussain, H. Kim // IEEE Transactions on Smart Grid. — 2019. — T. 11, № 1. — C. 457—469.

250. A multi-agent deep reinforcement learning based voltage regulation using coordinated PV inverters / D. Cao [h gp.] // IEEE Transactions on Power Systems. — 2020. — CeHT. — T. 35, № 5. — C. 4120—4123.

251. Attention enabled multi-agent DRL for decentralized volt-var control of active distribution system using PV inverters and SVCs / D. Cao [h gp.] // IEEE Transactions on Sustainable Energy. — 2021. — Hronb. — T. 12, № 3. — C. 1582—1592.

252. Reinforcement learning and its applications in modern power and energy systems: a review / D. Cao [h gp.] // Journal of Modern Power Systems and Clean Energy. — 2020. — T. 8, № 6. — C. 1029—1042.

253. Dynamic distribution network reconfiguration using reinforcement learning / Y. Gao [h gp.] // IEEE SmartGridComm. — 10.2019. — C. 1—7.

254. Li, L. Efficient fully-offline meta-reinforcement learning via distance metric learning and behavior regularization / L. Li, R. Yang, D. Luo. — 10.2020. — [Online] Available: https://arxiv.org/abs/2010.01112.

255. Batch-constrained reinforcement learning for dynamic distribution network reconfiguration / Y. Gao [h gp.] // IEEE Transactions on Smart Grid. — 2020. — hoh6. — T. 11, № 6. — C. 5357—5369.

256. Distributed voltage control for multi-feeder distribution networks considering transmission network voltage fluctuation based on robust deep reinforcement learning / Z. Wu [h gp.] // Applied Energy. — 2025. — T. 379. — C. 124984. — URL: https://www.sciencedirect.com/science/article/pii/ S0306261924023687.

257. Real-time outage management in active distribution networks using reinforcement learning over graphs / R. A. Jacob, S. Paul, S. Chowdhury [h gp.] // Nature Communications. — 2024. — T. 15. — C. 4766. — URL: https://doi.org/10.1038/s41467-024-49207-y.

258. AlSaba, M. Deep and Reinforcement Learning for Active Distribution Network Protection / M. AlSaba, M. Abido // [Book Title] / nog peg. A. Parizad, H. R. Baghaee, S. Rahman. — [Publisher], 02.2025. — En. 8. [Page Range].

259. Dutta, O. Reducing the risk of cascading failure in active distribution networks using adaptive critic design / O. Dutta, A. Mohamed // IET Generation, Transmission and Distribution. — 2020. — T. 14, bhh. 13. — C. 2592—2601.

260. Stochastic Maintenance Schedules of Active Distribution Networks Based on Monte-Carlo Tree Search / Y. Shang [h gp.] // IEEE Transactions on Power Systems. — 2020. — T. 35, № 5. — C. 3940—3952.

261. Service Restoration for Distribution System via Monte-Carlo Tree Search and Learned Model / J. Zhong [h gp.] // 2022 17th International Conference on Probabilistic Methods Applied to Power Systems (PMAPS). — 2022. — C. 1—6.

262. Memetic reinforcement learning based maximum power point tracking design for PV systems under partial shading condition / X. Zhang [h gp.] // Energy. — 2019. — T. 174. — C. 1079—1090. — URL: https: / /www. sciencedirect.com/science/article/pii/S0360544219304578.

263. Bag, A. An Adaptive Variable Leaky Least Mean Square Control Scheme for Grid Integration of a PV System / A. Bag, B. Subudhi, P. K. Ray // IEEE Transactions on Sustainable Energy. — 2020. — T. 11, № 3. — C. 1508—1515.

264. An Adaptive Network-Based Reinforcement Learning Method for MPPT Control of PMSG Wind Energy Conversion Systems / C. Wei [h gp.] // IEEE Transactions on Power Electronics. — 2016. — T. 31, № 11. — C. 7837—7848.

265. Reinforcement-Learning-Based Intelligent Maximum Power Point Tracking Control for Wind Energy Conversion Systems / C. Wei [h gp.] // IEEE Transactions on Industrial Electronics. — 2015. — T. 62, № 10. — C. 6360—6370.

266. An integrated critic-actor neural network for reinforcement learning with application of DERs control in grid frequency regulation / J. Sun [h gp.] // International Journal of Electrical Power and Energy Systems. — 2019. — T. 111. — C. 286—299. — URL: https://www.sciencedirect.com/science/ article/pii/S0142061518336767.

267. Abouheaf, M. Model-free adaptive learning control scheme for wind turbines with doubly fed induction generators / M. Abouheaf, W. Gueaieb, A. Sharaf // IET Renewable Power Generation. — 2018. — T. 12, № 14. — C. 1675—1686. — eprint: https://ietresearch.onlinelibrary.wiley.com/doi/ pdf/10.1049/iet-rpg.2018.5353. — URL: https://ietresearch.onlinelibrary. wiley.com/doi/abs/10.1049/iet-rpg.2018.5353.

268. Enhancing Power Quality in Microgrids With a New Online Control Strategy for DSTATCOM Using Reinforcement Learning Algorithm / M. Bagheri [h gp.] // IEEE Access. — 2018. — T. 6. — C. 38986—38996.

269. Review of automation and energy monitoring system for air-conditioning and mechanical ventilation (ACMV) in building Malaysia / M. A. Abdullah [h gp.] // Journal of Advanced Mechanical Engineering Applications. — 2022. — T. 3, № 1.

270. Ma, Z. A discussion of building automation and stakeholder engagement for the readiness of energy flexible buildings / Z. Ma, B. N. J0rgensen // Energy Informatics. — 2018. — T. 1, № 1. — C. 54. — URL: https://doi.org/10.1186/ s42162-018-0061-z.

271. Gao, G. DeepComfort: Energy-efficient thermal comfort control in buildings via reinforcement learning / G. Gao, J. Li, Y. Wen // IEEE Internet of Things Journal. — 2020. — T. 7, № 9. — C. 8472—8484.

272. Intelligent multi-zone residential HVAC control strategy based on deep reinforcement learning / Y. Du [h gp.] // Applied Energy. — 2021. — T. 281. — C. 116117.

273. Building HVAC control with reinforcement learning for reduction of energy cost and demand charge / Z. Jiang [h gp.] // Energy and Buildings. — 2021. — T. 239. — C. 110833.

274. Wei, T. Deep reinforcement learning for building HVAC control / T. Wei, Y. Wang, Q. Zhu // Proceedings of the 54th Annual Design Automation Conference. — Austin, TX, USA : ACM, 2017. — C. 1—6. — URL: http: //dx.doi.org/10.1145/3061639.3062224.

275. Comparative analysis of model-free and model-based HVAC control for residential demand response / K. Kurte [h gp.] // Proceedings of the 8th ACM International Conference on Systems for Energy-Efficient Buildings, Cities, and Transportation. — Coimbra, Portugal: Association for Computing Machinery, 2021. — C. 309—313. — (BuildSys '21). — URL: https://doi.org/ 10.1145/3486611.3488727.

276. Chen, B. Gnu-RL: A Practical and Scalable Reinforcement Learning Solution for Building HVAC Control Using a Differentiable MPC Policy / B. Chen, Z. Cai, M. Berges // Frontiers in Built Environment. — 2020. — T. Volume 6 —2020. — URL: https://www.frontiersin.org/journals/built-environment/ articles/10.3389/fbuil.2020.562239.

277. Deep reinforcement learning for optimal control of space heating / A. Nagy [h gp.] // arXiv preprint. — 2018. — arXiv: 1805.03777. — URL: https: //arxiv.org/abs/1805.03777.

278. Vazquez-Canteli, J. R. MARLISA: Multi-Agent Reinforcement Learning with Iterative Sequential Action Selection for Load Shaping of Grid-Interactive Connected Buildings / J. R. Vazquez-Canteli, G. Henze, Z. Nagy // Proceedings of the 7th ACM International Conference on Systems for Energy-Efficient Buildings, Cities, and Transportation. — Virtual Event, Japan : Association for Computing Machinery, 2020. — C. 170—179. — (BuildSys '20). — URL: https://doi.org/10.1145/3408308.3427604.

279. A Review of Reinforcement Learning for Controlling Building Energy Systems From a Computer Science Perspective / D. Weinberg [h gp.] // Sustainable Cities and Society. — 2023. — T. 89. — C. 104351. — URL: https://doi.org/ 10.1016/j.scs.2022.104351.

280. Real-world challenges for multi-agent reinforcement learning in grid-interactive buildings / K. Nweye [h gp.] // Energy and AI. — 2022. — T. 10. — C. 100202. — URL: https://www.sciencedirect.com/science/article/ pii/S2666546822000489.

281. CityLearn v2: Energy-flexible, resilient, occupant-centric, and carbon-aware management of grid-interactive communities / K. Nweye [h gp.] // Journal of Building Performance Simulation. — 2024. — T. 0, № 0. — C. 1—22. — URL: https://doi.org/10.1080/19401493.2024.2418813 ; Online first.

282. Learning to Run a Power Network Challenge: A Retrospective Analysis / A. Marot [h gp.] // CoRR. — 2021. — T. abs/2103.03104. — arXiv: 2103. 03104. — URL: https://arxiv.org/abs/2103.03104.

283. Learning to run a power network with trust / A. Marot [h gp.] // Electric Power Systems Research. — 2022. — T. 212. — C. 108487. — URL: https: //www.sciencedirect.com/science/article/pii/S0378779622006137.

284. Learning to run a power network challenge for training topology controllers / A. Marot [h gp.] // Electric Power Systems Research. — 2020. — T. 189. — C. 106635. — URL: https://www.sciencedirect.com/science/article/pii/ S0378779620304387.

285. Power Grid Congestion Management via Topology Optimization with AlphaZero / M. Dorfer [и др.] // CoRR. — 2022. — Т. abs/2211.05612. — arXiv: 2211.05612. — URL: https://arxiv.org/abs/2211.05612.

286. Системы автоматизации и интеграция. Цифровой двойник для производства. Часть 1: Общие принципы. — International Organization for Standardization, 2021. — ISO 23247-1-2021.

287. Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения. — Федеральное агентство по техническому регулированию и метрологии, 2021. — Принят Приказом Росстандарта от 17.08.2021 № 571-ст.

288. Стенников, В. А. Цифровые двойники / В. А. Стенников // Десять прорывных идей в электроэнергетике на следующие десять лет, «Глобальная Энергия». — 2021. — URL: https://globalenergyprize.org/ru/10ideas/.

289. Активное управление электрической сетью на базе концепции цифрового двойника / Н. В. Томин [и др.] // Энергия единой сети. — 2021. — Т. 2, № 57. — С. 42—57.

290. Никитина, Е. В. Цифровой двойник для электрических сетей / Е. В. Никитина, А. Н. Полуэктов, С. Кох // Энергия единой сети. — 2019. — Т. 4, № 46. — С. 32—36.

291. Прохоров, А. Анализ, тренды, мировой опыт / А. Прохоров, М. Лыса-чев. — 1st. — Москва : ООО «АльянсПринт», 2020. — С. 401.

292. Кокорев, Д. С. Цифровые двойники: понятие, типы и преимущества для бизнеса / Д. С. Кокорев, А. А. Юрин // Colloquium-journal. Technical science. — 2019. — Т. 10, № 34. — С. 31—35.

293. Grieves, M. Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems / M. Grieves, J. Vickers // Transdisciplinary Perspectives on Complex Systems / под ред. F.-J. Kahlen, S. Flumerfelt, A. Alves. — Cham : Springer, 2017. — С. 85—113. — URL: https://doi.org/ 10.1007/978-3-319-38756-7_4.

294. Review of the Digital Twin Technology Applications for Electrical Equipment Lifecycle Management / A. I. Khalyasmaa [и др.] // Mathematics. — 2023. — Т. 11, № 6. — С. 1315.

295. A case study of digital-twin-modelling analysis on power-plant-performance optimizations / B. Xu [и др.] // Clean Energy. — 2019. — Нояб. — Т. 3, № 3. — С. 227—234. — eprint: https://academic.oup.com/ce/article-pdf/3/ 3/227/30458607/zkz025.pdf. — URL: https://doi.org/10.1093/ce/zkz025.

296. Industries, M. H. Boiler digital twin applying machine learning / M. H. Industries // Mitsubishi Heavy Ind. Tech. Rev. — 2018. — Т. 55, № 4. — С. 1—7.

297. Программно-технический комплекс «Виртуально-цифровая АЭС с ВВЭР. — 2014. — URL: http://ibrae.ac.ru/contents/362/.

298. Внедрение программно-аппаратного комплекса на «Ново-Салаватской ТЭЦ». — 2014. — URL: https : / / nbiservice . ru / projects / vnedrenie-programmno-apparatnogo-kompleksa-na-novo-salavatskoy-tets/.

299. ИТ-инфраструктура для построения интеллектуальных систем управления развитием и функционированием систем энергетики на основе цифровых двойников и цифровых образов / Н. Воропай [и др.] // Известия РАН. Энергетика. — 2021. — № 1. — С. 3—13.

300. Модернизации СУУТП комбинированной установки каталитического крекинга Г-43-107 производства №2 АО «Газпромнефть-МНПЗ» с тестированием модуля динамической оптимизации (Co-Pilot) // ООО «Автоматика-сервис». — 2020. — URL: https : / / oee - conf . ru / tpost / rtojlxrz41-modernizatsii-suutp-kombinirovannoi-usta.

301. Sikstrom, J. Case study: the use of a digital twin with Advanced Process Control at Boliden Aitik mine / J. Sikstrom, R. Brown, R. Koorts // ABB. — 2021. — URL: https : / / new . abb . com / mining / mineoptimize / digital -applications / advanced-process-control / case-study-the-use-of-a-digital-twin-with-advanced-process-control-at-boliden-aitik-mine.

302. Мартихин, А. Ю. Первая в московском регионе / А. Ю. Мартихин, И. С. Рыбин, А. В. Гурьев // Электроэнергия. Передача и распределение. — 2018. — 5(50). — С. 32—37. — Московские высоковольтные сети -филиал ПАО «МОЭСК»; ООО НПП «ЭКРА».

303. Sleiti, A. K. Digital twin in energy industry: Proposed robust digital twin for power plant and other complex capital-intensive large engineering systems / A. K. Sleiti, J. S. Kapat, L. Vesely // Energy Reports. — 2022. — Т. 8. — С. 3704—3726. — URL: https://www.sciencedirect.com/science/article/pii/ S2352484722005522.

304. Ebrahimi, A. Challenges of developing a digital twin model of renewable energy generators / A. Ebrahimi // 2019 IEEE 28th International Symposium on Industrial Electronics (ISIE). — 2019. — С. 1059—1066.

305. Kahlen, F. Transdisciplinary perspectives on complex systems: New findings and approaches / F. Kahlen, S. Flumerfelt, A. Alves. — Springer, 2016.

306. Булатов, Ю. Н. Применение технологий цифровых двойников в энергетике / Ю. Н. Булатов, К. Е. Короткова // Труды Братского государственного университета. Серия: Естественные и инженерные науки. — 2021. — Т. 1. — С. 103—112.

307. SIPROTECH DigitalTwin. — URL: https : / / assets . new . siemens . com / siemens / assets / api / uuid : 849e6448 - 9026 - 4afb - 9b54 - 3395a21ad76f / siprotecdigitaltwincustomerpresentation.pdf (дата обр. 26.06.2022).

308. GE Digital. Digital Twin Software / GE Digital. — 2023. — Accessed on 24 June 2022. https://www.ge.com/digital/applications/digital-twin.

309. PRANA Predictive Analytics Systems, Equipment Operation Monitoring. — URL: https://prana-system.com/en/?prefer=1 ; Accessed on 23 June 2022. Available online.

310. Моравель, В. И. Возможности использования цифровых двойников в задачах электроэнергетики / В. И. Моравель, В. А. Борисов // Современные научные исследования и инновации. — 2022. — № 6. — URL: https://web. snauka.ru/issues/2022/06/98404 ; [Электронный ресурс]. Дата обращения: 19.08.2023.

311. Массель, Л. В. Онтологический подход к построению цифровых двойников объектов и систем энергетики / Л. В. Массель, Т. Н. Ворожцова // Онтология проектирования. — 2020. — Т. 10, 3 (37). — С. 327—337.

312. Mahmoud, E. G. The Future of Digital Twins for Autonomous Systems: Analysis and Opportunities / E. G. Mahmoud, A. Darwish, A. E. Hassanien // Digital Twins for Digital Transformation: Innovation in Industry / под ред. A. E. Hassanien, A. Darwish, V. Snasel. — Cham : Springer International Publishing, 2022. — С. 187—200. — URL: https: //doi.org/10.1007/978-3-030-96802-1_10.

313. A digital twin to train deep reinforcement learning agent for smart manufacturing plants: Environment, interfaces and intelligence / K. Xia [и др.] // Journal of Manufacturing Systems. — 2021. — Т. 58. — С. 210—230. — URL: https : / / www . sciencedirect. com / science / article / pii / S0278612520301059 ; Digital Twin towards Smart Manufacturing and Industry 4.0.

314. Park, H.-S. An autonomous manufacturing system based on swarm of cognitive agents / H.-S. Park, N.-H. Tran // Journal of Manufacturing Systems. — 2012. — Т. 31, № 3. — С. 337—348. — URL: https://www. sciencedirect.com/science/article/pii/S0278612512000350.

315. A Digital Twin Approach for the Improvement of an Autonomous Mobile Robots (AMR's) Operating Environment-A Case Study / P. Staczek [и др.] // Sensors (Basel). — 2021. — Нояб. — Т. 21, № 23. — С. 7830.

316. Increasing flexibility in consumer goods industry with the help of robotized systems / P. Karagiannis [и др.] // Procedia CIRP. — 2019. — Т. 86. — С. 192—197. — URL: https://www.sciencedirect.com/science/article/pii/ S2212827120300536 ; 7th CIRP Global Web Conference - Towards shifted production value stream patterns through inference of data, models, and technology (CIRPe 2019).

317. Buchel, B. Tesla's problem: overestimating automation, underestimating human / B. Biichel, D. Floreano, Organisation // The conversation. — 2019. — URL: http://theconversation.com/teslas-problem-overestimating-automation-underestimating-humans-95388 (дата обр. 26.10.2019).

318. Digital twin-driven product design, manufacturing and service with big data / F. Tao, J. Cheng, Q. Qi [и др.] // International Journal of Advanced Manufacturing Technology. — 2018. — Т. 94, № 9—12. — С. 3563—3576.

319. The Digital Twin: Demonstrating the Potential of Real Time Data Acquisition in Production Systems / T. H.-J. Uhlemann [h gp.] // Procedia Manufacturing. — 2017. — T. 9. — C. 113—120. — URL: https://www. sciencedirect.com/science/article/pii/S2351978917301610 ; 7th Conference on Learning Factories, CLF 2017.

320. Intelligent laser welding through representation, prediction, and control learning: An architecture with deep neural networks and reinforcement learning / J. Giinther [h gp.] // Mechatronics. — 2016. — T. 34. — C. 1—11. — URL: https : / / www . sciencedirect . com / science / article / pii/S0957415815001555 ; System-Integrated Intelligence: New Challenges for Product and Production Engineering.

321. Automated defect inspection system for metal surfaces based on deep learning and data augmentation / J. P. Yun [h gp.] // Journal of Manufacturing Systems. — 2020. — T. 55. — C. 317—324. — URL: https://www.sciencedirect. com/science/article/pii/S027861252030042X.

322. Zhuang, C. Digital twin-based smart production management and control framework for the complex product assembly shop-floor / C. Zhuang, J. Liu, H. Xiong // International Journal of Advanced Manufacturing Technology. — 2018. — T. 96, № 4—8. — C. 1149—1163.

323. Negri, E. A Review of the Roles of Digital Twin in CPS-based Production Systems / E. Negri, L. Fumagalli, M. Macchi // Procedia Manufacturing. — 2017. — T. 11. — C. 939—948. — URL: https://www.sciencedirect.com/ science/article/pii/S2351978917304067 ; 27th International Conference on Flexible Automation and Intelligent Manufacturing, FAIM2017, 27-30 June 2017, Modena, Italy.

324. Tao, F. Digital Twin Shop-Floor: A New Shop-Floor Paradigm Towards Smart Manufacturing / F. Tao, M. Zhang // IEEE Access. — 2017. — T. 5. — C. 20418—20427.

325. Lee, J. H. Machine learning: Overview of the recent progresses and implications for the process systems engineering field / J. H. Lee, J. Shin, M. J. Realff // Computers Chemical Engineering. — 2018. — T. 114. — C. 111—121. — URL: https://www.sciencedirect.com/science/article/pii/ S0098135417303538 ; FOCAPO/CPC 2017.

326. Сидоров, С. М. Полумарковская модель участка интеллектуальной распределительной сети / С. М. Сидоров, Ю. Е. Обжерин, С. Н. Федорен-ко // Автоматизация и измерения в машино-приборостроения. — 2022. — 4(20). — С. 46—61.

327. McCarthy, J. Programs with common sense / J. McCarthy // Semantic Information Processing. — 1959. — С. 403—418.

328. Utgoff, P. E. Two kinds of training information for evaluation function learning / P. E. Utgoff, J. A. Clouse // Proceedings of the 9th National Conference on Artificial Intelligence. Т. 2. — Anaheim, CA, USA : AAAI Press, 07.1991. — С. 596—600.

329. Garcia, J. A Comprehensive Survey on Safe Reinforcement Learning / J. Garcia, F. Fernandez //J. Mach. Learn. Res. — 2015. — Янв. — Т. 16, № 1. — С. 1437—1480.

330. Jaynes, J. The origin of consciousness in the breakdown of the bicameral mind / J. Jaynes. — Boston : Houghton Mifflin, 1976. — С. 512.

331. Кочнева, Е. С. Использование методических подходов теории оценивания состояния для расчета и достоверизации потоков электрической энергии в сетях / Е. С. Кочнева, А. В. Паздерин, В. О. Самойленко // Электричество. — 2014. — Т. №10. — С. 12—21.

332. Гамм, А. З. Оценивание состояния в электроэнергетике / А. З. Гамм, Л. Н. Герасимов, И. И. Голуб. — Москва : Наука, 1983. — С. 302.

333. Гамм, А. З. Робастные методы оценивания состояния электроэнергетических систем и их реализация с помощью генетических алгоритмов / А. З. Гамм, И. Н. Колосок, Р. А. Заика // Электричество. — 2005. — Т. №10/5. — С. 2—9.

334. Хохлов, М. В. Развитие алгоритмов оценивания состояния ЭЭС по неквадратичным критериям / М. В. Хохлов // Управление электроэнергетическими системами новые технологии и рынок. — 2004. — С. 39—48.

335. Комплекс интеллектуальных средств раннего выявления и предотвращения возникновения системных аварий в энергообъединениях / Н. И. Во-ропай [и др.] // Автоматика и телемеханика. — 2018. — № 10. — С. 6—25.

336. A comprehensive survey on applications of AI technologies to failure analysis of industrial systems / S. Bi [и др.] // Engineering Failure Analysis. — 2023. — Т. 148. — С. 107172.— URL: https://www.sciencedirect.com/science/article/ pii/S1350630723001267.

337. Exploring Digital Twin-Based Fault Monitoring: Challenges and Opportunities / J. Bofill [и др.] // Sensors. — 2023. — Т. 23, № 16.

338. Xu, L. Industry 4.0: State of the art and future trends / L. Xu, E. Xu, L. Li // Int. J. Prod. Res. — 2018. — Т. 56, № 16. — С. 2941—2962.

339. Updating digital twins: Methodology for data accuracy quality control using machine learning techniques / F. Rodriguez [и др.] // Computers in Industry. — 2023. — Т. 151. — С. 103958. — URL: https://www.sciencedirect. com/science/article/pii/S0166361523001082.

340. Liu, F. T. Isolation Forest / F. T. Liu, K. M. Ting, Z.-H. Zhou // Eighth International Conference. — 2008. — С. 413—422.

341. Chandola, V. Anomaly Detection / V. Chandola, A. Banerjee, V. Kumar // ACM Comput. Surv. — 2009. — Т. 41, № 1. — С. 1—58.

342. Missing value estimation methods for DNA microarrays / O. Troyanskaya [и др.] // BIOINFORMATICS. — 2001. — Т. 17, № 6. — С. 520—525.

343. Karayiannis, N. B. Non-euclidean c-means clustering algorithms / N. B. Karayiannis, M. M. Randolph-Gips // Intelligent Data Analysis. — 2003. — Т. 7. — С. 405—425.

344. Stacking Strong Ensembles of Classifiers / S.-A. N. Alexandropoulos [и др.] // Artificial Intelligence Applications and Innovations - 15th IFIP WG 12.5 International Conference, AIAI 2019, Hersonissos, Crete, Greece, May 24-26, 2019, Proceedings. Т. 559 / под ред. J. MacIntyre [и др.]. — Springer, 2019. — С. 545—556. — (IFIP Advances in Information and Communication Technology). — URL: https://doi.org/10.1007/978-3-030-19823-7_46.

345. Гамм, А. З. Методы прогнозирования параметров режима электроэнергетических систем для целей мониторинга и управления / А. З. Гамм, Н. В. Томин, [и др.] // Электричество. — 2011. — № 5. — С. 17—26.

346. CatBoost: unbiased boosting with categorical features / L. Prokhorenkova [и др.]. — 2019. — arXiv: 1706.09516 [cs.LG].

347. Chen, T. XGBoost: A Scalable Tree Boosting System / T. Chen, C. Guestrin // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. — San Francisco, California, USA : Association for Computing Machinery, 2016. —

C. 785—794. — (KDD '16). — URL: https://doi.org/10.1145/2939672. 2939785.

348. Henry, R. Gym-ANM: Reinforcement learning environments for active network management tasks in electricity distribution systems / R. Henry,

D. Ernst // Energy and AI. — 2021. — T. 5. — C. 100092. — URL: https: //www.sciencedirect.com/science/article/pii/S266654682100046X.

349. Gemine, Q. Active network management for electrical distribution systems: problem formulation, benchmark, and approximate solution / Q. Gemine, D. Ernst, B. Cornelusse // Optimization and Engineering. — 2017. — T. 18. — C. 587—629.

350. Distribution Power Flow Management Utilizing an Online Optimal Power Flow Technique / M. J. Dolan [h gp.] // IEEE Transactions on Power Systems. — 2012. — T. 27, № 2. — C. 790—799.

351. Optimal Operation of Distribution Networks Considering Energy Storage Devices / L. H. Macedo [h gp.] // IEEE Transactions on Smart Grid. — 2015. — T. 6, № 6. — C. 2825—2836.

352. ANM Benchmark. — URL: https://people.monteore.uliege.be/anm/. online.

353. Pyomo-optimization modeling in Python. T. 8 / W. E. Hart [h gp.]. — Berlin : Springer Science Business Media, 2015.

354. Feasibility and Cost Analysis of Photovoltaic-Biomass Hybrid Energy System in Off-Grid Areas of Bangladesh / N. Chowdhury [h gp.] // Sustainability. — 2020. — T. 12. — C. 15—68.

355. Calvillo, C. F. Energy management and planning in smart cities / C. F. Calvillo, A. Sanchez-Miralles, J. Villar // Renew. Sustain. Energy Rev. — 2016. — T. 55. — C. 273—287.

356. SEDG Centre. UK generic distribution system (UKGDS) project / SEDG Centre. — 2010. — URL: http://www.sedg.ac.uk/. [Online].

357. Tolios, G. Simplifying Machine Learning with PyCaret: A Low-code Approach for Beginners and Expert / G. Tolios. — Leanpub, 2022. — C. 107.

358. Александров, А. Г. Оптимальные и адаптивные системы / А. Г. Александров. — Москва : Высшая школа, 1989. — С. 263.

359. Рубанов, В. Г. Интеллектуальные системы автоматического управления. Нечеткое управление в технических системах / В. Г. Рубанов,

A. Г. Филатов, И. А. Рыбин. — 2-е издание. — Белгород : Издательство Белгородского государственного технологического университета имени

B.Г. Шухова, 2010. — С. 170.

360. Тартаковский, Г. П. Вопросы синтеза адаптивных систем обработки информации и принятие решений / Г. П. Тартаковский, В. Г. Репин //В сб.: Оптимальные адаптивные системы. — Москва, 1972.

361. Якубович, В. А. Об одном классе адаптивных (самообучающихся) систем / В. А. Якубович //В сб.: Оптимальные адаптивные системы. — Москва, 1972. — С. 174—181.

362. Цыпкин, Я. З. Обучающиеся автоматические системы / Я. З. Цыпкин, Г. К. Кельман, Л. Е. Эпштейн //В сб.: Оптимальные адаптивные системы. — Москва, 1972. — С. 182—193.

363. Региональные аспекты ветроэнергетики / И. Иванова, Н. Томин, И. Постников [и др.] ; под ред. В. Стенников, В. Курбацкий. — Новосибирск : СО РАН, 2020. — С. 296.

364. Симонов, А. В. Способы обеспечения устойчивой работы ветроэнергетических установок ветровых электростанций в составе отечественных распределительных электрических сетей / А. В. Симонов, П. В. Илюшин // Электроэнергия. Передача и распределение. — 2022. — № 3. —

C. 60—70.

365. Kosmina, E. FACTS Devices to Ensure Operational Reliability of Modern Power Systems / E. Kosmina, N. Tomin // Energy Systems Research. — 2024. — Т. 7, 3(27). — С. 53—63. — License: CC BY-NC 4.0.

366. Rezaei, M. A nonlinear maximum power point tracking technique for DFIG-based wind energy conversion systems / M. Rezaei // Engineering Science and Technology, an International Journal. — 2018. — Т. 21, № 5. — С. 901—908.

367. Impact of Integrated Renewable Energy Sources with Variable Power Output in Terms of Constrained Voltage Stability Limit / N. Rakhmanov [и др.] // Energy Systems Research. — 2023. — Т. 6, № 4. — С. 34—43.

368. Njiri, J. State-of-the-art in wind turbine control: trends and challenges / J. Njiri, D. Söffker // Renewable and Sustainable Energy Reviews. — 2016. — T. 60. — C. 377—393.

369. Multivariable control strategy for variable speed, variable pitch wind turbines / B. Boukhezzar [h gp.] // Renewable Energy. — 2007. — T. 32, № 8. — C. 1273—1287.

370. Power Control Design for Variable-Speed Wind Turbines / Y. Vidal [h gp.] // Energies. — 2012. — T. 5. — C. 3033—3050.

371. Khezami, N. Wind turbine power tracking using an improved multimodel quadratic approach / N. Khezami, N. Benhadj Braiek, X. Guillaud // ISA Transactions. — 2010. — T. 49, № 3. — C. 326—334.

372. Boukhezzar, B. Nonlinear Control of a Variable-Speed Wind Turbine Using a Two-Mass Model / B. Boukhezzar, H. Siguerdidjane // IEEE Transactions on Energy Conversion. — 2011. — T. 26, № 1. — C. 149—162.

373. Rubio, J. O. Maximizing the performance of variable speed wind turbine with nonlinear output feedback control / J. O. Rubio, L. T. Aguilar // Procedia Engineering. — 2012. — T. 35. — C. 31—40. — International Meeting of Electrical Engineering Research 2012.

374. Chatterjee, J. Scientometric review of artificial intelligence for operations & maintenance of wind turbines: The past, present and future / J. Chatterjee, N. Dethlefs // Renewable and Sustainable Energy Reviews. — 2021. — T. 144. — C. 111051.

375. Apata, O. An overview of control techniques for wind turbine systems / O. Apata, D. Oyedokun // Scientific African. — 2020. — T. 10. — e00566.

376. Kamel, R. Three Control Strategies to Improve the Microgrid Transient Dynamic Response During Isolated Mode: A Comparative Study / R. Kamel, A. Chaouachi, K. Nagasaka // IEEE Transactions on Industrial Electronics. — 2013. — T. 60, № 4. — C. 1314—1322.

377. Chowdhury, M. Smoothing wind power fluctuations by fuzzy logic pitch angle controller / M. Chowdhury, N. Hosseinzadeh, W. Shen // Renewable Energy. — 2012. — T. 38, № 1. — C. 224—233.

378. PSO-based MPPT control of wind-driven Self-Excited Induction Generator for pumping system / M. Zeddini [h gp.] // Renewable Energy. — 2016. — T. 95. — C. 162—177.

379. Proposed particle swarm optimization technique for the wind turbine control system / A. Iqbal [h gp.] // Measurement and Control. — 2020. — T. 53, № 5/6. — C. 1022—1030.

380. Fernandez-Gauna, B. Variable speed wind turbine controller adaptation by reinforcement learning / B. Fernandez-Gauna, U. Fernandez-Gamiz, M. Grana // Integrated Computer Aided Engineering. — 2016. — T. 24, № 1. — C. 1—13.

381. Performance enhancement of the artificial neural network-based reinforcement learning for wind turbine yaw control / A. Saenz-Aguirre [h gp.] // Wind Energy. — 2020. — T. 23, № 4. — C. 687—701.

382. Actor-critic continuous state reinforcement learning for wind-turbine control robust optimization / B. Fernandez-Gauna [h gp.] // Information Sciences. — 2022. — T. 591. — C. 365—380.

383. Sierra-Garcia, J. Wind turbine pitch reinforcement learning control improved by PID regulator and learning observer / J. Sierra-Garcia, M. Santos, R. Pandit // Engineering Applications of Artificial Intelligence. — 2022. — T. 111. — C. 104769.

384. Ning, S. A. A simple solution method for the blade element momentum equations with guaranteed convergence / S. A. Ning // Wind Energy. — 2013. — T. 17, № 98. — C. 1327—1345.

385. Brent, R. P. An algorithm with guaranteed convergence for finding a zero of a function / R. P. Brent // The Computer Journal. — 1971. — ^hb. — T. 14, № 4. — C. 422—425. — eprint: https://academic.oup.com/comjnl/article-pdf/14/4/422/927778/ 140422.pdf. — URL: https://doi.org/10.1093/comjnl/ 14.4.422.

386. Buh, M. L. A new empirical relationship between thrust coefficient and induction factor for the turbulent windmill state / M. L. Buh. — Golden, CO : NREL/TP-500-36834, National Renewable Energy Laboratory, 2005.