| Title: | Machine learning methods used for prognosing failures in hybrid electricity supply sources of telecommunication infrastructure |
| Other Titles: | Методы машинного обучения, используемые для прогнозирования отказов в гибридных источниках электроснабжения телекоммуникационной инфраструктуры |
| Authors: | Muradov, M. |
| Keywords: | материалы конференций;hybrid power supply;LSTM;machine learning |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Muradov, M. Machine learning methods used for prognosing failures in hybrid electricity supply sources of telecommunication infrastructure = Методы машинного обучения, используемые для прогнозирования отказов в гибридных источниках электроснабжения телекоммуникационной инфраструктуры / M. Muradov // Компьютерное проектирование в электронике = Electronic Design Automation : сборник научных трудов Международной научно-практической конференции, Минск, 23 октября 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. Р. Стемпицкий [и др.]. – Минск, 2026. – С. 288–291. |
| Abstract: | The continuity of hybrid power supply systems for base stations (solar panel, battery, supercapacitor,
diesel generator, power grid) depends on predicting failures in advance. This article systematizes fault types
by components, input tokens, and applied machine learning methods (RF, SVM, XGBoost, LSTM/BiLSTM,
physics-based neural networks) and compares their advantages and limitations. A three-level architecture and
evaluation criteria were proposed, consisting of the edge, cloud, and digital twin. The main obstacle is the lack
and disproportion of fault data; the most promising direction is the combination of physical and data-driven
approaches. |
| Alternative abstract: | Непрерывность работы гибридных систем электроснабжения базовых станций
(фотоэлектрические панели, аккумулятор, суперконденсатор, дизельный генератор, электросеть)
зависит от заблаговременного прогнозирования отказов. В данной статье систематизируются типы
неисправностей по компонентам, входные данные и применяемые методы машинного обучения (RF,
SVM, XGBoost, LSTM/BiLSTM, физически обоснованные нейронные сети), а также сравниваются их
преимущества и ограничения. Предложена трехуровневая архитектура и критерии оценки, состоящие
из периферийного уровня, облака и цифрового двойника. Основным препятствием является
недостаток и диспропорция данных об отказах; наиболее перспективным направлением является
сочетание физических и данных-ориентированных подходов. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/66183 |
| Appears in Collections: | Компьютерное проектирование в электронике (2026)
|
