Streszczenie: W artykule przedstawiono zastosowanie sztucznej sieci neuronowej do optymalizacji rozpływów mocy w sieciach dystrybucyjnych. Przedstawiono strukturę i parametry zastosowanej sieci neuronowej oraz proces uczenia i testowania sieci neuronowej. Rezultaty uzyskiwane przez opracowaną sieć neuronową oceniono porównując je do rezultatów osiąganych przy użyciu metody "Primal dual interior point method" wykorzystywanej przez funkcje optymalizacyjne pakietu "Matpower". Obliczenia zrealizowano w środowisku obliczeniowym programu Matlab. Analizy obliczeniowe pokazały, iż zaprojektowana sieć neuronowa uzyskuje zbliżone wyniki jak klasyczne algorytmy optymalizacji.
Abstract: The article presents the use of a neural network to optimize power flows in distribution networks. The structure and parameters of the used neural network as well as the process of learning and testing the neural network are presented. The results of the neural network were compared to the results of the "Primal dual interior point method" used by the optimization functions of the "Matpower" package. The calculations were made in the Matlab program. Computational analyzes have shown that the designed neural network obtained similar results as classical optimization algorithms.
B I B L I O G R A F I A1. Grad L.: Przykład optymalizacji struktury sztucznej sieci neuronowej metodą algorytmów genetycznych. Biuletyn Instytutu Automatyki i Robotyki, 23/2006, s. 31 - 41.
2. Haidar AMA, Mohamed A, Hussain A.: Vulnerability assessment of power system using radial basis function neural network and a new feature extraction metod. American Journal of Applied Sciences. 2008, 5(6), pp. 705-713
3. Korbicz J.: Sztuczne sieci neuronowe i ich zastosowanie w elektrotechnice i energetyce. Przegląd Elektrotechniczny, ISSN 0033-2097, R. 85 NR 9/2009, s. 194 – 200.
4. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2000.
5. Patan K., Artificial Neural Networks for the Modelling and Fault Diagnosis of Technical Processes, Lecture Notes in Control and Information Sciences, Vol. 377, Springer-Verlag, Berlin (2008).
6. Piotrowski P.: Analiza zastosowań sztucznych sieci neuronowych do krótkoterminowego prognozowania mocy oraz produkcji energii elektrycznej w systemach fotowoltaicznych. Przegląd Elektrotechniczny, ISSN 0033-2097, R. 91 NR 8/2015, s. 162 – 165.
7. Siwek K. , Osowski S. , Szupiluk R. , Ensemble neural network approach for accurate load forecasting in a power system, International Journal of Applied Mathematics and Computer Science, 19 (2009), n. 2, 303-315.
8. Tadeusiewicz R.: O celowości zastosowania sieci neuronowych w problemach związanych z elektrotechniką. Przegląd Elektrotechniczny, ISSN 0033-2097, R. 85 NR 2/2009, s. 200 – 211.
9. Zimmerman R., Murillo-Sanchez C.: Matpower 6.0 User’s Manual, Power Systems Engineering Research Center December 16, 2016.
10. Zimmerman R., Murillo-Sanchez C.: Matpower Optimal Scheduling Tool MOST 1.0 User’s Manual Power Systems Engineering Research Center December 16, 2016. 
Pełny tekst 
YADDA/CEON