Digitalization of the energy sector leads to an increase in the volume and rate of data collec-tion. A primary barrier to the proper management of the technological data is the lack of data labeling corresponding to emergency modes, power equipment technical state, etc. Thus, despite the large amount of data, there is a shortage of labeled data suitable for training, validating and testing the machine learning models. Labeling by an expert takes too much time, so there is an actual task to automatically identify data fragments that are potentially of interest. The aim of the work is to develop an algorithm for prioritizing the fragments of the time series using the compact recurrent autoencoder. To achieve the goal, a neural network architecture was developed based on recurrent encoding and decoding cells, ca-pable of unsupervised learning. The model was tested on two data sets: a synthetic sinusoidal signal with missing values and electric current measurements with thermal limit deviations. The substantial results of the work are the compact architecture of the autocoding model and the high interpretability of the output. The most significant achievements of the study are both the autocoding neural network model, which does not require initial assumption about the type of deviations, and the proposed algo-rithm for prioritizing the data fragments. The significance of the results is prooved by the reduction of the time for analyzing and labeling large data arrays with technological parameters of the electrical networks, which allows using these data for training, validating and testing.

Digitalizarea complexului de combustibil și energie duce la creșterea volumului de date colectate de la instalațiile de energie electrică și a vitezei de acumulare a acestora, dar un obstacol în calea utilizării datelor mari care conțin măsurători de putere, curent și tensiune este lipsa marcajului în datele care conțin informații despre modurile de funcționare de urgență, starea tehnică a echipamentului, anomalii. Scopul lucrării este de a elabora o metodă pentru îmbunătățirea eficienței marcajului seriilor de timp în problemele industriei energetice prin prioritizarea fragmentelor de serii temporale folosind modelul propus de autoencoder compact recurent. Pentru a atinge scopul, a fost elaborată o arhitectură de rețea neuronală bazată pe celule de codificare și decodare recurente, capabile să învețe fără profesor (fără date marcate) și testată pe două seturi de date: un semnal sinusoidal sintetic cu valori lipsă și măsurători curente în o secțiune a unei rețele electrice, care conține valori de exces de curent pe termen scurt. Deosebirea lucrării este arhitectura simplificată a modelului de autocodare recurentă și interpretabilitatea ridicată a valorilor de ieșire rezultate. Cele mai semnificative rezultate sunt modelul unei rețele neuronale cu autocodare pentru detectarea automată a abaterilor în serii de timp fără a se forma o ipoteză inițială despre tipul abaterilor, algoritmul propus pentru utilizarea modelului pentru prioritizarea analizei și etichetării fragmentelor de serie de timp în probleme. a industriei energiei electrice. Semnificația rezultatelor constă în faptul că metoda propusă face posibilă reducerea semnificativă a timpului de analiză și marcarea rețelelor mari de serii temporale care conțin date digitale ale parametrilor de funcționare ai rețelelor electrice.

Цифровизация топливно-энергетического комплекса приводит к увеличению объема собира-емых с объектов электроэнергетики цифровых данных и скорости их накопления, но препятствием для использования больших данных, содержащих измерения мощности, тока и напряжения, является отсут-ствие в данных разметки, содержащих сведения об аварийных режимах работы, техническом состоянии оборудования, аномалиях. Таким образом, несмотря на большой объем данных, сохраняется дефицит раз-меченных данных, пригодных для обучения, валидации и тестирования моделей на базе машинного обу-чения. Разметка таких объемов данных экспертом занимает слишком много времени, поэтому актуальной задачей является автоматическая идентификация в данных фрагментов, которые потенциально представ-ляют наибольший интерес. Целью работы является разработка метода приоритезации фрагментов времен-ных рядов с помощью предложенной модели компактного рекуррентного автокодировщика для автомати-зации их анализа и разметки данных на объектах электроэнергетики. Для достижения цели была разрабо-тана архитектура нейронной сети на базе рекуррентных ячеек кодирования и декодирования, способная обучаться без учителя, и апробирована на двух наборах данных: синтетическом синусоидальном сигнале с пропущенными значениями и измерениях тока на участке электрической сети, содержащих кратковре-менные превышения значений тока. Отличием работы является компактная архитектура рекуррентной ав-токодирующей модели и высокая интерпретируемость получаемых выходных значений. Наиболее суще-ственными результатами являются модель автокодирующей нейронной сети для автоматического выявле-ния отклонений во временных рядах без формирования изначального предположения о виде отклонений и предложенный алгоритм использования разработанной модели для приоритезации анализа и разметки фрагментов временных рядов в задачах электроэнергетики. Значимость результатов заключается в том, что предложенный метод позволяет существенно сократить время на анализ и разметку больших массивов временных рядов, содержащих данные режимных параметров электрических сетей, что позволит исполь-зовать эти данные для обучения, валидации и тестирования моделей