Цифровизация топливно-энергетического комплекса приводит к увеличению объема собираемых с объектов электроэнергетики цифровых данных и скорости их накопления, но препятствием для использования больших данных, содержащих измерения мощности, тока и напряжения, является отсутствие в данных разметки, содержащих сведения об аварийных режимах работы, техническом состоянии оборудования, аномалиях. Таким образом, несмотря на большой объем данных, сохраняется дефицит размеченных данных, пригодных для обучения, валидации и тестирования моделей на базе машинного обучения. Разметка таких объемов данных экспертом занимает слишком много времени, поэтому актуальной задачей является автоматическая идентификация в данных фрагментов, которые потенциально представляют наибольший интерес. Целью работы является разработка метода приоритезации фрагментов временных рядов с помощью предложенной модели компактного рекуррентного автокодировщика для автоматизации их анализа и разметки данных на объектах электроэнергетики. Для достижения цели была разработана 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 кратковременные превышения значений тока. Отличием работы является компактная архитектура рекуррентной автокодирующей модели и высокая интерпретируемость получаемых выходных значений. Наиболее существенными результатами являются модель автокодирующей нейронной сети для автоматического выявления 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 использовать эти данные для обучения, валидации и тестирования моделей.
