Рассмотрен алгоритм расчета низковольтной трехфазной электрической сети
методом узловых потенциалов в матричной форме. Алгоритм реализован в программе
Mathcad для простейшей схемы. Решение системы уравнений выполнено методом
обратной матрицы. Полученный алгоритм может быть использован для разработки
программного обеспечения по расчету несимметричных трехфазных электрических сетей.

АКТУАЛЬНОСТЬ. Значимость внедрения передовых технологий, таких как Интернет вещей (IoT), машинное обучение и искусственный интеллект, в современных условиях повышения требований к надежности и эффективности систем ресурсоснабжения становится всё более очевидной. Способность этих технологий к сбору, обработке и анализу данных в реальном времени открывает новые перспективы для оптимизации работы и предотвращения аварий.

ЦЕЛЬ. Исследование направлено на анализ современных методов и технологий искусственного интеллекта и машинного обучения, применяемых в технических системах, с акцентом на возможности IoT для создания эффективной информационной системы. Эта система предназначена для дальнейшего использования в разработке и обучении моделей, способных к прогнозированию аварий и оптимизации распределения ресурсов.

МЕТОДЫ. В рамках работы был проведен глубокий анализ литературных источников, посвященных применению сверточных и рекуррентных нейронных сетей, алгоритмов градиентного бустинга, моделей многослойного персептрона, методов опорных векторов и K-ближайших соседей в контексте систем водоснабжения. Особое внимание уделялось изучению интеграции технологий IoT для сбора данных, передаваемых через датчики посредством сетей LoRaWAN и базовых станций операторов сотовой связи.

РЕЗУЛЬТАТЫ. В результате исследования было подтверждено, что использование передовых методов искусственного интеллекта в сочетании с технологиями Интернета вещей значительно повышает точность прогнозирования аварий и эффективность управления системами водоснабжения. В статье определена важность создания надежной информационной системы, способной собирать и анализировать большие объемы данных в реальном времени, что является критическим фактором для успешного применения прогностических моделей.

ЗАКЛЮЧЕНИЕ. Исследование подчеркивает значительный потенциал интеграции методов машинного обучения в IoT-инфраструктуру водоснабжения. В статье демонстрируется, что выбор подходящих методов сбора и передачи данных, включая протокол MQTT, играет ключевую роль в создании эффективной информационной базы для обучения моделей. Результаты исследования предоставляют ценную основу для разработки будущих инновационных решений в области управления ресурсами водоснабжения.

RELEVANCE. The importance of introducing advanced technologies, such as the Internet of Things (IoT), machine learning and artificial intelligence, in modern conditions of increasing requirements for the reliability and efficiency of resource supply systems is becoming increasingly obvious. The ability of these technologies to collect, process and analyze data in real time opens up new prospects for optimizing operations and preventing accidents.
PURPOSE. The study is aimed at analyzing modern methods and technologies of artificial intelligence and machine learning used in technical systems, with an emphasis on the capabilities of IoT for creating an effective information system. This system is intended for further use in the development and training of models capable of predicting accidents and optimizing resource allocation.
METHODS. As part of the work, an in-depth analysis of literature sources was carried out on the use of convolutional and recurrent neural networks, gradient boosting algorithms, multilayer perceptron models, support vector machines and K-nearest neighbors in the context of water supply systems. Particular attention was paid to studying the integration of IoT technologies for collecting data transmitted through sensors via LoRaWAN and existing cellular networks.
RESULTS. The study confirmed that the use of advanced artificial intelligence methods in combination with Internet of Things technologies significantly improves the accuracy of accident prediction and the efficiency of water supply system management. The article identifies the importance of creating a reliable information system capable of collecting and analyzing large volumes of data in real time, which is a critical factor for the successful application of predictive models. CONCLUSION The study highlights the significant potential of integrating machine learning techniques into IoT water infrastructure. The article demonstrates that choosing appropriate data collection and transmission methods, including the MQTT protocol, plays a key role in creating an effective information base for training models. The results of the study provide a valuable basis for the development of future innovative solutions in the field of water resource management.