18 декабря 2016г.
Задача планирования потребления электроэнергии всегда была важна для учета затрат на энергопотребление. Активное развитие промышленности ведет к значительному росту потребления энергетических ресурсов. Одновременно просматривается тенденция возникновения дефицита энергоресурсов. В связи с этим возникает острая необходимость рационального использования энергоресурсов в промышленности как крупнейшем потребителе. Решить данную проблему возможно составлением прогноза энергопотребления и дальнейшей оптимизацией расхода ресурсов. Оптимизация расхода электроэнергии несет ряд важнейших преимуществ для предприятия в виде экономической выгоды.
Важнейшая особенность нейронной сети, свидетельствующая о ее широких возможностях и огромном потенциале, состоит в параллельной обработке информации всеми звеньями, что позволяет значительно ускорить процесс обработки информации. Кроме того, при большом числе межнейронных соединений сеть приобретает устойчивость к ошибкам, возникающим на некоторых линиях [1].
Управление различными объектами, в частности с использованием тех же нейронных сетей, должно строиться на полной информации об объекте управления, но в ряде случаев эта информация недоступна вследствие различных причин, например, выхода из строя приборов телеметрии, либо требуется спрогнозировать поведение объекта в будущем, для этого решается задача прогнозирования.
Целью прогнозирования является предсказание значение y(tn+1) по заданным n точкам {y(t1), y(t2), …, y(tn)} в последовательные моменты времени t1, t2, … ,tn в некоторый будущий момент времени tn+1 для уменьшения риска при принятии решений.
Проблема обнаружения и восстановления пропущенных числовых данных сопутствует многим практическим задачам. Существует множество причин возникновения пропусков в обрабатываемых данных, среди которых можно назвать выход из строя регистрирующей аппаратуры, плохие условия наблюдений, различные правила формирования данных в разные периоды времени, наконец, просто потеря части данных. Чаще всего эта задача возникает при обработке одномерных процессов, заданных строкой данных, и при обработке двумерных процессов, представляющих, например, изображения фрагментов местности, заданных в виде таблицы данных. К таким задачам относят, в первую очередь, задачи обработки метрологических наблюдений и спутниковой съемки местности. Эти задачи возникают также при обработке данных в геофизике, в жидкостной хроматографии – масс-спектрометрии, в социологических и экономических системах, при обработке двумерных изображений различных сцен и других данных.
Наиболее существенными отличиями НС СМАС от других нейронных сетей являются следующие:
– аргументы запоминаемой и воспроизводимой функций принимают только дискретные значения;
– нелинейное преобразование аргументов функции происходит неявно с помощью алгоритма вычисления адресов ячеек ассоциативной памяти, в которых хранятся числа, определяющие значение функции.
Натренированная нейронная сеть СМАС способна предсказывать значения функции, которые ей не были представлены при обучении. Для этого необходимо на вход сети подать вектор аргументов запрашиваемого значения функции, нейронная сеть по данному вектору вычислит адреса активных ячеек обученной памяти, сумма содержимого которых и будет значением предсказываемой функции.
В качестве тестовой задачи используется система с показаниями одного прибора учета потребления электроэнергии. Постановка задачи в такой форме сделана не случайно, т.к. показания прибора учета расхода электроэнергии включают множество трудно предсказуемых вероятностных факторов.
График показаний прибора учета выглядит следующим образом:
Данные, используемые в обучающей выборке должны быть репрезентативными и непротиворечивыми, т.е. данные должны иллюстрировать истинное положение вещей в предметной области. Противоречивые данные в обучающей выборке приведут к
Пример результирующих нейронных сетей, наибольшим образом подходящие для решения нашей задачи представлены в таблице:
|
Структура сети
|
Ошибка обучения
|
Ошибка тестовых значений
|
Ошибка валидации
|
Алгоритм обучения
|
Функция в скрытом слое
|
Функция активации
|
|
MLP 105-8-1
|
0,981425
|
0,756989
|
0,823210
|
BFGS 19
|
Tanh
|
Exponential
|
|
MLP 105-8-1
|
0,993238
|
0,743738
|
0,834802
|
BFGS 24
|
Tanh
|
Logistic
|
Полученные результаты позволяют утверждать, что выбранный подход может быть использован в дальнейшей работе для применения в реальных производственных задачах.
Список литературы
1.
Солдатова О.П., Семенов В.В. «Применение нейронных сетей для решения задач прогнозирования»; Самарский государственный аэрокосмический университет имени академика С.П. Королева (СГАУ)
2.
Васнев С.А. Статистика: учебное пособие. М.: МГУП, 2001. 170 с.
3.
Мищенко В.А., Коробкин А.А. Использование генетических алгоритмов в обучении нейронных сетей [Электронный ресурс] // Современные проблемы науки и образования. 2011. № 6 – URL: http://www.science-education.ru/ru/article/view?id=5138 (дата обращения: 19.09.2016).
4.
Панченко Т.В. Генетические алгоритмы: учебно-методическое пособие / Под ред. Ю.Ю. Тарасевича. Астрахань: ИД «Астраханский университет», 2007. 87 с.
5.
Махотило К.В. Разработка методик эволюционного синтеза нейросетевых компонентов
систем управления: дис. канд. техн. Наук. – Харьков, 1998. 179 с.
6.
Буянкин В.М. Синтез нейрорегуляторов для сложных технологических установок с применением бинарных нечетких отношений // Исследования наукограда. 2013. № 1. С. 33-41.
