02 сентября 2017г.
Прогнозирование и планирование потребления энергоресурсов является важной задачей, поскольку является базовым элементом для снижения затрат на энергоресурсы. 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.
Любой процесс изменения потребления энергоресурсов является результатом потреблен6ия электроэнергии, воды, газа, тепловой энергии системами инженерной и технической инфраструктуры и представляет собой временной ряд показаний приборов учета потребления энергоресурсов.
Ранее в [1] мы рассматривали применение искусственной нейронной сети в задаче прогнозирования и рационального использования энергоресурсов предприятия на базе нейросетевого моделирования. В текущей работе будет рассмотрено продолжение научной работы, и речь пойдет о возможности применения рекуррентных нейронных сетей для решения задачи прогнозирования потребления энергоресурсов.
К одному из сложных видов искусственных нейронных сетей (ИНС) относятся рекуррентные, в которых имеются обратные связи. В первых рекуррентных ИНС главной идеей было обучение своему выходному сигналу на предыдущем шаге. Рекуррентные сети реализуют нелинейные модели, которые могут быть применены для оптимального управления процессами, изменяющимися во времени, то есть обратные связи позволяют обеспечить адаптивное запоминание прошлых временных событий [3].
В качестве примера рекуррентный сети будем использовать сеть Элмана. Пример архитектуры сети Элмана показан на рис. 1. Выходы скрытого слоя {c1, c2, … , ck)}подаются с временной задержкой на входные нейроны с весовыми коэффициентам {wij}-1, где i – индекс нейрона, на который подается сигнал (i= 1,2,…,n), j – индекс выходного сигнала нейрона скрытого слоя (j = 1,2…,k) [3]. При m=0 нейронная сеть Элмана будет соответствовать структуре нейронной сети типа MLP – многослойный персептрон.
В силу того, что вход-выходные данные содержат большое количество неопределенностей, это сильно влияет на результат прогнозирования. В [2] мы рассматривали один из способов снижения степени ошибки, путем подготовки входных данным и кодирования сигнала на входе нейронной сети. Использование рекуррентной сети Элмана позволяет решать задачу прогнозирования даже при наличии неопределенностей. Сеть Элмана,
благодаря фиксированной обратной связи, хранит значение выхода искусственной нейронной сети за предыдущий шаг. Таким образом, неопределенность содержащаяся во временном ряде постепенно нивелируется, а вместе с ней нивелируется и ошибка, в результате чего точность прогноза увеличивается.
Рассмотрим алгоритм работы при использовании рекуррентной нейронной сети для решения задачи прогнозирования потребления энергоресурсов:
1.
На первом шаге решается задача сбора и подготовка вход-выходных данных на основе показаний приборов учета энергоресурсов.
2.
На втором шаге проходит процесс нормализации вход-выходных данных. Предложенный Лила В.Б. и Пучковым Е.В. метод обучения рекуррентной нейронной сети в своей работе «Методология обучения рекуррентной искусственной нейронной сети с динамической стековой памятью» [3] позволяет свести процесс обучения рекуррентной сети к процессу обучения нейронной сети вида «многослойный
персептрон»,
что значительно
упрощает
дальнейшую работу с искусственной нейронной сетью.
3.
На третьем шаге определяется начальная структура нейронной сети, которая далее будет оптимизирована по структуре и параметрам. Применение генетического алгоритма для настройки весовых коэффициентов позволяет рассмотреть более широкое пространства поиска решения оптимальной структуры нейронной сети.
4.
На четвертом шаге мы получаем готовую нейронную сеть, обученную по подготовленным на 2-ом шаге вход-выходным данным. Нейронная сеть опробируется на тестовой выборке и вычисляется отклонение. 3 и 4 шаги повторяются до тех пор, пока отклонение не окажется ниже требуемого значения.
5.
Вычисляется прогнозируемое значение на один шаг вперед.
Рассмотрев некоторые аспекты и зарубежные опыт практического применения рекуррентной нейронной сети можно сделать выводы, что применение рекуррентной нейронной в задачах прогнозирования позволяет получать более точные результаты, учитывать неопределенность и неполноту вход-выходных данных.
Список литературы
1.
Широков П.С., Алексеев А.Ф., Нагавкин С.В «ПРОГНОЗИРОВАНИЕ И РАЦИОНАЛЬНОЕ ИСПОЛЬЗОВАНИЕ ЭНЕРГОРЕСУРСОВ ПРЕДПРИЯТИЯ НА БАЗЕ НЕЙРОСЕТЕВОГО
МОДЕЛИРОВАНИЯ»; //Сборник
научных трудов по итогам
III международной научно-практической конференции «Развитие технических наук
в современном
мире» - г.Воронеж, 2016г. – 128c.
2.
Широков П.С., Дегтярев А.Г. «Применение нейросетевого моделирования для решения задач прогнозирования и рационального использования энергоресурсов с автоматической подстройкой функций принадлежности и параметров нейронной сети» // Сборник научных трудов XI международной Чатаевской конференции «Аналитическая механика, устойчивость и управление», г.Казань, 2017г.
3.
Лила В.Б., Пучков Е.В. «Методология обучения рекуррентной искусственной нейронной сети с динамической стековой памятью» Международный журнал "Программные продукты и системы", Тверь, №4, 2014 г.
4.
Бодянский Е.В., Руденко О.Г. Искусственные нейронные сети: архитектуры, обучение, применения. – Харьков: ТЕЛЕТЕХ, 2004. – 369 с.
5.
J. L Elman. Finding structure in time. Cognitive Science, 14(2): 179-211, 1990.
6.
S. Haykin. NeuralNetworks, a Comprehensive Foundation. Prentice Hall, 1999.
7.
Haykin S.: Neural Networks and Learning Machines, 3rd Edition, Prentice Hall, 2008.
8.
Hans-Georg Zimmermann, Christoph Tietz, Ralph Grothmann Forecasting with Recurrent Neural Networks: 12 Tricks Siemens AG, Corporate Technology Otto-Hahn-Ring 6, D-81739 Munich, Germany
9.
ROESSLER, F.; TEICH, T. & FRANKE, S. NEURAL NETWORKS FOR SMART HOMES AND ENERGY EFFICIENCY DAAAM INTERNATIONAL SCIENTIFIC BOOK 2012 pp. 305-314 CHAPTER 26
10.
ROESSLER, F.; TEICH, T. &
FRANKE, S. NEURAL NETWORKS FOR SMART HOMES AND ENERGY EFFICIENCY DAAAM INTERNATIONAL SCIENTIFIC BOOK 2012 pp. 305-314 CHAPTER 26
