Открыть Электронные книги
Категории
Открыть Аудиокниги
Категории
Открыть Журналы
Категории
Открыть Документы
Категории
УДК 621.311:519.8
153
Известия Томского политехнического университета. 2006. Т. 309. № 6
154
Технические науки
туры окружающей среды по энергообъединению в ошибки; функция создания сети Элмана; функция
целом за зимний период. Следует заметить, что создания «классической» многослойной нейрон-
входные параметры задавались интервально, то ной сети с обучением по методу обратного распро-
есть для каждого из них указывались минимальные странения ошибки [6]. Одновременно с этим рас-
и максимальные значения. Прогнозирование элек- сматривались различные функции активации: по-
трической нагрузки выполнялось отдельно для ра- лулинейная с насыщением; логистическая; сигмо-
бочих дней и отдельно для выходных дней. идальная (гиперболический тангенс). На основе
Регрессионная модель для прогнозирования минимума ошибки обучения, времени обучения и
электрической нагрузки в рабочие дни может быть минимальной ошибки прогнозирования была вы-
записана следующим образом брана наилучшая нейронная сеть, которая создана
Y 721, 2451 0,3609 X 1 0,3125 X 2
с помощью функции создания разновидности мно-
гослойной нейронной сети с обратным распро-
4,6847 X 3 0,1928 X 4 2,3710 X 5 1,7592 X , (1) странением ошибки и логистической функции ак-
где X1 и X2 – минимальное и максимальное значения тивации. Предложенная нейронная сеть является
вырабатываемой электроэнергии; X3 и X4 – мини- оптимальной для прогнозирования электрической
мальное и максимальное значения температуры нагрузки как в рабочие, так и в выходные дни.
окружающей среды; X5 и X6 – минимальное и макси-
мальное значения перетоков активной мощности.
Далее эта модель была протестирована на до-
полнительной выборке данных. По результатам те-
стирования найдены ошибки прогнозирования
данной моделью, которые графически представле-
ны на рис. 1. Здесь по оси абсцисс откладывается
точка опыта, то есть номер выборки из общей сово-
купности тестовых данных для рабочих дней. По
оси ординат откладываются значения ошибок для
каждого номера выборки. Средняя ошибка прог-
нозирования этой модели составляет 3,5 %.
Подобно модели для рабочих дней построена
регрессионная модель для прогнозирования элек-
трической нагрузки в выходные дни
Y 94,707 0,7462 X 1 0, 2194 X 2
3,0953 X 3 2, 4862 X 4 0,7044 X 5 0, 2270 X 6. (2)
В дальнейшем эта модель тестировалась на допол-
нительной выборке, характерной для выходных дней.
По результатам тестирования рассчитаны ошибки
прогнозирования электрической нагрузки созданной
регрессионной модели, рис. 1. Средняя ошибка прог-
нозирования электрической нагрузки регрессионной
моделью для выходных дней составляет 3 %.
Роль нейронной сети при решении задач прог-
нозирования состоит в предсказании будущей ре-
акции системы по ее предшествующему поведе-
нию. Обладая исходной информацией о значениях
переменной x в моменты времени, предшествую-
щие прогнозированию, нейронная сеть вырабаты- Рис. 1. Ошибка прогнозирования регрессионной модели
вает решение, каким будет наиболее вероятное для рабочих (вверху) и выходных (внизу) дней
значение прогнозируемого параметра в момент
времени t. Причем процесс прогнозирования, то Нейронная сеть для прогнозирования электри-
есть функционирования нейронной сети, происхо- ческой нагрузки в рабочие дни создана на основе
дит достаточно быстро. Решение задачи прогнози- исходных данных, характерных для этого типа
рования электрической нагрузки на основе ней- дней. Далее сеть тестировалась на дополнительной
ронных сетей реализуются с помощью пакета рас- выборке данных. На основе сравнения фактиче-
ширения Neural Networks Toolbox (Нейронные се- ских значений и значений на выходе нейронной
ти) системы MATLAB. При разработке нейронных сети, рассчитаны ошибки прогнозирования на-
сетей для прогнозирования нагрузки применялись грузки нейронной сети для рабочих дней, предста-
различные функции создания нейронных сетей: вленные на рис. 2. Средняя ошибка прогнозирова-
функция создания разновидности многослойной ния электрической нагрузки данной нейронной
нейронной сети с обратным распространением сетью составляет 2,9 %.
155
Известия Томского политехнического университета. 2006. Т. 309. № 6
Та же самая архитектура нейронной сети при- торой реализуется алгоритм Сугено. Это связано с
менена для прогнозирования электрической на- тем, что нечеткая нейронная сеть с алгоритмом Су-
грузки в выходные дни. Выборка исходной инфор- гено имеет меньшую ошибку обучения и ошибку
мации характерна для выходных дней. По результа- прогнозирования. Далее для прогнозирования
там тестирования на дополнительной выборке дан- электрической нагрузки, как в рабочие, так и в вы-
ных и сравнения фактических значений и значе- ходные дни разрабатывались нечеткие нейронные
ний на выходе нейронной сети, рассчитаны ошиб- сети с алгоритмом Сугено.
ки прогнозирования, рис. 2. Средняя ошибка прог- Нечеткая нейронная сеть для суточного прог-
нозирования электрической нагрузки этой ней- нозирования электрической нагрузки в рабочие
ронной сетью составляет 2,1 %. дни создана с применением данных, характерных
для рабочих дней. Структура такой сети предста-
влена на рис. 3.
156
Технические науки
нечеткой нейронной сети представлены на рис. 4. благодаря тому, что в нечетких нейронных сетях
Средняя ошибка прогнозирования электрической объединены основные свойства нейронных сетей и
нагрузки созданной нечеткой нейронной сети для систем нечеткого вывода. Таким образом, можно
выходных дней составляет 1,5 %. сказать, что проверка построенной модели нечет-
кой нейронной сети показывает достаточно высо-
кую степень ее адекватности реальным исходным
данным, что позволяет сделать вывод о возможно-
сти ее практического использования для прогнози-
рования электрической нагрузки.
157
Известия Томского политехнического университета. 2006. Т. 309. № 6
данных подходов основывалось на решении задачи ходных дней. Для нейронной сети средняя ошибка
суточного прогнозирования величины электриче- прогнозирования составила 2,9 % – рабочие дни и
ской нагрузки (отдельно для рабочих и выходных 2,1 % – выходные дни.
дней). В итоге выявлено, что метод, основанный на Таким образом, полученные результаты говорят
нечеткой нейронной сети, является наилучшим с о применимости методов искусственного интел-
точки зрения точности прогнозирования. Средняя лекта (нечеткие нейронные сети) для прогнозиро-
ошибка прогнозирования этого метода для рабочих вания электрической нагрузки. Поэтому дальней-
дней составила 2,5 %, а для выходных дней – 1,5 %. шие исследования нечетких нейронных сетей яв-
Наибольшей ошибкой прогнозирования среди ляются необходимыми и могут быть связаны с бо-
сравниваемых методов обладает регрессионный лее точной и тонкой настройкой структуры сети,
анализ, – 3,5 % для рабочих дней и 3,0 % для вы- изменением числа входных переменных.
СПИСОК ЛИТЕРАТУРЫ 4. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и ис-
1. Автоматизация диспетчерского управления в электроэнерге- кусственные нейронные сети. – М.: Изд-во физ.-мат. лит-ры,
тике / Под общей ред. Ю.Н. Руденко и В.А. Семенова. – М.: 2001. – 224 с.
Изд-во МЭИ, 2000. – 648 c. 5. Круглов В.В., Борисов В.В. Гибридные нейронные сети. –
2. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирова- Смоленск: Русич, 2001. – 224 с.
ния электрической нагрузки: Пер. с англ. – М.: Энергоатомиз- 6. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6 /
дат, 1987. – 200 c. Под общ. ред. к.т.н. В.Г. Потемкина. – М.: ДИАЛОГ-МИФИ,
3. Осовский С. Нейронные сети для обработки информации. – 2002. – 496 с.
М.: Финансы и статистика, 2002. – 344 с. 7. Леоненков А.В. Нечеткое моделирование в среде MATLAB и
fuzzy TECH. – СПб.: БХВ-Петербург, 2003. – 736 с.
УДК 681.3.06