КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ С ПРИМЕНЕНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

SHORT-TERM PREDICTION OF ELECTRICAL LOAD USING ARTIFICIAL INTELLIGENCE

Nikita Dankev

student, Don State Technical University,

Russia, Rostov-on-Don

АННОТАЦИЯ

В статье рассмотрены основные теоретические положения искусственных нейронных сетей, раскрыты их некоторые свойства и особенности, методы обучения. Выполнена практическая реализация задачи краткосрочного прогнозирования, а также проведен сравнительный анализа влияния исходных данных на точность результата.

ABSTRACT

The article discusses the main theoretical provisions of artificial neural networks, reveals some of their properties and features, teaching methods. The practical implementation of the short-term forecasting task was carried out, as well as a comparative analysis of the influence of the initial data on the accuracy of the result.

Ключевые слова: прогнозирование, электрическая нагрузка, нейронные сети.

Keywords: forecasting, electrical load, neural networks.

Практическая реализация поставленной цели выполнена в программе STATISTICA NEURAL NETWORKS. В качестве исходных данных были использованы суточные графики показаний активной мощности, из которых были выбраны дневные максимумы использования электрической нагрузки. Прогноз осуществлялся на сутки вперед. Первоначальный период ретроспективы составляет два месяца.

Построение сети (после выбора входных переменных) включает в себя следующие шаги:

Определение начальной конфигурации сети (например, один промежуточный слой с количеством переменных в нем, равным полусумме числа входов и числа выходов наставник пакета ST Neural Networks предлагает такую конфигурацию по умолчанию).

Проведение нескольких экспериментов с различными конфигурациями, выделяя запоминая при этом оптимальную сеть. В программе ST Neural Networks предусмотрено автоматическое запоминание лучшей сети во время исследования. Для каждой конфигурации рекмендуется провести сразу несколько экспериментов.

В том случае, когда в эксперименте замечено недообучение (сеть не выдает результат требуемого качества), можно попробовать добавить дополнительные нейроны в промежуточный слой (слои). Если и это не приведет к результату, можно попробовать добавить новый промежуточный слой.

В случае переобучения сети (контрольная ошибка идет на увеличение), попробовать удалить несколько скрытых элементов (а возможно и слоев).

Многократное проведение экспериментов вручную довольно утомительно. С этой целью в пакет STATISTICA NEURAL NETWORKS входит специальный алгоритм автоматического поиска, выполняющий эксперименты с варьирующимся количеством числа скрытых элементов, для каждой пробной архитектуры сети выполняющий несколько прогонов обучения, отбирая при этом наилучшую сеть по показателю контрольной ошибки с поправкой на размер сети.

Для обучения многослойного персептрона в пакете STATISTICA NEURAL NETWORKS имеется пять различных алгоритмов обучения. Прогнозирование происходит с использованием следующих методов:

• Метод обратного распространения ошибки.
• Метод Левенберга-Маркара.
• Спуск по сопряженным градиентам.
• Метод быстрого распространения.
• «Дельта-дельта с чертой».

Список литературы:

1. Боровиков В.П. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных 2-е изд., перераб. и доп. — М.: Горячая линия - Телеком, 2008. — 392 с.
2. Родыгина С. В. Модели прогнозирования электрической нагрузки энергоемких предприятий = Electrical load forecasting models for industrial facilities with high power consumption / С. В. Родыгина, А. В. Родыгин, В. Я. Любченко // Энергобезопасность и энергосбережение. - 2017. - № 2. - С. 22-26.