Нейромережеві засоби прогнозування споживання енергоресурсів

  • D. М. Karpa Національний університет "Львівська політехніка", м. Львів
  • I. H. Tsmots Національний університет "Львівська політехніка", м. Львів
  • Yu. V. Opotiak Національний університет "Львівська політехніка", м. Львів
Ключові слова: нейронна мережа; машинне навчання; багатошаровий персептрон; статистичні дані; нормалізація даних; прогнозування; виявлення аномалій

Анотація

Досліджено та обґрунтовано вибір нейромережевих структур для оброблення статистичних даних з метою прогнозування та виявлення аномальних показників споживання енергоресурсів. Показано, що системам на основі нейронних мереж завжди протиставлялись експертні системи, які, на відміну від перших, очевидно програмувались. Середовище, в якому працює система, не завжди є статичним і потрібні методи опрацювання даних, які могли б адекватно реагувати на зміну середовища та вміти відповідно адаптувати отримувані результати. Нейронні мережі володіють такою особливістю, як вміння навчатись. Ця особливість і є основним аргументом для застосування таких структур у системах управління енергоефективністю. Розроблена архітектура мережі та застосований процес навчання дав змогу прогнозувати показники спожитої електроенергії з урахуванням багатьох параметрів. Особливістю розробленої архітектури є можливість здійснювати перенавчання у процесі функціонування, не перериваючи його. Використання адаптивного та безперервного навчання нейромережі дасть змогу виявляти аномальні показники даних. Точність такого виявлення було перевірено на реальній вибірці даних. Аналіз отриманих результатів показує, що використання нейронних мереж хоч і потребує швидкодії і часу на навчання, проте, під час класифікації вхідного вектора, швидкодія нейронної мережі перевищує будь-який алгоритм кластеризації.

Біографії авторів

D. М. Karpa, Національний університет "Львівська політехніка", м. Львів

аспірант, кафедра АСУ

I. H. Tsmots, Національний університет "Львівська політехніка", м. Львів

д-р техн. наук, професор, завідувач кафедри автоматизованих систем управління

Yu. V. Opotiak, Національний університет "Львівська політехніка", м. Львів

канд. техн. наук, ст. наук. співробітник, кафедра АСУ

Посилання

Adams, T. (2017). Training an artificial neural network. Retrieved from: https://www.solver.com/training-artificial-neural-networkintro.
Christopher, M. Bishop. (2005). Neural Networks for Pattern Recognition (Advanced Texts in Econometrics (Paperback)), Clarendon Press, 205–215 pp.
Galushkin, A. I. (2000). Teoriia neironnykh setei. Moscow: IPRZhR. 415 p. [In Russian].
Goodfellow, I. (2016). Deep Learning (Adaptive Computation and Machine Learning series), 230–245, MA: MIT Press.
Khaikin, S. (2006). Neironnie seti. Polnui kyrs. Moscow: Williams. 1104 p. [In Russian].
Kruglov, V. V., & Borisov, V. V. (2001). Iskusstvennye neironnye seti: teoriia i praktika. Moscow: Goriachaia liniia-Telekom. 382 p. [In Russian].
Pukach, A. I., Teslyuk, V. M., Tkachenko, R. O., & Ivantsiv, R.-A. D. (2011). "Implementation of neural networks for fuzzy and semistructured data," in Proceedings of 11-th International Conference on The Experience of Designing and Application of CAD Systems in Microelectronics, CADSM, Lviv – Polyana, Ukraine, 350–352.
Shankar, R. (2016). Neural Networks. MA: MIT Press. 124–132 pp.
Опубліковано
2018-05-31
Як цитувати
KarpaD. М., Tsmots, I. H., & Opotiak, Y. V. (2018). Нейромережеві засоби прогнозування споживання енергоресурсів. Науковий вісник НЛТУ України, 28(5), 140-146. https://doi.org/10.15421/40280529
Розділ
Інформаційні технології