WWW.KNIGI.KONFLIB.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

 
<< HOME
Научная библиотека
CONTACTS

Pages:     | 1 |   ...   | 8 | 9 || 11 | 12 |   ...   | 13 |

«УДК 621.311 Закарюкин В.П., Крюков А.В., Раевский Н.В., Яковлев Д.А. МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ ПРОЦЕССОВ ЭЛЕКТРОПОТРЕБЛЕНИЯ НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ Под ред. ...»

-- [ Страница 10 ] --

Оценим практическое применение данного варианта при решении следующей задачи. На основании имеющихся статистических данных необходимо путем использования НС выявить роль факторов, оказывающих влияние на электропотребление тяговых подстанций. Требуется произвести выбор НС для прогнозирования годового электропотребления, произведя декомпозицию задачи по следующим уровням (рис. 4.4):

тяговая подстанция (ЭЧЭ) дорога;

дистанция электроснабжения (ЭЧ)дорога;

отделение дороги (НОД)дорога;

энергоснабжающая организация (ЭСО) дорога.

Рис. 4.4. Представление исходной информации о потреблении активной электроэнергии Использовались следующие типы сетей:

• MLP – многослойный персептрон;

• Linear – линейная сеть.

Ниже в таблицах 4.1..4.4 представлены лучшие сети для каждого уровня прогнозирования. Диаграммы, иллюстрирующие точность прогнозирования, показаны на рис. 4.5..4.7. Полученные значения коэффициентов корреляции показывает высокую степень связи действительного значения электропотребления и полученного с помощью НС.

Данные по структуре НС при прогнозировании ЭП на уровне ЭСОдорога Данные по структуре НС при прогнозировании ЭП на уровне НОДдорога 2 Linear 2 - Активизированные исходные данные НОД1; НОД Данные по структуре НС при прогнозировании ЭП на уровне ЭЧдорога 5 Linear 6 - Активизированные исходные данные ЭЧ 2,4,5,7,9, Данные по структуре НС при прогнозировании ЭП на уровне ЭЧЭдорога Рис. 4.5. Истинные значения электропотребления и построенные НС (сеть Linear). Уровень ЭСОдорога. Коэффициент корреляции для выходных переменных 0, Рис. 4.6. Истинные значения электропотребления и построенные НС (сеть MLP). Уровень НОДдорога. Коэффициент корреляции для выходных переменных 0, Рис. 4.7. Истинные значения электропотребления и построенные НС (НС Linear). Уровень ЭЧдорога. Коэффициент корреляции для выходных переменных 1. Рис. 4.8. Истинные значения электропотребления и построенные НС (сеть MLP). Уровень ЭЧЭдорога. Коэффициент корреляции для выходных переменных 0, Таким образом, представленные выше способы подбора числа факторов, оказывающих существенное влияние при определении годового потребления электроэнергии тяговыми подстанциями, приведенные в табл.

4.2... 4.4, позволяют формировать рациональную обучающую выборку.

Рис. 4.9. Многослойный персептрон при прогнозировании по уровню НОД При построении прогноза по уровню «НОДдорога» нейронная сеть (рис. 4.9) оптимально сочетает в себе быстродействие и высокую аппроксимирующую способность, но использование только показаний по расходу электроэнергии может привести к созданию неполной картины процесса.

Поэтому необходимо рассмотреть пути более адекватной оценки анализируемого процесса, используя данные смежных служб железнодорожной магистрали.

4.3. Формирование обучающей выборки при прогнозировании электропотребления на тягу поездов При исследовании поведения сложных систем нейросетевые технологии позволяют реализовать качественно новый подход – нейросетевое имитационное моделирование. Имитационный подход строго не формализован, тем не менее, просматриваются два основных этапа имитационного моделирования:

• изучение свойств моделируемой системы и ее реакций на изменение исходных параметров;

• поиск оптимальных решений для систем с изученными свойствами в заданном сочетании исходных параметров.

Если рассматривать первый этап имитационного моделирования с точки зрения применимости нейронных сетей, то следует отметить, что свойства любой моделируемой системы характеризуются наличием достаточно большого числа характеристик и параметров. Известно, что нейронная сеть обладает высокими аппроксимирующими способностями и потенциальными возможностями анализа. Поэтому в данном разделе представлены алгоритмы изучения свойств моделируемой системы посредством использования нейронной сети.

Для реализации второго этапа имитационного моделирования необходимо, чтобы нейронная сеть обладала возможностями нахождения оптимального решения; такие возможности подтверждаются работой [78].

Условия, при которых рекомендуется применять имитационное моделирование, следующие:

• не существует законченной математической постановки задачи либо отсутствуют аналитические методы ее решения;

• аналитические модели имеются, но процедуры их применения столь сложны и трудоемки, что имитационное моделирование дает более простой способ решения задачи;

• аналитические решения существуют, но их реализация невозможна вследствие недостаточной подготовки имеющегося персонала.

Имитационное нейросетевое моделирование должно включать в себя два основных процесса: первый — конструирование модели реальной системы, второй — постановка экспериментов на этой модели. При этом могут преследоваться следующие цели:

• изучение поведения исследуемой системы;

• выбор стратегии, обеспечивающей наиболее эффективное функционирование исследуемой системы.

Для построения нейросетевой имитационной модели можно опираться на традиционный подход, касающийся структуры модели и её функциональных особенностей. При формировании нейросетевой модели необходимо учесть её способности к правильному отражению закономерностей целевыми функциями и системой параметров. Имитационная нейросетевая модель, способная имитировать поведение объекта исследования, будет представлять «чёрный ящик» по рис. 4.10, где U, X и Y – соответственно множества управляющих, независимых и выходных параметров. Модель представляет собой функцию отклика НС, а «физические» законы процесса «движения» исследуемого объекта, представляемые значениями синоптических связей – суть «черного ящика». Управляющие воздействия в нейросетевой модели доступны изменению на входе сети в процессе имитации поведения объекта и будут оказывать влияние на отклик НС.



Рис. 4.10. Нейросетевая имитационная модель Те из величин, которые не зависят от поведения объекта, принимаются за независимые переменные хi, где i = 1,..., n, xiX; величины, которые тем или иным образом доступны для управления, считаются управляющими переменными uk, k = 1,..., l, ukU. Каждой реальной ситуации соответствует некоторая комбинация X1 = [x11)x (21)...x (m) ] возможных реалиT заций XlX имеющихся внешних факторов в качестве векторного состояния окружения наряду с соответствующей комбинацией U1 = [u11)u (21)...u (m) ] возможных управляемых параметров U1 U в качестве некоторого векторного варианта решения. При принятии решения управляемые параметры должны быть определены так, чтобы состояние объекта наиболее близко соответствовало оптимальному значению критерия эффективности.

Независимые параметры обычно являются стохастическими, принимающими значения согласно некоторому распределению вероятностей. Их реализации целесообразно учитывать в НС как некоторые фиксированные значения на малом интервале времени. Выделяя более подходящие для исследований интервалы времени tj 0 (j= 1, 2,..., m), можно сформировать набор состояний объекта. Каждому из этих состояний поставлено в соответствие множество возможных значений независимых переменных xji (i = 1, 2,..., n), (j = 1, 2,.., m), где i – порядковый номер переменной, j – порядковый номер рассматриваемого состояния. Для определения xji, можно использовать метод экспертных оценок или статистическое оценивание.

Реализация обозначенного подхода для прогнозирования электропотребления одной тяговой подстанции выглядит следующим образом.

Экспертным путем выделены факторы, определяющие электропотребление, значения которых подаются на соответствующие входы НС:

x1 – техническая скорость;

x2 – участковая скорость;

x3 – средний вес брутто;

x4 – грузооборот;

x5 – среднемесячная температура;

х6 – пассажирокилометры и количество отправленных пассажиров.

Выходным параметром выбрано электропотребление у, тыс. кВтч, одной тяговой подстанцией ТП-8 с данными, отображенными в разделах 1.1 и 2.4. С целью установления связи между факторами и выходными параметрами выполнен корреляционный анализ, в результате которого определены парные корреляции (прописными буквами обозначены множества соответствующих реализаций): r(X1,Y)=0,001; r(X2,Y)=0,023; r(X3,Y)=r(X4,Y) =0,687; r(X5,Y)=-0,694; r(X6,Y)=-0,318. Как видно из полученных значений, наиболее тесная корреляция присуща парам (X5,Y) (температура – электропотребление) и (X4,Y) (грузооборот – электропотребление).

В качестве первого критерия оценки значимости выборки для обучеm Yi yi среднее значение относительной погрешности в результате обучения.

Здесь n – число факторов влияния; m – количество выборок в задачнике; Yi – значение выборки i, подставляемое на выход НС, в процессе её обучения;

yi – значение выборки i, получаемое в результате тестирования НС.

грузооборот уч. скорость тех. скорость средний вес пассажиро-км температура Рис. 4.11. Оценка средней относительной погрешности обучения Результаты обучения и последующего тестирования представлены на рис. 4.11. Для каждого из факторов при этом сеть имела конфигурацию, приведённую на рис. 4.12; на рис. 4.13 показано влияние совокупности факторов.

Рис. 4.12. Конфигурация сети при однофакторном прогнозировании Рис.4.13. Оценка средней относительной погрешности обучения По рис. 4.13 четко прослеживается тенденция к уменьшению погрешности от количества входных параметров. Кроме этого видно, что при включении в выборку второго и третьего факторов погрешность снижается мало, поскольку малы соответствующие коэффициенты корреляции. При включении четвертого фактора в процесс обучения произошел качественный «скачок», улучшивший результат обучения (со снижением погрешности более чем в пять раз).

Другим критерием эффективности обучения НС можно считать максимальное значение модулей отклонений ответов от истинных значений max. Зависимость max =f(n) представлена на рис. 4.14.

Рис. 4.14. Оценка максимальной относительной погрешности обучения На графике виден нелинейный немонотонный характер зависимости. Такой вид определяется степенью статистической взаимосвязи электропотребления с очередным включаемым в обучение фактором.

Таким образом, способ подбора факторов, оказывающих существенное влияние на потребление электроэнергии, по степени статистической взаимосвязи с потреблением позволяет формировать рациональную обучающую выборку.

4.4. Результаты нейросетевого прогнозирования Обучение нейронной сети для прогноза электропотребления тяговыми подстанциями может быть выполнено на основе информации по тяговой подстанции с наибольшим электропотреблением. Эффективность в обучении достигается за счет изменения числа слоев, нейронов внутренних слоев и других операций. В итоге нейронная сеть, обученная по информации подстанции первого ранга, дает хорошие результаты при прогнозировании потребления остальных подстанций. Данная модель практически реализована для решения задачи прогноза электропотребления активной энергии тяговыми подстанциями железной дороги в целом и по ее отделениям c использованием рангового анализа [112]. При этом возникает задача определения объектов с первым рангом электропотребления W1. Проведенный кластерный анализ показал, что потребителями первого ранга для каждого из отделений рассматриваемой дороги являются тяговые подстанции ТП-8 (НОД-1), ТП-27 (НОД-2) и ТП-31 (НОД-3).

Ретроспективное представление потребления по подстанции ТП- показано на рис. 4.15, а результаты нейросетевого прогнозирования месячного потребления по представленной методике на уровне ТП первого ранга приведены в табл. 4.5 и на рис. 4.16-4.18.



Pages:     | 1 |   ...   | 8 | 9 || 11 | 12 |   ...   | 13 |