WWW.KNIGI.KONFLIB.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

 
<< HOME
Научная библиотека
CONTACTS

Pages:     | 1 |   ...   | 6 | 7 || 9 | 10 |   ...   | 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 8 ] --

Система имеет иерархическую структуру, отвечающую на каждом уровне единым принципам построения, интерфейсам, методам обработки данных. Структуры систем управления базами данных на уровнях техноценоза и структурной единицы подобны. Предложена декомпозиция данных по трем направлениям: числовая база (параметры электропотребления); текстовая (документооборот); графическая (различные схемы).

При реализации информационно-справочной системы решены следующие задачи:

• возможность пополнения системы текстовыми, графическими и мультимедийными данными, а также размещения электронных таблиц с вычисляемыми ячейками;

• минимальные требования к аппаратному и программному обеспечению рабочего места пользователя (используется распространенное программное обеспечение и не предъявляются повышенные требования к квалификации персонала);

• функциональный и многокритериальный поиск нужной информации;

• минимальный объём занимаемого дискового пространства.

В основу архитектуры системы положена карта географического расположения дистанций электроснабжения железной дороги. Обмен информацией между клиентом и сервером в среде internet осуществляется с использованием кроссплатформенных стандартов. Запрос клиента должен содержать адрес Web-страницы, которая затем будет отправлена клиенту, или имя модуля, который будет выполнен сервером для того, чтобы динамически сформировать и отправить клиенту страницу.

1. При прогнозировании расхода электроэнергии тяговыми подстанциями целесообразно использовать фундаментальное свойство структурной устойчивости техноценозов, которое к настоящему времени получило глубокое теоретическое обоснование и многократное эмпирическое подтверждение; при этом возможно получить прогноз расхода ЭЭ в целом по всей дороге с погрешностью менее 5%.

2. Разработана модификация градиентного метода, позволяющая повысить на 5…10% точность аппроксимации констант Н–распределения.

3. Создан программный продукт «Учет и прогнозирование электропотребления» для хранения, обработки и прогнозирования данных электропотребления ТП на основе рангового анализа.

4. МЕТОДИКА ПРОГНОЗИРОВАНИЯ

ЭЛЕКТРОПОТРЕБЛЕНИЯ С ИСПОЛЬЗОВАНИЕМ

НЕЙРОННЫХ СЕТЕЙ

4.1. Общие принципы нейросетевого прогнозирования Термин «нейронные сети» сформировался в 40-годах прошлого века в среде исследователей, изучавших принципы организации и функционирования биологических нейронных сетей. Историю моделирования нейронных сетей можно проследить по работам [3-5, 26…30, 34, 35, 37, 50, 52, 53, 76…78, 115…160]. В настоящее время в этой области разработан ряд моделей переработки информации, называемых искусственными нейронными сетями (ИНС). Обычно под ИНС понимается набор элементарных нейроноподобных преобразователей информации – нейронов, соединенных друг с другом каналами обмена информацией для их совместной работы.

К настоящему моменту сформировались две ветви исследований.

Первая, нейробиологическая, основанная на моделировании работы живого мозга, имеет целью объяснить, каким образом в нем отображаются сложные объекты и связи между ними, как устанавливается соответствие между хранящейся и поступающей извне информацией, как мозг обучается, и другие вопросы, касающиеся его функционирования. Второе направление формируется для решения с помощью ИНС задач обработки информации в различных областях знаний, особенно в плохо формализуемых, где существующие модели субъективны и неадекватны.

К настоящему моменту предложено большое количество моделей нейросетей, однако основными являются только три принципиально различных типа сетей, которые соответствуют трем известным методам обучения: самоорганизации, последовательному подкреплению знаний и обучению с учителем. Большинство остальных распространенных нейросетей состоят из элементов, характерных для сетей трех основных типов: карт Кохонена, сетей Хопфилда и многослойных сетей – персептронов.

Что касается применения искусственных нейронных сетей в задачах анализа процессов электропотребления в России и странах СНГ, то первые работы в данной области начаты лишь с середины 90-х годов [92]. Аналогичные работы за рубежом были начаты приблизительно на 3…4 года раньше, нежели отечественные. Данное отставание в практическом использовании НС вполне объяснимо. Основные теоретические изыскания были завершены к середине 90-х годов, и впервые зарубежный опыт был представлен в отечественной литературе в работе [30]. Кроме этого, требовалось время для разработки отечественных программных продуктов по применению НС. Наиболее полно зарубежные исследования по применению нейронных сетей в электроэнергетике представлены в работах [117, 145]. В них рассматривались вопросы прогнозирования электрических нагрузок с небольшим периодом упреждения.

Поскольку НС представляет собой совокупность нейронов, связанных между собой определенным образом, необходимо определить, что такое нейрон и как он работает [26…30]. Нейрон – это элементарный преобразовательный элемент, имеющий множество входов, на которые поступают сигналы х1, х2, …, xn (рис. 4.1), суммирующий блок, блок преобразования сигнала с помощью активационной функции и один выход Y. Каждому входу приписан свой «вес» wi, соответствующий «силе» биологической синаптической связи. Функционирует нейрон в два такта. На первом такте в суммирующем блоке вычисляется величина возбуждения, полученного нейроном которую удобно представлять в виде скалярного произведения вектора входных сигналов на вектор весов. На втором такте суммарное возбуждение пропускается через активационную (преобразующую) функцию F(), в результате чего определяется выходной сигнал Y0= F(Y).



Преобразующая функция, как правило, должна удовлетворять двум условиям: F() 1; F() – монотонная, обычно неубывающая функция. Наиболее часто используются следующие преобразующие функции:

1) сигмоидная (логистическая) функция где а – параметр (а0); график сигмоидной функции качественно близок к воображаемой передаточной характеристике биологического нейрона;

2) гиперболический тангенс свойства симметрии которого относительно точки Y=0, а также тот факт, что F(0)=0, оказываются весьма важными для ряда сетей;

3) авторами работ [26-29] используется функция где параметр СС 0.

Таким образом, каждый нейрон характеризуется вектором весовых множителей и параметрами преобразующей функции. Нейрон способен получать сигналы и в зависимости от их интенсивности и собственных характеристик выдавать выходной сигнал. При этом, если выходной сигнал нейрона близок к единице, говорят, что нейрон возбужден.

К настоящему времени предложено большое количество способов объединения нейронов в нейросеть. Рассмотрим наиболее важные из них с целью практического использования в задачах прогнозирования ЭП. Для функционирования сети адекватно решаемой задаче нужно правильно выбрать значения весов связей между нейронами или, как принято говорить, обучить сеть.

Сети прямого распространения (персептроны) состоят из нескольких слоев нейронов: входного слоя, выходного и нескольких «скрытых» слоев.

Нейроны каждого слоя не соединены друг с другом, но связаны с нейронами соседних слоев. Выходной сигнал с каждого нейрона предыдущего слоя поступает на входы всех нейронов следующего слоя. Нейроны входного слоя не осуществляют преобразования входных сигналов, их функция заключается в распределении этих сигналов между нейронами первого скрытого слоя (рис. 4.2).

Функционирование сети прямого распространения происходит следующим образом. Входной сигнал, подаваемый на сеть, поступает на нейроны входного слоя, проходит по очереди через все слои и выделяется с выходов нейронов выходного слоя. По мере распространения сигнала по сети он претерпевает ряд преобразований, которые зависят от его начального значения, преобразующей функции и величин весов связей. Данный тип сетей хорошо зарекомендовал себя как эффективное средство для прогнозирования, классификации и анализа. В частности, данная топология НС была применена в работах [117, 145], в которых рассматривалась возможность краткосрочного прогнозирования электрической нагрузки.

Нейросеть используется как «черный ящик», который можно «обучать» решению задач из какого-нибудь класса. НС «предъявляются» входные данные задачи и ответ, который соответствует этим данным и который был получен каким-либо способом. НС должна сама построить внутри «черного ящика» алгоритм решения этой задачи, чтобы выдавать ответ, совпадающий с правильным. Чем больше различных пар «исходные данные – ответ» будет предъявлено НС, тем адекватнее решаемой задаче она сконструирует модель. После этапа обучения НС предполагается, что если ей предъявить ранее неизвестные исходные данные, она тем не менее выдаст правильное решение — в этом заключается способность НС к обобщению.

Процесс обучения состоит в настройке параметров сети. При этом, как правило, топология сети остается неизменной, а к настраиваемым параметрам обычно относятся параметры нейронов и величины синаптических весов. Под обучением принято понимать процесс изменения весов связей между нейронами [26…29]. Структурная схема обучения сети для целее прогнозирования ЭП представлена на рис. 4.3.

Все методы обучения относятся к сетям определенного типа и являются неотъемлемой их частью. В работе [71] предлагается классифицировать методы обучения сетей по двум основным признакам: по способам использования учителя и по использованию элементов случайностей.

По способам использования учителя выделяются три метода обучения [39].

Метод обучения с учителем. Сети предъявляются примеры входных и выходных данных. Сеть преобразует входные данные и сравнивает свой выход с желаемым. После этого проводится коррекция весов с целью получить лучшую согласованность выходов.

Обучение с последовательным подкреплением знаний. В этом случае сети дается желаемое значение выхода и ставится оценка, хорош выход или плох.

Обучение без учителя. Сеть сама вырабатывает правила обучения путем выделения особенностей из набора входных данных.

По использованию элементов случайностей различают следующие методы.

Детерминированные методы. В них шаг за шагом осуществляется процедура коррекции весов сети, основанная на использовании текущих их значений, входов сети, выходов нейронов и некоторой дополнительной информации, например, значений желаемых выходов сети.

Стохастические методы обучения основываются на использовании случайных изменений весов в ходе обучения.

Для того чтобы придать окончательной модели необходимую надежность, часто резервируют тестовое множество наблюдений. Итоговая модель тестируется на данных из этого множества для того, чтобы убедиться, что результаты, достигнутые на обучающем и контрольном множествах, реальны. Разумеется, тестовое множество должно быть использовано только один раз: если его использовать повторно для корректировки процесса обучения, то оно фактически превратится в обучающее множество.

Все многообразие методов обучения нейронных сетей имеет целью улучшить их аппроксимационные способности и повысить скорость обучения.

Обучение сетей прямого распространения. Для обучения сети нужно знать значения dj, j=1, 2, …, n(K), выходов с нейронов выходного слоя (желаемые выходы), которые сеть должна формировать при поступлении на ее вход возбуждающего вектора Iпр.

Ошибка функционирования сети на этих данных определяется как где y i = u k – выход сети. Для уменьшения этой ошибки следует изменять веса связей сети по следующему правилу:



Pages:     | 1 |   ...   | 6 | 7 || 9 | 10 |   ...   | 13 |