Прогнозування електроспоживання на базі нейронної мережі

Скорочена інформація про документ
dc.contributor.authorЖивогляд, Олег Станіславович
dc.date.accessioned2020-05-14T17:53:40Z
dc.date.available2020-05-14T17:53:40Z
dc.date.issued2019
dc.description.abstractenIn this article is considered a problem of predicting discrete values of power consumption of electric energy. Since the volume of the consumption charts database must be sufficiently large to allow prediction to be reliable, it is advisable to apply modern mathematical approaches to processing these graphs, in particular, artificial neural networks. So it is solved by using one of the methods of artificial neural networks - the restricted Boltzmann machine. Restricted Boltzmann machine is a stochastic artificial neural network, the training of which is carried out "without a teacher" according to the algorithm of the reverse error propagation. Compared to other structures of neural networks, a restricted Boltzmann machine enables more efficient training algorithms than is possible for a general class of neural networks, in particular, the "contrast divergence" algorithm. This algorithm performs Gibbs sampling, which is used in the gradient descent procedure to calculate the refined weighting coefficients. In this method forecasting is carried out by adjusting the weight functions of the layers of the neural network in such a way so if optimized weighting is used, we minimize the Kulbock-Leibler distance between the distribution of input data and model approximation. In each phase of network training, weighting coefficients are calculated and modified based on their current mathematical values using the appropriate mathematical functions such as, one step of the Gibbs sample (updating the weights of all hidden and visible neurons). Accordingly, the weighed sum of the values of the output signals of the neurons, which goes on to the activation block, also changes. Depending on the function embedded in the activation block, an output signal is generated. Consequently, the result of each phase of the training is the change in the weighting factors and parameters of the activation function. As a result, after training, the system is able to effectively predict the time dependencies of the power consumption of electrical energy, which is important when developing a power management system for industrial and household objects. After studying such a system on the current database of graphs of daily electricity consumption, it will be able to make predictions within the specified error. Application of the proposed approach is effective in developing a system for managing the consumption of both large and small industrial and domestic objects, in particular Micro Grid.uk
dc.description.abstractruВ статье рассмотрена задача прогнозирования дискретных значений мощности потребления электрической энергии которая решается с использованием одного из методов искусственных нейронных сетей - ограниченной машины Больцмана. В этом методе прогнозирования осуществляется путем подстройки весовых функций слоев нейронной сети таким образом, чтобы минимизировать расстояние между реальными и расчетными значениями. В каждой фазе обучения сети с помощью соответствующих математических функций рассчитываются и изменяются коэффициенты весов с учетом их текущих значений. В результате после обучения система способна эффективно прогнозировать временные зависимости мощности потребления электрической энергии, является важным при разработке системе управления электропотреблением промышленных и бытовых объектов.uk
dc.description.abstractukВ статті розглянуто задачу прогнозування дискретних значень потужності споживання електричної енергії, яка вирішується з використанням одного з методів штучних нейронних мереж - обмеженої машини Больцмана. В цьому методі прогнозування здійснюється шляхом підлаштування вагових функцій шарів нейронної мережі таким чином, щоб мінімізувати відстань між реальними та розрахунковими значеннями. У кожній фазі навчання мережі за допомогою відповідних математичних функцій розраховуються і змінюються коефіцієнти ваг з урахуванням їх поточних значень. В результаті після навчання система здатна ефективно прогнозувати часові залежності потужності споживання електричної енергії, що є важливим при розробці системі керування електроспоживанням промислових та побутових об’єктів.uk
dc.format.pagerangeС. 39-42uk
dc.identifier.citationЖивогляд, О. С. Прогнозування електроспоживання на базі нейронної мережі / Живогляд О. С. // Електронна та Акустична Інженерія : науково-технічний журнал. – 2019. – Т. 2, № 1. – С. 39–42. – Бібліогр.: 5 назв.uk
dc.identifier.doihttps://doi.org/10.20535/2617-0965.2019.2.1.163127
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/33473
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/en
dc.sourceЕлектронна та Акустична Інженерія : науково-технічний журнал, 2019, Т. 2, № 1uk
dc.subjectнейронна мережаuk
dc.subjectобмежена машина Больцманаuk
dc.subjectконтрастна дивергенціяuk
dc.subjectneural networkuk
dc.subjectrestricted Boltzmann machineuk
dc.subjectcontrast divergenceuk
dc.subjectнейронная сетьuk
dc.subjectограниченная машина Больцманаuk
dc.subjectконтрастная дивергенцияuk
dc.subject.udc004.942:519.876uk
dc.titleПрогнозування електроспоживання на базі нейронної мережіuk
dc.title.alternativePrediction of electrical consumption network based on a neural networkuk
dc.title.alternativeПрогнозирование электропотребления сети на базе нейронной сетиuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
EAI2019_2-1_08_Zhyvoglyad.pdf
Розмір:
445.9 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Електронна та Акустична Інженерія: науково-технічний журнал, Т. 2, № 1