Please use this identifier to cite or link to this item: http://openarchive.nure.ua/handle/document/3202
Title: Прогнозування процесів споживання електроенергії на основі штучних нейро-фаззі мереж
Authors: Рибальченко, Т. В.
Keywords: нейронна мережа
нейро-фаззі мережа
функція належності
метод навчання
прогнозування споживання
електроенергії
neural network
membership function
Issue Date: 2011
Publisher: Харк. нац. ун-т радіоелектроніки
Citation: Рибальченко Т. В. Прогнозування процесів споживання електроенергії на основі штучних нейро-фаззі мереж : автореф. дис. ... канд. техн. наук : 05.13.23 – "Системи та засоби штучного інтелекту" / Т. В. Рибальченко ; Харк. нац. ун-т радіоелектроніки. – Х., 2011. – 22 с.
Abstract: В роботі запропоновано архітектуру локально-рекурентної ШНМ для довготермінового прогнозування процесів електроспоживання, де перший прихований шар містить нелінійні моделі авторегресії – ковзного середнього різних порядків, краща з яких автоматично вибирається у вихідному шарі мережі. Запропоновано нейромережевий метод прогнозування трендсезонних процесів споживання електроенергії, у якому спочатку виключається трендова компонента, а потім апріорі відома фіксована кількість гармонійних компонент обробляється в паралельному режимі. Запропоновано нейромережевий метод прогнозування полігармонійних процесів споживання електроенергії, в якому гармонійні компоненти виділяються послідовно, що дає можливість прогнозувати апріорі невідому та змінну в часі кі-лькість гармонійних компонент у процесі. Удосконалено метод навчання спеціа-лізованих НФМ для короткотермінового прогнозування процесів споживання електроенергії. За рахунок запровадження регуляризатору стало можливим збільшити швидкість навчання на «плато» цільової функції й уникати «паралічу» ме-режі, що в цілому підвищило якість її навчання. Удосконалено метод навчання ШНМ зустрічного поширення за рахунок використання стратегії «переможець одержує більше» з використанням біполярної функції сусідства, у результаті чого підвищується якість кластеризації в першому прихованому шарі мережі, що дозволяє підвищити точність прогнозування процесів електроспоживання у вузлах електроенергетичної системи. Ефективність запропонованих методів доведена експериментально на реальних даних електроспоживання Західної енергосистеми ДП НЕК «Укренерго». A locally recurrent ANN architecture for long-term electric load forecasting is proposed, where the first hidden layer contains nonlinear autoregressive – moving aver-age models of various orders, the best of which is automatically selected in the output layer of the network. A neural network method for the trend-seasonal electric load fore-casting is proposed, which initially excludes the trend component, and then a priori fixed number of harmonic components is processed in parallel. A neural network fore-casting method for polyharmonic energy consumption processes is proposed, where the harmonic components are treated sequentially, which makes it possible to forecast a pri-ori unknown, time-varying number of harmonic components in the process. Learning methods for the specialized NFN for short-term electric load forecasting are improved. Introducing a regularization term, it is possible to increase the learning rate on “plat-eaus” of the objective function and to avoid “paralysis” of the network that generally improved the quality of its learning. An improved learning method for the counterprop-agation ANN is proposed that uses the “winner takes more” strategy with bipolar neigh-borhood function, resulting in a higher quality of clustering in the first hidden layer of the network, which enables more accurate forecasting of electric load in the power grid nodes. The effectiveness of the proposed methods is proved experimentally on real data from the Western Power System of Ukraine.
URI: http://openarchive.nure.ua/handle/document/3202
Appears in Collections:Автореферати

Files in This Item:
File Description SizeFormat 
RubalchenkoTV.pdf753.09 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.