Прогнозирование электропотребления предприятия с применением искусственных нейронных сетей

Об авторах:

Кассем Самех Али, аспирант кафедры приборостроения и мехатроники, Институт цифровых технологий и экономики, Казанский государственный энергетический университет; ali20105@mail.ru; ORCID: 0000-0002-4587-6730

Ибрагим Абдулла Хайдар Абдо, кандидат физико-математических наук, младший научный сотрудник, лаборатория мемристорных материалов, Центр природовдохновленного инжиниринга, Тюменский государственный университет, Тюмень, Россия; abdulla.ybragim@mail.ru, https://orcid.org/0000-0002-1709-9882

Хасан Абдулла Мохаммед, аспирант факультета информатики и вычислительной техники, Институт информационных технологий и интеллектуальных систем, Казанский федеральный университет; alii.hasaa@gmail.com; ORCID: 0000-0002-1988-8869

Логачева Алла Григорьевна, кандидат технических наук, доцент кафедры электроснабжения промышленных предприятий, Институт электроэнергетики и электроники, Казанский государственный энергетический университет; logacheva.alla@yandex.ru; ORCID: 0000-0002-0371-7985

Аннотация:

За последнее столетие потребление энергии резко возросло из-за многих факторов: технологических, социальных, экономических. Поэтому прогнозирование энергопотребления имеет большое значение для множества процессов, включая планирование работы генерирующего оборудования, управление и оптимизацию режимов работы энергетических систем, а также сохранение энергетических ресурсов. За последние несколько десятилетий модели на основе данных для прогнозирования энергопотребления значительно улучшились благодаря их повышенной производительности, надежности и простоте развертывания. На сегодняшний день среди множества различных типов моделей искусственные нейронные сети входят в число наиболее популярных подходов на основе данных. В этой статье рассмотрена возможность применения искусственных нейронных сетей для среднесрочного прогнозирования электропотребления предприятия. Реализована задача построения искусственной нейронной сети с использованием алгоритма с обратной связью для обучения сети на базе математического пакета MATLAB. Нами были про­анализированы такие характеристики, как настройка параметров, сложность реализации, скорость обучения, сходимость результата, точность прогнозирования и стабильность результата. Полученные результаты позволили сделать вывод, что алгоритм с обратной связью хорошо подходит для среднесрочного прогнозирования электропотребления.

Список литературы:

1. Воронов И. В. Определение параметров, влияющих на электропотребление промышленного предприятия, с помощью метода экспертных оценок / И. В. Воронов // Вестник Кузбасского государственного технического университета. 2009. № 5. С. 61-64.

2. Вороновский Г. К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г. К. Вороневский, К. В. Махотило, С. Н. Петрашев, С. А. Сергеев. Харьков: ОСНОВА, 1997. 107 с.

3. Галушка В. В. Формирование обучающей выборки при использовании искусственных нейронных сетей в задачах поиска ошибок баз данных / В. В. Галушка, В. А. Фатхи // Инженерный вестник Дона. 2013. № 2. URL: http://www.ivdon.ru/magazine/archive/n2y2013/1597

4. Головко В. А. Нейронные сети: обучение, организация и применение / В. А. Головко. М.: ИПРЖР, 2001. 256 с.

5. Кирпичникова И. М. Исследование методов прогнозирования электропотребления сбытового предприятия / И. М. Кирпичникова, К. Л. Соломахо // Электротехнические системы и комплексы. 2014. № 3 (24). С. 39-43.

6. Лисичкин В. А. Стратегический менеджмент: учебно-методический комплекс / В. А. Лисичкин, М. В. Лисичкина. М.: ЕАОИ, 2007. 329 с.

7. Манусов В. З. Краткосрочное прогнозирование электрической нагрузки на основе нечеткой нейронной сети и ее сравнение с другими методами / В. З. Манусов, Е. В. Бирюков // Известия Томского политехнического университета. 2006. Том 309. № 6. С. 153-158.

8. Матюшкин И. Моделирование и визуализация средствами MATLAB физики наноструктур. / И. Матюшкин. М.: Техносфера, 2011. 188 c.

9. Осипов Г. В. Моделирование социальных явлений и процессов с применением математических методов: учебное пособие / Г. В. Осипов М: НОРМА: ИНФРА-М, 2014. 191 с.

10. Федосин С. А. Особенности обучения построению моделей перемещения сложных объектов, обладающих искусственным интеллектом на базе нейронной сети / С. А. Федосин, Н. П. Плотникова, Е. А. Немчинова, Н. В. Макарова // Образовательные технологии и общество. 2018. Том 21. № 3. С. 290-297.

11. Хайкин С. Нейронные сети: полный курс. / С. Хайкин // Пер. с англ. Н. Н. Куссуль, А. Ю. Шелестова. М.: Вильямс, 2008. 1103 с.

12. Черных И. В. Моделирование электротехнических устройств в MATLAB, SimPowerSystems и Simulink / И. В. Черных. М.: ДМК Пресс, 2011. 288 c.

13. Lean Y. U., Shouyang .W. A., Kin. K. L. Basic Learning Principles of Artificial Neural Networks / Y. U. Lean, W. A. Shouyang, K. L. Kin. // Foreign-Exchange-Rate Forecasting with Artificial Neural Networks. Boston, MA: Springer, 2007. Pp. 27-37.

14. Rumelhart D. E., Hinton G. E., Williams R. J. Learning Internal Representations by Error Propagation / D. E. Rumelhart, G. E. Hinton, R. J. Williams // Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Vol. 1: Foundations. Cambridge, MA: A Bradford Book, 1986. Pp. 318-362.

15. Neighborhood based modified backpropagation algorithm using adaptive learning parameters for training feedforward neural networks / T. Kathirvalavakumar, S. Jeyaseeli Subavathi // Neurocomputing. 2009. Vol. 72. Pp. 3915-3921. DOI: 10.1016/j.neucom.2009.04.010