ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ИДЕНТИФИКАЦИИ ЭНЕРГЕТИЧЕСКИХ ПРОЦЕССОВ

Автор: ст. Мелёхина Е.К.

Руководитель: доц. Тышевич Б.Л.

Кафедра автоматизации управления

электротехническими комплексами

Институт энергосбережения и энергоменеджмента

Постановка задачи:Исследование структуры, параметров,

функций активации алгоритмов обучения НМЭ для максимальной адаптации при воспроизведении сложного графика изменения электрических нагрузок. Наиболее точные НМЭ будут базовыми при создании системы прогнозирования поведения энергосистем. Рассматривались многослойные сети, построенные с помощью пакета прикладных программ MATLAB.

Понятие о нейроподобном элементе и процессе его

обучения :Модель нейрона Модель процесса

обучения ИНС

Широкий спектр применения НС объединяют общие характеристики

и свойства объектов: сложность или невозможность математического описания; наличие стохастических составляющих в процессах; большое количество нескоррелированных параметров; выраженная нелинейность, нестационарность в характеристиках; наличие параметрических и внешних возмущений и т.д.

Общие и конкретные преимущества и свойства НС по сравнению с

другими классическими подходами: способность решать неформализованные задачи; параллелизм обработки информации; единый и эффективный принцип обучения; гибкость модели для нелинейной аппроксимации многомерных функций; средство прогнозирования во времени для процессов, которые зависят от многих переменных.

Искусственные НС используют как:

классификатор по многим признакам, что дает разбиение входного пространства на области;инструмент для поиска по ассоциациям;модель для поиска закономерностей в массивах данных.

Наиболее актуальные задачи в энергетике, которые можно решить

с помощью НМ:прогнозирование спроса на электрическую энергию;прогнозирование спроса на тепловую энергию;прогнозирование спроса на природный газ;прогнозирование предельной цены системы в энергорынке;прогнозирование объема генерации электроэнергии ветровыми станциями; прогнозирование температуры наружного воздуха.

Примеры функций активации(ФА):

Сигмоидальная, логистическая Полулинейная Линейная Радиально-

базисная

Полулинейная с насыщением

Линейная с насыщением

ТреугольнаяСигмоидальная

(гиперболическая)

ДВУХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НЕЙРОННАЯ СЕТЬ С РАЗЛИЧНЫМИ ФУНКЦИЯМИ АКТИВАЦИИ

Х1,Х2 – компонент входного вектора;

Wij – вес синапса;

S1,S2 – результат суммирования;

Y – выходной сигнал нейрона;

Двухслойная сеть прямого распространения

Графики для НМЭ, где 2-й слой – logsig Графики для НМЭ, где 2-й слой – poslin

Графики для НМЭ, где 2-й слой – purelin Графики для НМЭ, где 2-й слой – radbas

Полученные графики для заданной целевой функции (---) и график полученной в результате обучения и работы

НМЭ (- - -):

Графики для НМЭ, где 2-й слой – satlin Графики для НМЭ, где 2-й слой – satlins

Графики для НМЭ, где 2-й слой – tribas

Продолжение - заданная целевая функция (---) и график полученной в результате обучения и работы НМЭ (- - -):

Критерии используемые для оценки наилучшего результата:

min)(

1

2

1

2

рег

N

ii

N

iii

t

ta

%)100max(i

ii

t

ta

•Критерий регулярности:

•Максимальная относительная погрешность аппроксимации:

ai – выход нейронной сети для входа pi;ti – целевой выход для входа pi.

Наилучший график полученный для двухслойной НС (ФА=tansing,poslin) :

- критерий регулярности рег = 0,00036974 = 369,74e-6;- максимальная относительная погрешность = 8,3417%.

ТРЕХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НЕЙРОННАЯ СЕТЬ

С РАЗНЫМИ ФУНКЦИЯМИ АКТИВАЦИИ

ФА = tansig, poslin, purelin ФА = logsig, poslin, purelin

ФА = radbas, poslin, purelin ФА = tribas, poslin,purelin

Результаты идентификации процесса нейросетью с тремя слоями после тренировки НМЭ с различными

функциями активации :

Наилучший график полученный для трёхслойной НС(ФА=tansing,poslin,purelin):

- критерий регулярности рег = 0,00025156 = 251,56e-6;- максимальная относительная погрешность = 4,9629%

ЧЕТЫРЁХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НС. СТРУКТУРНАЯ МОДЕЛЬ MATLAB:

ФА = tansig, tribas, poslin,purelin

ФА = tribas, tansig, poslin, purelin

ФА = radbas, tansig, poslin,purelin

Результаты идентификации процесса нейросетью с четырьмя слоями после тренировки НМЭ с различными

функциями активации :

Наилучший график полученный для четырёхслойной

НС(ФА=tribas,tansing,poslin,purelin):

- критерий регулярности рег = 9,5331e-5=95,331е-6;- максимальная относительная погрешность = 3,9543%.

Влияние типов функций активации и количества слоев на качество работы НМЭ:

Первый слой Второй слой Третий слой Четвёртый слойКритери

и качества

рег /

Количество

нейронов

Функция

активации

Количество

нейронов

Функция

активации

Количество

нейронов

Функция

активации

Количество

нейронов

Функция

активации

10 tansig 1 poslin369,74e-68,3417%

10 tansig 5 poslin 1 purelin251,56е-6

4,929%

10 logsig 5 poslin 1 purelin458,22е-6

7,238%

10 radbas 5 poslin 1 purelin332,64е-66,0433%

10 tribas 5 poslin 1 purelin247,54е-65,0497%

20 tansig 10 tribas 5 poslin 1 purelin208,31е-65,5734%

20 tribas 10 tansig 5 poslin 1 purelin95,331е-63,9543%

20 radbas 10 tansig 5 poslin 1 purelin104,34е-6

4,0568%

Выводы: В процессе проведения тренировки по разным алгоритмам было выявлено, что наиболее быстро нейросеть тренировалась по методу Левенберга-Марквардта (trainlm). Как следует из сравнительной таблицы по всем проведенным опытам, с увеличением слоев, идентификация той нейросети лучше, в которой первый слой имеет ФА tribas. Чем проще ФА следующего слоя по сравнению с ФА предыдущего слоя, тем качественнее идентификация исследуемого процесса. Исследования нейронных сетей как идентификаторов сложных процессов позволят определить необходимую достаточность по допустимому качеству идентификации для прогнозирования поведения энергосистем на разных периодах времени.