Прогнозування електроспоживання на базі нейронної мережі
Бічна панель сторінки статті
Основний зміст сторінки статті
Анотація
В 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.
Бібл. 5, рис. 2
Блок інформації про статтю
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
Посилання
E. Mocanu, Machine learning applied to smart grids. Eindhoven: Technische Universiteit Eindhoven, 2017.
Geoffrey Hinton and C. Ruslan Salakhutdinov, “Reducing the dimensionality of data with neural networks,” Science (80-. )., vol. 28, no. 5786, pp. 502–504, 2006.
“Restricted Boltzmann Machine,” 2012. [Online]. Available: https://en.wikipedia.org/wiki/Restricted_Boltzmann_machine.
A. Oppermann, “Deep Learning meets Physics: Restricted Boltzmann Machines Part I,” Towar. Data Sci., 2018, URL: https://towardsdatascience.com/deep-learning-meets-physics-restricted-boltzmann-machines-part-i-6df5c4918c15
M. G. Simões et al., “A comparison of smart grid technologies and progresses in Europe and the US,” IEEE Trans. Ind. Appl., vol. 48, no. 4, pp. 1154–1162, 2012.
