DOI: https://doi.org/10.20535/2617-0965.2019.2.1.163127

Прогнозування електроспоживання на базі нейронної мережі

Oleg Zhyvoglyad

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


Ключові слова


нейронна мережа; обмежена машина Больцмана; контрастна дивергенція

Повний текст:

PDF

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.


Перелік посилань


  1. E. Mocanu, Machine learning applied to smart grids. Eindhoven: Technische Universiteit Eindhoven, 2017. 
  2. Geoffrey Hinton and C. Ruslan Salakhutdinov, “Reducing the dimensionality of data with neural networks,” Science (80-. )., vol. 28, no. 5786, pp. 502–504, 2006. 
  3. “Restricted Boltzmann Machine,” 2012. [Online]. Available: https://en.wikipedia.org/wiki/Restricted_Boltzmann_machine
  4. 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 
  5. 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.


Посилання

  • Поки немає зовнішніх посилань.


Copyright (c) 2019 Oleg Zhyvoglyad

Creative Commons License
Ця робота ліцензована Creative Commons Attribution 4.0 International License.