#Панюкова
Д.В. Нейросетевая модель прогнозирования электропотребления с нечеткой
обработкой информации и влияние на нее искаженных данных
Технические науки/5. Энергетика
Панюкова
Д.В.
Казахская
Автомобильно-Дорожная академия им. Л.Б. Гончарова, Казахстан
Нейросетевая модель прогнозирования электропотребления
с нечеткой обработкой информации и влияние на нее искаженных данных
Учитывая, что каждая сотая процента ошибки имеет большое значение, для ранее созданной модели прогнозирования с дополнительными входными параметрами [1] необходимо проверить эффективность использования нечеткого представления информации. Для этого наряду с 3 входами с обучающими данными и входным вектором «Время суток» введен дополнительный вход с нечеткой информацией в виде функции принадлежности (ФП) входа со значением электропотребления за последний час (рисунок 1).
Рисунок 1. Структурная схема нейронной сети с дополнительными входами «Время суток» и «ФП».
Для изучения влияния нечеткой информации на точность прогноза исследованы несколько вариантов типовых форм функций принадлежности, полученные результаты представлены в таблице 1.
Таблица 1
Результаты при введении одной ФП
|
Тип ФП |
Обобщенная
колоколо-образная |
Гауссова |
Z-функция |
Pi-функция |
|
Ошибка
прогноза, % |
2,52 |
4,64 |
2,87 |
2,55 |
|
Ошибка
обучения, % |
2,30 |
2,45 |
2,67 |
2,36 |
Проведены аналогичные исследования системы с использованием дополнительных ФП для каждого из значений электропотребления за три предыдущих часа, полученные результаты представлены в таблице 2.
Таблица 2
Результаты при введении трех ФП
|
Тип ФП |
Обобщенная колоколо-образная |
Z-функция |
Гауссова |
S-функция |
Сигмо-идальная |
Pi-функция |
|
Ошибка прогноза, % |
2,52 |
2,15 |
2,39 |
2,48 |
2,44 |
2,45 |
|
Ошибка обучения, % |
2,44 |
2,07 |
2,31 |
2,39 |
2,35 |
2,36 |
Как видно на рисунке 2, при введении трех дополнительных функций принадлежности z-типа ошибка обучения уменьшилась на 0.05%, а ошибка прогноза – на 0.08%.
Рисунок 2. Фактическое (Pf) и прогнозируемое (Pp) электропотребление.
Кроме минимизации ошибки прогноза для хорошо натренированной сети становится актуальной задача выработки у выходных сигналов нечувствительности к вариациям входных величин при условии, что эти вариации находятся в определенных допустимых границах, а сеть реализует монотонное отображение. Другими словами, аналогичные входные сигналы должны вызывать аналогичные реакции даже в случае, если они не входили в состав обучающего множества [2].
Для такой тренировки в сеть подается шум (искажение данных). Результирующие графики фактического и спрогнозированного с помощью полученной сети с лучшим результатом приведены на рисунке 3.
Рисунок 3. Фактическое (Pf) и прогнозируемое (Pp) электропотребление.
В результате этого действия максимальное понижение точности составило 0.22% в ошибке обучения, а в ошибке прогноза – на 0.23%. Минимальная ошибка прогноза в данном случае равна 2.44%, а ошибка обучения составляет 2.33%.
Литература:
1. Панюкова Д.В., Панюков К.В. Влияние дополнительной входной информации на точность прогнозирования электропотребления с помощью нейронной сети // Материалы XII Международной Научно-Практической Конференции «Актуальные научные достижения – 2016», 22-30 июня 2016. Эл.адрес: http://www.rusnauka.com/22_AND_2016/Tecnic/5_215294.doc.htm.
2. Оссовский С. Нейронные сети для обработки информации / пер. с польск. – М.: Финансы и статистика, 2004. - 344 с.