CC BY
81
ш
нлты
ЫКРА1НИ
Hl/IVB
Науковий BicH и к Н/1ТУ УкраТни Scientific Bulletin of UNFU http://nv.nltu.edu.ua https://doi.org/10.15421/40280529 Article received 20.05.2018 р. Article accepted 41.05.2018 р.
УДК 621.311
ISSN 1994-7836 (print) Ш1 ISSN 2519-2477 (online)
@ El Correspondence author D. M. Karpa dmytrokarpa@gmail.com
Д. М. Карпа, I. Г. Цмоць, Ю. В. Опотяк
Нацюнальний утверситет "Львiвська полтехшка", м. Львiв, Украта
НЕЙРОМЕРЕЖЕВ1 ЗАСОБИ ПРОГНОЗУВАННЯ СПОЖИВАННЯ ЕНЕРГОРЕСУРС1В
Дослщжено та обгрунтовано вибiр нейромережевих структур для оброблення статистичних даних з метою прогнозуван-ня та виявлення аномальних показникiв споживання енергоресурсiв. Показано, що системам на основi нейронних мереж завжди протиставлялись експертнi системи, яю, на вiдмiну вiд перших, очевидно програмувались. Середовище, в якому пра-цюе система, не завжди е статичним i потрiбнi методи опрацювання даних, якi могли б адекватно реагувати на змшу середо-вища та вмiти вiдповiдно адаптувати отримуваш результати. Нейроннi мережi володтать такою особливютю, як вмiння нав-чатись. Ця особливiсть i е основним аргументом для застосування таких структур у системах управлшня енергоефектившс-тю. Розроблена архитектура мережi та застосований процес навчання дав змогу прогнозувати показники спожито! електро-енерги з урахуванням багатьох параметрiв. Особливiстю розроблено! архiтектури е можливiсть здiйснювати перенавчання у процесi функцiонування, не перериваючи його. Використання адаптивного та безперервного навчання нейромережi дасть змогу виявляти аномальш показники даних. Точнiсть такого виявлення було перевiрено на реальнш вибiрцi даних. Аналiз отриманих результата показуе, що використання нейронних мереж хоч i потребуе швидкодп i часу на навчання, проте, тд час класифжацп входного вектора, швидюздя нейронно! мережi перевищуе будь-який алгоритм кластеризацп.
Ключовi слова: нейронна мережа; машинне навчання; багатошаровий персептрон; статистичш данi; нормалiзацiя даних; прогнозування; виявлення аномалш.
Вступ. Енергоефективнiсть - властивють обладнан-ня, технологи, виробництва або систем взагал^ яка ха-рактеризуе мiру використання енергп на одиницю концевого продукту. Енергоефективнiсть можна оцiнити за допомогою показник1в як шльшсно (кВтгод, тонни умовного палива, кДж на одиницю концевого продукту), так i як1сно (низька, висока). Шдвищення енерго-ефективностi досягаеться завдяки реалiзацil системи щ-леспрямованих органiзацiйних i технiчних заходiв.
Проблема шдвищення енергоефективносп тiсно пов'язана з прогнозуванням споживання енергоресур-сiв, яке повинно бути своечасним i надшним. Результа-ти прогнозування е основою для формування ефектив-них управлiнських рiшень. Розроблення засобiв прогнозування передбачае накопичення шформацп, аналiз, виявлення закономiрностей та тенденцп. Результатами прогнозування енергоефективносп можна використову-вати для передбачення нових ситуацiй та проблем, яш потребують свого вирiшення. Окрiм цього, на Тх основi здiйснюеться планування розвитку енергетичного гос-подарства тдприемств. Прогнозування i планування споживання енергоресурав тiсно пов'язанi та мають спшьш риси. Прогноз забезпечуе виявлення закономiр-ностей i тенденцiй споживання енергоресурав, а план визначае необхвдш заходи для досягнення встановлених завдань. Якщо внаслвдок прогнозу виявляються нега-
тивш тенденцп, то у планi визначаються заходи для Тх нейтралiзацil.
Для перевiрки точностi прогнозу споживання енергоресурав доцшьно застосувати ретроспективний метод, тобто здшснювати прогноз за даними минулого пе-рiоду, а попм порiвняти одержанi результати з фактич-ними. Найчастiше таке порiвняння проводять за величиною середньо1 квадратичноТ похибки або середньо1 похибки апроксимацп. Якщо результати порiвняння за-довольняють заданому критерiю точностi, то засоби прогнозування можна рекомендувати для виконання прогнозiв.
Сьогоднi сфера енергоефективносп потребуе контролю з боку людини, проте велика к1льк1сть чиннишв, як1 впливають на показники, не дае змоги ефективно i точно опрацьовувати отримаш данi. Частково це мо-жуть виконати експертнi системи. Проте тут потрiбен механiзм, який буде володiти великою вщмовостшшс-тю i вмiти знаходити прихованi закономiрностi в даних.
£ категорп проблем, яш не можна сформулювати як алгоритм, проблеми, як1 залежать ввд багатьох тонких чинник1в, як1 мозок може (приблизно) розрахувати. Нейронна мережа е нелшшною системою, що дае змогу набагато краще класифiкувати даш, нiж будь-як1 лiнiйнi методи. Система на основi такого потужного мехашзму буде здатна отримувати результат, засновуючись на
1нформащя про aBTopiB:
Карпа Дмитро Михайлович, acnipaHT, кафедра АСУ. Email: dmytrokarpa@gmail.com
Цмоць 1ван Григорович, д-р техн. наук, професор, завiдувач кафедри автоматизованих систем упpавлiння.
Email: ivan.tsmots@gmail.com Опотяк Юрм Володимирович, канд. техн. наук, ст. наук. ствробЬник, кафедра АСУ. Email: yuvoua@yahoo.com Цитування за ДСТУ: Карпа Д. М., Цмоць I. Г., Опотяк Ю. В. Нейpомеpежевi засоби прогнозування споживання енергоресурав.
Науковий вкник НЛТУ УкраТни. 2018, т. 28, № 5. С. 140-146. Citation APA: Karpa, D. М., Tsmots, I. H., & Opotiak, Yu. V. (2018). Neural network tools for forecasting energy consumption. Scientific Bulletin of UNFU, 28(5), 140-146. https://doi.org/10.15421/40280529
прихованих 3aKOHOMipHOCTHx. Найважливiшою перевагою тако! системи i вiдсутнiсть необхвдносп 11 програ-мування - нейронна мережа "навчаеться" на основi ве-личезно! навчально! вибiрки, що вiдрiзняе !! вiд експер-тно1 системи.
У роботi дослвджено використання нейромережевих структур для прогнозування та виявлення аномальних значень показник1в енергоспоживання (газ, вода, елек-троенергiя тощо). Також розглянуто пiдвищення швид-кодп пiд час навчання та видавання результату навче-ною мережею користувачу. Метою е розроблення архь тектури та iмплементaцi! компоненту системи управ-лiння енергоефективнiстю регiону на основi нейронно! мереж1, знаходження оптимально! структури мереж1 та алгоритму навчання.
Отже, використання штучних нейронних мереж мо-тивуеться !хньою подiбнiстю до успiшно функцюну-ючих бюлопчних систем, як1 працюють у широкому мaсштaбi паралельно i (що, ймовiрно, е одним iз найбшьш важливих aспектiв) мають можливiсть вчити-ся. Одним iз результaтiв процедури навчання е здат-нiсть нейронних мереж узагальнювати i aсоцiювaти да-нi. Пiсля успiшного навчання нейронно! мереж1 можна знайти aдеквaтнi ршення для aнaлогiчних завдань одного i того ж класу, що не були очевидно визначеш в процеа навчання. Це призводить до високого ступеня вiдмовостiйкостi за змши вхiдних даних. Прогнозуван-ня за допомогою нейронних мереж можна використову-вати для пошуку аномальних значень або значень, яш значно видiляються з потоку статистики.
Анaлiз останшх досл1джень та публшацш. Кон-цепцiю нейронних мереж запропоновано ще в серединi минулого столiття, проте саме зараз, з огляду на зрос-тання продуктивносп обчислювальних зaсобiв, вони набули велико! популярность У роботах (Adams, 2017; Galushkin, 2000) викладено методику синтезу багатоша-рових нейромереж рiзно! структури: з повними i непов-ними послвдовними зв'язками, перехресними i зворот-ними зв'язками, що функцiонують у режимах навчання, самонавчання, навчання з учителем. Наведено етапи дослвдження нaдiйностi та дiaгностики нейронних мереж. У робот (Khaikin, 2006) розглядають основш пара-дигми штучних нейронних мереж та метиться матема-тичне обгрунтування всiх нейромережевих парадигм, що iлюструють прикладами, описом комп'ютерних ек-сперименпв, мiстяться прaктичнi завдання, а також велика бiблiогрaфiя. Анaлiзують роль нейронних мереж тд час розв'язання задач, щодо розпiзнaвaння обрaзiв, управлшня i оброблення сигнaлiв. Роботи (Goodfellow, 2016; Pukach, et al., 2011; Shankar, 2016; Kruglov & Bori-sov, 2001; Christopher, 2005) стосуються одного з сучас-них нaпрямiв у гaлузi iнформaтики та обчислювально! технiки - нейрокомп'ютерних технологiй. Розглянуто не тшьки питання теорi! штучних нейронних мереж, але й сучасш програмш емулятори нейронних мереж та ви-рiшення з !х допомогою практичних завдань розтзна-вання обрaзiв, клaстеризaцi!, прогнозування, оптимта-цi!, побудови i використання нейромережевих експер-тних систем.
Мета та зaдaчi досл1дження. Мета роботи - розроблення структури та архггектури нейронно! мереж1 для задач прогнозування та aнaлiзу статистичних даних енергоефективносп для застосування як на рiвнi окре-мих установ, шдроздшв, так i регiону.
Для досягнення мети необхвдно вирiшити так! задача
• розробити архитектуру нейронно! мережц
• розробити модуль навчання нейронно! мережi для задач безперервного навчання у реальности
• розробити архитектуру бази даних для задач навчання нейронно! мережа
Основнi результата дослщження. Найважливiшою властивiстю нейронних мереж е !х здатнiсть "навчати-ся" на основi даних, що описують об'екти навко-лишнього середовища. Навчання нейронно! мереж1 вщ-буваеться способом штерактивного процесу коректу-вання синаптичних ваг i порогiв. В iдеальному випадку, нейронна мережа навчаеться взаемозв'язкам, що мю-тяться у навчальних даних на кожнш iтерацi! процесу навчання. Першим кроком побудови системи з вико-ристанням нейронних мереж е вибiр архiтектури. Архь тектуру завжди пiдбирають експериментально, базу-ючись на техшчному завданнi. Для пропоновано! систе-ми було обрано нейронну мережу прямого поширення (рис. 1).
Рис. 1. Повнозв'язна нейронна мережа прямого поширення для виршення задач прогнозування
Основним завданням нейронно! мереж1 в пропоно-ванш системi е прогнозування. На вхщ нейронно! мере-ж1 подають значення показник1в попереднiх днiв. На виходi отримуемо значення показника на наступний день. Архитектура нейронно! мереж1 е повнозв'язною. Кшьшсть прихованих шaрiв також тдбираемо експериментально. Чим бшьша !х к1льк1сть - тим точшший результат, проте тривaлiсть навчання буде зростати. Прогнозоване значення у системi порiвнюемо з реаль-ним. Отримане реальне значення записуемо в базу даних i система проходить ще одну ггеращю навчання з деяким зсувом значень за днями (рис. 2).
Рис. 2. Зсув значень за днями для навчально! вибiрки
Шд час розв'язання реальних задач переважно одним з основних вимiрiв у процеа навчання е проспр, а шшим - час. Просторово-часову структуру навчання тдтверджують багатьма прикладами. Вважають, що бь ологiчнi види мають здатшсть представляти часову структуру власного досввду. Таке представлення дае !м змогу адаптувати свою поведiнку до часово! структури подiй у просторi. Якщо нейронна мережа працюе у ста-цiонaрному середовищi, то !!, теоретично можна навчи-ти статистичним характеристикам середовища за допо-могою учителя. Наприклад, синаптичш ваги можна
141"
прорахувати у процеа навчання для множини даних, як1 представляють середовище. Шсля завершения про-цесу навчання, синаптичш ваги вiдображають статис-тичну структуру середовища, яку з цього моменту вва-жають незмiнною. Отже, для отримання i використання набутого досввду, система спираеться на певну форму пам'ятi. Однак зазвичай навколишне середовище е нес-тацюнарним, а отже, статистичнi параметри вхвдних сигналiв, як1 генеруе середовище, змшюються з часом. У таких випадках методи навчання з учителем непри-датнi, оск1льки мережа не мае змоги вщстежувати варь ацп середовища. Отже, варто постiйно адаптувати параметри мереж1 до варiацiй вхвдних даних у режимi реальности а процес навчання в адаптивнш системi не за-вершуеться, допоки надходять новi даиi для оброблен-ня. Такий процес називають неперервним навчанням. Алгоритм його зображено на рис. 3.
Рис. 3. Загальний алгоритм навчання системи на оснж нейронно! мережi
Перед застосуванням та навчанням нейронно! мережа потрiбно нормалiзувати значення, що ютотно приш-видшуе процес навчання системи. Нормалiзацiю даних здiйснюемо за формулою (1)
Х1 - X тщ
х,-=-
(1)
х max - X min
Приклад нормалiзованих даних наведено в таблицi.
Параметр Значення показника Нормалiзоване значення
День 1 60 0,0171
День 2 1 0,0003
День 3 1,8 0,0005
День 4 75 0,0214
День 5 28 0,0893
Отже, система оперуе значеннями в межах вщ 0 до 1, що дае змогу використати сигмо!дальну функцш
(формула 2) як функцiю активацп нейронно! мереж1 (рис. 4):
1
ф(и) = -
(2)
1 + exp(-au)
Отже, данi на виходi нейронно! мереж1 денормалiзу-ються за зворотною формулою.
Рис. 4. Сигмо!дальна фуикцiя для системи прогнозування на осиовi нейронно! мережi
Структуру таблищ, в як1й зберiгатиметься вага нейрона, зображено на рис. 5. Важливо, що разом iз вагами збертаеться номер прихованого шару i порядко-вий iндекс нейрона для того, щоб для зчитування цих даних !х можна було збертати у виглядi словника. Це дае змогу звертатись до даних безпосередньо без необ-хадносп перебору всього масиву.
Column Name Data Type Allow Nulls
И?! WeightID int
InputLayerlndex int □
О utp ut Lay erl n d ex int □
InputNeuronlndex int □
OutputNeuronlndex int □
WeightValue float □
Рис. 5. Структура таблиц! даних для збереження ваг нейротв
Структуру нейрона вибрано такою, щоб один iз вхо-дiв був статичний, який дорiвнюе 1. Вiн замiняе роль порогу нейрона (рис. 6).
Фжсований вхщний ^^ Пор1г
Синаптичш ваги, в т.ч. й nopir Рис. 6. Модель нейрона в систем прогнозування
У процесi навчання вага нейрона збертаеться в опе-ративнiй пам'ятi, що зроблено для збшьшення швидко-дiï. П1сля завершення навчання нейронно! мереж1, ваги нейрошв записують у базу даних i надалi !х будуть за-вантажувати вже зi бази даних. Використаний алгоритм дае змогу прогнозувати даш з заданою точнiстю. Кшь-шсть прихованих шарiв нейронно! мереж1 визначае те, насшльки точним буде результат, проте процес навчання буде тривалшим пiд час !х зростання. Зазвичай цю к1льк1сть пiдбирають експериментально.
Вибiр архггектури нейронно! мереж залежить вщ поставленого завдання. Багатошаровi персептрони ус-пiшно використовують для вирiшення складних зав-дань. Навчання з учителем здшснюеться за допомогою такого популярного алгоритму, як алгоритм зворотного поширення похибки. Цей алгоритм заснований на ко-рекцп помилок та можна використати як узагальнення популярного алгоритму мшмшцд середньоквадратич-но! помилки.
Для розв'язання задачi прогнозування було розроб-лено програмний комплекс на мовi С#, основним еле-ментом якого е нейронна мережа. Вибiр архггектури мереж базуеться на типi прогнозування. Осшльки в на-шому випадку е короткострокове прогнозування, було
1» 22
;c :3 ;o:5
:: :3 :c:;
12 2015
23 22 201s
:4 221s
:sc3 201s
26 C3 :o:s
2? es 2015
es :oîs
29 :3 201s
iz C3 :o:5
:: rois :: 25 201s
:s 201s
CJ 09 201s
95 09 2015
0609 2015
5" zs 2015
29 :o:s
09 09 2015
10 C9 201s
n :9 201s
09 :oi5
13:5201s
14 09 :o.Î
is 09201s
OS 10 15 20 2S 30 3S 40 45 SO SS 60 65 70 ?S
Рис. 7. Даш, отримат за показами лiчильника електроенерги
19 08 2015
20 08 2015
21082015
22 082015
23 CS 2015
24 os
25 06 2015
26 OS 2015
2" OS 2015
28 06 2015
29 OS 2015
2; CS 2025
31 06 2015
01 09 2015
22 05 22 25
03 09 2015
04 09 2015
05 09 2015
06 09 2015
:■ 09 2025
08 09 2015
09 09 2015
10 09 2015
11 09 2015
12 09 2015
13 09 22 25
.4 25 2215
15 09 2015
16 05 22 25
OS 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80
Рис. 8. Данi, отримат способом прогнозування нейронною мережею
Даш, отримаш способом прогнозування з викорис- рис. 8. Нейронну мережу варто навчаги з використан-ганням застосовано! нейронно! мереж1, зображено на ням даних споживання для кожно! будiвлi окремо, що
вибрано мережу прямого поширення похибки з шльшс-тю вход1в, що дор1внюе п'яти. Ваги нейрошв мереж збер1гаються у баз1 даних MS SQL. Для доступу до даних використовують технолопю ADO.NET, осшльки необхвдно забезпечити максимальну швидкодш.
Для прогнозування динамши показника енергоспо-живання буд1вл1, експериментальним способом було визначено оптимальну структуру нейронно! мереж1: 5 вход1в, як1 будуть ввдповвдати показникам параметра за попередш 5 дшв, та два прихованих шари по 5 нейрошв у кожному. На рис. 7 зображено реальш даш споживання електроенерги в однш з буд1вель району, отрима-m впродовж мюяця. Цд даш е вз1рцевим показником i використовували !х для навчання нейронно! мереж!.
пов'язано з 11 специфiкою - площа, особливостi вироб-ничо! дiяльностi, робочi днi, к1льк1сть працiвникiв то-що. Однак структура мереж буде абсолютно щентич-ною, а для врахування ще! специфiки потрiбно зберегти синаптичш ваги навчено! мереж для зазначено! будiвлi.
Цю архiтектуру можна адаптувати, наприклад, для прогнозування споживання електроенергп, визначення енергоефективностi окремого району (мюта), виконав-ши 11 навчання на ввдповщних масивах даних, i цей про-цес можна легко автоматизувати.
Прогнозування з використанням нейронно! мереж1 мае достатню точнiсть для виявлення аномальних по-казник1в (рис. 9). Виявлення аномалш за допомогою
нейронних мереж можливе, оск1льки мережа "вмiе" вра-ховувати зм1ни показнишв, коли це не е аномал!ею (наприклад, зменшення використання енергоноая весною). Експертна система "визнала" б таке зменшення показнишв аномалiею, проте нейронна мережа, яка нав-чена на показниках минулих перiодiв, "знатиме", що це очiкуваний результат. Тому виявлення аномалш зво-диться до того, що система повинна виявляти велика роз61жност1 м1ж прогнозованим ! реальним показника-ми, причому розб!жшсть повинна бути не випадковою, а проявлятися протягом певного перiоду. На рис. 9 ви-явленi аномальш показники позначено 1ншим кольо-ром.
Рис. 9. Виявлення аномальних показникв даних за допомогою прогнозування нейронною мережею
Кшыасть ¡терацш Рис. 10. Процес навчання нейронно! мереж!
Продуктившсть та точшсть функцiонування нейрон- навчання нейронно! мереж1. Зупинка навчання вщбу-но! мереж залежить вiд !! структури та часу навчання. ваеться тд час досягнення допустимо! кiлькостi помиНа рис. 10 зображено змшу рiвня похибок у процесi лок. Як показали експерименти, достатньо точних ре-
зультапв можна досягти в середньому тсля 20-30 тис. iтерацiй. Це е ввдомим недолiком нейронних мереж. Проте, для вже навчено! нейронно! мереж1, час опрацю-вання нових даних вiдбуваеться за дек1лька iтерацiй.
Розробка i навчання нейронно! мереж1 е надзви-чайно затратною щодо обчислювальних ресурсiв, а пе-ренавчання мереж! за кожно! змiни середовища е мар-ним !х витрачанням. Окр!м цього, тд час навчання нейронно! мереж! юнуе проблема !! "перенасичення". Якщо нейронна мережа буде навчатися на великих об-сягах нових даних, то вона втратить свою чутливють i буде поводитися себе неадекватно до даних, яких не бу-ло у тренувальному наборi.
Для усунення цього недолжу застосовано адаптивне навчання. У разi надходження нового навчального вектора, система повинна визначити ошл найближчих век-тор!в поруч !з новим, вщстань м!ж векторами визна-чаеться евклщовою вiдстанню. Шсля цього визна-чаеться вектор, який знаходиться найдальше в цьому кол!. Цей вектор буде видалено в майбутньому. Шсля цього нейронна мережа може довчитись з оновленим набором зразк1в. Як показали проведен! експерименти, незалежно вщ застосовано! архггектури нейронно! мереж! та розм!ру навчально! виб!рки, проведения одше! епохи навчання вщбуваеться досить швидко. Внаслщок ще! процедури нейронна мережа буде адекватно реагу-вати на змши навколишнього середовища i не доведеть-ся перенавчати систему знову. Висновки:
1. Розроблено арх!тектуру нейронно! мереж! та шдхщ до безперервного навчання в реальности який дае змогу тдтримувати систему в щеальному стан!.
2. Розроблено архитектуру системи на основ! нейронно! мереж!. Арх!тектура включае серверну частину системи, реал!зовану у вигляд! Web API. Реал!зовано роботу з елементами нейронно! мереж! за допомогою хеш-таблиц! для збшьшення швидкодп системи.
3. Розроблено архитектуру бази даних, яка включае табли-щ для збереження параметрiв навчено! нейронно! мере-жi та таблицi для збер^ання прогнозованих даних. Описаний алгоритм адаптацп нейронно! мереж дае змогу ввести часовi властивостi даних в !! архiтектуру, реалiзовуючи в такий спосiб принцип неперервного навчання на впорядкованих у часi даних. Шд час вико-ристання такого тдходу нейронну мережу можна вва-жати нелiнiйним адаптивним фiльтром, що е узагаль-ненням лiнiйного адаптивного фшьтру. Однак для ре-алiзацi! такого динамiчного пiдходу, необхiднi значнi обчислювальш ресурси, щоб дати змогу виконувати всi необхiднi розрахунки в реальносп за один iнтервал дис-кретизацп даних. Для розв'язання задач енергоефектив-ностi та застосованих даних, коли темп !х надходження невеликий, таку вимогу виконують, що свiдчить про доцшьшсть застосування запропонованого пiдходу.
Перелш використаних джерел
Adams, T. (2017). Training an artificial neural network. Retrieved from: https://www.solver.com/training-artificial-neural-ne1workintro. Christopher, M. Bishop. (2005). Neural Networks for Pattern Recognition (Advanced Texts in Econometrics (Paperback)), Clarendon Press, 205-215 pp. Galushkin, A. I. (2000). Teoriia neironnykh setei. Moscow: IPRZhR.
415 p. [In Russian]. Goodfellow, I. (2016). Deep Learning (Adaptive Computation and
Machine Learning series), 230-245, MA: MIT Press. Khaikin, S. (2006). Neironnie seti. Polnui kyrs. Moscow: Williams.
1104 p. [In Russian]. Kruglov, V. V., & Borisov, V. V. (2001). Iskusstvennye neironnye seti: teoriia i praktika. Moscow: Goriachaia liniia-Telekom. 382 p. [In Russian].
Pukach, A. I., Teslyuk, V. M., Tkachenko, R. O., & Ivantsiv, R.-A. D. (2011). "Implementation of neural networks for fuzzy and se-mistructured data," in Proceedings of 11-th International Conference on The Experience of Designing and Application of CAD Systems in Microelectronics, CADSM, Lviv - Polyana, Ukraine, 350-352.
Shankar, R. (2016). Neural Networks. MA: MIT Press. 124-132 pp.
Д. М. Карпа, И. Г. Цмоць, Ю. В. Опотяк
Национальный университет "Львовская политехника", г. Львов, Украина
НЕЙРОСЕТЕВЫЕ СРЕДСТВА ДЛЯ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭНЕРГОРЕСУРСОВ
Исследован и обоснован выбор нейросетевых структур для обработки статистических данных, с целью прогнозирования и выявления аномальных показателей потребления энергоресурсов. Показано, что системам на основе нейронных сетей всегда противопоставлялись экспертные системы, которые в отличие от первых, явно программировалась. Среда, в которой работает система, не всегда является статичной, и нужны методы обработки данных, которые могли бы адекватно реагировать на изменение среды и уметь соответственно адаптировать получаемые результаты. Нейронные сети обладают такой особенностью, как умение учиться. Эта особенность и является основным аргументом для применения таких структур в системах управления энергоэффективностью. Разработанная архитектура сети и применённый процесс обучения дал возможность прогнозировать показатели потребленной электроэнергии с учетом многих параметров. Особенностью разработанной архитектуры является возможность осуществлять переобучение в процессе функционирования, не прерывая его. Использование адаптивного и непрерывного обучения нейросети позволит выявлять аномальные показатели данных. Точность такого обнаружения было проверено на реальной выборке данных. Анализ полученных результатов показывает, что использование нейронных сетей хоть и требует быстродействия и времени на обучение, однако, при классификации входного вектора, быстродействие нейронной сети превышает любой алгоритм кластеризации.
Ключевые слова: нейронная сеть; машинное обучение; многослойный персептрон; статистические данные; нормализация данных; прогнозирование; выявление аномалий.
D. М. Karpa, I. H. Tsmots, Yu. V. Opotiak
Lviv Polytechnic National University, Lviv, Ukraine
NEURAL NETWORK TOOLS FOR FORECASTING ENERGY CONSUMPTION
The authors in the article present the idea of creating the architecture of the component of the energy efficiency management system. The main idea is to use neural network architectures. For energy efficiency systems, an important task that the neural network can solve is the task of forecasting and detecting abnormal values in the flow of statistical data. Implementation of systems based on neural networks has always been very complicated and expensive, that is why so-called expert systems have been their
main rival. They, unlike neural networks, that in fact were self-taught, were programmed. Unfortunately, not so many systems based on neural networks entered our daily lives. A neural network is an example of a nonlinear system, it allows much better categorize data than any linear methods. The system is based on this powerful mechanism able to make decision based on hidden regularity. The most important advantage of such system is that it is not programmed; a neural network is a mechanism that learns from the huge training set. This differs them from any of the expert system. Not the latest requirement for systems based on neural networks is the requirement of well performance. The neural network is a component that always responds quickly enough, but the learning process takes a lot of time. Therefore, it is very important to choose the right architecture for the network and technologies that the system uses. Another advantage of the proposed forecasting system is also the possibility of continuous learning. Continuous learning provides the system with such a feature as fault tolerance and adaptability. Thus, the system will not lose its relevance over time. Ultimately, the proposed adaptive learning algorithm will help overcome the excessive saturation of the neural network. The analysis of the results shows that the use of neural networks requires computer speed and time to study, however, in the classification of the input vector, the performance of the neural network exceeds any algorithm of clustering. The built-in software allows you to detect hidden patterns in a large number of statistical data and to greatly help in solving data processing problems.
Keywords: neural network; machine learning; multilayer perceptron; statistical data; data normalization; forecasting; the detection of anomalies.
