Розробка штучних нейронних мереж для прогнозування споживання електроенергії Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004:620.91

1.В. ГАРЯЧЕВСЬКА, С.Ю. МОВЕНКО

Харювський нацiональний унiверситет iMeHi В.Н. Каразша

РОЗРОБКА ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ ДЛЯ ПРОГНОЗУВАННЯ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГП

Основною метою роботи е розробка моделей прогнозування часових ряд1в для отримання якомога точншого прогнозу споживання та вироблення електроенергп з урахуванням використання альтернативних джерел енергИ. У роботi вивчаються основш методи прогнозування часових ряд1в та здшснюеться Их порiвняння на практищ. Пропонуються модершзацп для отримання бшьшого ступеня точностi за рахунок використання закону великих чисел. До^джуються загальт фактори впливу на споживання та вироблення електроенергп за допомогою альтернативних джерел енергИ. До^джуеться ступiнь точностi створених моделей для довгострокового та короткострокового прогнозування. Пропонуеться програмна реалiзацiя розроблених моделей у виглядi веб-програми. Розглянуто питання офлайн навчання штучних нейронних мереж за допомогою Jenkins CLI та системи розподтеного контролю версш Git.

Ключовi слова: прогнозування, споживання електроенергп, штучш нейроннi мережi, дерева рШень, часовi ряди, альтернативнi джерела енергп.

И.В. ГАРЯЧЕВСКАЯ, С.Ю. МОВЕНКО

Харьковский национальный университет имени В.Н. Каразина

РАЗРАБОТКА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ

ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ

Основной целью работы является разработка моделей прогнозирования временных рядов для получения наиболее точного прогноза потребления и выработки электроэнергии с учётом использования альтернативных источников энергии. В работе изучаются основные методы прогнозирования временных рядов и осуществляется их сравнение на практике. Предлагаются модернизации для получения большей степени точности за счет использования закона больших чисел. Исследуются общие факторы влияния на потребление и выработку электроэнергии с помощью альтернативных источников энергии. Исследуется степень точности созданных моделей для долгосрочного и краткосрочного прогнозирования. Предлагается программная реализация разработанных моделей в виде веб-приложения. Рассмотрен вопрос офлайн обучения искусственных нейронных сетей с помощью Jenkins CLI и системы распределенного контроля версий Git.

Ключевые слова: прогнозирование, потребление электроэнергии, искусственные нейронные сети, деревья решений, временные ряды, альтернативные источники энергии.

I. GARYACHEVSKA, S. MOVENKO

V.N. Karazin Kharkiv National University

DEVELOPMENT OF ARTIFICIAL NEURAL NETWORKS FOR PREDICTING ELECTRICITY

CONSUMPTION

The main purpose of the work is to develop models offorecasting of time series for obtaining as accurately as possible the forecast of electricity consumption and generation of electricity by alternative energy sources. In this paper, we study the basic methods of forecasting time series and perform their comparison in practice. In this paper, we consider such methods of forecasting time series as the autoregressive method, the method of decision tree and methods based on the use of the artificial neural networks. Modernization is proposed to obtain a greater degree of accuracy with the help of the law of large numbers. In this paper uses the artificial neural network with self-organization based on competition, namely the Kohonen's neural network in combination with the multilayer perceptron. This artificial neural network allows you to classify data on the results of which the forecast of electricity consumption will be fulfilled. The training of the created artificial neural network occurs by the method of back propagation of the error. Each artificial neural network performs prediction depending on the influence of its factor. Each artificial neural network serves as a perceptron in the classical model. The general factors of influence on the consumption of electric power and on production with the help of alternative energy sources are studied. The degree of accuracy of the created models for forecasting in the long-term and short-term perspective is investigated. The software implementation of the developed models in the form of a web application is offered. A database for storing user data was created in the developed web application. In this paper uses the hierarchical

database to store the settings of the artificial neural networks. The web application provides the ability to send emails to notifying users about the starting and finishing of training the artificial neural network. To increase the accuracy of the forecast, the model consisting of several artificial neural networks is used. The issue of offline training of artificial neural networks with the help of Jenkins CLI and the distributed control system of Git versions is considered.

Keywords: forecasting, electricity consumption, artificial neural networks, solution wood, time ranges, alternative sources of energy.

Постановка проблеми

Задача планування споживання електроенергп завжди була важлива для процесу отримання та використання електроенергп. На даний час юнують три види тарифiв на електроенергш: одноставковий, многоставковий та диференцшований. Найб№ший штерес представляе диференцшований тариф. Вш дозволяе оплачувати фактично спожиту енергш, яка розподшена за добовими часовими зонам. Важливим е те, що цей тариф мае фжсоваш тарифш ставки для кожно! зони. Потреба в такому регулюванш виникае в двох випадках: або в зв'язку з нестачею пiкових потужностей, або внаслiдок труднощiв проходження шчного провалу графiка електричного навантаження. Для яшсного розрахунку тарифу необхiдна установка багатотарифного лiчильника електроенергп для вимiрювання спожито! енергп окремо для декшькох добових часових зон. Найбiльше споживання електроенергп (шкова зона) припадае на денний час. У зазначеш години запускаеться обладнання, що генеруе енерпю, однак воно виробляе електроенергiю з найбшьш високою вартiстю. Оск1льки в тчний час споживання електрично! енергп значно зменшуеться, з роботи виводиться обладнання, яке виробляе електроенергш з бшьш високою варпстю. Тому в тчний час цша найнижча. Для того, щоб простимулювати населення використовувати електрику в нiчний час доби, було прийнято рiшення про зменшення нiчного коефiцiента до 0,5.

Прогнозування грае ключову роль при формуванш балансу електроенергп в енергосистемi, впливаючи на вибiр режимних параметрiв i розрахункових електричних навантажень. Баланс виробництва та споживання електроенергп - це основа технолопчно! стшкосп енергосистеми, його порушення позначаеться на якостi електроенергп (вщбуваеться деградацiя частоти i напруги в мережi), що знижуе ефектившсть роботи обладнання. Крiм того, правильний прогноз дозволяе забезпечити оптимальний розподш навантаження м1ж об'ектами енергосистеми. Це дае можливють управляти вартiстю покупки електроенергп шляхом регулювання завантаження устаткування, переводячи, наприклад, основнi обсяги генерацп електроенергп в години i зони оптового ринку енергп з найменшою цшою.

Мета дослiдження

Метою роботи е аналiз iснуючих методiв прогнозування часових рядiв та розробка технологи для здшснення прогнозу споживання електроенергп з рiзною часовою перспективою.

AH^i3 останшх досл1джень i публiкацiй

AH^i3 icнуючих методiв прогнозування часових рядiв. Часовий ряд (ЧР) - це послвдовшсть значень, як1 описують переб^ процесу в часi, вимiряних в послщовш моменти часу, зазвичай через рiвнi промiжки. Данi цього типу широко поширеш в рiзноманiтних сферах дiяльностi людини. В економiцi - це щоденш цiни на акци, курси валют, щотижневi i шсячн обсяги продаж, рiчнi обсяги виробництва. В нашому випадку - це даш, як1 характеризують споживання електроенергп. Розглянемо методи прогнозування часових рядiв, як найбiльш часто використовуються на практищ.

Метод авторегреси виражае залежшсть показника вiд факторiв що впливають за допомогою лшшно1

моделi. Загальний вигляд моделi авторегресп порядку р визначаеться наступним чином:

p

Xt = c + ^ aiXt-i +st, i=1

де с - константа, яка описуе ситуацш проходження факторiв що впливають, через початок координат, тобто показуе, який вигляд мае модель в раз^ коли фактори що впливають, дорiвнюють нулю; ai - коефiцiенти, якi описують ступiнь залежносл пiдсумкового параметру Xt вiд факторiв що впливають, в даному випадку, ввд того, яким був параметр Xt на минулому кроцi регреси; St - випадкова компонента або, як ще ll прийнято називати, похибка моделi - це рiзниця мiж розрахунковим значениям моделi за певш перiоди та в1домими значеннями. Метод авторегреси дае можливiсть показати залежшсть параметру Xt в1д самого себе в попереднш пром1жок часу (день, мюяць, рiк i т.п.). Саме до цього зводиться суть авторегресшнох моделi, тобто, цiлком рацюнально можливо припустити практично для будь-якого показника, що його поточне значення, в яшйсь мiрi, залежить вщ того, яке значення цього показника було в попереднш пром1жок часу. Саме пошук цiеl залежностi дозволяе будувати досить точнi моделi, за якими дуже легко зробити прогноз.

ПЕРЕВАГИ МЕТОДУ:

1. Отримання високоякюно1 моделi з адекватним прогнозом при мiнiмумi витрат часу та вимог до вхвдних даних.

НЕДОЛ1КИ МЕТОДУ:

1. Прогноз за вхвдними даними можливий тшьки на один перюд вперед. Якщо потр1бно зробити прогноз на бшьш тривалий пром1жок часу, то в якосл фактор1в, що впливають, для розрахунку доведеться брати не реально юнуючий параметр Х^ а той, який розрахований за моделлю, що в тдсумку дасть прогноз на прогноз^ а значить адекватнють такого прогнозу, як мшмум, в два рази менша.

2. З1 зб1льшенням порядку авторегреси виникае необхвднють розширювати д1апазон вхвдних даних.

Метод авторегрессп мае як переваги, так 1 недол1ки щодо задач прогнозування часових ряд1в. Традицшно для прогнозу споживання електроенергп використовуеться метод авторегреси: лшшний алгоритм, заснований на прогноз! майбутнього за найближчим минулим. При цьому ва шш1 фактори, що впливають на споживання електроенергп, використовуються опосередковано, тобто через !х вплив на минул1 значення споживання електроенергп. Цей метод дозволяе отримувати гарш результати прогнозу в стабшьних ситуащях, наприклад, коли немае р1зких ктматичних змш. Однак при неспод1ваний р1зкш змш1 зовтштх параметр1в застосування такого тдходу не дозволяе правильно спрогнозувати ситуацш. Наприклад, при р1зкому сильному похолоданш, навиъ в раз1 якщо вщомий приблизно правильний прогноз погоди, метод не передбачае можливосп його використання. У зв'язку з тим, що автор1в щкавить задача прогнозування споживання електроенергп, яка мае дуже багато фактор1в впливу, це призводить до неможливосп використання даного методу.

Метод дерев ршень це однин з найпопуляршших метод1в розв'язку задач1 класиф1кацп та прогнозування. Якщо залежна, тобто цшьова змшна, набувае дискретних значень, то за допомогою методу дерева ршень розв'язуеться задача класифжацп. Якщо ж залежна змшна приймае безперервш значення, то дерево ршень встановлюе залежшсть ще! змшно! в1д незалежних змшних. Вперше дерева ршень були запропоноваш Ховшендом 1 Хантом в кшщ 50-х рошв минулого стол1ття. У найбшьш простому вигляд1 дерево ршень - це споаб представлення правил в 1ерарх1чнш, послщовно! структура Основа тако! структури - вцщовцц "Так" або "Ей" на ряд питань. На рис. 1. представлена одна з в ¡то к дерева рпнень.

1етрэ= 7 2

Рис. 1. Приклад ввдгалуження дерева р1шень

Останшм часом все б1льшу увагу з боку фах1вщв, що займаються прогнозом часових ряд1в, 1 зокрема, ряд1в з споживання електроенергп, привертають штучш нейронш мереж1 (ШНМ). Основна приваблив1сть застосування ШНМ для задач прогнозу споживання електроенергп полягае в можливосп використання велико! шлькосл р1зномаштних вхвдних параметр1в: юторичш даш по споживанню електроенергЦ та вщповвдш юторичш погодш умови, прогноз погоди, час доби, пора року, тип дня 1 т.д. При цьому функц1я впливу входного параметра на вихвдний результат може бути якою завгодно складносп (нелшшно!, нестацюнарно!).

ШНМ е аналггичними системами, в яких поставлен! задач1 не досить чгтко сформульоваш. Недостатня точнють формулювання заповнюеться здатнютю ШНМ до самонавчання, вмшню знаходити в даних приховаш 1 неясш образи. Важливою властив1стю ШНМ е здатнють до змши свое! поведшки 1 знання в залежносп ввд змш зовшшнього середовища.

Анал1з юнуючих метод1в показав, що найперспектившшим е використання нейронних мереж, тому що споживання електроенергп залежить ввд безл1ч1 параметр1в, це можуть бути робочий день або вихщний, сезон, час року, температура, похмур1сть, волопсть та шш1.

Викладення основного матер1алу досл1джень

Розробка нейронноТ мереж1 для розв'язання задач1 прогнозування споживання електроенергп.

Для прогнозування електроспоживання краще використовувати конфпурацш ШНМ прямого поширення (перцептрони) з навчанням за методом зворотного поширення помилки. Тут необхщно

зауважити, що при виборi структури ШНМ важливо враховувати И розмiрнiсть, тобто кшьшсть прихованих шарiв i кiлькiсть нейрошв в цих шарах. При недостатньому розмiрi мереж1 для розв'язання поставленого завдання ШНМ буде погано навчатися та неправильно працювати, а при розмiрi мереж!, який перевищуе складшсть розв'язувано! задач!, процес навчання ШНМ буде дуже тривалим, або мережа взагал! може бути непридатна для розв'язання даного завдання. Це питання в кожному конкретному випадку виршуеться експериментальним шляхом.

З уах цих фактор!в можна зробити висновок, що метод ШНМ дуже добре пвдходить для прогнозування часових ряд!в в рамках задач! прогнозування споживання електроенергп. Вш добре справляеться з великою шльшстю вхвдних параметр!в, з задачами, що погано формал!зуються, вм!е знаходити в даних неясш прихованш образи. Першим кроком пвд час навчання нейронно! мереж! шщал!зуемо вагов! коефщенти випадковим чином, тсля чого у випадковому порядку подаемо дан! навчально! виб!рки. Для навчання к1лькох р!зних нейронних мереж, з однаковими вхвдними даними, отримуемо на виход! результат з похибкою. Кр!м того, частина вхвдних параметр!в модел! е чисельними (юторичш значення споживання електроенергп, температура повггря, час доби ! т.п.), а частина -категор!альним (пора року, тип дня, тип хмарносп та шш!). Можливо також неявне використання вхщних параметр!в. Наприклад, через побудову системи ШНМ, кожний елемент яко! (окрема ШНМ) навчений на певний випадок, наприклад, для певного типу дня або пори року. Загальний вхвд системи ШНМ (ворота) служить для спрямування даних на вхвд конкретно! ШНМ, призначено! для вщповвдно! прогнозовано! ситуацп. Структура розроблено! нейронно! мереж! з конф!гурацш прямого поширення з навчанням за методом зворотного поширення похибки наведена на рис. 2.

Задля зб!льшення точносп прогнозу використовуеться модель, створена з декшькох ШНМ. Кожна ШНМ виконуе прогнозування зпдно з впливом свого фактору. Кожна ШНМ виконуе роль перцептрона в класичн!й модел!. Це дозволяе зб!льшити точн!сть прогнозування. Зг!дно з заданим алгоритмом в!дбуваеться перерахування ваг для кожного вузла. Для кожного показника, що може впливати на прогнозування (температура, опади, вихвдт дш), розпочинаеться навчання окремо! ШНМ. Коли навчання кожно! ШНМ закшчуеться, розпочинаеться навчання головно! ШНМ, яка встановлюе ваги для кожно! ШНМ, тобто визначае вплив, якого показника б!льше впливае на споживання електроенерг!!. Стандартна схема процесу навчання багатошарового перцептрона наведена на рис. 3.

багатошарова мережа

за методом заоротноТ гомилки

Багатоиарова мережа з навчанням за методам аворотно! помилии

Багатоиврова мережа а навчанням а в методом

ааоротноТ ■

^—

w1

wЗ

Рис. 2. Структура нейронно!' мереж1 з конф1гуращю прямого Рис. 3. Процес навчання нейронно!' мереж1

поширення з навчанням за методом зворотного поширення помилки

Розглянемо детальшше алгоритм навчання ШНМ. На першому крощ вщбуваеться шщитзащя вагових коефщенпв (V, ^) випадковим чином. Кожний вхвдний нейрон {х^ }Щ_1 вщправляе отриманий

сигнал вам нейронам в наступному (прихованому) шар!. Кожний прихований нейрон {/ тдсумовуе зважеш вхвдт сигнали:

тсля чого застосовуе активацшну функцш:

г_1

_ /(г_Щ).

Отриманий результат надходить вам елементам наступного (вихщного) шару. Кожний вихвдний нейрон {у^ }™_1 шдсумовуе зважеш вхвдш сигнали:

У _ Щ _ Ё 2/™/к / _1

\ застосовуе активацшну функцш, обчислюючи вихвдний сигнал:

Ук = / (У _ Щ)

Дал1 визначаеться похибка. Кожний прихований нейрон -р шдсумовуе похибку, що надходить

]=

ввд нейрошв попереднього шару:

п

1п] =

к =1

(а к - складова коригування вагових коефщентш), тсля чого обчислюе величину похибки, помножуючи отримане значення на похвдну активацшно! функцп:

_ Щ )

а- = а_ т]

На наступному етат ввдбуваеться коригування вагових коефщенпв, як1 в подальшому використовуються, як нов1 вхвдш даш до ШНМ.

Модель прогнозування споживання електроенергп, заснована на використанш дано! ШНМ, показуе хорош1 результати, наприклад, для середшх значень за день. При застосуванш нейронних мереж для часового прогнозування е необхвдшсть модиф1кацп, а саме, для кожно! години використовувати свою нейронну мережу. Результати такого прогнозу наведеш на рис. 4. На графшу сишм кольором позначеш реальш даш, а червоним кольором позначен даш, як1 були отримаш за допомогою прогнозу нейронною мережею.

160

140

120

100

- Реальш даш

- Прогнозоваш Дан'

80 -

0 2 4 6 8 10 12 14 16 18 20 22 24

1 3 5 7 9 11 13 15 17 13 21 23

Рис.4. Прогноз споживання електроенергй за день.

Авторами було створено 24 ШНМ для кожного часу. Кшьюстъ нейронних мереж, яш попали в пром1жок похибок до 2%, до 5% та б1льше 5% наведена в табл. 1.

Таблиця 1

Дата Число погодинно! похибки

До 2% До 5% Бшьш 5%

28.01.2017 12 24 0

29.01.2017 11 22 2

30.01.2017 12 21 3

31.01.2017 9 22 2

01.02.2017 15 22 2

02.02.2017 4 9 15

03.02.2017 3 13 11

04.02.2017 11 13 11

05.02.2017 10 17 7

06.02.2017 10 16 8

07.02.2017 10 19 5

Виходячи з даних табл. 1 бачимо, що спочатку результат прогнозування споживання електроенерги е задовiльним, проте, згодом спостериаеться рiзке збiльшення похибки. Це обумовлено тим фактом, що графiки щоденного споживання дуже сильно рiзняться. Наприклад, днi можуть бути вихвдними або робочими. Виходячи з цього, можна зробити висновок, що за допомогою нейронно! мереж1 з статичною архитектурою неможливо здiйснити ефективне погодинне прогнозування.

Для розв'язання ще! задачi було виршено застосувати нейронну мережу з самооргашзащею на основi конкуренци, а саме мережу Кохонена. Принцип ди дано! нейронно! мереж! наступний. В ШНМ з самого початку присутш вхiднi данi, але вiдсутнi нейрони. За результатами вхвдних даних, створюються нейрони з деякими випадковими ваговими коефщентами. Коли в ШНМ подаються наступнi вхiднi данi, розраховуеться так звана евклщова ввдстань - це рiзниця вхiдного вектора та вагових коефщенпв. Якщо ця вiдстань велика, то створюеться новий нейрон. Таким чином, виконуеться розбиття, на так зваш, кластери. Стандартна схема нейронно! мереж1 Кохонена наведена на рис. 5.

Вхщн! нейрони Вих1дн1 нейрони Рис. 5. Нейронна мережа Кохонена

Рис. 6. Схема навчання нейронно! мереж1 Кохонена

Алгоритм навчання нейронно! мереж! Кохонена, в графiчному вигляд^ наведено на рис. 6. Для розв'язання задачi кожний вхвдний сигнал подаеться на кожний нейрон, пiсля чого визначаеться нейрон-переможець, це означае, що цей нейрон ввдповщае за певний день енергоспоживання i тiльки для нього здшснюеться перерозподiл вагових коефщентш. Розглянемо бiльш детально алгоритм роботи дано! нейронно! мереж!

На першому кроцi ввдбуваеться завдання структури нейронно! мережi (кiлькостi нейронiв шару

Кохонена). Шсля чого вiдбуваеться випадкова iнiцiалiзацiя вагових коефiцiентiв:

\ < ^

Ч

4м'

де М- кшьшсть вхвдних змiнних мереж1.

На наступному кроцi вiдбуваеться подача на входи мереж1 випадкового навчального прикладу поточно! епохи навчання i здiйснюеться розрахунок евклвдових вiдстаней ввд входного вектора до центов всiх кластерiв:

^ =

М ( \ - Г .

I=1

За найменшим зi значень ^ обираеться нейрон-переможець ], найб№шою мiрою близький за значеннями з вхвдним вектором. Для обраного нейрона ^ тiльки для нього) виконуеться корекщя вагових коефiцiентiв:

(а+1) (а) (а)\

Ж)" ' = м)"' + ЩХ - Ж ' I,

У

У

У

де V - коефiцiент швидкостi навчання.

Дана нейронна мережа виконуе тiльки класифiкацiю вхщних даних, тобто е непридатною для здшснення прогнозу. У зв'язку з чим, було прийняте рiшення об'еднати мережу Кохонена та багатошаровий перцептрон для попередньо! класифiкацi! даних, за результатами яко! буде виконуватися прогноз споживання електроенерги.

Схема отримано! нейронно! мереж! наведена на рис. 7.

Мережа з самооргашзацкю

Вагатошаровий перцептрон

Рис.7. Схема модертзовано! нейронно!' мереж1

На рис. 8 наведено результат роботи модифнеовано! нейронно! мереш.

120

_ Дшсш

значения

Прогназоваш значения

- Прогназоваш

значення що отримаш немодефжованою нейронною мережею

Рис. 8. График прогнозування споживання електроенерги отриманий модиф1кованою нейронною мережею

Ситм кольором на графшу зазначеш реальш значення, жовтим - результат роботи не модершзовано! модел1 нейронно! мереж1, червоним - полшшена, модершзована модель нейронно! мереж! Дана модифжащя дозволила отримати прогноз з похибкою в 19 з 24 випадмв до 5%.

Покращити створену модель можливо за рахунок збшьшення к1лькост1 вх1дних даних. Щд час тестування ШНМ були застосоваш даш споживання електроенерги Харк1вським нацюнальним ушверситетом шеш В.Н. Каразша за термш, який складае п'ять рок1в. Однак, в отриманих даних був вЛдсутнш ряд показник1в, наприклад, таких як погодш умови. За наявност цих показник1в можна суттево полшшити як1сть класифшаци, а в1дпов1дно й прогнозу.

Розроблена штучна нейронна мережа була реал1зована у вигляд1 веб-програми. Стартове в1кно дано! програми наведено на рис. 9.

Organization

Login Password

Рис. 9. Стартове вжно програми прогнозування споживання електроенерги.

В розробленш nporpaMÍ для збереження даних KopKTyBa4ÍB була реалiзована база даних. Ця реляцшна база даних складаеться з трьох таблиць наведених на рис. 10.

id integer

name varchar

1*3 Add field

Hole m

id integer

role varchar

User J

id ntegei

login varchar

password varchar

email varcha,

orga n ization id integer

role_id intege.

\M Add field

«3 Add field

Рис. 10. Структура реляцшноК бази даних.

Дана модель збертання шформацп, для роботи з нейронною мережею, володie одним явним недолжом - це час навчання. Це пов'язано з тим, що одночасно виконуеться навчання декшькох нейронних мереж, кр!м того системою можуть скористатися рiзнi користувач^ i для кожного потрiбно проводити власш розрахунки на даних, яш вони надають. Кожний користувач навчае свою нейронну мережу. Необхiдно зберiгати для кожного користувача його модель. Тому була застосована !ерарх!чна база даних для збереження налаштування мереж!.

Програма написана на мов! Java, вона дозволяе зберегти стан класу об'екта в файл, тсля чого вш з'являеться в !ерарх!чнш структур! в баз! даних. На рис. 11 представлена структура, в якш збер!гаються дан! в !ерарх!чнш баз! даних.

ctiplom

\

С

hourlyForecasting

hourlyForecasting

Рис. 11. Фрагмент структури 1срарх1чно1 бази даних.

На Рис. 12 представлено вшно розроблено! бази даних.

Рис. 12. Вмкю бази даних

Рис. 13. Служба Jenkins

Коли користувач запускае навчання нейронно! мережу йому не зручно чекати шнця, тому що вш не знае, коли закончиться навчання. Як ми бачимо на рис. 13, навчання тривало 19 хвилини. Для взаемоди з користувачем було використано службу Jenkins, яка дозволяе автоматизувати деяш процеси. Дана служба мае доступ до коду за допомогою розподшено! системи контролю версш Git. Шсля початку навчання нейронно! мережу система надсилае листа користувачев! з !нформац!ею про час налаштування мереж1, а п!сля зашнчення навчання користувачев! надаеться посилання для подальшо! роботи з мережею.

Приклад в!кна програми наведено на рис. 14. Користувачу даеться можлив!сть налаштувати свою нейронну мережу, а також обрати, який саме прогноз вш хочу отримати: на день, мюяць чи р!к. Тобто обрати часову перспективу прогнозу.

Г О it I - . 1ЛО :1 V'U V-'»'' it U П

Upload file to start learning network

Hcuny terteaiipRQ

- Re.n \aiuei

- PrftJction

аюггь! (ГЛС1 Vinku 5HM I.KJBrartl 201 &

Рис. 14. Результат прогнозу на день.

На Рис. 15 представлено приклад прогнозу на рж з урахуванням впровадження в ушверситеп альтернативних джерел енерги. Прогноз було зд!йснено з урахуванням виробггки енергп сонячними панелями площею 200 м2. Червоним кольором позначен! показники вироблення електроенергп, син!м -споживання. Окушпсть тако! модершзацп становить 5 рошв.

300.000

225.000

150.000

75:000

Споживання

— Ви робка електроенерги сонячними панелями

Январь March May July September November

February April June August October December

Рис. 15. Приклад прогнозу на piK для Харювського машинального уншерситету iMem В.Н. Каразша з урахуванням

впровадження сонячних панелей.

Висновки

Пвд час дослвдження було проведено анал1з юнуючих метод1в прогнозування часових ряд1в. Здшснена модиф1кац1я нейронно! мереж1 для прогнозування споживання електроенерги та виробггки за допомогою альтернативних джерел енергп. Розроблеш структури баз даних для збериання шформацп про користувач1в та налаштування штучних нейронних мереж. Реал1зована програма на мов1 Java у вигляд1 веб-додатку з1 застосуванням служби Jenkins, та розподшено! системи контролю версш Git. Проведено тестування на реальних даних.

Список використано'1 лiтератури

1. Хайкин С.В. Нейронные сети: полный курс / С.В. Хайкин [ 2-е изд. Пер. с англ.]--М.: Издательский

дом "Вильямс", 2006. — 1104 с.

2. Хорстманн Кей. Java. Библиотека профессионала. Основы / Кей Хорстманн, Гари Корнелл. — Т.1. — М.: Издательский дом "Вильямс", 2015. — 1008 с.

3. Блинов И.Н. Java. Промышленное программирование / И.Н. Блинов, В.С. Романчик. — Минск: УниверсалПресс, 2007. — 704 с.

4. Гранд Марк. Шаблоны проектирования в Java / Марк Гранд. — М. : Новое знание, 2004. — 559 с.