CC BY
110
УДК 621.311.001.57
ВЛИЯНИЕ ВИДА ФУНКЦИЙ АКТИВАЦИИ НЕЙРОНОВ НА ОТНОСИТЕЛЬНУЮ ОШИБКУ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ
Е. А. Дегтярев, А. Л. Карякин
Оценивается влияние вида функций активации нейронов искусственных нейронных сетей на относительную ошибку прогнозирования электропотребления промышленного предприятия.
Ключевые слова: горное предприятие; искусственные нейронные сети; прогнозирование электропотребления; функции активации нейронов; цех агломерации; электрическая энергия.
Использование методов искусственного интеллекта для решения задач прогнозирования временных рядов находит практическое применение в современной электроэнергетике. Применение нейросетевых моделей в программах для составления заявок на приобретение электроэнергии позволяет существенно снизить погрешность между заявленными и потребленными объемами и соответственно затраты предприятия на штрафы при их значительном рассогласовании.
В теории нейронных сетей [1-4] не дается рекомендаций по выбору функций активации нейронов применительно к различным структурам сетей, поэтому в данной работе ставилась задача рассмотреть возможные варианты архитектуры нейронных сетей с различными функциями активации, проанализировать полученные в ходе экспериментов данные, обобщить полученный результат и выявить общие закономерности.
Экспериментирование проводилось на данных, полученных от ОАО «Качканарский ГОК» для цеха агломерации [5]. Предварительно весь совокупный объем факторов, оказывающих влияние на потребление электроэнергии, был изучен с помощью корреляционного анализа, на основе которого были выявлены наиболее значимые переменные.
Для обучения сети и экспериментов с ее архитектурой сформировано обучающее и контрольное множества, из состава которых на основании экспериментов с обобщеннорегрессионными сетями с применением метода визуального анализа диаграммы рассеяния были исключены выбросы. С целью
проведения сравнительного анализа и выявления общих закономерностей в результатах экспериментов с различными структурами сетей из исходных данных сформированы три базы. Каждая из баз содержит по 14, 15 и 16 переменных: производство агломерата за текущую смену, время работы двух агломашин, среднесуточные и крайние значения температуры уличного воздуха (наличием или отсутствием данных предикторов отличаются между собой базы данных), порядковый номер дня в году, значения потребления электрической энергии в предыдущие десять смен. Далее массивы исходных данных были разбиты на обучающее (3926 изм.), тестовое (184 изм.) и контрольное (185 изм.) множества. Для объективной оценки точности прогнозирования из состава последнего множества значения выбросов не были исключены.
Элементы теории вероятности и математической статистики позволяют обратиться к правилу трех сигм [6], из которого следует: вероятность того, что абсолютная величина отклонения превысит утроенное среднее квадратическое отклонение, очень мала, а именно равна 0,0027 % или 0,27 %. Поэтому сравнение сетей производилось по величинам математического ожидания и утроенного стандартного отклонения.
В результатах экспериментов определен верхний предел изменения относительной ошибки прогноза на тестовом множестве (предельная относительная ошибка прогноза на тестовом множестве), т. е. х + 3а, где х - среднее значение относительной ошибки прогноза на тестовом множестве, определяемое формулой, отн. ед.:
где х7 - значение относительной ошибки прогноза на тестовом множестве для 7-го опыта, отн. ед.; N - общее число опытов (наблюдений).
Стандартное выборочное отклонение рассчитывалось в соответствии со следующим выражением, отн. ед. [7]:
1
с =
т К *- * Г
1 1=1
Были построены графики зависимости х + 3 с от вида функции активации и номера опыта, так как в первую очередь авторов интересует максимально возможная ошибка прогноза, а не то, какова доля величин, принимающих участие в ее формировании. Для определения средней относительной ошибки прогноза на тестовом множестве во всех экспериментах проводилось 30 опытов.
При синтезе сетей для каждого типа архитектуры руководствовались одними и теми же принципами, обеспечивая тем самым одинаковый порядок формирования структур сетей: число нейронов во входном слое сети
Влияние вида функций активации нейронов на величину прогноза для трехслойной сети : 16 входными переменными, 16 нейронами во входном слое и 18 нейронами в скрытом слое
Номер опыта Вид функции активации для нейронов х отн. ед. о, отн. ед. х ± 3с, отн. ед. х + 3с, отн. ед. Кодировка функций активаций в системах счисления
входного слоя скрытого слоя выходного слоя двоич- ной десятич- ной (х2)
1 logsig ригеїіп logsig 0,0422 0,0021 0,0422 ± 0,0063 0,0485 011001 50
2 logsig ригеїіп ригеїіп 0,0423 0,0025 0,0423 ± 0,0075 0,0498 101001 82
3 logsig logsig logsig 0,0429 0,0023 0,0429 ± 0,0069 0,0498 010101 42
4 ригеЦп ригеЦп ригеїіп 0,0490 0,0004 0,0490 ± 0,0012 0,0502 101010 84
5 logsig tansig ригеїіп 0,0438 0,0022 0,0438 ± 0,0066 0,0504 100001 66
6 ригеїт tansig ригеїіп 0,0428 0,0026 0,0428 ± 0,0078 0,0506 100010 68
7 ригеїт logsig logsig 0,0425 0,0028 0,0425 ± 0,0084 0,0509 010110 44
8 logsig logsig ригеїіп 0,0435 0,0025 0,0435 ± 0,0075 0,0510 100101 74
9 tansig ригеЦп ригеїіп 0,0435 0,0025 0,0435 ± 0,0075 0,0510 101000 80
10 ригеїіп logsig ригеїіп 0,0428 0,0031 0,0428 ± 0,0093 0,0521 100110 76
11 tansig logsig ригеїіп 0,0436 0,0029 0,0436 ± 0,0087 0,0523 100100 72
12 tansig tansig ригеїіп 0,0446 0,0026 0,0446 ± 0,0078 0,0524 100000 64
13 tansig logsig logsig 0,0451 0,0054 0,0451 ± 0,0162 0,0613 010100 40
14 logsig tansig tansig 0,0453 0,0075 0,0453 ± 0,0225 0,0678 000001 2
15 tansig tansig logsig 0,0700 0,1223 0,0700 ± 0,3669 0,4369 010000 32
16 logsig logsig tansig 0,0679 0,1342 0,0679 ± 0,4026 0,4705 000101 10
17 logsig tansig logsig 0,0832 0,1569 0,0832 ± 0,4707 0,5539 010001 34
18 tansig logsig tansig 0,0771 0,1754 0,0771 ± 0,5262 0,6033 000100 8
19 tansig ригеЦп logsig 0,0884 0,1751 0,0884 ± 0,5253 0,6137 011000 48
20 tansig tansig tansig 0,0792 0,1919 0,0792 ± 0,5757 0,6549 000000 0
21 ригеЦп tansig logsig 0,1083 0,2036 0,1083 ± 0,6108 0,7191 010010 36
22 ригеЦп ригеїіп logsig 0,1201 0,2277 0,1201 ± 0,6831 0,8032 011010 52
23 ригеЦп logsig tansig 0,1517 0,2599 0,1517 ± 0,7797 0,9314 000110 12
24 ригеЦп tansig tansig 0,2073 0,3237 0,2073 ± 0,9711 1,1784 000010 4
25 ригеЦп ригеїіп tansig 0,1766 0,3676 0,1766 ± 1,1028 1,2794 001010 20
26 tansig ригеїіп tansig 0,1650 0,4212 0,1650 ± 1,2636 1,4286 001000 16
27 logsig ригеїіп tansig 0,3336 0,6876 0,3336 ± 2,0628 2,3964 001001 18
принимается равным числу входных переменных, число нейронов в промежуточном слое сети определяется в соответствии с формулой [2]:
mN
1 + N
< Lw < (N + m) (п + m +1) + m,
где т - размерность выходного сигнала, ед.; N - число элементов обучающей выборки, шт.; п - размерность входного сигнала, ед.; Lw— необходимое число синаптических весов.
Оценив необходимое число весов, можно рассчитать число нейронов в скрытых слоях:
L
L = —.
п + т
Были рассмотрены следующие функции активации нейронов: logsig - логарифмическая (сигмоидальная); purelin - линейная; tans7g -гиперболический тангенс (сигмоидальная).
По полученным в результате опытов таблицам можно оценить влияние вида функций активации нейрона на величину прогноза для однослойных сетей ( х , о, х ± 3а, х + 3а). Число возможных вариантов сетей для одного типа архитектуры (числа слоев) в зависимости от вида используемых функций активации нейронов определялось с помощью элементов комбинаторики.
Для того чтобы дать количественную оценку полученным результатам для трехслойных сетей, в таблицах приведены шифры вида функций активации нейронов по слоям в двоичной и десятичной системах. Кодировка в двоичной системе представлена ниже. Для наглядности результатов в таблице соответствующему двоичному коду приводится удвоенное десятичное число. Формирование двоичного кода осуществляется в направлении, обратном распространению сигнала при функционировании сети (т. е. от выходного слоя к входному):
Вид функции активации
нейронов слоя....... tans7g logsig purelin
Шифр................
00
01
10
Например, 101001 - входной слой имеет функцию активации logsig, скрытый - purelin, выходной - purelin.
Один из результатов экспериментов с трехслойными сетями представлен в таблице и на рис. 1, а. На рис. 2, б изображен общий
график зависимости отклонений прогноза от вариантов архитектуры и числа входных переменных.
Результаты, полученные в ходе опытов при одно-, двух- и трехслойных сетях. Предельные относительные ошибки прогноза на тестовом множестве для однослойной и двухслойной сети (при отдельных вариантах комбинаций х + 3а функций активации нейронов по слоям) находятся примерно на одном уровне и меньше, по отношению к ошибке прогноза трехслойной сети на 0,2-0,3 %.
Не все сочетания функций активации для нейронов входного, промежуточного и выходного слоев приемлемы с точки зрения точности выдаваемого результата. Для двух-и трехслойных сетей сочетание функций активации нейронов purelin для всех слоев дает минимальную величину отклонения.
Среди трехслойных сетей наилучшим образом обобщать результат на новые наблюдения способны сети, имеющие нейрон в выходном слое с линейной функцией активации, затем следуют сети с логарифмическими функциями активации, наихудшие результаты показывают сети с гиперболическим тангенсом в качестве функции активации выходного нейрона сети. Можно уверенно говорить о том, что сети, имеющие в выходном слое нейрон с линейной функцией активации, способны с достаточной степенью точности прогнозировать значение потребления электроэнергии.
Установлено, что число входных переменных слабо влияет на предельную относительную ошибку прогноза для первых пяти наблюдений. Для последующих наблюдений сеть с 16 входными переменными показывает лучшие результаты. Изменение числа предикторов меняет устойчивость сетей с точки зрения числа возможных вариантов их построения, дающих приемлемые результаты. Более устойчивыми оказались сети с 14 и 16 предикторами.
БИБЛИОГРАФИЧЕСКИМ СПИСОК
1. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика. 2004. 176 с.
2. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия -Телеком, 2001. 382 с.
3. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с польск. И. Д. Рудинского. М.: Горячая линия - Телеком, 2006. 452 с.
4. Хайкин С. Нейронные сети. 2-е изд.; пер. с англ. Н. Н. Куссуль и А. Ю. Шелестова. М.: Изд. дом «Вильямс», 2006. 1104 с.
5. Карякин А. Л., Белов К. Д., Дегтярев Е. А. Прогнозирование потребления электроэнергии цехом агломерации на основе метода искусственных нейронных сетей // Изв. вузов. Горный журнал. 2008. № 8. С. 126-127.
6. Баврин И. И. Теория вероятностей и математическая статистика. М.: Высш. школа, 2005. 160 с.
7. Тейлор Дж. Введение в теорию ошибок: пер. с англ. М.: Мир, 1985. 272 с.
Поступила в редакцию 15 мая 2013 г.
Дегтярёв Евгений Андреевич - старший преподаватель кафедры электрификации горных предприятий. 620144, Екатеринбург, ул. Куйбышева, 30, Уральский государственный горный университет. E-mail: e.degtyarev@m.ursmu.ru
Карякин Александр Ливиевич - заведующий кафедрой электрификации горных предприятий, доктор технических наук, профессор. 620144, Екатеринбург, ул. Куйбышева, 30, Уральский государственный горный университет. E-mail: Aleksandr.Karyakin@m.ursmu.ru
