Штучна прямоспрямована нейронна мережа для прогнозування попиту на електричну енергію в житлово-комунальному секторі міського господарства

1 Штучна прямоспрямована нейронна мережа для прогнозування попиту на електричну енергію в житлово-комунальному секторі міського господарства, вхідний шар якої утворений групами нейронів, призначеними для одержання та ретранслювання на приховані шари та/або вихідний шар мережі однорідних за змістом даних, таких як споживання електричної енергії житловими масивами протягом 24-годинного інтервалу часу, фактичний та очікуваний стан погоди, а та кож тип наступного дня тижня, яка відрізняється тим, що до складу вхідного шару введено додаткову групу нейронів, зв'язаних з нейронами прихованих та/або вихідного шару синоптичними зв'язками так само, як і нейрони інших груп, але призначених для одержання та ретранслювання даних про КІЛЬКІСТЬ теплової енергії, отриманої житловими масивами від джерел централізованого теплопостачання на опалення протягом останніх 24 годин, та даних про запланований відпуск тепла на опалення житлових масивів протягом найближчих 24 годин 2 Мережа по п 1, яка відрізняється тим, що додаткову групу нейронів вхідного шару мережі представлено 2 нейронами, один з яких призначений для одержання та ретранслювання даних про КІЛЬКІСТЬ спожитого житловими масивами тепла за останню добу, а інший - даних про запланований добовий відпуск тепла 3 Мережа по п 1, яка відрізняється тим, що додаткова група нейронів вхідного шару мережі містить 48 нейронів, перші 24 з яких призначені для одержання та ретранслювання даних про КІЛЬКІСТЬ спожитого житловими масивами тепла в погодинному растрі за минулу добу, а останні 24 даних про запланований відпуск тепла також в погодинному растрі О ю (О CO Винахід відноситься до області перетворювальної техніки і призначений для автоматизації процесу короткострокового прогнозування попиту на електричну енергію в житлово-комунальному секторі міського господарства Штучні нейронні мережі репрезентують собою універсальні перетворювачі сигналів Вони мають досить просте та однотипне конструктивне виконання Під прямоспрямованими мережами мають на увазі мережі типу "багатошаровий перцептрон", тобто мережі, які мають упорядковану архітектуру з чітко відокремленими один від одного шарами, та в котрих сигнали розповсюджуються тільки в одному напрямі - від вхідного шару через так звані приховані шари до вихідного Нейрони, які нале жать до одного шару прямоспрямованої мережі, не мають ніяких зв'язків один з одним Нейрони ж, розташовані в різних шарах, попарно зв'язують так званими синаптичними зв'язками Синаптичний зв'язок володіє властивістю підсилювати або послабляти вихідний сигнал нейрона, розташованого в шарі, ближчого до входу мережі, при передачі його на вхід нейрона, розташованого в шарі, ближчому до виходу мережі Настроювання, або, як кажуть, тренування мережі здійснюють шляхом саме вибору таких коефіцієнтів підсилювання синаптичних зв'язків, ЯКІ забезпечують бажаний тип перетворювання вхідних сигналів мережі в ВИХІДНІ Найбільш широке використання в системах автоматичного управління знайшли трьохшарові 44365 містить 7 нейронів у вхідному шарі, 49 нейронів у прихованому шарі та 1 вихідний нейрон Вхідний шар мережі одержує дані про обсяг спожитої електроенергії за минулу годину та 4 попередні години (1 - 5 нейрони), а також номер тижня в році (6-й нейрон) і номер дня в тижні (7-й нейрон) [2] Предиктор генерує на вихідному нейроні прогноз споживання електроенергії на найближчу годину Недоліком цього пристрою є те, що він здатен точно прогнозувати обсяги споживання електроенергії тільки у випадку сталості температури зовнішнього повітря Ця умова виконується, коли мова йде про прогнозування глибиною в 1 годину Але якщо ми збільшуємо глибину прогнозу до 24 годин, пристрій не забезпечує потрібної точності Найбільш близьким по технічній суті запропонованому винаходові (прототипом) є нейромережевий предиктор електроспоживання, який нарівні з потоком даних про передісторію електроспоживання в погодинному растрі одержує на вхід прямоспрямованої штучної мережі дані про фактичний стан погоди, прогностичну інформацію про метеоумови, що очікуються на найближчу добу, та тип дня тижня, для якого розроблюють прогноз [3] Поліпшена, більш деталізована структура вхідного шару мережі дозволяє знизити похибку прогнозування навіть при глибині прогнозу в 24 години Недоліком цього пристрою є зниження точності прогнозування електроспоживання житловими масивами міста в період опалювального сезону Пристрій не враховує всіх чинників, що впливають При синтезі нейромережевих компонент сисна обсяги електроспоживання в побуті, та виявлятем автоматичного управління основним питанється неспроможним зробити точне прогнозування ням, яке виникає у розробника, є питання щодо попиту по поточним даним про споживання Провибору структури вхідного шару мережі, тобто виблема полягає втому, що в період опалювального бору КІЛЬКОСТІ нейронів у вхідному шарі та переліку сезону населення інтенсивно використовує електсигналів від об'єкту управління, які треба подавати роенергію не тільки втих цілях, що й у теплий час на ці нейрони Від ТОГО, наскільки вдало виконано року (освітлення, телевізор, холодильник, пилосос, цей вибір, залежить успіх синтезу системи управпральна машина й ІНШІ побутові електроприлади), ління Іншими словами, процес впровадження але і для додаткового обігріву житла Якість нейронних мереж у будь-яку технічну галузь - це централізованого теплопостачання в останні роки процес не стільки пошуку нових мережевих архітеістотно знизилася, і це провокує міське населення ктур, скільки процес вдосконалення структури вхізайматися самостійним опаленням житла будьдного шару мережі певної архітектури, яка забезякими доступними способами, в тому числі за допечує найкраще вирішення технічної проблеми помогою електрокамінів, електровоздухонагріваВідомою Є штучна нейронна мережа для прочів, електричних радіаторів гнозування попиту на електричну енергію в масштабах країни, яка містить 18 нейронів у вхідному Завданням винаходу є підвищення точності шарі, 3 нейрони в прихованому шарі та один вихіпрогнозування попиту на електричну енергію в дний нейрон [1] Нейрони вхідного шару згруповаперіод опалювального сезону но у три групи, які одержують дані про добове Поставлене завдання досягається тим, що в споживання об'єктом моделювання електроенергії штучній прямоспрямованій нейрон-ній мережі для протягом останніх 5 діб (1 - 5 нейрони), зовнішню прогнозування попиту на електричну енергію в температуру за той самий період (6-10 нейрони), житлово-комунальному секторі міського господарпрогноз температури (11 -й нейрон), та номер дня у ства, вхідний шар якої утворений групами нейротижні (12 - 18 нейрони) На виході мережі формунів, призначеними для одержання та ретранслюється сигнал, пропорційний добовому споживанню вання на приховані шари та/або вихідний шар електричної енергії протягом очікуваної доби мережі однорідних по змісту даних, таких як споживання електричної енергії житловими масивами Недоліком цього пристрою є те, що він здатен протягом 24-годинного інтервалу часу, фактичний прогнозувати обсяги споживання електроенергії та очікуваний стан погоди, а також тип наступного тільки у добовому растрі При вирішенні ж багадня тижня, до складу вхідного шару введено додатьох задач управління генерацією та споживанням ткову групу нейронів, зв'язаних з нейронами приенергоресурсів важливо передбачати не тільки хованих та/або вихідного шару синаптичними зв'яінтегральне добове споживання електроенергії, зками так само, як і нейрони інших груп, але але і сам вид добового профілю навантаження призначених для одержання та ретранслювання регіональної енергосистеми даних про КІЛЬКІСТЬ теплової енергії, отриманої Відомою Є інша штучна нейронна мережа, що мережі з одним прихованим шаром нейронів Це стосується як випадків, коли на базі нейронної мережі синтезують модель об'єкту управління, так і випадків, коли нейронна мережа набуває властивостей регулятору Синтез нейронної мережі для прогнозування попиту електроспоживання може інтерпретуватися як завдання створення пристрою, який імітує певну реакцію міського населення на зміни погодних умов та режимів теплопостачання в період опалювального сезону Іншими словами, така мережа репрезентує собою імітаційну модель об'єкту управління, реалізовану за допомогою мікропроцесорної техніки Провідні СВІТОВІ лідери в галузі нейрокомп'ютерів засвоїли випуск нейрочіпів - багатопроцесорних систем, які завдяки розпаралелюванню обчислювального процесу між штучними нейронами мережі досягли високої швидкості обробки інформації Новим сьогодні є те, що нейрочіпи розглядаються не тільки як важлива частина майбутнього нейронкомп'ютера, а як ЗОВНІШНІЙ контролер до звичайного персонального комп'ютеру, який здатен прискорити його роботу при вирішенні певного кола задач управління Вони мають власне програмне забезпечення для настроювання параметрів нейронної мережі, сумісне з програмним забезпеченням персональних комп'ютерів, що спрощує для широкого кола користувачів розробку нейромережевих компонентів на базі цих уніфікованих модулів 44365 житловими масивами від джерел централізованоймаючи до уваги тільки прогноз метеоумов, немого теплопостачання на опалення протягом останжливо зробити точний прогноз електроспоживанніх 24 годин, та даних про запланований відпуск ня Якщо теплова мережа не може адекватно і тепла на опалення житлових масивів протягом своєчасно відслідковувати зміну погодних умов, найближчих 24 годин той дефіцит тепла, що населення має компенсуКрім того, додаткову групу нейронів вхідного вати електроопаленням, буде змінюватися від шару мережі представлено 2 нейронами, один з доби до доби Разом із ним буде змінюватися і яких призначений для одержання та ретранслюзагальний рівень електроспоживання Тільки знавання даних про КІЛЬКІСТЬ спожитого житловими ючи запланований відпуск тепла, можна з упевнемасивами тепла за останню добу, а інший - даних ністю прогнозувати попит на електричну енергію про запланований добовий відпуск тепла На фіг 1 подано структурну схему запропоноКрім того, додаткова група нейронів вхідного ваної нейронної мережі, на фіг 2 наведено пришару мережі містить 48 нейронів, перші 24 з яких клад застосування мережі у складі комп'ютеризопризначені для одержання та ретранслювання ваної системи обліку споживання електричної та даних про КІЛЬКІСТЬ спожитого житловими масиватеплової енергії житловими масивами міста На ми тепла в погодинному растрі за минулу добу, а фіг 3 подано функціональну схему фіксатора рівостанні 24 - даних про запланований відпуск тепла ня сигналів, що забезпечує подачу належної ПОтакож в погодинному растрі СЛІДОВНОСТІ сигналів на вхід мережі, а на фіг 4 проілюстровано роботу обчислювального елеменВведення до складу вхідного шару мережі доту фіксатору даткової групи нейронів дозволяє точніше класифікувати вхідну інформацію, спростити процес Для спрощення викладення матеріалу на фіг запам'ятовування мережею тренувальних даних і 1 подано приклад мережі з одним прихованим шаполіпшити якість її роботи в режимі прогнозування ром Кожний нейрон 1 вхідного шару має синаптиТе, що у вхідний набір даних включають відпуск чні зв'язки 2 з усіма нейронами 3 прихованого шатепла на опалення за минулу добу і запланований ру Ті, В СВОЮ чергу, зв'язані синаптичними відпуск тепла в найближчу добу, дозволяє деталізв'язками 4 з вихідним нейроном 5 На практиці зувати опис тих загальних умов, при яких відбуваможуть бути використані мережі з двома та більється споживання електроенергії населенням житшою КІЛЬКІСТЮ прихованих шарів та з синаптичнилових масивів міста, і визначити їхній вплив на ми зв'язками між нейронами, розташованими в розвиток попиту на електричну енергію несуміжних шарах, але це не має принципового значення для розуміння суті винаходу Відпуск тепла за минулу добу є сильним фактором впливу на рівень поточного електроспожиБільш важливим є те, що нейрони вхідного вання житловими масивами шару мережі упорядковано в окремі групи згідно із змістовним типом інформації, яку вони мають одеДійсно, температура внутрішнього повітря в ржувати в процесі роботи мережі В запропоноважитлових і суспільних будівлях є не єдиним, але ній мережі таких груп чотири Перша група об'єдодним із найважливіших показників їх комфортнонує 24 нейрони, які одержують в погодинному сті Вона формується під впливом двох факторів растрі дані про споживання електричної енергії потужності джерел тепла всередині будівель і пожитловими масивами міста за 24-годинний інтертужності втрат тепла через ЗОВНІШНІ огородження вал часу Другу групу призначено для введення в (стіни І дах) Саме з цієї причини температура помережу даних про погодний стан протягом минулої вітря всередині опалювальних помешкань може доби та прогноз метеоумов на наступну добу (набути різною при одних і тих самих метеоумовах, приклад, усередненої температури зовнішнього але при різній інтенсивності використання внутріповітря), а також тривалості світового дня Третя шніх джерел тепла група нейронів приймає дані щодо типу дня тижня У відсутність людей температура повітря всеТобто чи є він робочим, вихідним або святковим редині помешкань цілком визначалась би режиНарешті, четверта - додаткова - група нейронів мом роботи теплової мережі Але те, що в системі одержує дані в добовому або погодинному растрі є присутнім адаптивний агент в особі жителів, у про споживання житловими масивами тепла на корені видозмінює характер теплових процесів у опалення від джерел централізованого теплопобудівлях Люди активними діями збільшують обсястачання, а також дані про запланований відпуск ги генерації тепла у будівлях, доводячи температепла житловим масивам від джерел централізотуру повітря до такого рівня, який здається їм кованого постачання на наступну добу в добовому мфортним Найбільш ефективним допоміжним або погодинному растрі засобом покриття дефіциту тепла, недоотриманого від системи централізованого опалення, є елекКІЛЬКІСТЬ нейронів 3 в прихованому шарі залетроопалення Потужність електроопалення залежить від типу нейрочіпу, на базі якого реалізовано жить від того, наскільки великим є недопостачання мережу Вихідний шар мережі представлено одтепла житловим масивам від джерел централізоним нейроном 5 ваного теплопостачання, а якщо говорити про Опрацювання сигналів виконується мережею прямі показники, то від КІЛЬКОСТІ відпущеного житнаступним чином ловим масивам тепла Дані, що поступають на вхід мережі, без будьяких змін ретранслюються нейронами вхідного Запланований відпуск тепла є також сильним шару 1 через синаптичні зв'язки 2 на нейрони З фактором впливу на рівень попиту на електроенеприхованого шару Особливістю нейронів 3 прихоргію, тобто на обсяги майбутнього електроспоживаного шару є те, що вони виконують нелінійне вання житловими масивами Не знаючи, яким буде перетворення алгебраїчної суми вхідних сигналів у наступного дня режим теплопостачання, а при 8 44365 власний вихідний сигнал Кожен з синаптичних розвитку попиту на електричну енергію на наступзв'язків 4, що поєднують нейрони 3 прихованого ну добу шару з вихідним нейроном 5, підсилює або послаПам'ятаючи приклади з минулого, коли певній бляє вихідний сигнал нейрону прихованого шару якості теплопостачання при деяких метеоумовах Отже, вихідний нейрон 5 обчислює зважену суму відповідав конкретний рівень електроспоживання, вихідних сигналів нейронів прихованого шару 3 та тренована нейронна мережа може правильно проретранслює її як сигнал прогнозу на вихід мережі гнозувати рівень електроспоживання при повторенні відомої ситуації в теперішньому або майбутПрогнозування електроспоживання починають ньому Завдяки ж властивій нейронним мережам з того, що на вхідний шар мережі подають перший здібності апроксимувати бажаний тип перетворенвектор вхідних сигналів Х-і, структурований згідно з ня "вхід - вихід" запропонована мережа генерує переліком груп вхідних нейронів правильний прогноз і в тому випадку, якщо на її Хі = (Рі,М,І,Н) входи надходить деяка оригінальна комбінація Тут ВеКТОр Рі = (Рк 1, Рк2, РкЗ, Рк23, Рк 24) рвданих, яка ніколи не поступала раніше в процесі презентує погодинне фактичне споживання електтренування ричної енергії житловими масивами міста за останні 24 повні години, k - номер години на моЗапропонована мережа може бути використамент, коли здійснюють прогноз Його подають на на для розширення функціональних можливостей першу групу нейронів, діючих комп'ютеризованих систем обліку споживання електричної та теплової енергії Ці системи вектор М = (Т|, Т|+і, І_|+і), призначений для друзастосовуються сьогодні тільки для ретроспективгої групи, містить дані про метеоумови, а саме ного аналізу даних про споживання, які служать усереднену фактичну температуру повітря протябазою для комерційних розрахунків між крупними гом минулих 24 годин Т,, прогноз усередненої темспоживачами енергії та енергопостачальною комператури на наступні 24 години Т,+і та тривалість панією Прогноз попиту виконують найбільш досвісвітового дня І_,+і Індекс j означає належність дадчені диспетчери За допомогою винаходу ті ж них до минулих 24 годин, а індекс Q + 1) - до потосамі дані можуть бути використані для автоматиччної та 23 наступних годин, ного отримання прогнозної інформації вектор І = (h, І2) кодує тип дня, для якого розроблюють прогноз попиту, в просторі ознак h, (тип Принципову схему предиктору попиту на елекдня тижня h = 0 для днів тижня з понеділка по троенергію, за допомогою якого штучна нейронна п'ятницю, h = 1 для суботи та неділі), та І2 (признак мережа, сформована, наприклад, на базі нейрочічи є день ординарним І2 = 0 або святковим І2 = 1) па, може бути втілена в систему обліку споживанЙого подають на третю групу нейронів, ня електричної та теплової енергії, зображено на фіг 2 вектор Н = (Н,, Н,+і) містить дані про фактичний та запланований відпуск тепла на опалення Предиктор 6 містить саму нейронну мережу 7 житловим масивам від джерел централізованого на базі нейрочіпа, комутатор вхідних сигналів 8, теплопостачання Його подають на четверту групу групу фіксаторів рівня сигналу 9 та ЛІНІЮ затримки 10 Мережа перетворює сукупність вхідних сигнаПредиктор має входи R, S, Р-і - Р24, Т-і, Т2, L, h, р лів Хі в вихідний сигнал Y-i = ь, який репрезентує b, Н-і, Н2, W, С та вихід Р Входи R та S призначені прогноз попиту на поточну годину для отримання сигналів управління комутатором 8 Для збільшення глибини прогнозу ще на одну та групою фіксаторів 9 Входи Р-і - Р24 зв'язані з годину на вхід мережі подають другий вектор контактами "а" комутатора 8 Входи Т-і, Т2, L, h, l2, Х 2 = (Р2,М,І,Н), Н-і, Н 2 безпосередньо зв'язані з другою, третьою та який відрізняється від вектора Хі тільки склачетвертою групами вхідних нейронів мережі Вхід дом КОМПОНеНТИ Р2 = (Рк, Рк 1, Рк2, Рк22, Рк 2з) W служить для програмного настроювання параОстання містить тепер комбінацію прогнозних даметрів нейрочіпа, а вхід С - для отримання команних Рі