350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №6 за 2012 г.
Статья в номере:
Сравнительный анализ нейросетевых архитектур и алгоритмов обучения для задачи прогнозирования потерь электроэнергии
Ключевые слова: нейронные сети электроэнергетика потери электроэнергии математическое моделирование многослойный персептрон сеть каскадной корреляции Фальмана
Авторы:
Ю.В. Кольцов - к.ф.-м.н., доцент, зав. кафедрой «Информационные технологии», декан факультета «Компьютерные технологии и прикладная математика», Кубанский государственный университет (г. Краснодар). E-mail: dean@fpm.kubsu.ru Е.В. Бобошко - аспирант, кафедра «Информационные технологии», Кубанский государственный университет. E-mail: IERC.Evgeniy.Baboshko@gmail.com
Аннотация:
В рамках решения задачи прогнозирования и расчета потерь электроэнергии в распределительных сетях напряжением 0,420 кВ был проведен сравнительный анализ ряда нейросетевых архитектур и алгоритмов обучения. В качестве обучающих данных были использованы данные, полученные из параметров модели режимов электросети. Было определено, что наиболее эффективными типами нейросетей для данной задачи являются многослойный персептрон и сеть каскадной корреляции Фальмана. При этом обучать многослойный персептрон рекомендуется посредством использования объединенного алгоритма обратного распространения и сопряженных градиентов.
Страницы: 55-61
Список источников
  1. Железко Ю.С. Потери электроэнергии. Реактивная мощность. Качество электроэнергии: Руководство для практических расчетов. М.: ЭНАС. 2009.
  2. Кольцов Ю.В., Бобошко Е.В. Программная реализация нейросетевого подхода к расчету и прогнозированию потерь электроэнергии // Вестник компьютерных и информационных технологий. 2012. № 2.
  3. Электронный учебник StatSoft. Многослойный персептрон [Электронный ресурс] URL: http://www.statsoft.ru/home/portal/applications/neuralnetworksadvisor/adv-new/MultilayerPerceptrons.htm. (дата обращения: 28.02.2012)
  4. Нейронные сети. STATISTICANeuralNetworks: Методология и технологии современного анализа данных / под ред. В.П. Боровикова. Изд. 2-е, перераб. и доп. М.: Горячая линия - Телеком. 2008.
  5. Fahlman S.E., Lebiere С. The cascade-correlation learning architecture // Advances in NIPS2. 1990. P.524-532.