350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №3 за 2016 г.
Статья в номере:
Сравнительный анализ итерационного и прямого нейросетевого краткосрочного прогнозирования электропотребления крупного города
Ключевые слова: искусственная нейронная сеть многослойный персептрон краткосрочное прогнозирование электропотребления метапараметры итерационное и прямое прогнозирование
Авторы:
И.Е. Шепелев - к.т.н., ст. науч. сотрудник, НИИ нейрокибернетики им. А.Б. Когана Академии биологии и биотехнологии, Южный Федеральный университет (г. Ростов-на-Дону). E-mail: shepelev@krinc.ru И.И. Надтока - д.т.н., профессор, зав. кафедрой, Южно-Российский государственный политехнический университет (НПИ) им. М.И. Платова (г. Новочеркасск). E-mail: ii_nadtoka@mail.ru С.А. Вялкова - инженер, Южно-Российский государственный политехнический университет (НПИ) им. М.И. Платова (г. Новочеркасск). E-mail: mazaeva_sveta@mail.ru С.О. Губский - к.т.н., ст. преподаватель, Южно-Российский государственный политехнический университет (НПИ) им. М.И. Платова (г. Новочеркасск). E-mail: hromo@inbox.ru
Аннотация:
Приведено сравнение многошагового итерационного и одношагового прямого нейросетевого краткосрочного прогнозирования электропотребления на примере данных города Москвы. Рассмотрено определение оптимальных метапараметров настройки модели искусственной нейронной сети: длина линии задержки на входе искусственной нейронной сети (ИНС), размер ее скрытого слоя, глубина обучающей выборки, радиус обучающей окрестности, набор информативных входных переменных и коэффициент регуляризации ИНС. Прогноз построен на основе многослойного персептрона. Показано, что для рассматриваемого случая прямое прогнозирование является более точным по сравнению с итерационным.
Страницы: 21-30
Список источников

 

  1. Feinberg E. A., Genethliou D. Load forecasting. // In Applied Mathematics for Restructured Electric Power Systems. J. H. Chow, F. F.Wu, & J. A. Momoh (Eds.). Springer. 2005. P.269−285.
  2. Dordonnat V.,Koopman S., Ooms M., Dessertaine A.., Collet J.An hourly periodic state space model for modelling French national electricity load // International Journal of Forecasting. 2008. V.24. № 4. P.566-587.
  3. CanceloJ., Espasa A., Grafe R. Forecasting the electricity load from one day to one week ahead for the Spanish system operator // International Journal of Forecasting. 2008. V.24. № 4. P.588-602.
  4. Soares L., Medeiros M. Modeling and forecasting short-term electricity load. A comparison of methods with an application to Brazilian data // International Journal of Forecasting. 2008. V.24. № 4. P.630-644.
  5. Hippert H.S., Pedreira A.C., Souza R.C. Neural networks for short-term load forecasting // IEEE Transactions on Power Systems. 2001. V.16. P.44−55.
  6. Tashman L. Out-of-Sample Tests of Forecasting Accuracy: An Analysis and Review // International Journal of Forecasting. 2000. V. 16. № 4. P. 437-450.
  7. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация: Пер. с англ. М.: Мир.1985. 509 с.
  8. Хайкин С. Нейронные сети: полный курс. Изд. 2-е. М.: Вильямс. 2006. 1104 c.
  9. Hong T. Energy Forecasting: Past, Present and Future // Foresight: The International Journal of Applied Forecasting. 2014. V.32. P.43-48.
  10. Hippert H.S., Bunn D.W., Souza R.C. Large neural networks for electricity load forecasting: Are they overfitted - // International Journal of Forecasting. 2005. V. 21. № 3. P. 425-434.
  11. Осовский С.Нейронные сети для обработки информации: Пер. И. Д. Рудинского. М.: Финансы и статистика.2004. 344 с.