Preview

Мир транспорта

Расширенный поиск

Нейронная сеть для прогнозирования нагрузок энергопотребления сортировочного узла

https://doi.org/10.30932/1992-3252-2019-17-3-6-15

Полный текст:

Аннотация

Предложено описание многослойной нейронной сети, предназначенной для предсказания среднесуточного потребления электроэнергии сортировочным узлом железной дороги. Для решения данной задачи была построена модель на основе многослойного персептрона, использующая 22 входа, n-ое количество скрытых слоёв и один выход. Количество скрытых слоёв в нейросети и нейронов в них было подобрано экспериментально.
Проведён сравнительный подбор функций активации и методов обучения, позволяющих при всех прочих параметрах достичь минимальной средней относительной ошибки.
Выделено два вида нагрузок, соответствующих праздничным (нерабочим) и рабочим дням, что потребовало введения одного дополнительного входного узла с двоичным кодированием и двух узлов для кодирования времени года, что обусловлено определённой повторяемостью характеризующих выборок предсказания нагрузок потребления энергии узла сортировочной станции в зависимости от типа дня и времени года. Важнейшим фактором также являлся учёт зависимости прогноза от значений нагрузки в предыдущие дни и годы (динамические зависимости), и в данной нейросети учтено среднесуточное потребление энергии по данным четырёх предыдущих дней текущего периода и четырёх предыдущих дней за последние три года.
В итоге, с учётом всех факторов и экспериментально подобранных параметров нейросети, минимальная получившаяся погрешность MAPE составляет порядка 1,4 %, что, в сравнении с двумя сторонними решениями для данной задачи, показывает преимущество разработанной нейросети.

Об авторах

В. Н. Гридин
Центр информационных технологий в проектировании Российской академии наук
Россия

доктор технических наук, профессор, научный руководитель

Москва



В. В. Доенин
Центр информационных технологий в проектировании Российской академии наук
Россия

доктор технических наук, главный научный сотрудник, профессор Российского университета транспорта

Москва



В. С. Панищев
Центр информационных технологий в проектировании Российской академии наук
Россия

кандидат технических наук, старший научный сотрудник

Москва



И. Д. Бысов
Юго-Западный государственный университет
Россия

студент магистратуры

Курск



Список литературы

1. Ахметьянов Р. Р., Делегодина Л. А., Копылова Н. П. и др. Задачи прогнозирования энергопотребления в интегрированной АСКУЭ Новосибирского научного центра // Энергосбережение. – 2007. – № 1. – С. 42–47.

2. Ахметьянов Р. Р., Делегодина Л. А., Копылова Н. П. и др. Мультипликативная модель сезонного энергопотребления предприятий // Автометрия. – 2008. – № 3. – С. 106–118.

3. Ахметьянов Р. Р., Делегодина Л. А., Копылова Н. П. и др. Использование нестандартных сезонных моделей авторегрессии и проинтегрированного скользящего среднего в задачах ресурсосбережения // Автометрия. – 2008. – № 4. – С. 28–41.

4. Бысов И. Д., Панищев В. С. Использование нейронной сети для прогнозирования нагрузок энергетического потребления предприятия // Тенденции развития науки и образования. – 2017. – № 33–1. – С. 17–18.

5. Kingma, D. P., Ba, J. Adam: A Method for Stochastic Optimization. – Cornell University Library. – 2014. [Электронный ресурс]: https://arxiv.org/pdf/1412.6980.pdf. Доступ 27.02.2019.

6. Гридин В. Н., Солодовников В. И., Карнаков В. В. Выбор начальных значений и оптимизация параметров нейронной сети // Новые информационные технологии в автоматизированных системах. – 2016. – № 19. – С. 270–273.

7. Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python / Пер. с англ. – М.: Вильямс, 2017. – 480 с.

8. Рашка С. Python и машинное обучение / Пер. с англ. – М.: ДМК Пресс, 2017. – 418 с.

9. Маккинни У. Python и анализ данных / Пер. с англ. – М.: ДМК Пресс, 2015. – 482 с.

10. Соломахо К. Л. Применение метода главных компонент для прогнозирования объёмов электропотребления энергосбытового предприятия / Дис… канд. техн. наук. Южно-Уральский государственный университет, Челябинск, 2015 [Электронный ресурс]: https://www.susu.ru/sites/default/files/dissertation/03_text_diss_5.pdf. Доступ 27.02.2019.

11. Осовский С. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2002. – 344 с.

12. Гридин В. Н., Доенин В. В., Солодовников В. И., Панищев В. С., Труфанов М. И. К вопросу построения интеллектуальной подсистемы анализа и прогнозирования работы сортировочного узла // Информационные технологии и вычислительные системы. – 2017. – № 4. – С. 95–103.

13. Гридин В. Н., Доенин В. В., Панищев В. С. О построении интеллектуальной подсистемы анализа параметров сортировочного узла // Мир транспорта. – 2017. – № 4. – С. 6–19.


Для цитирования:


Гридин В.Н., Доенин В.В., Панищев В.С., Бысов И.Д. Нейронная сеть для прогнозирования нагрузок энергопотребления сортировочного узла. Мир транспорта. 2019;17(3):6-15. https://doi.org/10.30932/1992-3252-2019-17-3-6-15

For citation:


Gridin V.N., Doenin V.V., Panishchev V.S., Bysov I.D. Neural Network for Forecasting Energy Consumption Load of a Railway Marshalling Yard. World of Transport and Transportation. 2019;17(3):6-15. (In Russ.) https://doi.org/10.30932/1992-3252-2019-17-3-6-15

Просмотров: 29


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1992-3252 (Print)