Нейронная сеть для прогнозирования нагрузок энергопотребления сортировочного узла

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.

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.