Прогнозування електроспоживання  на базі нейронної мережі

Олег Живогляд

doi:10.64915/ph25tk64

Т. 2 · № 1 · 2019 лют 28, 2019 Електронні системи та сигнали

Прогнозування електроспоживання на базі нейронної мережі

ОЖ

Олег Живогляд Відповідальний olegzhivo123@gmail.com Україна

Сторінки39-42 Опублікованолют 28, 2019 ЛіцензіяВідкритий доступ

pdf

ЕАІ 1 VOL 2 · 1

VOL 2 · NO 1 · 2019 Переглянути випуск

Анотація

В статті розглянуто задачу прогнозування дискретних значень потужності споживання електричної енергії, яка вирішується з використанням одного з методів штучних нейронних мереж - обмеженої машини Больцмана. В цьому методі прогнозування здійснюється шляхом підлаштування вагових функцій шарів нейронної мережі таким чином, щоб мінімізувати відстань між реальними та розрахунковими значеннями. У кожній фазі навчання мережі за допомогою відповідних математичних функцій розраховуються і змінюються коефіцієнти ваг з урахуванням їх поточних значень. В результаті після навчання система здатна ефективно прогнозувати часові за лежності потужності споживання електричної енергії, що є важливим при розробці системі керування електроспо живанням промислових та побутових об’єктів.

Ключові слова

#нейронна мережа #обмежена машина Больцмана #контрастна дивергенція

Посилання

E. Mocanu, Machine learning applied to smart grids. Eindhoven: Technische Universiteit Eindhoven, 2017.
Geoffrey Hinton and C. Ruslan Salakhutdinov, “Reducing the dimensionality of data with neural networks,” Science (80-. )., vol. 28, no. 5786, pp. 502–504, 2006.
“Restricted Boltzmann Machine,” 2012. [Online]. Available: https://en.wikipedia.org/wiki/Restricted_Boltzmann_machine.
A. Oppermann, “Deep Learning meets Physics: Restricted Boltzmann Machines Part I,” Towar. Data Sci., 2018, URL: https://towardsdatascience.com/deep-learning-meets-physics-restricted-boltzmann-machines-part-i-6df5c4918c15
M. G. Simões et al., “A comparison of smart grid technologies and progresses in Europe and the US,” IEEE Trans. Ind. Appl., vol. 48, no. 4, pp. 1154–1162, 2012.

Ліцензія

CCBY-NC 4.0

Creative Commons Із зазначенням авторства 4.0 Міжнародна

Ця робота має відкриту ліцензію: вільно поширюйте та адаптуйте її, посилаючись на авторів і журнал. Умови ліцензії ↗

Попередня у випуску Керування матричним перетворювачем частоти з використанням геометричного підходу

§ 06 — Пов'язані

Схожі статті в цьому журналі

Пов'язані рецензовані дослідження, опубліковані в цьому журналі.

Усі випуски

Прилад для дослідження транспорту кисню в капілярах

Марія С. Молебна

В роботі досліджується можливість візуалізації процесу передачі кисню тканинам організму через механізм капілярів. Запропоновано застосувати принцип оксиметрії на…

#оксиметрія #капіляроскопія #капілярна оксиметрія #просторово роздільна оксиметрія

p. 228255-1 - 228255-6

Алгебраїчна характеристика класу матричних перетворень та її апаратна реалізація

Станіслав В. Кудлай

У даній роботі на основі примітивних програмних алгебр виводиться алгебраїчна характеристика класу матричних перетворень методом ізоморфних відображень на алгебраїчну…

#матричні обчислення #ізоморфізм #алгебраїчна характеристика #обробка матриць

p. 228485-1 - 228482-6

Використання технології GMSL для передачі потоку відео даних високої якості

Богдан Андрійович Пономаренко

Робота присвячена опису та дослідженню технологій передачі потоку даних з відеокамер, призначених для використання у сучасних автомобілях. В роботі проведено…

#технологія GMSL #microcontroller #серіалізатор #десеріалізатор

p. 227993-1 - 227993-4

Схожі статті

Ярослав Юрійович Дорогий, Василь Васильович Цуркан, Олександр С. Хапілін, Автоматичне розпізнавання музичних жанрів глибокими згортковими нейронними мережами , Електронна та Акустична Інженерія: Том 1 № 1 (2018)
Олександр Русланович Осадчук, Алгоритм розпізнавання природного мовного сигналу , Електронна та Акустична Інженерія: Том 4 № 3 (2021)
Інь Ченьлянь, Олександра Олександрівна Омелянець, Володимир Семенович Лозебний, Аналіз показників успішності передавання звукових потоків засобами безпроводової мережі стандарту 802.11 , Електронна та Акустична Інженерія: Том 2 № 1 (2019)
Ченьлянь Інь, Володимир Семенович Лазебний, Застосування концепції віртуального конкурентного вікна для визначення якісних показників безпроводової мережі стандарту 802.11 , Електронна та Акустична Інженерія: Том 2 № 4 (2019)
Олександра Юріївна Колесник, Застосування нейронної мережі для стилізованої обробки зображень , Електронна та Акустична Інженерія: Том 2 № 4 (2019)
Микола М. Комаровський, Затухання сигналу при передачі даних через лінію електропередачі: Використання лінії електропередач в якості каналу зв’язку. Способи зменшення спотворень при передачі сигналів по лініям електропередач. Технологія PLC , Електронна та Акустична Інженерія: Том 4 № 3 (2021)
Інь Ченьлянь, Омелянець Олександра Олександрівна, Володимир Семенович Лазебний, Дослідження особливостей розповсюдження інформаційних відеопотоків мережами стандарту 802.11 , Електронна та Акустична Інженерія: Том 2 № 2 (2019)
Денис Солдатов, Методи розпізнавання рухів, дій людей на відео послідовностях , Електронна та Акустична Інженерія: Том 2 № 3 (2019)
Анна Миколаївна Хвіст, Методика розрахунку реактивного компенсатора лінійного несиметричного навантаження трифазної трипровідної мережі , Електронна та Акустична Інженерія: Том 2 № 4 (2019)
Валентин Олексійович Тоценко, Ганна В. Сарибога, Олег Михайлович Бевза, Автоматична система освітлення території підприємства , Електронна та Акустична Інженерія: Том 3 № 4 (2020)

1-10 з 24 Наступне

Ви також можете розпочати розширений пошук схожих статей для цієї статті.

[1] E. Mocanu, Machine learning applied to smart grids. Eindhoven: Technische Universiteit Eindhoven, 2017.

[2] Geoffrey Hinton and C. Ruslan Salakhutdinov, “Reducing the dimensionality of data with neural networks,” Science (80-. )., vol. 28, no. 5786, pp. 502–504, 2006.

[3] “Restricted Boltzmann Machine,” 2012. [Online]. Available: https://en.wikipedia.org/wiki/Restricted_Boltzmann_machine.

[4] A. Oppermann, “Deep Learning meets Physics: Restricted Boltzmann Machines Part I,” Towar. Data Sci., 2018, URL: https://towardsdatascience.com/deep-learning-meets-physics-restricted-boltzmann-machines-part-i-6df5c4918c15

[5] M. G. Simões et al., “A comparison of smart grid technologies and progresses in Europe and the US,” IEEE Trans. Ind. Appl., vol. 48, no. 4, pp. 1154–1162, 2012.