📄Работа №208974
Тема: Применение нейронной сети в области краткосрочного прогнозирования узловой нагрузки с учетом социальных факторов
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Электротехника
Объем:
56 листов
Год:
2020
Просмотров:
34
4560
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
АННОТАЦИЯ 4
ВВЕДЕНИЕ 8
1 ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ 9
1.1 Классические методы прогнозирования 9
1.2 Модели, основанные на применении нейронных сетей 10
2 ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ 11
2.1 Основные понятия 12
2.1.1 Нейрон 12
2.1.2 Вес связи 12
2.1.3 Функция активации 13
2.2 Виды искусственных нейронных сетей 18
2.2.1 Однослойные нейронные сети (Single-layer neural network) 18
2.2.2 Многослойные нейронные сети (Multilayer neural network) 19
2.2.3 Самоорганизующиеся карты Кохонена 21
2.2.4 Сети Хопфилда 22
2.3 Обучение искусственной нейронной сети 22
2.3.1 Обучение с учителем 23
2.3.2 Обучение без учителя 24
2.3.3 Обучение однослойной нейронной сети 24
2.3.4 Обучение многослойной нейронной сети 26
2.4 Распространенные алгоритмы нахождения ошибки
(оптимизаторы) 27
2.4.1 Градиентный спуск 27
2.4.2 Стохастический градиентный спуск (SGD) 30
2.4.3 Adam 31
2.4.4 RMSprop 32
2.5 Функции потерь и метрики 33
2.5.1 Среднеквадратичная ошибка, квадратичная потеря 33
2.5.2 Средняя абсолютная ошибка 34
2.5.3 Средняя абсолютная процентная ошибка 34
3 ПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ В ОБЛАСТИ
КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ УЗЛОВОЙ НАГРУЗКИ С
УЧЕТОМ СОЦИАЛЬНЫХ ФАКТОРОВ 35
3.1 Платформы ЭВМ для прогнозирования с помощью нейронных
сетей 35
3.1.1 Средства реализации обучения нейронной сети 35
3.1.2 Использования средств языка Python 35
3.2 Анализ и обработка данных 35
3.3 Обучение нейронной сети 40
3.3.1 Рассмотрение нескольких моделей 40
3.3.2 Анализ наилучшей модели 47
3.3.2.1 Изменение функции активации 47
3.3.2.2 Изменение количества входных нейронов 50
3.3.2.2 Изменение оптимизаторов 52
3.3.3 Построение и анализ графика обучения нейронной сети 54
ЗАКЛЮЧЕНИЕ 56
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 57
ВВЕДЕНИЕ 8
1 ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ 9
1.1 Классические методы прогнозирования 9
1.2 Модели, основанные на применении нейронных сетей 10
2 ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ 11
2.1 Основные понятия 12
2.1.1 Нейрон 12
2.1.2 Вес связи 12
2.1.3 Функция активации 13
2.2 Виды искусственных нейронных сетей 18
2.2.1 Однослойные нейронные сети (Single-layer neural network) 18
2.2.2 Многослойные нейронные сети (Multilayer neural network) 19
2.2.3 Самоорганизующиеся карты Кохонена 21
2.2.4 Сети Хопфилда 22
2.3 Обучение искусственной нейронной сети 22
2.3.1 Обучение с учителем 23
2.3.2 Обучение без учителя 24
2.3.3 Обучение однослойной нейронной сети 24
2.3.4 Обучение многослойной нейронной сети 26
2.4 Распространенные алгоритмы нахождения ошибки
(оптимизаторы) 27
2.4.1 Градиентный спуск 27
2.4.2 Стохастический градиентный спуск (SGD) 30
2.4.3 Adam 31
2.4.4 RMSprop 32
2.5 Функции потерь и метрики 33
2.5.1 Среднеквадратичная ошибка, квадратичная потеря 33
2.5.2 Средняя абсолютная ошибка 34
2.5.3 Средняя абсолютная процентная ошибка 34
3 ПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ В ОБЛАСТИ
КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ УЗЛОВОЙ НАГРУЗКИ С
УЧЕТОМ СОЦИАЛЬНЫХ ФАКТОРОВ 35
3.1 Платформы ЭВМ для прогнозирования с помощью нейронных
сетей 35
3.1.1 Средства реализации обучения нейронной сети 35
3.1.2 Использования средств языка Python 35
3.2 Анализ и обработка данных 35
3.3 Обучение нейронной сети 40
3.3.1 Рассмотрение нескольких моделей 40
3.3.2 Анализ наилучшей модели 47
3.3.2.1 Изменение функции активации 47
3.3.2.2 Изменение количества входных нейронов 50
3.3.2.2 Изменение оптимизаторов 52
3.3.3 Построение и анализ графика обучения нейронной сети 54
ЗАКЛЮЧЕНИЕ 56
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 57
📖 Аннотация
В данной работе исследуется применение искусственных нейронных сетей для решения задачи краткосрочного прогнозирования узловой нагрузки в электроэнергетических системах с интеграцией социальных факторов. Актуальность исследования обусловлена растущими требованиями к точности и надежности планирования режимов работы сетей в условиях изменчивого спроса, на который значительное влияние оказывают не только метеорологические, но и социально-поведенческие аспекты. Основным результатом является разработанная нейросетевая модель, способная с приемлемой точностью прогнозировать нагрузку на пятидневный горизонт за счет учета комплекса входных переменных, включая социальные индикаторы. Научная значимость заключается в адаптации и оптимизации архитектуры нейронной сети для учета нелинейных зависимостей в данных, а практическая — в возможности внедрения модели для повышения эффективности оперативного управления и планирования в энергосистемах. В рамках обзора литературы рассматриваются работы, посвященные нейросетевым структурам для прогнозирования нагрузок (Сыктывкар, 2008), применению интеллектуальных технологий в энергетике (Родыгина С.В., 2010), а также фундаментальным основам и методам оптимизации искусственных нейронных сетей.
📖 Введение
На сегодняшний день прогнозирование электрических нагрузок является важной задачей в электроэнергетике. В связи с низкой точностью классических методов прогнозирования нагрузки, на данный момент необходима повышенная точность планирования оптимального режима электрических сетей (распределительных и питающих сетей) с целью энергосбережения ресурсов и достоверности при решении технических и экономических задач. Точность прогноза влияет на загрузку оборудования, следовательно, и на надежность.
Для краткосрочного прогнозирования используются регрессионные методы, основанные на использовании линейных моделей. Однако нагрузка потребителей претерпела значительные изменение и стала значительно зависимой от метео- и социофакторов. Технологический процесс имеет нелинейную зависимость электропотребления, что, в свою очередь, вызвало применение новых подходов к краткосрочному прогнозированию электропотребления.
Для краткосрочного прогнозирования используются регрессионные методы, основанные на использовании линейных моделей. Однако нагрузка потребителей претерпела значительные изменение и стала значительно зависимой от метео- и социофакторов. Технологический процесс имеет нелинейную зависимость электропотребления, что, в свою очередь, вызвало применение новых подходов к краткосрочному прогнозированию электропотребления.
✅ Заключение
ЗАКЛЮЧЕНИЕ
Развитие технологий требует высокую надежность энергосистем. Необходимы точные и достоверные данные для решения возникших задач в режиме реального времени. Нейросетевые модели прогнозирования электрических нагрузок обладают не только приемлемой точностью прогноза, но и быстродействием.
Результаты исследований, представленные в работе, а именно, выбор конфигурации нейронной сети, определение входного множества переменных, решение вопросов нормирования входных данных, учет погодных и социальных факторов, влияющих на точность прогнозирования нагрузки и другие, позволили сделать вывод о том, что полученная модель способна предсказать узловые нагрузки с приемлемой точностью на ближайшие 5 дней.
Дальнейшее развитие нейросетевой модели позволит использовать ее в любой энергосистеме.
Развитие технологий требует высокую надежность энергосистем. Необходимы точные и достоверные данные для решения возникших задач в режиме реального времени. Нейросетевые модели прогнозирования электрических нагрузок обладают не только приемлемой точностью прогноза, но и быстродействием.
Результаты исследований, представленные в работе, а именно, выбор конфигурации нейронной сети, определение входного множества переменных, решение вопросов нормирования входных данных, учет погодных и социальных факторов, влияющих на точность прогнозирования нагрузки и другие, позволили сделать вывод о том, что полученная модель способна предсказать узловые нагрузки с приемлемой точностью на ближайшие 5 дней.
Дальнейшее развитие нейросетевой модели позволит использовать ее в любой энергосистеме.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.