📄Работа №209015
Тема: Выбор архитектуры и параметров нейросети к задаче краткосрочного прогнозирования электропотребления в узлах электрической сети
Характеристики работы
Тип работы
Дипломные работы, ВКР
Предмет
Электротехника
Объем:
55 листов
Год:
2020
Просмотров:
25
4550
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 КЛАССИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ 9
1.1 Классические методы прогнозирования 9
1.2 Интеллектуальные методы прогнозирования 10
2 ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ 11
2.1 Определение нейронной сети и нейрона 11
2.2 Основные гиперпараметры нейронной сети 13
2.2.1 Весовые коэффициенты 13
2.2.2 Функции активации 14
2.2.3 Глубина архитектуры ИНС 19
2.2.4 Распространенные алгоритмы нахождения ошибки
(оптимизаторы) 21
2.2.5 Функции потерь и метрики 25
2.3 Архитектура нейронных сетей 26
2.3.1 Нейронная сеть прямого распространения и перцептроны 26
2.3.2 Рекуррентная нейронная сеть (RNN) 27
2.4 Обучение искусственной нейронной сети 28
2.4.1 Обучение с учителем 28
2.4.2 Обучение без учителя 29
3 ПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ В УЗЛАХ ЭЛЕКТРИЧЕСКОЙ
СЕТИ 30
3.1 Современный подход для прогнозирования нейронных сетей 30
3.1.1 Средства, с помощью которых можно реализовать обучение
нейронной сети 30
3.1.2 Использования средств языка Python 30
3.2 Обработка данных 31
3.3 Обучение нейронной сети 35
3.3.1 Рассмотрение различных моделей в зависимости от набора
признаков 35
3.3.2 Поиск наилучшей модели, учитывающей погодные факторы 39
3.3.3 Рекуррентная нейронная сеть LSTM 47
3.3.4 Обзор наилучшего результата среди всех проведенных
опытов 48
ЗАКЛЮЧЕНИЕ 51
ПИЛОЖЕНИЕ А 52
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 55
ВВЕДЕНИЕ 8
1 КЛАССИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ 9
1.1 Классические методы прогнозирования 9
1.2 Интеллектуальные методы прогнозирования 10
2 ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ 11
2.1 Определение нейронной сети и нейрона 11
2.2 Основные гиперпараметры нейронной сети 13
2.2.1 Весовые коэффициенты 13
2.2.2 Функции активации 14
2.2.3 Глубина архитектуры ИНС 19
2.2.4 Распространенные алгоритмы нахождения ошибки
(оптимизаторы) 21
2.2.5 Функции потерь и метрики 25
2.3 Архитектура нейронных сетей 26
2.3.1 Нейронная сеть прямого распространения и перцептроны 26
2.3.2 Рекуррентная нейронная сеть (RNN) 27
2.4 Обучение искусственной нейронной сети 28
2.4.1 Обучение с учителем 28
2.4.2 Обучение без учителя 29
3 ПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ В УЗЛАХ ЭЛЕКТРИЧЕСКОЙ
СЕТИ 30
3.1 Современный подход для прогнозирования нейронных сетей 30
3.1.1 Средства, с помощью которых можно реализовать обучение
нейронной сети 30
3.1.2 Использования средств языка Python 30
3.2 Обработка данных 31
3.3 Обучение нейронной сети 35
3.3.1 Рассмотрение различных моделей в зависимости от набора
признаков 35
3.3.2 Поиск наилучшей модели, учитывающей погодные факторы 39
3.3.3 Рекуррентная нейронная сеть LSTM 47
3.3.4 Обзор наилучшего результата среди всех проведенных
опытов 48
ЗАКЛЮЧЕНИЕ 51
ПИЛОЖЕНИЕ А 52
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 55
📖 Аннотация
В данной работе исследуется задача выбора оптимальной архитектуры и параметров искусственной нейронной сети для краткосрочного прогнозирования электропотребления в узлах электрической сети. Актуальность исследования обусловлена критической важностью поддержания баланса активной и реактивной мощности в энергосистеме, нарушение которого ведет к отклонениям частоты и напряжения за допустимые пределы, а недостаточная точность традиционных методов прогнозирования создает операционные риски. Основным результатом является вывод о высокой эффективности полносвязных нейронных сетей прямого распространения (Feedforward Neural Networks) при обучении на одномерных временных рядах, обеспечивающих близкое соответствие прогнозных значений реальному графику нагрузок. При этом отмечено, что рекуррентные нейронные сети (RNN), хотя и применимы для подобных временных зависимостей, требуют более значительных вычислительных ресурсов и сложнее в настройке гиперпараметров. Научная значимость работы заключается в систематизации подхода к конфигурации нейросетевых моделей для задач энергетики, а практическая – в разработке методики, позволяющей экспортировать обученную модель (включая весовые коэффициенты и гиперпараметры) в формат JSON для последующего внедрения в системы диспетчерского управления для прогнозирования в реальном времени. Теоретической основой послужили работы, посвященные основам машинного обучения, архитектурам нейронных сетей, включая сверточные и рекуррентные, а также методам их оптимизации, рассмотренные в публикациях на ресурсах Habr и в руководствах по фреймворкам Keras и TensorFlow.
📖 Введение
В электрических сетях важной задачей является соблюдение баланса мощностей потребляемой и вырабатываемой электроэнергии. Так при несоблюдении баланса активной мощности меняется частота сети (нормально допустимое отклонение частоты сети + 0,2 Гц). При несоблюдении баланса реактивной мощности меняется напряжение сети (нормальное допустимое отклонение напряжения + 5 % от номинального напряжения сети). Поэтому необходимо уметь прогнозировать спрос на электроэнергию в любой части энергосистемы с большой точностью.
Используемые методы прогнозирования имеют очень большой недостаток - низкую точность и не малые трудозатраты. Но с развитием вычислительных мощностей GPU и CPU компьютеров, а также облачных вычислений, стало возможным практическое применение нейронных сетей в прикладных задачах
Используемые методы прогнозирования имеют очень большой недостаток - низкую точность и не малые трудозатраты. Но с развитием вычислительных мощностей GPU и CPU компьютеров, а также облачных вычислений, стало возможным практическое применение нейронных сетей в прикладных задачах
✅ Заключение
Сравнивая все способы прогнозирования, можно сделать вывод, что нейросети прямого распространения с обучением на одномерных данных хорошо справляются с поставленной задачей, график прогнозируемых величин очень близок к реальному графику нагрузок в рассматриваем узле энергосистемы.
Также стоит обратить внимание на сети RNN архитектуры, однако они более ресурсозатратны в сравнении с сетями прямого распространения и имеют более сложную настройку гиперпараметров и подготовку входных данных.
После получения готовой модели нейросети, её полную модель (с сохранением весовых коэффициентов и гиперпараметров) можно записать в виде файла (json формата) и использовать уже в энергосистеме для прогнозирования нагрузок в реальном времени.
Также стоит обратить внимание на сети RNN архитектуры, однако они более ресурсозатратны в сравнении с сетями прямого распространения и имеют более сложную настройку гиперпараметров и подготовку входных данных.
После получения готовой модели нейросети, её полную модель (с сохранением весовых коэффициентов и гиперпараметров) можно записать в виде файла (json формата) и использовать уже в энергосистеме для прогнозирования нагрузок в реальном времени.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.