КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ
В современных условиях вопросы краткосрочного прогнозирования электропотрeбления промышленных предприятий играют важную роль. В данной статье рассматривается краткосрочный прогноз электропотрeбления с помощью адаптивной нечеткой нейронной сети на примере Н-го угольного разреза.
Данные об электропотрeблении хранятся в базе данных оперативно-информационного комплекса (ОИК) и их можно рассматривать как временной ряд. Существует множество методов прогнозирования временных рядов: AR, MA, ARMA, ARIMA-модели, метод сезонных кривых, нейронные сети, гибридные системы прогнозирования, которые используют методы нейронных сетей, генетического алгоритма и нечеткой логики.
В качестве исходных данных взята информация о часовом электропотрeблении угольного разреза "Н-й". Моделирование системы проведем с помощью Fuzzy Logic Toolbox в системе MatLab.
База знаний такой системы содержит нечетких правила типа Такаги-Сугено:
Правило 1: Если x1 есть L1,x2 есть L2 и x3 есть L3, тогда z есть H;
Правило 2: Если x1 есть H1,x2 есть H2 и x3 есть L3, тогда z есть M;
Правило 3: Если x1 есть H1,x2 есть H2 и x3 есть H3, тогда z есть S;
где x1,x2,x3 - входные переменные, z - выход системы, L1,L2,L3,H1,H2,H3,H,M,S - некоторые нечеткие множества с функциями принадлежности сигмовидного типа (для упрощения записи последующих выкладок функции принадлежности в данном случае обозначены так же, как и соответствующие нечеткие множества):
Для определения выходной переменной используется следующий алгоритм вывода:
1) подсчитывается значения истинности предпосылок для каждого правила:
α1 = L1(a1) ^ L2(a2) ^ L3(a3),
α2 = H1(a1) ^ H2(a2) ^ L3(a3),
α3 = H1(a1) ^ H2(a2) ^ H3(a3),
где a1,a2,a3 - текущие значения входов системы;
2) для каждого правила определяются частные выходы:
3) находиться общий выход системы:
Сеть с подобной архитектурой в англоязычной литературе получили название ANFIS (Adaptive-Neuro-Fuzzy Inference System, то есть адаптивная нечеткая нейронная система вывода)
Корректирование параметров системы здесь производиться либо в соответствие с наиболее распространенным для нейронных сетей алгоритмов обратного распространения ошибки (back propagation), либо комбинированным методом, специально разработанным для гибридных сетей.
Для данного прогнозирования, значения временного ряда хранятся в файле nur.xls в директории C:MATLABR2006awork. Это - файл таблицы Excel, первый столбец содержит значения дискретного времени (t=0,1,...,1200), а второй - значения электропотрeбления угольного разреза кВт·ч (временной ряд).
Для прогнозирования значения временного ряда в данном случае использовали стандартный подход: прогнозированное в текущий момент времени t значение ряда для момента времени (t+6) определяется четырьмя предшествующими значениями ряда в моменты x(t-18),x(t-12),x(t-6),x(t). Особенностью здесь является то, что причинно-следственная связь между предшествующими, текущими и будущим значениями устанавливается с помощью системы нечеткого вывода типа ANFIS, при этом конкретные хаpaктеристики системы определяются по имеющимся экспериментальным данным.
Для формирования матрицы использовалось по 500 значений ряда, соответствующие временные отметкам от 118 до 1117.
В результате проведенного исследования по применению гибридной сети ANFIS для краткосрочного прогнозирования электропотрeбления, основанного на построении аппроксимирующих моделей в виде адаптивной нечеткой нейронной сети, обучаемой на выборках реальных данных ОИК по электропотрeблению угольного разреза Н-й на уровне предприятия за прошлые периоды, установлено, что фактическое электропотрeбление в целом совпадает с расчетными (прогнозируемыми) значениями.
Статья в формате PDF
111 KB...
17 04 2026 18:23:56
Статья в формате PDF
127 KB...
16 04 2026 12:46:59
Статья в формате PDF
136 KB...
15 04 2026 7:24:58
Статья в формате PDF
124 KB...
13 04 2026 12:38:14
В статье рассматривается возможность организации продуктивного, личностно-ориентированного обучения, нацеленного на развитие творческих способностей учащихся, посредством использования межпредметных проектов.
...
11 04 2026 8:59:14
Статья в формате PDF
88 KB...
10 04 2026 10:14:19
Статья в формате PDF
131 KB...
09 04 2026 9:27:34
Статья в формате PDF
114 KB...
08 04 2026 15:35:47
Статья в формате PDF
112 KB...
07 04 2026 16:10:27
Статья в формате PDF
130 KB...
05 04 2026 0:37:23
Статья в формате PDF
99 KB...
04 04 2026 2:59:19
Статья в формате PDF
128 KB...
03 04 2026 4:49:11
Статья в формате PDF
113 KB...
01 04 2026 0:55:12
Статья в формате PDF
379 KB...
31 03 2026 17:55:47
Статья в формате PDF
316 KB...
30 03 2026 17:25:14
Эмбриональная полукольцевидная форма является исходной в морфогенезе дефинитивной двенадцатиперстной кишки человека. Она преобразуется в кольцевидную у большинства плодов десятой недели, последняя в типичную подковообразную форму — к середине утробной жизни человека.
...
29 03 2026 7:26:48
Статья в формате PDF
124 KB...
28 03 2026 6:39:59
Статья в формате PDF
251 KB...
26 03 2026 16:10:36
Статья в формате PDF
270 KB...
25 03 2026 6:38:13
Статья в формате PDF
110 KB...
24 03 2026 16:22:22
Статья в формате PDF
128 KB...
23 03 2026 18:37:36
Статья в формате PDF
151 KB...
22 03 2026 23:28:56
Статья в формате PDF
284 KB...
21 03 2026 2:48:45
Риск развития заболевания может оцениваться по показателям на уровне, хаpaктеризующем хронические пороговые эффекты. Исходя из этих данных, в качестве «индикаторных» состояний выделяется пониженное/повышенное содержание йода в организме обследуемого. В качестве «индикаторных» точек в концепции HEADLAMP для подтверждения заболеваний, хаpaктеризующих эффект недостатка йода в организме, могут выступать изменения в щитовидной железе на субклиническом уровне. Указанные параметры можно оценить на уровне лабораторной базы первичной медико-санитарной помощи при обследованиях населения. Цель HEADLAMP в оценке связи состояния здоровья населения с действием факторов окружающем среды значительно упростить и ускорить обоснованность выбора управленческих решений.
...
18 03 2026 15:56:22
Статья в формате PDF
111 KB...
17 03 2026 7:37:52
Статья в формате PDF
111 KB...
16 03 2026 0:29:42
В отличие от известной методики математика Лоскутова и кардиолога Ардашева по лечению тяжелых аритмий хирургической абляцией зон хаотизации сердца, в работе предложен в форме биоинформационной и математической моделей подход для терапевтической, противовоспалительной методики снижения хаотизации. Проведена метаболическая реконструкция патобиохимии кардиосклероза и его коррекции. Кардиосклероз рассматривается, как аутовоспалительный процесс на базе медленного (недели, месяцы) «неправильного» взаимодействия депо углеводов и жиров. Расчеты показывают, что при медленных (годы) сценариях тренировки сердца и защите его от свободных радикалов и воспалений при стрессе цитопротекторами и пептидотерапией, могут возникать мультициклы, обеспечивающие снижение хаоса. Это создает условия прекондиционирования, тесно связанные с условиями для обновления клеток в сердце.
...
14 03 2026 4:40:19
Статья в формате PDF
258 KB...
13 03 2026 1:28:14
Статья в формате PDF
255 KB...
12 03 2026 11:39:29
Статья в формате PDF
128 KB...
11 03 2026 14:24:10
Статья в формате PDF
313 KB...
10 03 2026 2:56:19
Статья в формате PDF
105 KB...
09 03 2026 20:44:57
Еще:
Поддержать себя -1 :: Поддержать себя -2 :: Поддержать себя -3 :: Поддержать себя -4 :: Поддержать себя -5 :: Поддержать себя -6 :: Поддержать себя -7 :: Поддержать себя -8 :: Поддержать себя -9 :: Поддержать себя -10 :: Поддержать себя -11 :: Поддержать себя -12 :: Поддержать себя -13 :: Поддержать себя -14 :: Поддержать себя -15 :: Поддержать себя -16 :: Поддержать себя -17 :: Поддержать себя -18 :: Поддержать себя -19 :: Поддержать себя -20 :: Поддержать себя -21 :: Поддержать себя -22 :: Поддержать себя -23 :: Поддержать себя -24 :: Поддержать себя -25 :: Поддержать себя -26 :: Поддержать себя -27 :: Поддержать себя -28 :: Поддержать себя -29 :: Поддержать себя -30 :: Поддержать себя -31 :: Поддержать себя -32 :: Поддержать себя -33 :: Поддержать себя -34 :: Поддержать себя -35 :: Поддержать себя -36 :: Поддержать себя -37 :: Поддержать себя -38 ::
