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
248 KB...
08 07 2026 18:10:59
Статья в формате PDF
82 KB...
07 07 2026 13:56:24
Статья в формате PDF
104 KB...
06 07 2026 8:15:17
Статья в формате PDF
261 KB...
05 07 2026 18:58:10
Статья в формате PDF
115 KB...
04 07 2026 7:17:36
Статья в формате PDF
119 KB...
03 07 2026 10:45:52
Исследовано распространение нелинейных поверхностных гравитационных электрокапиллярных волн на поверхности жидкого проводника. Библиогр. 6 назв.
...
02 07 2026 12:42:38
Статья в формате PDF
126 KB...
01 07 2026 17:24:46
Статья в формате PDF
269 KB...
30 06 2026 22:27:15
Статья в формате PDF
92 KB...
29 06 2026 2:32:46
Статья в формате PDF
101 KB...
27 06 2026 20:38:33
Статья в формате PDF
138 KB...
26 06 2026 2:21:51
Статья в формате PDF
105 KB...
25 06 2026 16:27:35
Статья в формате PDF
267 KB...
24 06 2026 23:56:54
Статья в формате PDF
103 KB...
23 06 2026 2:55:17
Статья в формате PDF
121 KB...
22 06 2026 6:53:52
Статья в формате PDF
98 KB...
21 06 2026 2:40:36
Статья в формате PDF
254 KB...
20 06 2026 18:30:57
Статья в формате PDF
119 KB...
18 06 2026 5:32:40
Статья в формате PDF
140 KB...
17 06 2026 23:12:24
Цитомедины – это биологически активные соединения, продуцируемые органами и тканями, способные влиять на течение физиологических и биохимических процессов в организме для поддержания гомеостаза. Экспериментально выявлено, что пептиды (цитомедины), выделенные из тканей печени и сердца животных, влияют на адгезивные свойства клеток крови – увеличивают количество лейкоцитарно-эритроцитарных (ЛЭА), тромбоцитарнo-эритроцитарных (ТЭА) и лимфоцитарно-тромбоцитарных (ЛТА) агрегатов. Феномен лимфоцитарно-тромбоцитарной адгезии является ярким примером тесной взаимосвязи иммунитета и гемостаза, являющихся составными частями единой интегральной клеточно-гумopaльной системы защиты организма.
...
16 06 2026 9:31:15
Статья в формате PDF
102 KB...
15 06 2026 12:29:39
Статья в формате PDF
252 KB...
14 06 2026 0:21:55
Статья в формате PDF
387 KB...
13 06 2026 22:30:20
Статья в формате PDF
130 KB...
12 06 2026 0:15:32
В данной работе предложена эволюционная модель формирования двумерных структур. Определены алгоритмы формирования структур в априори структурированном двумерном прострaнcтве путем заполнения его в соответствии с определенными эволюционными правилами.
...
11 06 2026 13:13:10
Статья в формате PDF
262 KB...
10 06 2026 6:46:10
Статья в формате PDF
113 KB...
09 06 2026 23:41:58
Статья в формате PDF
122 KB...
08 06 2026 0:51:55
Статья в формате PDF
164 KB...
07 06 2026 9:15:12
Статья в формате PDF
348 KB...
06 06 2026 20:11:17
Статья в формате PDF
332 KB...
05 06 2026 16:42:43
Статья в формате PDF
318 KB...
02 06 2026 6:29:40
Статья в формате PDF
127 KB...
01 06 2026 22:37:43
Статья в формате PDF
113 KB...
31 05 2026 8:32:58
Статья в формате PDF
103 KB...
30 05 2026 17:47:43
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 ::
