ПОВЫШЕНИЕ ТОЧНОСТИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ ПОТРЕБИТЕЛЕЙ РЕГИОНА С УЧЕТОМ МЕТЕОФАКТОРОВ НА ОСНОВЕ МЕТОДА ОПОРНЫХ ВЕКТОРОВ тема диссертации и автореферата по ВАК РФ 05.14.02, кандидат наук Аль Зихери Баласим Мохаммед

• Аль Зихери Баласим Мохаммед
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Аль Зихери Баласим Мохаммед

ВВЕДЕНИЕ

1.ОБЗОР И АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ.И МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

1.1 Классификация методов краткосрочного прогнозирования нагрузки

1.2 Статистические методы прогнозирования

1.2.1 Методы регрессии

1.2.2 Методы временных рядов

1.2.3 Метод фильтра Калмана

1.2.4 Методы, основанные на вейвлет-преобразованиях временных рядов

1.3 Методы искусственного интеллекта

1.3.1 Методы, основанные на моделях нейронных сетей

1.3.2 Методы, основанные на нечеткой логике

1.3.3 Метод информационный проходки

1.3.4 Метод опорных векторов

1.4 Эволюционные алгоритмы

1.5 Требования к краткосрочному прогнозированию электропотребления

1.6 Основные проблемы краткосрочного прогнозирования электропотребления

1.6.1 Точность гипотезы отношений вход- выход

1.6.2 Прогнозирование аномальных дней

1.6.3 Неточные данные прогноза погоды

1.6.4 Возможность меньшего обобщения, вызванная чрезмерной

аппроксимацией

1.7 Обзор современных источников по проблеме краткосрочного прогнозирования электропотребления

1.7.1 Модели нейронных сетей

1.7.2 Модели нейро-нечетких сетей

1.7.3 Модели вейвлет-преобразований

1.7.4 Регрессионные модели

1.8 Выводы

2. АНАЛИЗ ВРЕМЕННЫХ РЯДОВ ЭЛЕКТРОПОТРЕБЛЕНИЯ И

ОПРЕДЕЛЯЮЩИХ ЕГО ФАКТОРОВ

2.1. Характеристики графиков электрической нагрузки энергосистемы____37

2.2 Временные ряды электропотребления и влияющих факторов

2.3 Сезонные и метеорологические факторы, влияющие на электропотребление

2.4 Температура и освещенность: анализ их влияния на электропотребление в операционной зоне Ростовского регионального диспетчерского управления

2.5 Случайные возмущения

2.6 Выводы

3. РАЗРАБОТКА МОДЕЛЕЙ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ И ЭВОЛЮЦИОННЫХ АЛГОРИТМОВ

3.1 Кроткосрочное прогнозирование нагрузки с помощью искусственных нейронных сетей

3.2 Краткосрочное прогнозирование нагрузки с использованием искусственных нейронных сетей и алгоритма роя частиц

3.2.1 Анализ и предварительная обработка данных

3.2.2 Количество слоев, нейронов и передаточных функций

3.2.3 Обучение выстроенных нейронных сетей

3.2.4 Архитектура ИНС для Ростовского РДУ

3.2.5 Выбор входных переменных

3.2.6 Построение структуры нейронной сети

3.2.7 Выборка данных для обучения, тестирования и валидации

3.2.8 Результаты моделирования

3.3 Обучение ИНС на основе самоорганизации

3.3.1 Массив данных для исследования

3.3.2 Кластеризация с помощью самоорганизующихся карт

3.3.3 Обучение самоорганизующихся карт

3.3.4 Результаты кластеризации и прогнозирование

3.3.5 Предварительная обработка данных

3.3.6 Количество слоев, нейронов и передаточных функций

3.3.7 Алгоритм обучения сети

3.3.8 Критерии эффективности

3.3.9 Результаты моделирования

3.4 Выводы

4. МОДЕЛИ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ НА ОСНОВЕ НЕЙРОНЕЧЕТКОЙ СЕТИ И МЕТОДА ОПОРНЫХ ВЕКТОРОВ

4.1 Прогнозирование электропотребления с помощью адаптивной нейро-нечеткой сети

4.1.1 Общая характеристика нейро-нечеткой модели

4.1.2 Применение нейро-нечеткой модели в задачах краткосрочного прогнозирования нагрузки

4.1.3 Архитектура нейро-нечеткой модели

4.1.4 Гибридный алгоритм для обучения сети

4.1.5 Результаты моделирования

4.2 Прогнозирование электропотребления с помощью метода опорных

векторов

4.2.1 Результаты моделирования

4.3 Прогнозирование электропотребления на основе метода опорных векторов и алгоритма роя частиц

4.3.1 Шаги и процессы прогнозирования нагрузки

4.3.2 Набор параметров анализа

4.3.3 Результаты моделирования

4.4 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1: Листинг программы реализации нейронной сети

ПРИЛОЖЕНИЕ 2: Листинг программы реализации нейронной сети с рой

частиц

ПРИЛОЖЕНИЕ 3: Листинг программы реализации самоорганизующихся

карт

ПРИЛОЖЕНИЕ 4: Листинг программы реализации нейро -нечеткой

ПРИЛОЖЕНИЕ 5: Листинг программы реализации опорных векторов

ПРИЛОЖЕНИЕ 6: Листинг программы реализации опорных векторов и

алгоритма роя частиц

ПРИЛОЖЕНИЕ 7: Дипломы по результатам участия в конференциях

ПРИЛОЖЕНИЕ 8: Сведения о внедренниях

Список сокращений и обозначений

ЭЭС - электроэнергетическая система

РДУ - региональное диспетчерское управление

ЭП - электропотребление

ИНС - искусственная нейронная сеть

STLF - краткосрочное прогнозирование нагрузки (Short-Term Load Forecasting)

СГЭН - суточный график электрической нагрузки ARMA - авторегрессия, скользящее среднее (Autoregressive Moving Average)

ARIMA - авторегрессия, интегрированое скользящее среднее

(Autoregressive Integrated Moving Average) ARIMAX - авторегрессия, интегрированое скользящее среднее, внешние

переменные ( Autoregressive Integrated Moving Average, external variables) ГА - генетический алгоритм

РЧ - рой частиц

SVM - метод опорных векторов (Support Vector Machine) ANFIS - адаптивная нейронечеткая система (Adaptive Neuro-Fuzzy

Inference System) MAPE - средняя абсолютная ошибка в процентах (Mean Absolute

Percentage Error) ВП - вейвлет-преобразование

СУЭ - система управления энергоснабжением '

SOM - самоорганизующуюся карта ( Self Organizing Map) ОР - обратного распространения

Введение диссертации (часть автореферата) на тему «ПОВЫШЕНИЕ ТОЧНОСТИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ ПОТРЕБИТЕЛЕЙ РЕГИОНА С УЧЕТОМ МЕТЕОФАКТОРОВ НА ОСНОВЕ МЕТОДА ОПОРНЫХ ВЕКТОРОВ»

ВВЕДЕНИЕ

Актуальность темы диссертации и степень ее разработанности.

Прогнозирование составляет неотъемлемую часть любой сферы деятельности человека. И энергетика не является исключением. Для повышения эффективности и устойчивости процесса автоматизированного управления электроэнергетическими системами (ЭЭС) система управления должна содержать в себе подсистему прогнозирования временных рядов [1], в частности, прогнозирования потребления электроэнергии. Прогнозы потребления составляют основную исходную информацию для принятия решений в процессе планирования оптимальных режимов работы и развития ЭЭС. При этом наиболее высокие требования предъявляются к точности краткосрочных (сутки-неделя-месяц) и оперативных (в пределах текущих суток) прогнозов, поскольку именно они определяют управление текущим режимом работы ЭЭС. В качестве основных задач, решаемых на основе полученных прогнозов электропотребления (ЭП), можно выделить следующие: 1) планирование развития генерирующих мощностей и электрических сетей ЭЭС; 2) планирование тарифов; 3) планирование загрузки электростанций на следующие сутки, выработки энергии и мощности, потребности в топливе;

4) планирование ремонтов основного оборудования электрических станций и сетей. Требованию высокой точности прогноза электропотребления противостоит сложное нестационарное поведение временных рядов, описывающих потребление. Большое количество факторов, влияющих на уровень потребления как систематического, так и случайного характера, непрерывное изменение требований энергорынка, а также развитие самих ЭЭС делают задачу повышения точности прогнозирования электропотребления еще более сложной. Следовательно, эта задача требует решения в условиях неопределенности.

Прогнозирование ЭП при помощи таких современных технологий, как искусственные нейронные сети ИНС [2, 3], нечеткая логика [4], опорных векторов [5] и т.д. и их композиции составляет один из наиболее активно развивающихся предметов исследований в энергетике. Прежде всего, это связано с тем, что данные структуры являются универсальными аппроксиматорами и способны моделировать сложные нелинейные зависимости, что гарантирует возможность успешного прогнозирования. Комбинирование и модификации интеллектуальных вычислительных технологий дают широкие возможности для эффективного решения задачи повышения точности краткосрочных и оперативных прогнозов электропотребления.

Вопросами разработки прогнозирующих систем ЭП с середины прошлого века занимаются во многих странах Европы Азии и Северной Америки, а также в ведущих вузах России, осуществляющих подготовку специалистов для энергетической отрасли: НИУ МЭИ, СамГТУ, СПбГПУ, ЮРГПУ(НПИ) и др.

Решению различных вопросов моделирования и прогнозирования процессов электропотребления в системах электроснабжения и электроэнергетических системах посвящены работы российских и зарубежных авторов: Васильева И.Е., Гамма А.З., Гордеева В.И., Гросса Дж., Гурского С.К.,. Доброжанова В.И, Жежеленко И.В., Каялова Г.М., Кудрина Б.И., Курбацкого В.Г., Куренного Э.Г., Лещинской Т.Б., Макоклюева Б.И., Надтоки И.И., Осовского А.С., Седова А.В, Степанова В.П., Goliana F.D., Bunn D.W., Farmer E.D., Ackerman G.B., Gupta P.C., Baker A.B., Chen M.S., Fan J.Y. Yang H.T., Huang C.M. и др.

На настоящий момент существуют целой ряд прогнозных моделей и программных комплексов отечественных и зарубежнных разработчиков, которые позволяют выполнять прогнозирование электропотребления с

требуемой для пользователей точностью, но в ряде случаев, в частности, при диспетчерском управлении в энергосистемах результаты по точности краткосрочного и оперативного прогнозирования не всегда удовлетворяют возрастающим требованиям. Поэтому задача повышения точности прогнозирования электропотребления остается актуальной.

Целью работы является повышение точности краткосрочного прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений с учетом освещенности.

Для достижения поставленной цели в данной работе ставятся и решаются следующие задачи:

• Классификация и анализ современных математических подходов к прогнозированию электропотребления и выявление наиболее перспективных направлений улучшения качества и надежности прогнозов;

• Исследование влияния температуры воздуха и естественной освещенности на величину ЭП;

• Выполнение сравнительного анализа следующих методов и прогнозных моделей:

- нейросетевая модель (ИНС) с использованием эволюционных алгоритмов;

- нейро - нечеткая модель (ЛОТК);

- регресионная модель на основе метода опорных векторов (SVM);

- регресионная модель на основе метода метода опорных векторов с использованием роя частиц.

• Построение системы прогнозирования электропотребления в среде МаЙаЬ по результатам исследований;

• Исследование системы прогнозирования на реальных данных по ЭП, а также сравнительная оценка качества прогнозирования предложенных моделей.

• Тестирование моделей прогнозирования на временных рядах освещенности, температуры воздуха и фактических данных электропотреблении.

• Разработка программы краткосрочного прогнозирования электропотребления для регионального диспетчерского управления.

Методология и методы исследования. При решении поставленных задач использовались методы теории нестационарных случайных процессов, методы нейронных сетей, адаптивных нейро- нечетких сетей и метод опорных векторов с использованием алгоритмов роя частиц и самоорганизующихся карт. Экспериментальные исследования и тестирование модели проводилось с помощью программы «Прогноз ЭТО PSO SVM», реализованной в программном комплексе МАТЬАВ.

Научная новизна работы заключается в следующем:

1. Разработана модель для краткосрочного прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений, основанная на методе опорных векторов и алгоритме роя частиц, отличающаяся тем, что в ней в качестве одного из влияющих факторов учитываются значения естественной освещенности, что позволяет повысить точность моделирования и прогнозирования.

2. Впервые реализован алгоритм роя частиц, для оптимизации параметров регрессионной модели опорных векторов, в который в качестве влиящих факторов учитываются одновременно температура воздуха и освещенность.

3. Показано на основе исследования двух наиболее эффективных и перспективных прогнозных моделей (нейро-нечеткой сети и метода опорных векторов), что регрессионная модель опорных векторов обладает наилучшими аппроксимирующими свойствами в пространстве переменных: мощность энергосистемы, температура воздуха и естественная освещенность.

Теоретическая значимость результатов диссертационной работы заключается в разработанной модели на основе метода опорных векторов с использованием алгоритма роя частиц для оптимизации параметров модели. Метод позволяет повысить точность установления нелинейных

зависимостей между потреблением электроэнергии, температурой воздуха и естественной освещенностью.

Практическая значимость Разработанная модель может быть использована для прогнозирования электропотребления в региональных диспетчерских управлениях - филиалах ОАО «Системный оператор единой энергетической системы», оптовых генерирующих компаниях и территориальных генерирующих компаниях, региональных сетевых компаниях, энергосбытовых компаниях, а также в диспетчерских управлениях отдельных предприятий, которые являются членами оптового или розничного рынков электроэнергии и мощности. Разработана в среде Ма1ЪаЬ программа для ЭВМ краткосрочного прогнозирования электропотребления для Ростовского регионального диспетчерского управления на основе метода опорных векторов.

Внедрение результатов. Полученные результаты работы:

- включены в отчет о научно-исследовательской работе, выполненной ООО НПП «ВНИКО» по заказу филиала ОАО «СО ЕЭС» Московское РДУ в 2011-2013 гг.;

- использованы в учебном процессе ЮРГПУ(НПИ) при проведении лекционных, практических и семинарских занятий при подготовке магистров по направлению «Электроэнергетика и электротехника».

Основные положения, выносимые на защиту:

1. Прогнозная модель электропотребления на основе метода опорных векторов с использованием алгоритма роя частиц с учетом температуры воздуха и освещенности для филиала ОАО "СО ЕЭС" Региональное диспетчерское управление энергосистемами Ростовской области и республики Калмыкии (Ростовское РДУ).

2. Использование алгоритма роя частиц для оптимизации параметров регрессионной модели опорных векторов при учете факторов температуры воздуха и освещности, влияющих на электропотребление.

3. Результаты сравнительного анализа трёх типов моделей: ИНС, Л№18,

SVM при оптимизации их параметров методами самооргнизующихся карт и роя частиц с позиции точности краткосрочного прогнозирования электропотребления в различных зонах суточного графика и типах дней с учетом температуры воздуха и освещенности.

Достоверность полученных результатов. Достоверность научных положений и результатов, сформулированных в диссертации, подтверждается корректным использованием методов математического моделирования и прогнозирования временных рядов, статистического и регрессионного анализа, искусственных нейронных сетей, теории опорных векторов, методов эволюционного моделирования и результатами компьютерного моделирования. Модель апробирована с использованием фактических данных ЭП и метеорологических данных за период с 2009 г. по 2012 г. Ростовского РДУ, полученных с помощью сертифцированных средств телемеханики и АСКУЭ оперативного измерительного коммлекса.

Апробация работы. Основные положения диссертационной работы докладывались, обсуждались и получили положительную оценку на XXXIV, XXXV и XXXVI сессиях всероссийского научного семинара Академии наук Российской Федерации «Кибернетика электрических систем» (ЮРГПУ (НПИ), г. Новочеркасск) в 2012, 2013 и 2014 годах.

Результаты представлялись на XI и XII международных научно -практических конференциях «Современные энергетические системы и комплексы и управление ими» (ЮРГПУ(НПИ), г. Новочеркасск) в 2013 и 2014 годах; на XIV международной научно-практической конференции «Компьютерные технологии в науке производстве, социальных и экономических процессах» (ЮРГПУ (НПИ), г. Новочеркасск) в 2014 г.; на XIII международной научно-практической конференции «Методы и алгоритмы прикладной математики в технике, медицине и экономике» (ЮРГПУ (НПИ), г. Новочеркасск) в 2013 г.; на региональной научно-практической конференции студентов, аспирантов и молодых ученых вузов Ростовской области «Студенческая научная весна-2012» (ЮРГПУ(НПИ), г.

Новочеркасск). Результаты работы докладывались на IV-й и V-й международных конференциях «Электроэнергетика глазами молодёжи» в ЮРГПУ(НПИ), г. Новочеркасск, 14-18 октября 2013г. и в Томском политехническом университете, г. Томск, 10-14 ноября 2014г. Доклад по теме работы участвовал в конкурсе и получил диплом победителя в молодежной программе «Инвестируя в будущее» ежегодной выставки и конференции Russia Power: г. Москва 4 - 6 марта 2014г.

Публикации. Основные результаты диссертационной работы опубликованы в 11 печатных работах, в том числе 2 в изданиях, рекомендуемых ВАК, 2 - в тезисах докладов, 7 докладов на международных и межрегиональных научных конференциях. Подана заявка на официальную регистрацию программы «Прогноз ЭТО PSO SVM».

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 146 наименований отечественных и зарубежных авторов, 8 приложений, представленных на 50 страницах. Основная часть работы изложена на 131 страницах машинописного текста, включая 5 таблиц и 37 иллюстраций.

В первой главе представлен исследование и обзор современных систем краткосрочного прогнозирования электропотребления. Сформулированы основные требования, предъявляемые в настоящее время к системам краткосрочного прогнозирования электрической нагрузки. Рассмотрено современное состояние, развитие и перспективы дальнейшего совершенствования прогнозирующих моделей электропотребления. Дан обзор основных отечественных и зарубежных публикаций, посвященных проблемам построения и совершенствования систем краткосрочного прогнозирования электрической нагрузки. Показано, что проблемами моделирования и прогнозирования электропотребления занимались со второй половины прошлого века специалисты в разных странах с развитой электроэнергетикой. По результатам обзора литературных источников обоснован выбор следующих типов моделей для решения задачи

краткосрочного прогнозировании ЭП в операционной зоне РДУ: нейронная сеть, нейро-нечеткая сеть, регрессионная модель опорных векторов с использованием алгоритма роя частиц.

Во второй главе проводится комплексный анализ факторов, влияющих на ЭП на территории операционной зоны Ростовского РДУ. Анализ выполнен на архивных данных временных рядов ЭП, температуры воздуха и естественной освещенности. На различных временных интервалах исследованы взаимосвязи между ЭП и такими влияющими факторами как температура, освещенность и сезон года.

В третьей главе описана разработанная модель прогнозирования электропотребления на территории операционной зоны РДУ. В основу модели положен математический аппарат искусственных нейронных сетей. Показаны основные параметры и структура нейронной сети, а также описан метод, при помощи которого найдены оптимальные (с точки зрения минимизации ошибки) параметры сети. И также описана разработанная модель прогнозирования электропотребления на территории операционной зоны РДУ на основе модели искусственных нейронных сетей с помощью алгоритма роя частиц, а также с помощью самоорганизующихся карт.

В четвертой главе разработана система краткосрочного прогнозирования электропотребления на территории операционной зоны Ростовского РДУ с использованием нейро-нечеткого и опорных векторов с помощью роя честиц с учетом температуры воздуха и естественной освещености. И произведена апробация модели и тестовые прогнозы ЭП, выполнены расчеты относительной ошибки прогнозирования при различной входной информации.

В заключении приводятся основные выводы и результаты работы.

В приложениях представлены листинги основных модулей программы; копии актов о внедрении результатов работы и дипломы по результатам участия в конференциях

1. ОБЗОР И АНАЛИЗ СОВРЕМЕННЫХ МЕТОДОВ И МАТЕМАТИЧЕСКИХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

1.1 Классификация методов краткосрочного прогнозирования нагрузки

С точки зрения сроков, прогнозирование нагрузки подразделяется на четыре категории :

• долгосрочное прогнозирование с заблаговременностью более одного года;

• среднесрочное прогнозирование с заблаговременностью от одного месяца до одного года;

• краткосрочное прогнозирование нагрузки с заблаговременностью от одних суток до нескольких недель;

•оперативное прогнозирование - от одного до трех часов и до конца текущих суток.

Различные категории прогнозирования служат для различных целей. В данной работе рассмотрены методы краткосрочного прогнозирования нагрузки.

Научно-исследовательские методы краткосрочного прогнозирования нагрузки можно разделить на две основных категории: статистические методы и методы искусственного интеллекта [6]. В статистических методах полученные уравнения показывают соотношение между нагрузкой и влияющими на нее факторами, в то время как методы искусственного интеллекта пытаются подражать образу мышления людей, чтобы получить знания из прошлого опыта и прогнозировать будущие нагрузки .

Краткая характеристика некоторых основных методов краткосрочного прогнозирования нагрузки приводится ниже.

1.2 Статистические методы прогнозирования

Обычно статистические методы могут достаточно точно предсказать суточный график нагрузки в обычные дни, но им не хватает способности анализировать нагрузку в праздничные или другие дни, в связи с отсутствием гибкости их структуры. Статистические методы включают множественную линейную и нелинейную регрессию [7], стохастические временные ряды [8], общее экспоненциальное сглаживание [9], методы пространства состояния [10] и др.

1.2.1 Методы регрессии

Регрессионный анализ является одним из наиболее широко используемых статистических методов. Методы регрессии обычно используются для моделирования взаимосвязей электропотребления с другими факторами, такими как погодные факторы (температура, влажность, скорость и направление ветра и др.), тип дня и класс потребителей. В [11] представлено несколько моделей регрессии для прогнозирования нагрузки следующего дня. Эти модели включают детерминированные факторы, например, праздничние дни, а также стохастические воздействия, такие как экзогенные факторы, например, метрологические. В [12 - 15] описываются другие приложения линейных регрессионных моделей, применяемых для прогнозирования нагрузки. Эти методы основаны на экспериментальных данных нагрузки в прошлом, чтобы установить математическую модель для прогнозирования будущей нагрузки [16]. Ограничением в применении линейных регрессионных моделей является то, что между погодными переменными и нагрузкой существуют нелинейные зависимости. Алгоритм линейной регрессии для динамического процесса Р(€) с нелинейными связями с метеофакторами не может справиться с задачей точного прогноза.

1.2.2 Методы временных рядов

Методы временных рядов основаны на предположении, что данные имеют некоторую внутреннюю структуру, например, автокорреляции, тенденции или сезонные изменения. Методы временных рядов позволяют обнаруживать и исследовать такую внутреннюю структуру и использовались в течение многих десятилетий в таких областях, как экономика, цифровая обработка сигналов, а также при прогнозировании электрической нагрузки [17]. В частности, модели ARMA (авторегрессия скользящее среднее), ARIMA (авторегрессия интегрированое скользящее среднее) и ARIMAX (авторегрессия интегрированое скользящее среднее с внешними переменными ) являются наиболее часто используемыми классическими методами временных рядов. Модели ARMA обычно используются для стационарных процессов в то время как ARIMA является продолжением ARMA для нестационарных процессов. ARMA и ARIMA используют время и нагрузку в качестве единственных входных параметров. Поскольку нагрузка, как правило, зависит от погоды и времени суток, т.е. от внешних факторов, то модель ARIMAX является наиболее естественным инструментом для прогнозирования электрической нагрузки среди классических моделей временных рядов. Fan и McDonald в [18] а также Cho и др. в [19] описали реализацию моделей ARIMAX для прогнозирования электрической нагрузки. Yang и др. в [20] использовали эволюционный алгоритм для идентификации параметров ARMAX модели от одного дня до одной недели для прогнозирования почасовой нагрузки. Yang и Huang в [21] предложили использовать среднее значение скользящей авторегрессии в сочетании с нечеткой логикой в течение одного дня для прогнозирования стоимости почасовой электрической нагрузки.

1.2.3 Методы, основанные на фильтре Калмана

Фильтр Калмана широко используется в инженерных и эконометрических приложениях: от радаров и систем технического зрения до оценок параметров макроэкономических моделей [22]. Совместно с линейно-квадратичным регулятором фильтр Калмана позволяет решить задачу линейно-квадратичного гауссовского управления. В большинстве приложений размерность вектора состояния объекта превосходит размерность вектора данных наблюдения. Алгоритм работает в два этапа. На первом этапе, прогнозирования фильтр Калмана экстраполирует значения переменных состояния, а также их неопределенности. На втором этапе, по данным измерения (полученного с некоторой погрешностью), результат экстраполяции уточняется. фильтр Калмана обладает некоторой погрешностью, на него может оказывать влияние большое количество внешних и внутренних воздействий, что приводит к тому, что информация с него оказывается зашумленной. Чем сильнее зашумлены данные тем сложнее обрабатывать такую информацию.

1.2.4 Методы, основанные на вейвлет-преобразованиях временных

рядов

Модели БТЬБ, основанные на методе вейвлет-преобразования временных рядов электропотребления и метеофакторов [23] используются для повышения производительности традиционных ИНС. Как правило, строятся трехуровневые вейвлет модели; при построении суммирующих узлов используются эволюционные вычислительные алгоритмы [23]. В основном, первый слой вейвлет узлов разлагает входные сигналы в различные масштабы сигналов, для которых различные весовые значения подаются на второй слой весовых узлов. Наконец, третий слой суммирующих узлов сочетает в себе взвешенные масштабы сигналов

выходного слоя. В [24] метод вейвлет-преобразований временных рядов был предложен для прогнозирования электропотребления в Кубанском РДУ.

В [25] для повышения эффективности предложенных прогнозных моделей на основе вейвлет использовался эволюционный алгоритм, были применены данные фактической нагрузки и погодные данные для энергосистемы Тайваня [26]. Статистический корреляционный анализ между фактической нагрузкой и погодными переменными использовался в качестве эталона для определения входных переменных сетей. Для сравнения в [26] был принят существующий метод ИНС для STLF с использованием алгоритма обучения обратной связи. Сравнение покаяло, что основанные на вейвлетах ИНС могут давать более точные результаты прогнозирования и более высокую скорость обучения.

1.3 Методы искусственного интеллекта

Применение методов искусственного интеллекта имеeт большие преимущества. Это основной алгоритм нейронной сети [27], нечеткая система вывода [28], генетические алгоритмы, рой частиц [29], теория хаоса [30], и др.. Перечисленные выше методы прогнозирования и экспертные системы относятся к методам искусственного интеллекта.

1.3.1 Методы, основанные на моделях нейронных сетей

Впервые предположили метод искусственной нейронной сети для STLF в 1991 году, Park D.C. и др., которые разработали нейронную сеть для моделирования и прогнозирования нагрузки [27, 31, 32]. Нейронные сети, по существу это нелинейные функции , которые имеют способность выполнения аппроксимации нелинейных зависимостей [33]. Выходы искусственной нейронной сети являются линейными или нелинейными математическими функциями ее входов. Входы могут быть выходами других сетевых

элементов. Преимуществом технологии нейронных сетей является интеллектуальная обработка, которая может имитировать работу человеческого мозга. Недостатком является то, что процесс обучения является относительно медленным, и это не гарантирует сходимости между фактическими и прогнозными данными. Кроме этого, определение оптимального набора входных переменных и размеры скрытых слоев следует исследовать на практике.

При применении нейронной сети для целей прогнозирования, необходимо решить следующие задачи: выбрать архитектуру нейронной сети; определить количество и соединение слоев и элементов; принять решение по использованию двунаправленной или однонаправленной связи и цифрового формата [31]. Самой популярной архитектурой искусственной нейронной сети для прогнозирования электрической нагрузки является архитектура обратного распространения [34]. Эта сеть использует непрерывно оцениваемые функции и обучение с учителем. Фактические числовые данные весов, присваиваемые входам элементов определяются путем сопоставления архивных данных (например, время и погода) с заданными выходами (например, прогнозные данные нагрузки) во время обучения. Искусственные нейронные сети с неконтролируемым обучением не требуют предварительной оперативной подготовки.

Губский С.О. в [35] разработал модели краткосрочного прогнозирования потребления электроэнергии с использованием ИНС для Ростовского РДУ и в качестве факторов влияющих на нагрузку использовал температуру воздуха и освещенность.

Гофман и др. [36] разработали модель ИНС для краткосрочного прогнозирования электропотрбления для Самарской энегосистемы . Входные переменные включают исторические данные почасовой нагрузки, метеофакторов и дня недели. Рара1ехорои1оБ и др. в [37] также разработали и внедрили многоуровневую прямолинейную трехслойную ИНС для краткосрочного прогнозирования нагрузки. В этой модели используются три

типа переменных в качестве входных данных нейронной сети: входы связанные с временем года, входы связанные с погодой и с историческими нагрузками. Khotanzad и др. [38] описали модель ИНС для прогнозирования нагрузки, которая основана на нескольких стратегиях, которые отражают различные тенденции данных. В основе прогнозной модели используется многослойный персептрон, обучаемый по алгоритму обратного распространения ошибки. Эта прогнозная модель может учитывать влияние температуры и относительной влажности на нагрузку, а также содержит функцию, которая может прогнозировать почасовую температуру и относительную влажность, необходимые для работы системы. Совершенствование указанной системы было описано в [39], эта модель включает в себя две функции: одна прогнозирует базовую нагрузку, а другая изменение нагрузки.

Список литературы диссертационного исследования кандидат наук Аль Зихери Баласим Мохаммед, 2015 год

СПИСОК ЛИТЕРАТУРЫ

1. Гурский С.К. Адаптивное прогнозирование временных рядов в электроэнергетике /С.К. Гурский // Минск: Наука и техника, 1983. - 271 с.

2. Медянцев Д.В. Нейросетевая система прогнозирования энергопотребления/ Д.В. Медянцев, А.В. Фирсов, Н.В. Замятин // Научная сессия МИФИ -2003. Сборник научных трудов. - М., 2003. С.1-4: Всероссийская научно-техническая конференция «Нейроинформатика-2003». - С. 221-226.

3. Курбацкий В.Г. Прогнозирование электрической нагрузки с использованием искусственных нейронных сетей / В.Г. Курбацкий, Н. В. Томин // Электрика. -2006. - № 7. - С. 26 -32.

4. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский // М.: Горячая линия - Телеком, 2004, 452 с.

5. Bo-Juen Chen. Load Forecasting Using Support Vector Machines/ Bo-Juen Chen, W. Chang Ming // A Study on EUNITE Competition 2001, National Taiwan University, Department of Computer Science and Information Engineering ,National Taiwan University, 2001, pp. 20 - 26.

6. Gross G. Short-term load forecasting / G. Gross, F. D. Galiana // Proceedings of the IEEE, 1987,75(12),- pp. 1558 - 1571.

7. Papalexopoulos A.D. A Regression Based Approach to Short Term Load Forecasting / A.D. Papalexopoulos, T.C. Hesterberg // IEEE Transactions on Power Systems, 1990, 5(1), pp. 40 - 45.

8. Amjady N. Short-term hourly load forecasting using time-series modeling with peak load estimation capability / N. Amjady// IEEE Transactions on Power Systems, 2001, 16(3), pp. 498 - 505.

9. Christianse W. Short term load forecasting using general exponential smoothing / W. Christianse // IEEE Transactions on PAS, 1971, pp. 900 - 910.

10. Villalba S.A. Hybrid demand model for load estimation and short-term load forecasting in distribution electrical systems/ S.A. Villalba, C.A. Bel // IEEE Transactions on Power Delivery, 2000, 15(2), pp.764 - 769.

11. Engle R.F. Modeling peak electricity demand / R.F. Engle, C. Mustafa, J. Rice // Journal of forecasting, 1992, 11, pp. 241 - 251.

12. Hyde O. An adaptable automated procedure for short-term electricity load forecasting / O. Hyde, P.F. Hodnett // IEEE Transactions on Power Systems, 1997,12, pp. 84 - 93.

13. Ruzic S. Weather sensitive method for short-term load forecasting in electric power utility of Serbia / S. Ruzic, A. Vuckovic, N. Nikolic // IEEE Transactions on Power Systems, 2003, 18, pp.1581 - 1586.

14. Haida T. Regression based peak load forecasting using a transformation technique / T. Haida, S. Muto // IEEE Transactions on Power Systems, 1994, 9, pp.1788 - 1794.

15. Chen M.S. Nonparametric regression based short-term load forecasting / M.S. Chen, P. Van // IEEE Transactions on Power Systems, 1998, 13, pp.725 -730.

16. Alex D. Regression-Based approach to short-term system load forecasting / D. Alex, Papalexopoulos // IEEE Trans on Power Systems, 1990, pp.1535-1547.

17. Martin T. The times series approach to short term load forecasting / T. Martin // IEEE Trans. On Power Systems, 1987, 2 (3). pp. 785 - 791.

18. Fan J.Y. A real-time implementation of short - term load forecasting for distribution power systems / J.Y. Fan, J.D. McDonald // IEEE Transactions on Power Systems, 1994, 9, pp. 988 - 994.

19. Cho M.Y. Customer short-term load forecasting by using ARIMA transfer function model / M.Y. Cho, J.C. Hwang, C.S. Chen // Proceedings of the International Conference on Energy Management and Power Delivery, EMPD, 1995, 1, pp. 317 - 322.

20. Yang H.T. Identification of ARMAX model for short-term load forecasting: An evolutionary programming approach / H.T. Yang, C.M. Huang, C.L. Huang / IEEE Transactions on Power Systems,1996, 11, pp. 403 - 408.

21. Yang H.T. A new short-term load forecasting approach using self-organizing fuzzy ARMAX models/ H.T.Yang, C.M. Huang // IEEE Transactions on Power Systems, 1998, 13, pp. 217 - 225.

22. Irisarri G.B. Online load forecasting for energy control center application / G.B. Irisarri, S.T. Widergren, P.D. Yehsakul / IEEE Transactions of PAS, 1982, Vol. 101, № 1, pp. 71 - 78.

23. Bashir Z. Short term load forecasting by using wavelet neural networks / Z. Bashir, M.E. El-Hawary // Electrical and Computer Engineering, 2000 Canadian Conference.vol.- pp. 163 - 166.

24.Надтока И.И. Вейвлет- преобразования временных рядов при краткосрочном прогнозировании электропотребления с учётом освещенности / И.И. Надтока, В.А. Бугаец // Современные энергетические комплексы и систем и управление ими: материалы XI международной науч.-практ. конф.,г.Новочеркасск, 24 июня 2013г./ Юж. рос. гос. политехн. ун-т (НПИ) им. М.И. Платова. - Новочеркасск: ЮРГПУ (НПИ), 2013.- С. 41-45.

25. Fogel D.B. An introduction to simulated evolutionary optimization / D.B. Fogel // IEEE trans. Neural Nrlw., 1994, 5, (I), pp. 3-14.

26. Huang C.M. Evolving wavelet- based networks for short-term load forecasting, Generation, Transmission and Distribution / C.M. Huang, H.T. Yang // IEE Proceedings- Volume: 148, Issue: 3, 2001, pp. 222 - 228.

27. El-Sharkawi. Electric the load forecasting using an artificial neural network / El-Sharkawi, D.C. Park // IEEE Transaction on Power Systems, 1991,6 (2) pp. 442-449.

28. Zhao Y. Short-term load forecast based on neural network and fuzzy theory/ Y.Tang, Y. Zhang // High Voltage Engineering, 2006, 32 (5)- pp. 107-110.

29. Azzam-ul-Asar. Short Term Load Forecasting Using Particle Swarm Optimization Based ANN Approach / Azzam-ul-Asar, ul Hassnain // International Joint Conference on Neural Networks, 2007, pp. 1476 - 1481.

30. Cheng W. H. Short-term load with multi-step prediction method based on chaos theory/ W.H. Cheng, W. Chen // 2007, vol.19 - pp. 76-79.

31. Peng M. Advancement in the application of neural networks for short-term load forecasting / M. Peng, N.F. Hubele, G.G. Karady // IEEE Transactions on Power Systems, 1992,vol. 7, pp. 250 - 257.

32. Desouky A.A. Hybrid adaptive techniques for electric-load forecast using ANN and ARIMA / A.A. Desouky, M.M. Elkateb // IEE Proceedings of Generation, Transmission and Distribution, 2000,vol.4- pp. 213 - 217.

33. Колмогоров А. Н. Представление непрерывных функций многих переменных суперпозицией функций одной переменной и сложением. ДАН, 1958- С. 953-956.

34. Осовский С. Нейронные сети для обработки информации, Изд-во: Финансы и статистика, 2002, 344 с.

35.Губский С.О. учет освещенности при краткосрочном прогнозировании электропотребления для региональных диспетчерских управлений / С.О. Губский // Автореферат, диссертации на соискание ученой степени кандидата технических наук, Новочеркасск - 2012, 23с.

36. Гофман А.В. Повышение точности краткосрочного и оперативного прогнозирования электропотребления энергосистемы с применением искусственной нейронной сети / А.В. Гофман, А.С. Ведерников, Е.С. Ведерникова // электрические станции, 2012, No.7, С. 36-41.

37. Papalexopoulos A.D. An implementation of a neural network based load forecasting model for the EMS/ A.D. Papalexopoulos, S. Hao, T.M. Peng // IEEE Transactions on Power Systems, 1994, vol. 9, pp. 1956 -1962.

38. Khotanzad A. ANNSTLF - A neural-network-based electric load forecasting system. IEEE Transactions on Neural Networks, vol. 8 1997- pp. 835 -846.

39. Khotanzad A. ANNSTLF - Artificial neural network short-term load forecaster - Generation three / A. Khotanzad, R.A. Rohani, D. Maratukulam // IEEE Transactions on Neural Networks, 1998, vol.13, pp. 1413- 1422.

40. Chen C.S. The application of artificial neural networks to substation load forecasting Electric Power Systems Research / C.S. Chen, Y.M. Tzeng, J.C. Hwang // 1996- Vol. 38, Issue 2, pp. 153-160.

41. Chow T.W. Nonlinear autoregressive integrated neural network model for short-term load forecasting / T.W. Chow, C.T. Leung // IEE Proceedings, Generation, Transmission and Distribution, 1996,vol.143, pp. 500 - 506.

42. Skarman S.E. Short-term electrical load forecasting using a fuzzy ARTMAP neural network / S.E. Skarman, M. Georgiopoulous // Proceedings of the SPIE, 1998, pp. 181 - 191.

43. Курбацкий В.Г. Практика использования новых информационных технологий для прогнозирования и анализа отдельных характеристик сетевых энергопредприятий. Информационная техника и технологии в энергетике / В.Г. Курбацкий, Н.В. Томин // Братский государственный университет, г.Братск - 2004, С. 85-91.

44. Kiartzis S.J. A Fuzzy expert system for peak load forecasting. Application to the Greek power system / S.J. Kiartzis, A.G. Bakirtzis// 10th Mediterranean Electrotechnical Conference, 2000, vol. 3, pp. 1097 -1100.

45. Miranda V. Fuzzy inference in spatial load forecasting, Power Engineering Winter Meeting / V.Miranda, C. Monteiro // IEEE, 2000, vol. 2, pp. 1063 -1068.

46. Kim K.H. Short-term load forecasting for special days in anomalous load conditions using neural networks and fuzzy inference method / K.H. Kim, H.A. Youn, Y.C. Kang // IEEE Transactions on Power Systems, 2000, vol. 15, pp. 559 - 565.

47. Thai N. Short-Term Load Forecasting Based on Adaptive Neuro-Fuzzy Inference System / N. Thai, L. Yuan // Journal of computers, vol. 6, 2011- pp. 2267-2271.

48. Hwan K.J. A short-term load forecasting expert system / K.J. Hwan, G.W. Kim // Proceedings of The Fifth Russian-Korean International Symposium on Science and Technology, 2001, pp. 112 - 116.

49. Ho K.L. Short-term load forecasting of Taiwan power system using a knowledge based expert system / K.L. Ho, Y.Y. Hsu, C.F Chen// IEEE Transactions on Power Systems, 1990, vol. 5, pp. 1214 - 1221.

50. Rahman S. Load forecasting for multiple sites: development of an expert system-based technique/ S. Rahman, O. Hazim // Electric Power Systems Research, 1996, vol. 39, pp. 161 - 169.

51. Hastie T. The elements of statistical learning: data mining, inference and prediction/ R. Tibshirani, J. Friedman // Springer, New York, 2001, Second Edition, 763 p.

52. Han J. Data Mining: Concepts and Techniques, San Francisco, California / J. Han, M. Kamber // Elsevier Inc. All rights reserved 2001, 703.

53. Mori H. Optimal regression tree based rule discovery for short-term load forecasting/ H. Mori, N.Kosemura // Proceedings of the IEEE Power Engineering Society Transmission and Distribution Conference, 2001,vol. 1, pp. 421 - 426.

54. Vapnik V.N. Support-Vector Networks, Machine Learning,20,1995. http://www.springerlink.com/content/k238jx04hm87j80g/.

55. Надтока И.И. Краткосрочное прогнозирование электропотребления с помощью метода наименьших квадратов опорных векторов (LS-SVM) / И.И.Надтока, Б.М. Аль Зихери // Современные проблемы науки и образования [Электронный ресурс].- 2013, № 6. Режим доступа:

http : //www.science-education.ru/113-11213.

56. Heng E.T. Short term load forecasting using genetic algorithm and neural networks/ E.T. Heng , D. Srinivasan // International Conference on power delivery, March 1998 Vol. 2, pp. 576 - 581

57. Worawit T. Substation short term load forecasting using neural network with genetic algorithm / T. Worawit, C. Wanchai // IEEE Conference on Computers, Communications, 2002, pp. 1787 - 1790.

58. Chao M. H. Time series approach to short term load forecasting through evolutionary programming structures / M. H. Chao, Y. Hong // Proceedings International Conference on; Energy Management and Power Delivery; 1995, vol.2, pp. 583 - 588.

59. Erkmen I. Short term load forecasting using genetically optimized neural network cascaded with a modified Kohonen clustering process / I. Erkmen, A. Ozdogan // Proceedings IEEE International Symposium on; 1997, pp. 107 - 112.

60. Yan Y. BP-GA mixed algorithms for short-term load forecasting / Y. Yan, Z. Gang, L. Ding // International Conferences on; 2001, Vol. 4, pp. 334 - 339 .

61. Limin H. Short-term load forecasting based on the method of genetic programming/ H. Limin, F. Xinqiao, X. Yunfang, Y. Jinliang // International Conference on Mechatronics and Automation, 2007, pp. 839 - 843.

62. Wei S. Short Term Load Forecasting Based on BP Neural Network Trained by PSO/ S. Wei, Z. Ying // International Conference on Machine Learning and Cybernetics, 2007 , Vol. 5, 2007, pp. 2863 - 2868.

63. Bashir Z.A. Short-Term Load Forecasting Using Artificial Neural Network Based on Particle Swarm Optimization Algorithm / Z.A. Bashir, M.E. El-Hawary // Canadian Conference on Electrical and Computer Engineering, 2007, pp. 272 - 275.

64. You Y. Short-term load forecasting using artificial immune network / Y. You , W. Sheng // International Conference on Power System Technology Vol. 4, 2002, pp. 2322 - 2325.

65. Chengqun Y. Hybrid Neural Network Model for Short Term Load Forecasting / Y. Chengqun, K.Lifeng, S.Wei // Proceedings of the Third International Conference on Natural Computation - Vol. 01, 2007- pp. 408-412.

66. Juang C.F. A hybrid of genetic al gorithm and particle swarm optimization for recurrent network design/ C.F. Juang // IEEE Trans. on systems, Man and Cybernetics-Part B: Cybernetics, vol. 34, No.2, 2004, pp. 997-1006.

67. Надтока И.И. Краткосрочное прогнозирование нагрузки на основе нейронной сети с использованием метода роя частиц / И.И. Надтока, Б.М. Аль зихери // Современные энергетические системы и комплексы и управление ими: материалы XI международной научно - практической конф. г.новочеркасск / Юж-Рос. Техн. ун-т (НПИ) - Новочеркасск 2013, С. 34-38.

68. Shayeghi H. Multi-stage fuzzy load frequency control using PSO/ H. Shayeghi, A. Jalili // Energy Conversion and Management, vol. 49, 2008, pp. 2570-2580.

69. Zhang C. Particle swarm optimization for evolving artifical network / C. Zhang, H. Shao // Proc. of IEEE Int. Conf. on Systems., Man and Cybernetics , vol. 4, 2000, pp. 2487-2490.

70. Mendes R. Particle swarms for feed forward neural network training / R. Mendes, P. Cortez, J. Neves // Proc. Int. Joint Conf. on Neural Networks , vol. 2, 2002, pp. 1895-1899.

71. Методика контроля точности прогноза потребления: Распоряжение руководителя оперативного штаба по совершенствованию конкурентного балансирующего рынка ОАО «Системный оператор единой энергетической системы» от 14 апреля 2011 № 132.

72. Erkmen I. Short Term Load Forecasting Using Genetically Optimized Neural Network Cascaded With a Modified Kohonen Clustering Process/ I. Erkmen, A. Oezdogan // Proceedings of the 12th IEEE International Symposium on Intelligent Control, 1997, 1, pp. 107 - 112.

73.Тимченко В.Ф. Прогнозирование режимов электропотребления нерегулярных дней/ В.Ф. Тимченко, А.М. Меламед, А.М. Скрипко//Электрические станции. -1987. № 5.-С. 52-57.

74. Akbar E. Holidays short-term load forecasting using fuzzy improved similar day method / E. Akbar, M. Amir // International Transactions on Electrical Energy Systems, 2013,Vol. 23, Issue 8, pp. 1254-1271.

75. Староверов Б.А. Комплексное применение нейронных сетей для автоматизации прогнозирования электропотребления на региональном уровне, Вестник ИГЭУ, Вып. 4 2009 - С. 1-4.

76. Алексеева И. Ю. Краткосрочное краткосрочное прогнозирование электропотребления в электроэнергетических системах с использованием искусственных нейронных сетей, диссертации Иваново - 2014.

77. Ayca K.T. Intelligent short-term load forecasting in Turkey. Electrical Power and Energy Systems 28, 2006, pp. 437-447.

78. Шумилова Г.П. Краткосрочное прогнозиро- вание электрических нагрузок с использованием искусственных нейронных сетей / Г. П. Шумилова, Н.Э. Готман, Т.Б. Старцева // Электричество, 1999. - № 10. - C. 612.

79. Shayeghi H. STLF Based on Optimized Neural Network Using PSO. International Journal of Electrical and Computer Engineering , 2009, pp. 4:10.

80. Song Y. Power system short-term load forecasting based on PSO clustering analysis and Elman neural network. Conf. on simulation , modelling and optimization, 2005, pp. 268-273.

81. David J. Training Feedforward Neural Networks Using Genetic Algorithms. Mouiton St. Cambridge, MA 02138, pp. 762- 767.

82. Сердюкова Г.Н. Прогнозирование электропотребления с использованием нейро-нечетких сетей / Г.Н. Сердюкова, А.А.Загайнова, Ю.Ю.Хмеленко // Харьковский политехнический институт, г. Харьков, С. 229-233.

83. Петрова И.Ю. Прогнозирование электропотребления с помощью нейро-нечеткой системы anfis. Алгоритм отбора входных переменных/ И.Ю. Петрова, А.А. Глебов // Электронное научное издание(наука и образование), 2014. С. 12-15.

84. Надтока И.И. Модель прогнозирования электропотребления энергорайонов на территории операционных зон РДУ с учетом влияния метеофакторов на основе нейронечеткой сети и вейвлет-разложения / И.И.

Надтока, В.А. Бугаец // Электроэнергетика глазами молодежи: науч. тр. 1Умеждунар. науч.-техн. конф., Юж.-Рос. гос. политехн. ун-т (НПИ) имени М.И. Платова. - Новочеркасск: Лик, 2013. - С. 183-186.

85. Rustum M. A fuzzy inference model for short-term load forecast-ing//Energy Policy, 2009, vol. 37 - pp.1239-1248.

86. Chen T. A collaborative fuzzy-neural approach for long-term load forecasting in Taiwan // Journal homepage: www.elsevier.com, 2011- pp. 476- 484.

87. Ronaldo R.B. Combined Artificial Neural Network and adaptive Neuro-Fuzzy Inference System for Improving a Short-Term Electric Load Forecasting// Springer-Verlag Berlin Heidelberg 2007, pp. 779-788.

88. Yun Lu. A Short-Term Load Forecasting Method Based on RBF Neural Network and Fuzzy Reasoning // Springer -Verlag Berlin Heidelberg, 2009, Vol. 2, pp. 1131-1139.

89. Turgay P. Wavelet and neuro-fuzzy conjunction model for precipitation forecasting //Journal of Hydrology, 2007, pp.199- 212.

90. Валь П.В. Прогнозирование электропотребления с использованием авторегрессионного метода / П.В. Валь, А.С. Торопов // XVI Международная научно-практическая конференция (современная техника и технологии), 2009 - С. 23-24.

91. Hongzhan NI. Hybrid of ARIMA and SVMs for Short-Term Load Forecasting // International Conference on Future Energy, Environment, and Materials, 2012- pp. 1455-1460.

92. Гуртовцев А.Л. Электрическая нагрузка энергосистемы. Выравнивание графика / А.Л. Гуртовцев, Е.П. Забелло// Новости Электротехники. - 2008. - №5 (53). - С. 18-23.

93. Седов А.В. Системы контроля, распознавания и прогнозирования электропотребления: модели, методы, алгоритмы и средства / А.В. Седов, И.И. Надтока.- Ростов-н/Д: Из-во Ростов.ун-та, 2002.- 320 с.

94. Растригин Л.А. Введение в идентификацию объектов управления/ Л.А. Растригин, Н.Е. Маджаров. - М.: Энергия, 1977. - 216 с.

95. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов / Ю.П. Лукашин. - М.:Финансы и статистика, 2003. - 415с.

96. Макоклюев Б.И. Моделирование электрических нагрузок электроэнергетических систем / Б.И. Макоклюев, В.Н. Костиков // Электричество.- 1994.- № 10. - С. 13-16.

97. Гигиенические требования к микроклимату производственных помещений. Санитарные правила и нормы СанПиН 2.2.4.548-96 [Электронный ресурс]/ Российская газета. - Москва: Постановлением Госкомсанэпиднадзора России от 1 октября 1996 г. № 21 . - Режим доступа: http://www.rg.ru/2010/07/15/sanpin548-dok.html/. - Российская газета. Документы.

98. Шнейдер А.М. Суточное прогнозирование нагрузки ЭЭС с учетом прогнозов температуры/ А.М. Шнейдер, Т.А. Такерева, Д.А. Шиффман// Сравнительные модели прогнозирования электрической нагрузки энергосистем», пер. с англ. - М.: Энергоатомиздат, 1987. - С. 74-91.

99. Технологии анализа данных [Электронный ресурс]/ BaseGroupLabs -2011. - Режим доступа: http://www.basegroup.ru/deductor/description/

100. Надтока И.И. Система контроля естественной освещенности для прогнозирования электропотребления/ И.И. Надтока, А.В. Демура, Д.В. Безъязычный, В.В. Горбачев// Изв. вузов. Электромеханика. - 2008. - Спец. вып. - С. 166 - 167.

101. Надтока И.И. Анализ зависимостей электропотребления от температуры воздуха и освещенности в операционной зоне Ростовского РДУ/ И.И. Надтока, С.О. Губский// Изв. вузов. Электромеханика. - 2009. - Спец. вып. - С. 105-107.

102. Надтока И.И. Анализ зависимостей электропотребления от метеофакторов в операционной зоне Кубанского РДУ/ И.И. Надтока, С.О. Губский// Изв. вузов. Электромеханика. - 2010. - Спец. вып. - С. 106-108.

103. Galiana F. D. Identification of stochastic electric load models from physical data // F. D. Galiana, E. Handschin, A.Fiechter/ IEEE Trans., Ac-19. - 1974. -№6. - pp. 887-893.

104. Бейкер А.Б. Прогнозирование нагрузки с упреждением от 3-4 до 2436 ч. для управления генерацией в большой объединенной энергосистеме// Сравнительные модели прогнозирования электрической нагрузки энергосистем : пер. с англ. - М.: Энергоатомиздат, 1987. - С. 50-59.

105. Отчет о научно-исследовательской работе к договору № 225/605 от 25.02.2009 г.: Создание математических прогнозных моделей, алгоритмов и программного обеспечения прогнозирования электропотребления для региональных и объединенных диспетчерских управлений РФ (на примере ОДУ Юга), на основе математической прогнозной модели, отработанной в Ростовской области и Республике Калмыкия: отчет о НИР в 2 т. Т. 1/ И.И. Надтока [и др.]. - Новочеркасск.: ООО НПП «ВНИКО», 2010. - 136 с.

106. Макоклюев Б.И. Влияние колебаний метеорологических факторов на энергопотребление энергообъединений/ Б.И. Макоклюев, В.С. Павликов, А.И. Владимиров, Г.И. Фефелова// Энергетик. - 2003. - №6. - С. 14-19.

107. Томбасова А.А. Оценка зависимости режима электропотребления от влияния различных факторов [Электронный ресурс]// Сибирский федеральный университет. - 2010. - Режим доступа - http://conf.sfu-kras.ru/sites/ mn2011/thesis/s4/s4_157.pdf

108. Надтока И.И. Байесовская нейросетевая модель для краткосрочного прогнозирования электропотребления региона / И.И. Надтока, Б.М. Аль Зихери // Студенческая научная весна // материалы региональной научно-практической конференции студентов, аспирантов и молодых ученых вызов Ростовской области/ Юж.-Рос. гос. техн. ун-т.-Новочеркасска: ЮРГПУ (НПИ), 2012.- С.136-138.

109. Liao C. Application of a fuzzy neural network combined with a chaos genetic algorithm and simulated annealing to short-term load forecasting / C. Liao,

T.P. Tsao // IEEE Trans. on Evolutionary. Computation, vol. 10, No. 3, 2006, pp. 330-340.

110. Asar A. Short-term load forecasting using particle swarm optimization based ANN approach / A. Asar, A. Khan // Proc. of IEEE Int. Joint Conf. on Neural Networks, Orlando, Florida, USA, 2007, pp. 6-12.

111. Bashir Z. A. Short-term load forecasting using artificial neural network based on particle swarm optimization algorithm/ Z. A. Bashir, M. E. El-Hawary // Proc. of IEEE Electrical and Computer Engineering Canadian Conf., 2007, pp. 272-275.

112. Zhang J.R. A hybrid particle swarm optimization-back propagation algorithm for feed-forward neural network training / J.R. Zhang, M. R. Lyu // Applied Mathematics and Computation, vol. 185, 2007, pp. 1026-1037.

113. Ling S. H. A novel genetic-algorithm-based neural network for short-term load forecasting / S. H. Ling, F. H. Leung, H. K. Lam, P.K. Tam // IEEE Trans. on Industrial Electronics, vol. 50, No. 4, 2003, pp. 793-799.

114. Rothe J. P. Short term load forecasting using multi parameter regression / J. P. Rothe , A. K. Wadhwani// International Journal of Computer Science and Information Security,Vol. 6, No. 2, 2009, pp. 303-306.

115. Sunil Kumar J. Load forecasting of adama university by implementing fuzzy logic controller / J. Sunil Kumar, P. Arun Kumar. // International Journal of Advanced Research in Electrical,Electronics and Instrumentation Engineering, Vol. 2, 2013- pp. 6352-6362.

116. Ismail Z. Forecasting peak load electricity demand using statistics and rule based approach / Z. Ismail, A. Yahya // American Journal of Applied Sciences Vol. 6, 2009 - pp. 1618-1625.

117. Губский С.О. Анализ влияния метеофакторов на электропотребление в зоне действия Кубанского РДУ // Студенческая научная весна-2011: материалы региональной научно-практической конференции студентов, аспирантов и молодых ученых вызов Ростовской

области/ Юж.-Рос. гос. техн. ун-т.- Новочеркасска: ЮРГТУ (НПИ), 2011.-С. 312-314.

118. Надтока И.И. Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений / И.И. Надтока, А.В. Демура, С.О. Губский, А.Я. Ваколюк, В.В. Горбачев// Вестник СамГТУ.-2012, No. 1(33) - С.163 - 168.

119. Kennedy J. The Behavior of Particles// Proceedings of the 7th International conference on evolutionary programming, 1998- pp. 581-589.

120. Huang H.G. A new artificial intelligent peak power load forecaster based on non-fixed neural networks / H.G. Huang, R.C. Hwang, J.G. Hsieh // Electrical Power Energy System 2002; 24- pp. 245-250.

121- Iizaka T. A novel daily peak load forecasting method using analyzable structured neural network/ T. Iizaka, T. Matsui, Y. Fukuyama //IEEE T&D Asia,Yokohama 2002, pp. 1-6.

122. Amjady N. Short-term hourly load forecasting using time-series modeling with peak load estimation capability. IEEE Trans Power Syst 2001;16(4)- pp. 798805.

123. Zivanovic R. Local regression based short-term load forecasting // Intell Robotic Syst 2001; 31- pp. 115-127.

124. Hsu C.C. Regional load forecasting in Taiwan - applica-tions of artificial neural networks / C.C. Hsu, C.Y. Chen // Energy Convers Manage 2003;44- pp. 1941-1949.

125. Khotanzad A. ANNSTLF -artificial neural network short-term load forecaster - generation three/ A. Khotanzad, R. Afkhami, D. Maratukulam // IEEE Trans Power Syst 1998;13(4)- pp. 1413-1422.

126. Murto P. Neural network models for short-term load forecasting / P. Murto // Thesis, Helsinki University of Technology, Department of Engineer-ing Physics and Mathematics; 1998, pp. 1302-1308.

127. Saini L.M. Artificial neural network based peak load forecasting using Levenberg-Marquardt and quasi-Newton methods / L.M. Saini, M.K. Soni // IEE Proc-Gener Transm Distrib 2002, pp. 578- 584.

128. Nadtoka I.I. Short term load forecasting by using MLPNN trained by self organizing method / I.I. Nadtoka, B.M. Al-Zihery // Международная научно-практическая конференция, Методы и алгоритмы прикладной математики в технике, медицине и экономике: материалы XIII международной науч.-практ. конф., г.Новочеркасск, 12 марта 2013 / Юж.-Рос. гос. политехн. ун-т. (НПИ) имени М.И. Платова- Новочеркасск: 2013- с.61-66.

129. Oja M. Bibliography of self-organizing map (SOM) / M. Oja, S. Kaski, T. Kohonen // papers: 1998-2001 Addendum. Neural Comput Surveys 2002, vol. 3, pp. 150-156.

130. Carpinteiro A.S. A hierarchical neural model in short-term load forecasting / A.S. Carpinteiro., Da Silva Alves // IEEE 2000 - pp. 120-124.

131. Vesanto J. Clustering of the self-organizing map/ J. Vesanto, E. Alhoniemi // IEEE Trans Neural Networks 2000, vol. 11(3) - pp. 586-600.

132. Fay D. Establishing a Solution Strategy for Electrical Demand Forecasting in Ireland / D. Fay, J.V. Ringwood, M. Condona -: Ireland, 2000, pp.1-24.

133. Brown M. Neuro-Fuzzy Adaptive Modelling and Control / M. Brown, C. Harris // Prentice-Hall, Upper Saddle River, New Jersey, Book, 1994, 250 p.

134. Novak I. V. Mathematical Principles of Fuzzy Logic, Kluwer Academic Publishers ,USA, 1999, 249 p.

135. Jang J.S.R. Neuro-Fuzzy and Soft Computing / J.S.R. Jang, C.T. Sun, E. Mizutani // Computational Approach to Learning and Machine Intelligence. Prentice-Hall, Eaglewood cliffs, NJ, 1997, pp. 503-534.

136. Jang J.S.R. Rule extraction using generalized neural networks/ J.S.R. Jang // Proceedings of the IFSA World Congress 1991, vol. 4, pp. 82-86.

137. Надтока И.И. Краткосрочное прогнозирование электропотребления на основе адаптивной нейро- нечеткой сети/ И.И. Надтока, Б.М. Аль зихери //Современные энергетические системы и комплексы и управление ими,

Материалы 12-ой международной научно - практической конференции, Новочеркасск, 2014, С.49 - 55.

138. Alex J. S. A Tutorial on Support Vector Regression / J. S. Alex, S. Bernhard // Statistics and Computing, Kluwer Academic Pub., vol. 14, 2004, pp. 199-222.

139. Christopner J.C. A Tutorial on Support Vector Machines for Pattern Recognition/Journal of Data Mining and Knowledge Discovery, vol. 2, Springer, Netherlands, 1998, pp. 1- 43.

140. Stefan R. Support Vector Machines and Learning About Time / R. Stefan, M. Katharina // Proc. of IEEE ICASSP - 03, Hong Kong, 2003,vol. 4, pp. 864-867.

141. Надтока И.И. Краткосрочное прогнозирование электропотребления с помощью метода наименьших квадратов опорных векторов/ И.И. Надтока, Б.М. Аль Зихери // Электроэнергетика глазами молодежи: научные труды международной научно-технической конференции: сборник статей / Юж.-Рос. гос. политехн. ун-т. (НПИ) имени М.И. Платова- Новочеркасск: 2013-С.190-194.

142. Suykens J. Least Squares Support Vector Machines, http://www.esat.kuleuven.ac.be/sista/members/suykens.html, 2002, 84 p.

143. Надтока И.И. Краткосрочное прогнозирование электропотребления региона с учетом метеофакторов на основе метода опорных векторов и алгоритма роя частиц/ И.И. Надтока, Б.М. Аль Зихери // Изв. вузов. Электромеханика. 2014 - № 3.- С. 44-48.

144. Надтока И.И. Краткосрочное прогнозирование нагрузки с учетом метеофакторов на основе теории опорных векторов и алгоритма роя частиц / И.И. Надтока, Б.М. Аль Зихери // Компьютерные технологии в науке производстве, социальных и экономических процессах: материалы XIV международной науч.-практ. конф., г. Новочеркасск, 12 декабря 2014 г. / Юж.-Рос. гос. политехн. ун-т. (НПИ) имени М.И. Платова- Новочеркасск: 2014- С.93-98.

145. Xiang L.I. A new Support vector machines optimized by PSO and its application / L.I. Xiang, Y. Shang-dong // North China Electric power University , 2006, Vol.13. No.5, pp. 568- 572.

146. Shayeghi H. Short-term load forecasting Based on Optimized Neural Network using PSO/ H. Shayeghi, H.A.Shayanfar, G. Azimi // International Journal of Electrical and Computer Engineering 2009, Vol.3 pp. 874-884.

Листинг программы реализации нейронной сети

close all clc

p= insumer; % INPUTS t= targsumer; % OUTPUTS [Pw,ps1] = mapstd(p); [ptrans,ps2] = processpca(Pw,0.02); [Tw,ts] = mapstd(t);

% [mX,nX]=size(p); [mY,nY]=size(t); nTest=275; mX=75;

Xn1=ptrans(:,1:(nTest-mX)); Xn2=ptrans(:,(nTest-mX+1):nTest); Yn1=Tw( :,1: (nTest-mX)); Yn2=Tw( :,(nTest-mX+1 ):nTest); Y1=t(:,1:(nTest-mX)); Y2=t(:,(nTest-mX+ 1):nTest);

% [pn,minp,maxp,tn,mint,maxt] = premnmx(p,t);

% % [ptrans,transMat] = prepca(pn,0.02);

% % [ptransn,minptrans,maxptrans]=premnmx(ptrans);%new

net = newp(Xn1,Yn1,'purelin');

net.trainFcn = 'traingd'; net.trainParam.IPF='removeconstantrows'; net.trainParam.OPF='removeconstantrows'; net.trainParam.PF = 'mae'; net.performParam.goal = 0.00001; net.performParam.ratio = 0.005; net.trainParam.epochs=5000; net.trainParam.cm = 0.3; net.trainParam.lr = 0.3; init(net)

net = train(net,Xn1,Yn1);

Ybn1 = sim(net,Xn1);

atrain = mapstd('reverse',Ybn1,ts);

Ybn2 = sim(net,Xn2);

atest = mapstd('reverse',Ybn2,ts);

disp('fitting Error is:');

r=0;

for n=1:24 ;

r=r+((abs(Y1(n,200)-atrain(n,200)))/Y1(n,200)); end

avretrain=(r/24)*100; % Err_Bp1=sqrt(sumsqr(Y1'-Yb1)/(size(Yn1,2))); disp( avretrain); disp('testing Error is:'); r=0;

for n=1:24 ;

r=r+((abs(Y2(n,75)-atest(n,75)))/Y2(n,75)); end

avretest=(r/24)*100; % Err_Bp2=sqrt(sumsqr(Y2'-Yb2)/(size(Yn2,2))); disp(avretest);

figure(1); plot(Y1(:,200),''); hold on;

plot(atrain(:,200),'r'); legend(' actual', 'forcast'); title('load training'); xlabel('hour'); ylabel('load');

figure(2); plot(Y2(:,75),''); hold on;

plot(atest(:,75),'r'); legend(' actual', 'forcast'); title('load testing'); xlabel('hour'); ylabel('load');

Листинг программы реализации нейронной сети с рой частиц

% Clear screen and memory % clc % clear

%Load data % load dataOTH

%Define number inputnum=4; hiddennum=8; outputnum=1;

input output of neurons

%total number of neurons

numsum=inputnum*hiddennum+hiddennum+hiddennum*outputnum+outputnu m;

input=itrain1; output=otrain;

%Define data for train and test input_train=itrain1(1:4,1:652 8); % input_test=itrain1(1:2,6001:6600); output_train=otrain(1,1:652 8); % output_test=otrain(1,6001:6600);

%Data normolization

[inputn,inputps]=mapminmax(input_train); [outputn,outputps]=mapminmax(output_train);

%Construct the network net=newff(inputn,outputn,hiddennum);

% Parameters for speed update c1 = 1.49445; c2 = 1.4 94 4 5;

maxgen=30; % Number of Iteration sizepop=20; %Pop size

% Define individual and speed limits

Vmax=1;

Vmin=-1;

popmax=5;

popmin=-5;

for i=1:sizepop

pop(i,:)=5*rands(1,numsum); V(i,:)=rands(1,numsum); fit-

ness(i)=fun(pop(i,:),inputnum,hiddennum,outputnum,inputn,outputn

end

% Search the initial extreme value [bestfitness bestindex]=min(fitness); zbest=pop(bestindex,:); %Group EV position gbest=pop; %Individual EV position fitnessgbest=fitness; %Individual fitness fitnesszbest=bestfitness; %Group fitness

%% Iterations for i=1:maxgen i;

for j=1:sizepop %Speed update

V(j,:) = V(j,:) + c1*rand*(gbest(j,:) - pop(j,:)) + c2*rand*(zbest - pop(j,:));

V(j,find(V(j,:)>Vmax))=Vmax; V(j,find(V(j,:)<Vmin))=Vmin;

%Particle update pop(j,:)=pop(j,:)+0.2*V(j,:); pop(j,find(pop(j,:)>popmax))=popmax; pop(j,find(pop(j,:)<popmin))=popmin;

pos=unidrnd(numsum); if rand>0.95

pop(j,pos)=5*rands(1,1);

end

%Fitness of new particles fit-

ness(j)=fun(pop(j,:),inputnum,hiddennum,outputnum,inputn,outputn );

end

%Updates for individual and group extreme values for j=1:sizepop

%Update for group extreme value if fitness(j) < fitnessgbest(j) gbest(j,:) = pop(j,:); fitnessgbest(j) = fitness(j);

end

%Update for individual extreme value if fitness(j) < fitnesszbest zbest = pop(j,:); fitnesszbest = fitness(j);

end

yy(i)=fitnesszbest;

end

o a %%

figure(1) plot(yy)

title('The Best Individual Fitness','fontsize',12) xlabel('Number of

Iteration','fontsize',12);ylabel('Fitness','fontsize',12); x=zbest;

o a %%

a a o o

w1=x(1:inputnum*hiddennum);

B1=x(inputnum*hiddennum+1:inputnum*hiddennum+hiddennum);

w2=x(inputnum*hiddennum+hiddennum+1:inputnum*hiddennum+hiddennum

+hiddennum*outputnum);

B2=x(inputnum*hiddennum+hiddennum+hiddennum*outputnum+1:inputnum *hiddennum+hiddennum+hiddennum*outputnum+outputnum);

net.iw{1,1}=reshape(w1,hiddennum,inputnum); net.lw{2,1}=reshape(w2,outputnum,hiddennum); net.b{1}=reshape(B1,hiddennum,1); net.b{2}=reshape(B2,outputnum,1);

net.trainParam.epochs=50 0;

net.trainParam.lr=0.9;

net.trainParam.goal=0.001;

net.trainParam.max_fail=6;

net.trainParam.min_grad=1e-15;

net.trainParam.showWindow=1;

net.trainFcn='trainlm';

%

[net,per2]=train(net,inputn,outputn); an1=sim(net,inputn);

train_simu=mapminmax('reverse',an1,outputps);

o a %%

%

% inputn_test=mapminmax('apply',input_test,inputps); % an=sim(net,inputn_test);

% test_simu=mapminmax('reverse',an,outputps); % error=test_simu-output_test; % variance=error./output_test; % mseindepth=mse(error(1,:)); % avgerrorindepth=mean(error(1,:)); % mseinra1=mse(error(2,:)); % avgerrorinra1=mean(error(2,:)); %% Plot prediction result % figure(1)

% plot(test_simu(1,:),'og') % hold on

% plot(output_test(1,:),'-*');

% legend('Predicted output','Experimental output') % title('BP Network Prediction','fontsize',12) % ylabel('Depth(um)','fontsize',12) % xlabel('Test Samples','fontsize',12); % r=0;

% for m=1:24 ;

% r=r+((abs(otrain(1,60 0 0+m)-

test_simu(1,m)))/otrain(1,6000+m)); % end

% MAPEts=(r/24)*100;

r2 = 0; for m=1:24 ;

r2=r2+((abs(otrain(1,6504+m)-train_simu(1,m+6504)))/otrain(1,6504+m)); end

MAPEtr=(r2/24)*100; % figure(2)

% actualWithPredicted1(1,:)= otrain(1,6577:6600); % actualWithPredicted1(2,:)= test_simu(1,1:24); % plot(1:24,actualWithPredicted1);

% graph = ['Mean Absolute Error =',num2str(MAPEts)]; % title(graph);

% legend('Actual','Forecasted'); figure(3)

actualWithPredicted2(1,:)= otrain(1,6505:652 8); actualWithPredicted2(2,:)= train_simu(1,6505:652 8); plot(1:24,actualWithPredicted2);

graph = ['Mean Absolute Error =',num2str(MAPEtr)]; title(graph);

legend('Actual','Forecasted');

Приложение 3

Листинг программы реализации самоорганизующихся карт

mmin = min(insumer(:)); mmax = max(insumer(:));

datasumer= (insumer-mmin) ./ (mmax-mmin);

net = selforgmap([2 2]);

view(net)

net.trainParam.epochs = 5000; [net,tr] = train(net,insumer); nntraintool y = net(insumer); cluster_index = vec2ind(y);

% optimization cluresting by minimum distance distances = dist(insumer',net.IW{1}'); plotsom(net.iw{1,1},net.layers{1}.distances); hold off

function out1 = selforgmap(varargin)

%SELFORGMAP Self-organizing map.

%

% For an introduction use the Neural Clustering Tool <a href="matlab: doc nctool">nctool</a>.

% Click <a href="matlab:nctool">here</a> to launch it.

%

% Self-organizing maps learn to cluster data based on similarity,

% topology, with a preference (but no guarantee) of assigning the same

% number of instances to each class.

%

% <a href="matlab:doc

selforgmap">selforgmap</a>(dimensions,coverSteps,initNeighbor,to pologyFcn,distanceFcn)

% takes a row vector defining the size of an N-dimensional neuron layer,

% the number of training steps for initial covering of the input space,

% the initial neighborhood size, and topology and distance functions,

% and returns a self-organizing map.

%

% The input size is set to 0. This size will automatically be configured

% to match particular data by <a href="matlab:doc train">train</a>. Or the you can manually configure % inputs and outputs with <a href="matlab:doc config-

ure">configure</a>.

%

% Defaults are used if <a href="matlab:doc selforgmap">selforgmap</a> is called with fewer arguments.

% The default arguments are ([8 8],100,3,'<a href="matlab:doc hextop">hextop</a>',<a href="matlab:doc

linkdist">linkdist</a>').

%

% Here a network is used to map a simple set of data.

%

% x = <a href="matlab:doc

simplecluster_dataset">simplecluster_dataset</a>; % net = <a href="matlab:doc selforgmap">selforgmap</a>([8 8]);

% net = <a href="matlab:doc train">train</a>(net,x); % <a href="matlab:doc view">view</a>(net) % y = net(x);

% classes = <a href="matlab:doc vec2ind">vec2ind</a>(y);

%

% See also LVQNET, COMPETLAYER, SELFORGMAP, NCTOOL. % Mark Beale, 11-31-97

% Copyright 1992-2010 The MathWorks, Inc. % $Revision: 1.1.10.4 $ $Date: 2010/10/08 17:11:46 $

o. o._______________________________________________________

%% =======================================================

% BOILERPLATE_START

% This code is the same for all Network Functions. persistent INFO;

if isempty(INFO), INFO = get_info; end if (nargin > 0) && ischar(varargin{1}) code = varargin{1}; switch code case 'info',

out1 = INFO; case 'check_param'

err = check_param(varargin{2});

if ~isempty(err), nnerr.throw('Args',err); end out1 = err; case 'create'

if nargin < 2, nnerr.throw('Not enough arguments.'); end param = varargin{2};

err = nntest.param(INFO.parameters,param); if ~isempty(err), nnerr.throw('Args',err); end out1 = create_network(param); out1.name = INFO.name; otherwise,

% Quick info field access try

out1 = eval(['INFO.' code]); catch %#ok<CTCH>

nnerr.throw(['Unrecognized argument: ''' code '''']) end

end else

[param,err] = INFO.parameterStructure(varargin);

if ~isempty(err), nnerr.throw('Args',err,'Parameters'); end net = create_network(param); net.name = INFO.name; out1 = init(net); end end

function v = fcnversion

v = 7; end

% BOILERPLATE_END

o a_______________________________________________________

%% =======================================================

function info = get_info

info = nnfcnNetwork(mfilename,'Self-Organizing

Map',fcnversion, ... [ ...

nnetParamInfo('dimensions','Dimensions','nntype.strict_pos_int_r ow',[8 8],...

'Dimensions of the neural layer.'), ... nnetParamInfo('coverSteps','Covering Steps','nntype.pos_int_scalar',100,...

'Number of steps for neighborhood to shrink to 1.'), ... nnetParamInfo('initNeighbor','Initial Neighborhood','nntype.pos_int_scalar',3,... 'Initial neighborhood size.'), ... nnetParamInfo('topologyFcn','Topology Function','nntype.topology_fcn','hextop',...

'Pattern of neuron positions in the layer.'), ... nnetParamInfo('distanceFcn','Distance Function','nntype.distance_fcn','linkdist',...

'Function to measure distances between neurons.') ... ]);

end

function err = check_param(param)

err = ''; end

function net = create_network(param)

% Architecture

net = network(1,1,0,1,0,1);

% Simulation

net.layers{1}.dimensions = param.dimensions; net.layers{1}.topologyFcn = param.topologyFcn; net.layers{1}.distanceFcn = param.distanceFcn; net.inputWeights{1,1}.weightFcn = 'negdist'; net.layers{1}.transferFcn = 'compet';

% Learning

net.inputWeights{1,1}.learnFcn = 'learnsomb'; net.inputWeights{1,1}.learnParam.init_neighborhood = param.initNeighbor;

net.inputWeights{1,1}.learnParam.steps = param.coverSteps;

% Adaption net.adaptFcn = 'adaptwb';

% Training net.trainFcn = 'trainbu';

net.trainParam.epochs = max(200,param.coverSteps * 2); % Initialization net.initFcn = 'initlay'; net.layers{1}.initFcn = 'initwb'; net.inputWeights{1,1}.initFcn = 'initsompc';

% Plots net.plotFcns = ...

{'plotsomtop','plotsomnc','plotsomnd','plotsomplanes','plotsomhi

ts','plotsompos'};

end

Приложение 4

Листинг программы реализации нейро-нечеткой

P(1:4,:)=itrain1(1:4,1:4392); T(1,:)=otrain(1,1:4392);

[P1,minp,maxp,T1,mint,maxt] = premnmx(P,T);

itest(1:4,:)=P1(1:4,4369:4392);

itrain(1:4,:)=P1(1:4,1:4392);

utrain(1,:)=T1(1,1:4392);

% itest(1:2,:)=itrain(1:2,169:336);

trnData = [itrain' utrain'];

% for i=2:10

numMFs =3;

mfType = 'gaussmf';

epoch_n = 2 00;

in_fis = genfis1(trnData,numMFs,mfType); out_fis = anfis(trnData,in_fis, epoch_n); y1 = evalfis(itest,out_fis); y =postmnmx(y1,mint,maxt); % end

% xlswrite('resualt.xls',y, 'trimf');

y=y';

r=0;

for m=1:24 ;

r=r+((abs(otrain(1,4 3 68+m)-y(1,m)))/otrain(1,4 3 68+m));

end

MAPE=(r/24)*100; figure(1)

actualWithPredicted(1,:)= otrain(1,43 69:4392); actualWithPredicted(2,:)= y(1,1:24); plot(1:24,actualWithPredicted);

graph = ['Mean Absolute Error =',num2str(MAPE)]; title(graph);

legend('Actual','Forecasted');

function fis = genfis1(data, numMFs, inmftype, outmftype)

%GENFIS1 Generates an initial Sugeno-type FIS for ANFIS training using a grid

% partition.

%

% FIS = GENFIS1(DATA) generates a single-output Sugeno-type fuzzy inference

% system (FIS) using a grid partition on the data (no clustering). FIS is

% used to provide initial conditions for ANFIS training. DATA is a matrix with

% N+1 columns where the first N columns contain data for each FIS input, and

% the last column contains the output data. By default, GENFIS1 uses two

% 'gbellmf' type membership functions for each input. Each rule generated by

specifies the same number for all inputs and a specifies the number for each input individual-

% GENFIS1 has one output membership function, which is of type 'linear' by

% default.

%

% FIS = GENFIS1(DATA, NUMMFS, INPUTMF, OUTPUTMF) explicitly specifies:

% * NUMMFS number of membership functions per input. A

scalar value,

o %

vector value

o %

ly.

% * INPUTMF type of membership function for each input. A

single string

% specifies the same type for all inputs, a