Нейрокомпьютерные системы



              

Прогнозирование нагрузок энергетической системы


Рассмотрим решение задачи прогнозирования часовых нагрузок в элктроэнергетической системе на 24-часовом интервале. Пусть имеется база данных, содержащая векторы профильных нагрузок дня

 \begin{align*} p_j = [p(j,1),p(j,2), \ldots, p(j,24)], \end{align*}

где компонент

p(j,k)
соответствует действительной нагрузке в
k
-й час суток. Множество профильных векторов подается на вход сети Кохонена, состоящей из
n
нейронов. Процесс самоорганизации сети приводит к автоматической кластеризации данных и к сопоставлению каждому кластеру одного из нейронов сети. Этот нейрон считается победителем, а его веса наилучшим образом адаптируются к усредненным весам профильных векторов, составляющих кластер. Характерная особенность состоит в том, что соседние векторы имеют сходные профильные характеристики.

Близость весов нейронов, расположенных недалеко друг от друга, объясняется тем, что один и тот же день в разные годы при небольших отличиях в часовых нагрузках может возбуждать различные нейроны, которые образуют кластеры, группирующие данные сходных классов.

Знание таблицы распределения побед конкретных нейронов сети позволяет относительно легко предвидеть профили часовых нагрузок для произвольного дня года. С этой целью создаются таблицы принадлежности каждого дня года к области доминирования определенного нейрона с обозначением количества его побед для всех дней в прошлом. Для выбора прогнозируемого профиля нагрузок актуального дня в требуемом месяце рассчитываются усредненные значения весов нейронов победителей, которые указывали в прошлом на требуемый день. Если количество побед

i
-го нейрона, соответствующего
j
-му дню, обозначить
k_{ji}
, а соответствующие векторы весов класса -
w_i
, то прогнозируемый профильный вектор
j
-го дня рассчитывается по формуле

 \begin{align*} p_j = \sum_{i=1}^n k_{ji} w_i / \sum_{i=1}^n k_{ji} \end{align*}




Содержание  Назад  Вперед