зразок презентації

Кафедра автоматизации
управления
электротехническими
комплексами
Институт
энергосбережения и
энергоменеджмента
Автор: ст. Мелёхина Е.К.
Руководитель: доц. Тышевич Б.Л.
Постановка задачи:
Исследование структуры, параметров,
функций активации алгоритмов обучения
НМЭ для максимальной адаптации при
воспроизведении
сложного
графика
изменения
электрических
нагрузок.
Наиболее точные НМЭ будут базовыми
при создании системы прогнозирования
поведения энергосистем.
Рассматривались
многослойные
сети,
построенные с помощью пакета прикладных
программ MATLAB.
Понятие о нейроподобном
элементе и процессе его
обучения :
 Модель нейрона
 Модель процесса
обучения ИНС
Широкий спектр применения НС
объединяют общие характеристики
и свойства объектов:
 сложность или невозможность
математического описания;
 наличие стохастических составляющих в
процессах;
 большое количество нескоррелированных
параметров;
 выраженная нелинейность, нестационарность
в характеристиках;
 наличие параметрических и внешних
возмущений и т.д.
Общие и конкретные преимущества
и свойства НС по сравнению с
другими классическими подходами:
 способность решать неформализованные
задачи;
 параллелизм обработки информации;
 единый и эффективный принцип обучения;
 гибкость модели для нелинейной
аппроксимации многомерных функций;
 средство прогнозирования во времени для
процессов, которые зависят от многих
переменных.
Искусственные НС используют как:
классификатор по многим признакам, что
дает разбиение входного пространства на
области;
инструмент для поиска по ассоциациям;
модель для поиска закономерностей в
массивах данных.
Наиболее актуальные задачи в
энергетике, которые можно решить
с помощью НМ:
прогнозирование спроса на электрическую
энергию;
прогнозирование спроса на тепловую энергию;
прогнозирование спроса на природный газ;
прогнозирование предельной цены системы в
энергорынке;
прогнозирование объема генерации
электроэнергии ветровыми станциями;
прогнозирование температуры наружного
воздуха.
Примеры функций активации(ФА):
Сигмоидальная,
Полулинейная
логистическая
Полулинейная с
насыщением
Линейная с
насыщением
Линейная
Радиальнобазисная
Сигмоидальная
Треугольная (гиперболическая)
ДВУХСЛОЙНАЯ «КЛАССИЧЕСКАЯ»
НЕЙРОННАЯ СЕТЬ С РАЗЛИЧНЫМИ
ФУНКЦИЯМИ АКТИВАЦИИ
Х1,Х2 – компонент
входного вектора;
Wij – вес синапса;
S1,S2 – результат
суммирования;
Двухслойная сеть прямого
распространения
Y – выходной
сигнал нейрона;
Полученные графики для заданной целевой функции (---)
и график полученной в результате обучения и работы
НМЭ (- - -):
Графики для НМЭ, где 2-й слой – logsig Графики для НМЭ, где 2-й слой – poslin
Графики для НМЭ, где 2-й слой – purelin Графики для НМЭ, где 2-й слой – radbas
Продолжение - заданная целевая функция (---) и график
полученной в результате обучения и работы НМЭ (- - -):
Графики для НМЭ, где 2-й слой – satlin Графики для НМЭ, где 2-й слой – satlins
Графики для НМЭ, где 2-й слой – tribas
Критерии используемые для оценки
наилучшего результата:
•Критерий регулярности:
 рег 
N
 (a
i 1
i
 ti )
N
t
i 1
2
i
ai – выход нейронной сети для входа pi;
ti – целевой выход для входа pi.
•Максимальная относительная погрешность
аппроксимации:
ai  ti
  max(
100%)
ti
2
 min
Наилучший график полученный для
двухслойной НС (ФА=tansing,poslin) :
- критерий регулярности рег = 0,00036974 = 369,74e-6;
- максимальная относительная погрешность  = 8,3417%.
ТРЕХСЛОЙНАЯ «КЛАССИЧЕСКАЯ»
НЕЙРОННАЯ СЕТЬ
С РАЗНЫМИ ФУНКЦИЯМИ АКТИВАЦИИ
Результаты идентификации процесса нейросетью с
тремя слоями после тренировки НМЭ с различными
функциями активации :
ФА = tansig, poslin, purelin
ФА = radbas, poslin, purelin
ФА = logsig, poslin, purelin
ФА = tribas, poslin,purelin
Наилучший график полученный для
трёхслойной НС(ФА=tansing,poslin,purelin):
- критерий регулярности рег = 0,00025156 = 251,56e-6;
- максимальная относительная погрешность  = 4,9629%
ЧЕТЫРЁХСЛОЙНАЯ «КЛАССИЧЕСКАЯ» НС.
СТРУКТУРНАЯ МОДЕЛЬ MATLAB:
Результаты идентификации процесса нейросетью с
четырьмя слоями после тренировки НМЭ с различными
функциями активации :
ФА = tribas, tansig, poslin, purelin
ФА = tansig, tribas, poslin,purelin
ФА = radbas, tansig, poslin,purelin
Наилучший график полученный для
четырёхслойной
НС(ФА=tribas,tansing,poslin,purelin):
- критерий регулярности рег = 9,5331e-5=95,331е-6;
- максимальная относительная погрешность  = 3,9543%.
Влияние типов функций активации и
количества слоев на качество работы НМЭ:
Первый слой
Второй слой
Третий слой
Четвёртый слой
Количес Функци Количес Функци Количес Функци Количе Функци
тво
я
тво
я
тво
я
ство
я
нейроно активац нейроно активац нейроно активац нейрон активац
в
ии
в
ии
в
ии
ов
ии
10
tansig
1
poslin
10
tansig
5
poslin
1
purelin
10
logsig
5
poslin
1
purelin
10
radbas
5
poslin
1
purelin
10
tribas
5
poslin
1
purelin
20
tansig
10
tribas
5
poslin
1
purelin
20
tribas
10
tansig
5
poslin
1
purelin
20
radbas
10
tansig
5
poslin
1
purelin
Критери
и
качества
рег / 
369,74e-6
8,3417%
251,56е-6
4,929%
458,22е-6
7,238%
332,64е-6
6,0433%
247,54е-6
5,0497%
208,31е-6
5,5734%
95,331е-6
3,9543%
104,34е-6
4,0568%
Выводы:
 В процессе проведения тренировки по разным
алгоритмам было выявлено, что наиболее быстро
нейросеть тренировалась по методу ЛевенбергаМарквардта (trainlm).
 Как следует из сравнительной таблицы по всем
проведенным опытам, с увеличением слоев,
идентификация той нейросети лучше, в которой
первый слой имеет ФА tribas.
 Чем проще ФА следующего слоя по сравнению с ФА
предыдущего слоя, тем качественнее
идентификация исследуемого процесса.
 Исследования нейронных сетей как
идентификаторов сложных процессов позволят
определить необходимую достаточность по
допустимому качеству идентификации для
прогнозирования поведения энергосистем на разных
периодах времени.