Среди большого количества научных работ, посвящённых применению нейросетевого моделирования в энергетике, лидирующую позицию занимает прогнозирование электропотребления. Взаимоотношения поставщика и промышленного потребителя на оптовом рынке электроэнергии и мощности заставляют последнего предоставлять данные о плановом почасовом графике электропотребления. Отклонения фактического графика от планового приводят к убыткам для промышленных потребителей.
Не менее актуальной является задача прогнозирования теплопотребления. Преимущества в прогнозном графике теплопотребления — отсутствие «перетопа» или «недотопа» у потребителя, рациональное использование топлива на источнике тепловой энергии, оптимальные тепловые потери в тепловых сетях, корректный подбор характеристик оборудования тепловых пунктов и инженерных коммуникаций здания. Перечисленные преимущества повышают уровень энергосбережения и, как следствие, приводят к экономии денежных средств.
Существующие методы расчёта тепловых нагрузок здания, которые основаны на нормативных документах РФ, всё чаще показывают несовместимость с принципами энергосбережения. Большинство параметров и коэффициентов, используемых в расчёте, являются укрупнёнными и статичными. При расчёте тепловой нагрузки на отопление результатом является максимальная нагрузка с необоснованным запасом. Из-за большого количества влияющих параметров, которые имеют различный вклад в физику процесса тепломассообмена, очень проблематично описать одним или несколькими уравнениями динамическую модель теплового потребления здания. Ввиду этого предлагается оценить возможность применения нейросетевого прогнозирования при расчёте тепловой нагрузки на систему отопления.
Для достижения цели работы решаются следующие задачи:
1. Дать краткую характеристику нейронным сетям.
2. С помощью программного комплекса Statistica подобрать наилучшую нейронную модель.
3. После обучения на эталонных (обучающих) данных получить минимальное отклонение на контрольных значениях.
ИНС — искусственная нейронная сеть, то есть набор элементарных преобразователей информации — нейронов, соединённых друг с другом каналами обмена информацией для их совместной работы. В настоящее время сформировались две ветви исследований. Первая, нейробиологическая, основывается на моделировании работы живого мозга, имея целью объяснить, каким образом в нём отображаются сложные объекты и связи между ними, как устанавливаются соответствие между хранящейся и поступающей извне информацией, как мозг обучается, и другие вопросы, касающиеся функционирования мозга. Второе направление исследований направлено на решение с помощью ИНС задач переработки информации в различных областях знаний, особенно в плохо формализуемых, где существующие модели субъективны и неадекватны. Наиболее впечатляющие результаты использования ИНС достигнуты при распознавании образов, при создании самообучающихся экспертных систем, при построении ассоциативной памяти и при решении оптимизационных задач большой размерности.
Нейрон представляет собой единицу обработки информации в нейронной сети. На блок-схеме рис. 1 показана модель нейрона, лежащего в основе искусственных нейронных сетей. В этой модели можно выделить три основных элемента.
1. Набор синапсов или связей, каждый из которых характеризуется своим весом или силой. В отличие от синапсов мозга, синаптический вес искусственного нейрона может иметь как положительные, так и отрицательные значения.
2. Сумматор складывает входные сигналы, взвешенные относительно синапсов нейрона. Эту операцию можно описать как линейную комбинацию.
3. Функция активации ограничивает амплитуду выходного сигнала нейрона. Эта функция также называется функцией сжатия. Обычно нормализованный диапазон амплитуд выхода нейрона лежит в интервале [0, 1] или [-1, 1]. В модель нейрона, показанной на рис. 1, включён пороговый элемент, который обозначен символом b. Эта величина отражает увеличение или уменьшение входного сигнала, подаваемого на функцию активации [1].
Многослойные персептроны (рис. 2) также называют «простыми нейронными сетями прямого распространения». Их можно рассматривать как обобщение линейных моделей, которые, прежде чем прийти к решению, выполняют несколько этапов обработки данных.
Самым важным свойством нейронных сетей является их способность обучаться на основе данных окружающей среды и в результате обучения повышать свою производительность. Обучение нейронной сети происходит посредством интерактивного процесса корректировки синаптических весов и порогов. Обучение — это процесс, в котором свободные параметры нейронной сети настраиваются посредством моделирования среды, в которую эта сеть встроена. Тип обучения определяется способом подстройки этих параметров. Это определение процесса обучения предполагает следующую последовательность событий:
1. В нейронную сеть поступают стимулы из внешней среды.
2. В результате этого изменяются свободные параметры нейронной сети.
3. После изменения внутренней структуры нейронная сеть отвечает на возбуждения уже иным образом [2].
Задачей данной работы является обучить нейронную сеть прогнозировать тепловую нагрузку на отопление. Входными переменными будут являться компоненты теплового баланса здания [3]:
QCOmax = Qтп – Qбыт. (1)
Тепловая нагрузка системы отопления зависит от коэффициента теплопередачи, площади поверхности ограждающих конструкций, температуры воздуха внутри помещения, температуры наружного воздуха, массового расхода инфильтрующегося воздуха, площади комнаты, массового расхода воздуха на вентиляцию, количества людей, установленной мощности осветительных и бытовых приборов. Выходным (прогнозным) значением являлась тепловая нагрузка на систему отопления. Обучающая выборка составляла 264 набора входных и выходных переменных.
В программном комплексе Statistica [4] было подобрано пять автоматизированных моделей нейронных сетей:
1. MLP 10–11–1. Многослойный персептрон с 11 нейронами в скрытом слое. Активационная функция нейронов скрытого и выходного слоёв — экспоненциальная. Среднее относительное отклонение выходных данных сети на тренировочных данных — 6,33%, на тестовых данных — 8,32%, на контрольных данных — 10,88%.
2. MLP 10–9-1. Многослойный персептрон с девятью нейронами в скрытом слое. Активационная функция скрытого слоя — логистическая, выходного слоя — тождественная. Среднее относительное отклонение выходных данных сети на тренировочных данных — 5,28%, на тестовых данных — 19,5%, на контрольных данных — 6,8%.
3. MLP 10–8-1. Многослойный персептрон с восемью нейронами в скрытом слое. Активационная функция нейронов скрытого слоя — логистическая, выходного слоя — тангенциальная. Среднее относительное отклонение выходных данных сети на тренировочных данных — 4,73%, на тестовых данных — 33,68%, на контрольных данных — 9,34%;
4. MLP 10–12–1. Многослойный персептрон с 12 нейронами в скрытом слое. Активационная функция нейронов скрытого слоя — логистическая, выходного слоя — тангенциальная. Среднее относительное отклонение выходных данных сети на тренировочных данных — 2,41%, на тестовых данных — 3,8%, на контрольных данных — 4,64%.
5. MLP 10–13–1. Многослойный персептрон с 13 нейронами в скрытом слое. Активационная функция нейронов скрытого слоя — экспоненциальная, выходного слоя — тождественная. Среднее относительное отклонение выходных данных сети на тренировочных данных — 6,18%, на тестовых данных — 8,31%, на контрольных данных — 8,12%.
Таким образом, на основе подобранных моделей можно сделать вывод о том, что наилучшим вариантом является модель сети MLP 10–12–1 с наименьшим средним относительным отклонением 4,74%. Применяемый программный комплекс Statistica позволяет без углублённых знаний программирования и нейронных сетей подобрать различные структуры, обучить модель на тренировочных данных и получить прогноз на контрольных.
Нейронные сети способны к обучению и прогнозированию достаточно близких к истинным зависимостям, а не простому «угадыванию». При правильном выборе набора входных переменных, а также структуры сети возможно получить более точное прогнозирование.
