Решение задачи прогнозирования инсоляции с использованием модифицированной нечеткой нейросети

  • Екатерина Александровна Энгель Хакасский государственный университет им. Н. Ф. Катанова https://orcid.org/0000-0002-3023-0195
  • Никита Евгеньевич Энгель Хакасский государственный университет им. Н. Ф. Катанова https://orcid.org/0000-0002-7216-6398
Ключевые слова: прогнозирование инсоляции, рекуррентные нейросети, механизм внимания, нечеткие нейросети

Аннотация

Интеллектуальные системы прогнозирования инсоляции повышают эффективность солнечной электростанции и, таким образом, актуальны в соответствии с приоритетом государственной энергетической политики «Энергетической стратегии на период до 2035 года». Инсоляция имеет сложную нелинейную динамику с неопределенностями, обусловленными изменением облачности. В связи с этим, решить задачу прогнозирования инсоляции классическими методами с заданной точностью нельзя, в то время как интеллектуальные методы обеспечивают требуемую точность. При решении задач прогнозирования инсоляции интеллектуальные методы в сравнении с традиционными методами обеспечивают требуемую точность решения указанных задач способствуя безопасному и эффективному управлению электрическими сетями, интегрирующими солнечные электростанции. Решена задача почасового прогнозирования инсоляции на сутки вперед в условиях неопределенности с использованием модифицированной нечеткой нейросети, обеспечивающей средствами рекуррентных нейронов и механизма внимания эффективное формирование и передачу скрытого представления информации как сигнала скрытого слоя рекуррентных нейронов глубоких нейросетей, на основе выходов которых алгоритмом нечетко-возможностной свертки генерируется прогнозируемое значение инсоляции. Модифицирован метод создания МНН, снижающий размерность пространства поиска частиц роя и вычислительные затраты, упрощающий оптимизацию. Модифицированная нечеткая нейросеть эффективно выделяет на основе данных существенные функциональные аспекты прогнозирования инсоляции, включая аспекты идентификации облачности часа. Полученные результаты сравнительного экспериментального моделирования модифицированной нечеткой нейросети при прогнозировании инсоляции на сутки вперед демонстрируют ее робастность и снижение среднеквадратичной ошибки ее прогноза в среднем в три и шесть раз в сравнении с рекуррентными нейросетями и стандартной моделью авторегрессии скользящего среднего при воздействии на нее разных внутренних и внешних факторов неопределенности.

Скачивания

Данные скачивания пока не доступны.

Биографии авторов

Екатерина Александровна Энгель, Хакасский государственный университет им. Н. Ф. Катанова

канд. тех. наук, доцент, доцент кафедры цифровых технологий и дизайна Хакасского государственного университета

Никита Евгеньевич Энгель, Хакасский государственный университет им. Н. Ф. Катанова

магистрант 2-го года обучения кафедры программного обеспечения вычислительной техники и автоматизированных систем Хакасского государственного университета

Литература

1. Draft energy strategy of the Russian Federation for the period up to 2035 / Official website of the Ministry of Energy of the Russian Federation. Text: electronic. URL
2. Narvaez G. [et al.] (2021) Machine Learning for Site-Adaptation and Solar Radiation Forecasting. Energies. No 167. P. 333–342.
3. Belmahdi B. [et al.] (2022) Comparative optimization of global solar radiation forecasting using machine learning and time series models. Environmental Science and Pollution Research. No 29. P. 14871–14888.
4. Faisal A. N. [et al.] (2022) Neural networks based multivariate time series forecasting of solar radiation using meteorological data of different cities of Bangladesh. Results in Engineering. No 13. P. 100365.
5. Guermoui M. [et al.] (2022) A novel ensemble learning approach for hourly global solar radiation forecasting. Neural Computing and Applications. No 34. P. 2983–3005.
6. Acikgoz H. (2022) A novel approach based on integration of convolutional neural networks and deep feature selection for short-term solar radiation forecasting. Applied Energy. No 305. P. 117912.
7. Kumari P. and Toshniwal D. (2022) Extreme gradient boosting and deep neural network-based ensemble learning approach to forecast hourly solar irradiance. Journal Clean. Prod. No 279. P. 123285.
8. Engel E. A. (2013) A method for constructing an effective information processing system based on a fuzzy-possibility algorithm. XV All-Russian scientific and technical conference «Neuroinformatics-2013»: a collection of scientific papers. No 3. P. 139–149.
9. Nguyen D. and Widrow B. (1990) Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights. Proceedings of the International Joint Conference on Neural Networks. Vol. 3. P. 21–26
Опубликован
2024-02-05
Как цитировать
Энгель, Е. А., & Энгель, Н. Е. (2024). Решение задачи прогнозирования инсоляции с использованием модифицированной нечеткой нейросети. Вестник ВГУ. Серия: Системный анализ и информационные технологии, (4), 128-140. https://doi.org/10.17308/sait/1995-5499/2023/4/128-140
Раздел
Интеллектуальные системы, анализ данных и машинное обучение