Прогнозирование электропотребления с помощью нейронных сетей c LSTM; Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов; Т. 334, № 12
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов=Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering/ Национальный исследовательский Томский политехнический университет.— .— Томск: Изд-во ТПУ, 2015-.— 2413-1830 Т. 334, № 12.— 2023.— С. 125-133 |
|---|---|
| Autor corporatiu: | , |
| Altres autors: | , , , |
| Sumari: | Заглавие с титульного листа Актуальность работы обусловлена необходимостью улучшения точности прогнозирования электропотребления для повышения его эффективности и, как следствие, для улучшения конкурентоспособности производимой продукции за счёт сокращения доли затрат на оплату электроэнергии в ее себестоимости. При определении прогнозных показателей потребления электроэнергии промышленными предприятиями с высокой точностью целесообразно использовать современные апробированные методы прогнозирования. Из существующих в настоящее время приблизительно 150 методов прогнозирования только 20–30 активно используются на практике. Анализ существующих методов прогнозирования, применяемых на промышленных предприятиях, показывает, что они преимущественно основаны либо на экспертной оценке объёмов электропотребления, либо на учёте удельного расхода электроэнергии (на единицу производимой продукции). Цель: повысить точность прогнозирования электропотребления промышленными предприятиями с использованием метода искусственного интеллекта, в частности метода искусственной нейронной сети, в том числе метода Long-short Time Memory (LSTM). Методы: При разработке модели прогнозирования были использованы методы искусственной нейронной сети, в том числе метод Long-short Time Memory (LSTM). При обработке первичных данных были использованы методы нормального закона распределение Гаусса, нормирование/масштабирование. Результаты подтверждены расчетным путем с применением предлагаемой модели на основе метода искусственной нейронной сети для прогнозирования электропотребления промышленных предприятий. Важное достоинство метода – наличие возможности его обучения и адаптирования к процессу прогнозирования. Реальными расчетами показано, что их удается успешно завершить за счет правильного подбора состава входящих слоёв и исключения случайностей. Relevance. The need to enhance the precision of electricity consumption forecasting for improving energy efficiency and, consequently, enhancing the competitiveness of manufactured products by reducing the proportion of electricity costs in their total cost. When determining forecast indicators of electricity consumption by industrial enterprises, it is important to apply contemporary high-precision forecasting methods. Only 20–30 forecasting methods of the 150 existing ones are actively implemented in practice. An examination of prevailing forecasting methodologies used by industrial enterprises reveals that they are mainly based either on expert assessments of electricity volumes or on accounting for specific electricity consumption (per unit of product manufactured). Aim. To elevate the accuracy of electricity consumption forecasting at industrial enterprises by using artificial intelligence methods, specifically, artificial neural network techniques, including the Long-Short Term Memory approach. Methods. When developing the forecasting model, artificial neural network techniques were adopted, with a particular emphasis on the Long-Short Term Memory method. For primary data processing, Gaussian distribution principles and normalization/scaling techniques were applied. Results. Substantiated computationally by applying the proposed model based on the artificial neural network technique for forecasting electricity consumption of industrial enterprises. A significant advantage of this method is its capability for learning and adaptability to forecasting. Real-time computations demonstrate its successful implementation, attributed primarily to appropriate selection of input layers and mitigation of random variables. Текстовый файл |
| Idioma: | rus anglès |
| Publicat: |
2023
|
| Matèries: | |
| Accés en línia: | http://earchive.tpu.ru/handle/11683/81021 https://doi.org/10.18799/24131830/2023/12/4407 |
| Format: | Electrònic Capítol de llibre |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=674143 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 674143 | ||
| 005 | 20241211094651.0 | ||
| 090 | |a 674143 | ||
| 100 | |a 20240819d2023 k||y0rusy50 ca | ||
| 101 | 2 | |a rus |a eng | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Прогнозирование электропотребления с помощью нейронных сетей c LSTM |d Forecasting electricity consumption by LSTM neural network |f В. Я. Ушаков, И. У. Рахмонов, Н. Н. Ниёзов, Н. Н. Курбонов |z eng | |
| 300 | |a Заглавие с титульного листа | ||
| 320 | |a Список литературы: с. 132 (21 назв.) | ||
| 330 | |a Актуальность работы обусловлена необходимостью улучшения точности прогнозирования электропотребления для повышения его эффективности и, как следствие, для улучшения конкурентоспособности производимой продукции за счёт сокращения доли затрат на оплату электроэнергии в ее себестоимости. При определении прогнозных показателей потребления электроэнергии промышленными предприятиями с высокой точностью целесообразно использовать современные апробированные методы прогнозирования. Из существующих в настоящее время приблизительно 150 методов прогнозирования только 20–30 активно используются на практике. Анализ существующих методов прогнозирования, применяемых на промышленных предприятиях, показывает, что они преимущественно основаны либо на экспертной оценке объёмов электропотребления, либо на учёте удельного расхода электроэнергии (на единицу производимой продукции). Цель: повысить точность прогнозирования электропотребления промышленными предприятиями с использованием метода искусственного интеллекта, в частности метода искусственной нейронной сети, в том числе метода Long-short Time Memory (LSTM). Методы: При разработке модели прогнозирования были использованы методы искусственной нейронной сети, в том числе метод Long-short Time Memory (LSTM). При обработке первичных данных были использованы методы нормального закона распределение Гаусса, нормирование/масштабирование. Результаты подтверждены расчетным путем с применением предлагаемой модели на основе метода искусственной нейронной сети для прогнозирования электропотребления промышленных предприятий. Важное достоинство метода – наличие возможности его обучения и адаптирования к процессу прогнозирования. Реальными расчетами показано, что их удается успешно завершить за счет правильного подбора состава входящих слоёв и исключения случайностей. | ||
| 330 | |a Relevance. The need to enhance the precision of electricity consumption forecasting for improving energy efficiency and, consequently, enhancing the competitiveness of manufactured products by reducing the proportion of electricity costs in their total cost. When determining forecast indicators of electricity consumption by industrial enterprises, it is important to apply contemporary high-precision forecasting methods. Only 20–30 forecasting methods of the 150 existing ones are actively implemented in practice. An examination of prevailing forecasting methodologies used by industrial enterprises reveals that they are mainly based either on expert assessments of electricity volumes or on accounting for specific electricity consumption (per unit of product manufactured). Aim. To elevate the accuracy of electricity consumption forecasting at industrial enterprises by using artificial intelligence methods, specifically, artificial neural network techniques, including the Long-Short Term Memory approach. Methods. When developing the forecasting model, artificial neural network techniques were adopted, with a particular emphasis on the Long-Short Term Memory method. For primary data processing, Gaussian distribution principles and normalization/scaling techniques were applied. Results. Substantiated computationally by applying the proposed model based on the artificial neural network technique for forecasting electricity consumption of industrial enterprises. A significant advantage of this method is its capability for learning and adaptability to forecasting. Real-time computations demonstrate its successful implementation, attributed primarily to appropriate selection of input layers and mitigation of random variables. | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 288378 |9 288378 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |l Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering |f Национальный исследовательский Томский политехнический университет |c Томск |n Изд-во ТПУ |d 2015- |x 2413-1830 | |
| 463 | 1 | |0 676034 |9 676034 |t Т. 334, № 12 |d 2023 |v С. 125-133 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a прогнозирование | |
| 610 | 1 | |a электропотребление | |
| 610 | 1 | |a ошибка прогнозирования | |
| 610 | 1 | |a адекватность модели | |
| 610 | 1 | |a однослойная нейронная сеть | |
| 610 | 1 | |a функция активации | |
| 610 | 1 | |a нейроны | |
| 610 | 1 | |a обучение | |
| 610 | 1 | |a тестирование | |
| 610 | 1 | |a валидация | |
| 610 | 1 | |a алгоритм | |
| 610 | 1 | |a ошибка | |
| 610 | 1 | |a входной слой | |
| 610 | 1 | |a выходной слой | |
| 610 | 1 | |a весовые коэффициенты | |
| 610 | 1 | |a среднеквадратичная ошибка | |
| 610 | 1 | |a forecasting | |
| 610 | 1 | |a power consumption | |
| 610 | 1 | |a forecasting error | |
| 610 | 1 | |a model adequacy | |
| 610 | 1 | |a single-layer neural network | |
| 610 | 1 | |a activation function | |
| 610 | 1 | |a neurons | |
| 610 | 1 | |a training | |
| 610 | 1 | |a testing | |
| 610 | 1 | |a validation | |
| 610 | 1 | |a algorithm | |
| 610 | 1 | |a error | |
| 610 | 1 | |a input layer | |
| 610 | 1 | |a output layer | |
| 610 | 1 | |a weighting coefficients | |
| 610 | 1 | |a root mean square error | |
| 701 | 1 | |a Рахмонов |b И. У. |g Икромжон Усмонович | |
| 701 | 1 | |a Ушаков |b В. Я. |c специалист в области электроэнергетики |c профессор Томского политехнического университета, доктор технических наук |f 1939- |g Василий Яковлевич |9 2236 | |
| 701 | 1 | |a Ниёзов |b Н. Н. |g Нуъмон Низомиддинович | |
| 701 | 1 | |a Курбонов |b Н. Н. |g Нурбек Нурулло угли | |
| 712 | 0 | 2 | |a Ташкентский государственный технический университет им. Абу Райхана Беруни |c (1998- ) |9 26222 |4 570 |
| 712 | 0 | 2 | |a Национальный исследовательский Томский политехнический университет |c (2009- ) |9 26305 |4 570 |
| 801 | 0 | |a RU |b 63413507 |c 20240819 |g RCR | |
| 856 | 4 | |u http://earchive.tpu.ru/handle/11683/81021 |z http://earchive.tpu.ru/handle/11683/81021 | |
| 856 | 4 | |u https://doi.org/10.18799/24131830/2023/12/4407 |z https://doi.org/10.18799/24131830/2023/12/4407 | |
| 942 | |c CF | ||