Нейросетевые технологии прогнозирования и управления электропотреблением в энергетических системах с использованием генетического метода
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика: рецензируемый научный журнал/ Национальный исследовательский Томский политехнический университет.— .— Томск: ТПУ, 2023-.— 2949-5407 Т. 3, №1.— 2025.— С. 29-36 |
|---|---|
| Other Authors: | , , , |
| Summary: | Рассматриваются нейросетевые технологии прогнозирования в задачах управления электропотреблением в энергетических системах с использованием генетического метода. Доказано, что с целью реализации системы технологического управления региональной сетевой компании можно применять техническую и информационную платформу иерархической автоматизированной информационно-измерительной системы контроля и учета электроэнергии. Рассматривается задача повышения точности краткосрочного прогнозирования потребления электроэнергии с использованием методов глубокого машинного обучения. Новизна работы заключается в использовании разработанного генетического алгоритма для подбора гиперпараметров нейронной сети, которые влияют на качество ее работы, но не определяются в процессе обучения. Разработаны модели нейронных сетей, проведено исследование по поиску оптимальной структуры нейронной сети и влияния задаваемых гиберпараметров нейронных сетей на погрешность прогнозирования электропотребления. Проработанная методика и технологии управления применены в структуре программно-моделирующей системы, чтобы управлять региональной энергосистемой автономных потребителей. По итогам обучения и тестирования генетический алгоритм подтвердил возможность автоматизации подбора оптимальных гиперпараметров и получения прогнозов большей точности The paper considers theneural network forecasting technologies in controlling power consumption in energy sys-tems using the genetic method. It is proved that in order to implement the technological management system of a regional grid company, it is possible to use the technical and information platform of a hierarchical automated information and meas-urementsystem for monitoring and metering electricity. We consider the task of improving the accuracy of short-term fore-casting of electricity consumption using deep machine learning methods. The novelty of the work lies in theuse of a developed genetic algorithm to select hyperparameters of a neural network that affect the quality of its work, but are not deter-mined in the learning process. The authors have developed the neural network models and carried out the study to find the optimal structure of a neural network, and the influence of specified neural networks hyperparameters on the error in pre-dicting power consumption. The developed management methodology and technologies are applied in the structure of the software modeling system to manage the regional energy system of autonomous consumers. Based on the results of training and testing, the genetic algorithm confirmed the possibility of automating the selection of optimal hyperparameters and ob-taining forecasts of greateraccuracy and the possibility Текстовый файл |
| Published: |
2025
|
| Subjects: | |
| Online Access: | http://earchive.tpu.ru/handle/11683/85370 https://doi.org/10.18799/29495407/2025/1/85 |
| Format: | Electronic Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=679621 |
MARC
| LEADER | 00000naa2a2200000 4500 | ||
|---|---|---|---|
| 001 | 679621 | ||
| 005 | 20250729094326.0 | ||
| 090 | |a 679621 | ||
| 100 | |a 20250409d2025 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 200 | 1 | |a Нейросетевые технологии прогнозирования и управления электропотреблением в энергетических системах с использованием генетического метода |d Neural network technologies for forecasting and controlling electricity consumption in energy systems by the genetic method |z eng |f Н. К. Полуянович, О. В. Качелаев, М. Н. Дубяго, Т. Фалькон | |
| 320 | |a Список литературы: с. 34-35 (16 назв.) | ||
| 330 | |a Рассматриваются нейросетевые технологии прогнозирования в задачах управления электропотреблением в энергетических системах с использованием генетического метода. Доказано, что с целью реализации системы технологического управления региональной сетевой компании можно применять техническую и информационную платформу иерархической автоматизированной информационно-измерительной системы контроля и учета электроэнергии. Рассматривается задача повышения точности краткосрочного прогнозирования потребления электроэнергии с использованием методов глубокого машинного обучения. Новизна работы заключается в использовании разработанного генетического алгоритма для подбора гиперпараметров нейронной сети, которые влияют на качество ее работы, но не определяются в процессе обучения. Разработаны модели нейронных сетей, проведено исследование по поиску оптимальной структуры нейронной сети и влияния задаваемых гиберпараметров нейронных сетей на погрешность прогнозирования электропотребления. Проработанная методика и технологии управления применены в структуре программно-моделирующей системы, чтобы управлять региональной энергосистемой автономных потребителей. По итогам обучения и тестирования генетический алгоритм подтвердил возможность автоматизации подбора оптимальных гиперпараметров и получения прогнозов большей точности | ||
| 330 | |a The paper considers theneural network forecasting technologies in controlling power consumption in energy sys-tems using the genetic method. It is proved that in order to implement the technological management system of a regional grid company, it is possible to use the technical and information platform of a hierarchical automated information and meas-urementsystem for monitoring and metering electricity. We consider the task of improving the accuracy of short-term fore-casting of electricity consumption using deep machine learning methods. The novelty of the work lies in theuse of a developed genetic algorithm to select hyperparameters of a neural network that affect the quality of its work, but are not deter-mined in the learning process. The authors have developed the neural network models and carried out the study to find the optimal structure of a neural network, and the influence of specified neural networks hyperparameters on the error in pre-dicting power consumption. The developed management methodology and technologies are applied in the structure of the software modeling system to manage the regional energy system of autonomous consumers. Based on the results of training and testing, the genetic algorithm confirmed the possibility of automating the selection of optimal hyperparameters and ob-taining forecasts of greateraccuracy and the possibility | ||
| 336 | |a Текстовый файл | ||
| 461 | 1 | |0 672190 |9 672190 |t Известия Томского политехнического университета [Известия ТПУ]. Промышленная кибернетика |o рецензируемый научный журнал |f Национальный исследовательский Томский политехнический университет |c Томск |n ТПУ |d 2023- |x 2949-5407 | |
| 463 | 1 | |0 679604 |9 679604 |t Т. 3, №1 |d 2025 |v С. 29-36 | |
| 610 | 1 | |a электронный ресурс | |
| 610 | 1 | |a управление | |
| 610 | 1 | |a прогнозирование электропотребления | |
| 610 | 1 | |a искусственный интеллект | |
| 610 | 1 | |a генетические нейронные сети | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a control | |
| 610 | 1 | |a forecasting of power consumption | |
| 610 | 1 | |a artificial intelligence | |
| 610 | 1 | |a genetic neural networks | |
| 610 | 1 | |a machine learning | |
| 701 | 1 | |a Полуянович |b Н. К. |g Николай Константинович | |
| 701 | 1 | |a Качелаев |b О. В. |g Олег Вадимович | |
| 701 | 1 | |a Дубяго |b М. Н. |g Марина Николаевна | |
| 701 | 1 | |a Фалькон |b Т. |g Талия Хернандез | |
| 801 | 0 | |a RU |b 63413507 |c 20250904 | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u http://earchive.tpu.ru/handle/11683/85370 |z http://earchive.tpu.ru/handle/11683/85370 | |
| 856 | 4 | |u https://doi.org/10.18799/29495407/2025/1/85 |z https://doi.org/10.18799/29495407/2025/1/85 | |
| 942 | |c CF | ||