Содержание к диссертации
Введение
1. Анализ методов прогнозирования электропотребления предприятий 11
1.1 Общая задача синтеза прогнозных оценок электрического хозяйства предприятия 11
1.2 Анализ методов и подходов оценки электропотребления 17
1.3 Задачи и методы прогнозирования 22
1.4 Имитационное моделирование в задачах электропотребления 28
1.5 Аналитическая оценка нейросетевых моделей 29
1.5.1 Искусственный нейрон и его функционирование 31
1.5.2 Топология нейронных сетей 32
1.5.3 Обучение нейросетей 36
2. Аналитическая и прогнозная оценки потребления электрической энергии с использованием нейронных сетей 44
2.1 Разработка способов формирования рациональной обучающей выборки 44
2.2 Оценка признаков в процессе предварительной обработки данных 51
2.3 Оценка влияния признаков на исследуемый параметр 54
2.4 Формирование функций нескольких переменных и разработка вариантов взаимосвязи параметров "вход-выход" 57
2.5 Оценка эмпирических зависимостей и характеризация результатов наблюдений 61
2.6 Оценка моделей прогноза электропотребления 68
2.7 Разработка нейросетевых моделей прогноза 71
2.8 Методика прогнозирования электропотребления на основе нейросетей 92
3. Имитационное моделирование и прогнозирование параметров управления электротехнического комплекса предприятия 96
3.1 Реализация нейросетевого имитационного моделирования 98
3.2 Метод оценки значений независимых переменных 102
3.3 Многовариантная оценка управляемых переменных нейросетевой имитационной модели 105
3.4 Анализ и обработка экспертных оценок 110
3.5 Нейросетевая модель в задаче предсказания параметров для управления поведением объекта 115
3.6 Определение рационального количества электроподвижного состава на городских пассажирских линиях 119
Заключение 129
Литература 131
Приложение 143
- Общая задача синтеза прогнозных оценок электрического хозяйства предприятия
- Разработка способов формирования рациональной обучающей выборки
- Методика прогнозирования электропотребления на основе нейросетей
- Многовариантная оценка управляемых переменных нейросетевой имитационной модели
Введение к работе
Актуальность темы. Развитие производственной деятельности человека в современных условиях неизбежно сопровождается усложнением промышленных технологий, совершенствованием систем управления. Немаловажная роль при этом отводится системному развитию электрического хозяйства предприятия, одним из направлений которого являются исследования, базирующиеся на теории искусственного интеллекта. Прикладные интеллектуальные системы, ориентированные на обработку и использование знаний, находит все большее применение в задачах производства и эффективного использования электроэнергии. Важную роль в решении таких задач могут сыграть нейросетевые модели и технологии, получившие свое развитие в конце 80-х, начале 90-х годов.
Одним из перспективных направлений исследования можно считать анализ и прогнозирование параметров электропотребления предприятиями в условиях наличия детерминированной и недетерминированной информации. Разработанные ранее методы анализа и прогнозирования параметров социально-экономических объектов были ориентированы, в основном, на стационарные условия их развития. Современные условия существования субъектов хозяйственной деятельности характеризуются нестабильностью социальных и экономических процессов, что требует совершенствования методов анализа и прогнозирования, в том числе и на основе нейронных сетей.
К другим задачам следует отнести решение вопросов, направленных на создание и совершенствование эффективных моделей, способных предсказывать параметры управления, установление которых позволит электрическому хозяйству предприятия эффективно функционировать в условиях неопределенности входной информации. Внедрение в практику управления моделей, сформированных на базе нейронных сетей, позволяет наиболее четко видеть взаимодействие возмущающих и управляющих воздействий для достижения желаемого результата.
Работа выполнена в соответствии с госбюджетной НИР 1.5.01 - «Методология системного анализа систем промышленного электроснабжения для управления электропотреблением» тематического плана НИОКР КГТУ и в рамках гранта Министерства образования России ТОО -1.1- 490 "Разработка методологии управления электропотреблением промышленных предприятий".
Цель работы: Разработка методов и средств анализа, достоверного прогнозирования и управления потреблением электроэнергии предприятиями на основе нейросетевых технологий.
Для достижения поставленной цели необходимо решить следующие задачи:
Выполнить анализ существующих методов решения задач прогнозирования параметров электропотребления предприятий.
Оценить способности нейронных сетей и их структурных комбинаций к восприятию и последующему анализу статистических данных об электропотреблении.
На основе нейронной сети разработать модели и исследовать их способности в прогнозировании параметров электропотребления по сравнению с моделями линейной регрессии.
На базе нейронной сети разработать модели, способные имитировать электропотребление предприятия в условиях воздействия факторов эндогенного и экзогенного характера.
С учетом имитационного моделирования воздействия внешних факторов на работу предприятия, разработать на базе нейронных сетей модель прогноза параметров управления электропотреблением.
В настоящей работе выполнены теоретические и экспериментальные исследования, призванные достичь поставленную цель. Из результатов данных исследований можно выделить основные положения, определяющие научную новизну и практическую значимость работы.
6 Научная новизна результатов диссертации
Распространено применение искусственных нейронных сетей на решение задач прогнозирования параметров электропотребления предприятий.
С целью улучшения прогноза параметров электрического хозяйства предприятия, разработана схема подготовки входной информации нейронной сети.
Предложено разделение входных параметров НС на количественные, качественные и бинарные, что позволило учитывать в задачах прогноза различного рода факторы воздействия на электропотребление.
Для повышения качества анализа параметров электропотребления, разработаны структурные схемы совместного использования нескольких нейронных сетей. В зависимости от характера исходной информации, разработаны модели нейросетевого прогноза параметров электропотребления.
Предложен принцип максимальной согласованности, позволяющий сопоставлять прогнозируемые результаты, полученные с помощью нейронных сетей и регрессионного анализа.
Разработаны модели нейросетевого имитационного моделирования, способные прогнозировать параметры состояния и управления исследуемого объекта.
Практическая значимость диссертации
Для целей прогноза электропотребления на нейронных сетях сформирована методология подготовки данных, которая позволяет сокращать время их обработки, выявлять значимость влияния факторов на прогнозируемый параметр.
Разработанные модели нейросетевого прогноза позволяют выполнять качественную и количественную оценку входных параметров.
Разработаны нейросетевые модели, которые обладают более высокими возможностями в прогнозе параметров электропотребления по сравнению с моделями регрессии.
Разработана нейросетевая имитационная модель, которая позволяет достаточно полно и с малыми затратами времени оценить разнообразные варианты поведения объекта исследования.
Разработанная модель прогнозирования параметров управления предприятием позволяет формировать рациональные управления и тем самым перераспределять и экономить ресурсы.
Методы исследований
Основные теоретические и прикладные результаты диссертации получены на основе методологии нейро-информатики, прогнозирования и принятия решений, теории статистических решений, использовались также методы математической статистики, экспертных оценок, теории управления, модели прогноза, а также программные средства (NeuroPro 0.25., Excel, Mathcad 2000).
Реализация результатов работы.
Результаты исследований внедрены на муниципальном предприятии "Абаканское троллейбусое управление" (г.Абакан) и используются в учебном процессе Хакасского технического института - филиала КГТУ при подготовке специалистов по специальности 100400 «Электроснабжение (по отраслям)».
На защиту выносятся:
Способы подготовки исходных данных, обеспечивающих эффективность применения нейронной сети в задачах исследования электрического хозяйства предприятия.
Алгоритм и комплексные схемы нейронных сетей, при помощи которых анализируется степень влияния внешних факторов на параметры электропотребления.
Нейросетевые модели прогнозирования, способные обеспечивать высокий уровень точности оценки параметров прогноза.
Алгоритмы подготовки данных для обучения нейронной сети, способной оценивать состояние электрического хозяйства предприятия.
5. Модель нейросетевой оценки параметров управления, позволяющая с учетом внешних факторов прогнозировать управляющие воздействия, обеспечивающие предприятию достижение некоторого экономического эффекта.
Апробация работы
Основные результаты работы представлялись, докладывались и обсуждались на:
Всероссийском семинаре «Нейроинформатика и её приложения» (г. Красноярск, 1998);
Всероссийской научно-практической конференции с международным участием «Достижения науки и техники - развитию сибирских регионов» (г. Красноярск, 1999);
Пятой Всероссийской научно-практической конференции «Проблемы информатизации региона» (г. Красноярск, 1999);
Всероссийских семинарах «Моделирование неравновесных систем» (г.Красноярск 1999, 2000);
Всероссийском семинаре «Информационные технологии в энергетике» (г.Иркутск 2001).
Основные положения работы обсуждались на научно-технических семинарах кафедр «Электроснабжения и электротранспорта» КГТУ и «Электроснабжения промышленных предприятий» ХТИ - филиала КГТУ.
Публикации
Результаты отражены в 10 печатных работах.
Структура и объем диссертации. Работа включает введение, три раздела, заключение, список литературы из 115 наименований и приложения, содержащее отдельные материалы, относящиеся к исследованиям и внедрению результатов. Общий объем диссертации составляет 142 страницы.
Содержание работы
В первом разделе представлена аналитическая оценка, состояние и перспективы развития методов и моделей прогнозирования электропотребления.
Сформулирована общая задача прогнозирования электропотребления и рассмотрены основные направления развития теории прогнозирования.
Рассматривая направления исследований касающихся выполнения анализа статистических данных об электропотреблении, выделены основные классы методов и моделей. К ним отнесены статистическое оценивание и корреляционный анализ. Их применение в оценке исходных данных оправдано в случае выполнения предварительных оценок.
Рассмотрены методы прогнозирования электропотребления с точки зрения их применимости на предприятиях, развивающихся в новых экономических условиях. Сделан вывод о необходимости их совершенствования посредством включения методов нейросетевого прогноза.
С точки зрения применимости нейронных сетей для прогнозирования электропотребления, выполнена аналитическая оценка моделей нейронных сетей (слоистые сети, сети Кохонена, сети Хопфилда и др.). Анализ показал, что многослойные сети пригодны для прогноза электропотребления.
Во втором разделе представлена аналитическая и прогнозная оценка потребления электроэнергии с использованием нейронной сети.
Учитывая необходимость подготовки выборки исходных данных, представлен алгоритм её формирования и на конкретном примере оценены его качества в обучении нейронной сети.
Предложена оценка качественных и количественных факторов влияющих на электропотребление. Рассмотрены различные варианты их представления нейронной сети. Дан алгоритм определения значимости влияния входных признаков на выходной параметр исследуемого объекта.
Оценены способности нейронной сети к аппроксимации данных и предложены некоторые комбинации из нескольких нейронных сетей, способных повысить аппроксимационные свойства.
Дана сопоставительная оценка аппроксимационных способностей нейронной сети с моделями регрессии.
Разработаны нейросетевые модели, с помощью которых решались задачи прогноза параметров электропотребления. Результаты сопоставлялись с аналогичными, полученными с помощью методов регрессионного анализа.
В третьем разделе предложено имитационное моделирование деятельности предприятия и модель предсказания параметров его управления на основе нейросетевых технологий.
Представлены методы оценки значений зависимых и независимых переменных нейросетевой имитационной модели. Для сложных моделей, включающих в себя более трех параметров управления, при формировании переменных предложен метод экспертных оценок.
Для прогнозирования параметров управления предложена нейросетевая модель и решена практическая задача по регулированию количества троллейбусов на пассажирских линиях г. Абакана.
В заключении сформулированы основные результаты работы.
Общая задача синтеза прогнозных оценок электрического хозяйства предприятия
Развитие производственной деятельности человека в современных условиях неизбежно сопровождается усложнением промышленных технологий, совершенствованием систем управления. Немаловажная роль при этом отводится системному развитию электрического хозяйства предприятия, одним из направлений которого являются исследования, базирующиеся на теории искусственного интеллекта. Прикладные интеллектуальные системы, ориентированные на обработку и использование знаний, находит все большее применение в задачах производства и эффективного использования электроэнергии. Важную роль в решении таких задач могут сыграть нейросетевые модели и технологии, получившие свое развитие в конце 80-х, начале 90-х годов.
Одним из перспективных направлений исследования можно считать анализ и прогнозирование параметров электропотребления предприятиями в условиях наличия детерминированной и недетерминированной информации. Разработанные ранее методы анализа и прогнозирования параметров социально-экономических объектов были ориентированы, в основном, на стационарные условия их развития. Современные условия существования субъектов хозяйственной деятельности характеризуются нестабильностью социальных и экономических процессов, что требует совершенствования методов анализа и прогнозирования, в том числе и на основе нейронных сетей.
К другим задачам следует отнести решение вопросов, направленных на создание и совершенствование эффективных моделей, способных предсказывать параметры управления, установление которых позволит электрическому хозяйству предприятия эффективно функционировать в условиях неопределенности входной информации. Внедрение в практику управления моделей, сформированных на базе нейронных сетей, позволяет наиболее четко видеть взаимодействие возмущающих и управляющих воздействий для достижения желаемого результата. Работа выполнена в соответствии с госбюджетной НИР 1.5.01 - «Методология системного анализа систем промышленного электроснабжения для управления электропотреблением» тематического плана НИОКР КГТУ и в рамках гранта Министерства образования России ТОО -1.1- 490 "Разработка методологии управления электропотреблением промышленных предприятий".
Разработка методов и средств анализа, достоверного прогнозирования и управления потреблением электроэнергии предприятиями на основе нейросетевых технологий. Для достижения поставленной цели необходимо решить следующие задачи: 1. Выполнить анализ существующих методов решения задач прогнозирования параметров электропотребления предприятий. 2. Оценить способности нейронных сетей и их структурных комбинаций к восприятию и последующему анализу статистических данных об электропотреблении. 3. На основе нейронной сети разработать модели и исследовать их способности в прогнозировании параметров электропотребления по сравнению с моделями линейной регрессии. 4. На базе нейронной сети разработать модели, способные имитировать электропотребление предприятия в условиях воздействия факторов эндогенного и экзогенного характера. 5. С учетом имитационного моделирования воздействия внешних факторов на работу предприятия, разработать на базе нейронных сетей модель прогноза параметров управления электропотреблением. В настоящей работе выполнены теоретические и экспериментальные исследования, призванные достичь поставленную цель. Из результатов данных исследований можно выделить основные положения, определяющие научную новизну и практическую значимость работы. Научная новизна результатов диссертации Распространено применение искусственных нейронных сетей на решение задач прогнозирования параметров электропотребления предприятий. С целью улучшения прогноза параметров электрического хозяйства предприятия, разработана схема подготовки входной информации нейронной сети. Предложено разделение входных параметров НС на количественные, качественные и бинарные, что позволило учитывать в задачах прогноза различного рода факторы воздействия на электропотребление. Для повышения качества анализа параметров электропотребления, разработаны структурные схемы совместного использования нескольких нейронных сетей. В зависимости от характера исходной информации, разработаны модели нейросетевого прогноза параметров электропотребления. Предложен принцип максимальной согласованности, позволяющий сопоставлять прогнозируемые результаты, полученные с помощью нейронных сетей и регрессионного анализа. Разработаны модели нейросетевого имитационного моделирования, способные прогнозировать параметры состояния и управления исследуемого объекта. Практическая значимость диссертации Для целей прогноза электропотребления на нейронных сетях сформирована методология подготовки данных, которая позволяет сокращать время их обработки, выявлять значимость влияния факторов на прогнозируемый параметр. Разработанные модели нейросетевого прогноза позволяют выполнять качественную и количественную оценку входных параметров. Разработаны нейросетевые модели, которые обладают более высокими возможностями в прогнозе параметров электропотребления по сравнению с моделями регрессии.
Разработка способов формирования рациональной обучающей выборки
В последнее время, ведущее место в задачах анализа и обработки показателей электропотребления стали занимать методы математического моделирования, относящиеся согласно [52, 61] к идеально-теоретическим функциональным моделям. Особое место здесь отводится моделям, формирующимся на основе искусственного интеллекта. Они дают возможность исследователю проникнуть в сущность изучаемых явлений и являются мощным инструментом познания внешнего мира, а также прогнозирования и управления [53].
Ввиду сложности протекающих явлений, трудностей их представления в виде математических моделей рассматривается качественно новый подход -имитационное моделирование.
Суть имитационного подхода состоит в том, что многократные изменения внешних условий и параметров в поиске решений, можно моделировать, не прибегая к выполнению реальных экспериментов. Анализируемые варианты решений оцениваются во времени путем экспериментирования с созданной моделью. В процессе поиска решения производится изучение свойств объекта, потребляющего электроэнергию, установление основных взаимосвязей с исходными параметрами. К настоящему времени создание имитационных моделей еще строго не формализовано, тем не менее, просматриваются два основных этапа имитационного моделирования в электроэнергетике [53]: - изучение свойств моделируемого объекта и его реакции на изменение исходных параметров; - поиск оптимальных решений с изученными свойствами при заданном сочетании исходных параметров. Решение задачи прогнозирования электропотребления посредством имитационного моделирования позволит наиболее полно изучить суть протекающих процессов.
Применение имитационного моделирования при решении задач прогнозирования и управления логично приводит к использованию так называемых нейронных сетей (НС). Развиваемая в настоящее время новая информационная технология моделирования поведения сложных объектов опирается на теорию НС. Включение её в систему исследования поведения объектов позволяет устранить субъективность и противоречивость в поиске решений поставленной задачи. Внедрение в практику моделирования НС, не требует значительных денежных затрат. При нейросетевом имитационном подходе появляются возможности проведения намного большего количества опытов или экспериментов, по сравнению, например, с методами планирования эксперимента [53]. Такая модель позволяет учитывать внешние факторы, а главное, путем их изменения (при проигрывании ситуации) судить о степени влияния тех или иных факторов на протекание процесса, тем самым, разделяя важнейшие и второстепенные факторы.
Термин «нейронные сети» сформировался в 40-годах XX в. в среде исследователей, изучавших принципы организации и функционирования биологических нейронных сетей. Историю моделирования нейронных сетей можно проследить по [5, 17, 74, 77, 87]. В настоящее время в этой области науки разработан ряд моделей переработки информации, называемых искусственными нейронными сетями (ИНС) или просто нейронными сетями (НС).
Обычно под ИНС понимается набор элементарных нейроноподобных преобразователей информации — нейронов, соединенных друг с другом каналами обмена информацией для их совместной работы. К настоящему моменту сформировались две ветви исследований.
Первая, нейробиологическая, основывается на моделировании работы живого мозга, имеет целью объяснить, каким образом в мозге отображаются сложные объекты и связи между ними, как устанавливается соответствие между хранящейся и поступающей извне информацией, как мозг обучается и другие вопросы, касающиеся функционирования мозга.
Второе направление исследований формируется для решения с помощью ИНС задач обработки информации в различных областях знаний, особенно в плохо формализуемых, где существующие модели субъективны и неадекватны.
Исследования по ИНС находятся в стадии интенсивного развития. С конца 1980-х годов родоначальником разработки и последующего применения НС была и остается Красноярская группа ученых «Нейрокомп» под руководством А.Н. Горбаня [22, 26, 65, 70].
К настоящему моменту предложено и изучено большое количество моделей нейросетей. Однако основными являются только три принципиально различных типа сетей, которые соответствуют трем известным методам обучения: самоорганизации, последовательному подкреплению знаний и обучению с учителем. Большинство остальных распространенных нейросетей состоят из элементов, характерных для сетей трех основных типов: карт Кохонена, сетей Хопфилда и сетей прямого распространения (персептронов).
Что касается применения искусственных нейронных сетей в задачах электропотребления в России и странах СНГ, то первые работы в данной области начаты лишь с середины 90-х годов. Первыми публикациями здесь можно считать [12, 36, 85]. В данных публикациях, прежде всего, затрагивались возможности практического применения НС.
Аналогичные работы, за рубежом были начаты приблизительно на 3-4 года раньше, нежели отечественные. Данное отставание в практическом использовании НС вполне объяснимо. Основные теоретические изыскания были завершены к середине 90-х годов, и впервые зарубежный опыт был представлен в отечественной литературе [27]. Кроме этого, требовалось время для разработки отечественных программных продуктов по применению НС.
Результатом зарубежных работ по применению нейронных сетей явились [99, 100, 109, 111]. В них рассматривались прогнозные оценки электрических нагрузок в краткосрочном периоде. Однако, в данных публикациях отсутствует стройная теория нейронных сетей, в которой главным элементом является нейрон. Результаты оценивались при помощи теоретических выкладок, опирающихся на нечеткие множества и статистическую обработку данных.
Методика прогнозирования электропотребления на основе нейросетей
С целью выполнения прогнозных оценок электропотребления на нейронных сетях целесообразно выполнение нижеследующих операций: 1. Согласно существующей системы и средств учета показателей работы предприятия формируется и пополняется информационная база данных (гене ральная совокупность статистических данных о предприятии). Для выполнения прогнозных оценок осуществляется выборка из генеральной совокупности. В качестве критериев выборки уместно выделение экспертным путем группы признаков, с помощью которых возможно изучение поведения объекта, т.е. прогнозируемого параметра (электропотребления). При наличии большого объема накопленной информации рационально осуществлять выборку случайным образом, с тем чтобы избежать смещенных оценок случайных факторов не вошедших в группу принятых для анализа признаков. Для малых генеральных совокупностей применима сплошная выборка. 2. Среди всего многообразия данных выборки выполняется их классификация (предобработка). Признаки делятся на количественные, качественные и/или бинарные. При этом внутри каждого класса данные анализируются на предмет их включения в обучающую выборку по принципу восприятия НС. Необходимо, чтобы данные имели достаточно широкий диапазон поля измерений. Если он невелик, следует данные представить в более приемлемой форме для НС. Например, представить данные не в количественном, а качественном виде. При этом свойства, присущие данным, не должны существенно изменяться. 3. Формируется обучающая выборка НС. Число нейронов на входе должно быть равно числу выделенных признаков, которые по своему смысловому значению не должны дублировать друг друга. На выходе НС выделяют один нейрон (для исследуемого параметра электропотребления). Количество примеров выборки определяется числом временных интервалов, выделенным для прогнозирования, либо числом проведенных предварительных замеров параметров. 4. Выполняется анализ взаимосвязи выделенных на входе НС признаков с исследуемым параметром. При установлении допустимой погрешности в обучении, примеры, в которых находятся скрытые (невыявленные) признаки, будут указывать на превышение погрешности между численным значением параметра и полученным в результате обучения. Такие примеры подлежат анализу на предмет выявления дополнительных признаков, например, экспертным путем. Выявив дополнительные признаки и классифицировав их выделяются дополнительные нейроны на входе НС, а первоначальная обучающая выборка расширяется за счет внесения в неё уточняющей информации. Если в дальнейшем при обучении НС погрешность снизится и будут исключены примеры с уровнем погрешности выше установленного значения, то на этом процесс обучения заканчивается. 5. Осуществляется прогноз посредством тестирования НС. Для этой цели в задачник (обучающую выборку) добавляют примеры. На входы НС подаются ожидаемые на прогнозируемый момент времени значения выделенных признаков. После тестирования с выхода НС снимается значение прогнозируемого параметра и вычисляется ошибка прогноза. 6. На основании ошибки прогноза делается вывод о целесообразности использования полученных прогнозных оценок. Если прогноз считается неудовлетворительным, то следует: - либо избрать более точный нейросетевой метод прогнозирования, либо доработать обучающую выборку (расширением примеров и/или числа признаков); - применить другие модели прогнозирования совместно с нейросетевы-ми. 1. Для решения задач анализа и прогнозирования электропотребления посредством применения НС, разработаны способы формирования обучающей выборки. Разработана схема формирования выборки, проанализирована связь структуры задачника с результатами обучения. Показано, что качество обучения НС зависит не только от величины корреляционной связи между параметрами «вход-выход», но и от числа факторов, влияющих на прогнозируемый показатель. 2. Предложено разделение входных параметров НС на количественные, качественные и бинарные, что позволяет полнее учитывать факторы, влияющие на уровень электропотребления. Предложена методика и решена задача оценки значимости влияния количественных входных параметров НС на выходной. 3. Для повышения качества аппроксимирующих свойств НС при выполнении прогнозных оценок, разработано два варианта совместного использования нескольких НС (каскадные НС). 4. Предложено использование принципа максимальной согласованности прогнозируемых результатов с реальными данными, в качестве критерия соблюдения которого, выдвинута гипотеза об отклонении средней ошибки от эмпирических данных. Выполненное сопоставление теоретических распределений, полученных с помощью нейросетевого моделирования и регрессионного анализа, показало, что нейросетевая модель позволяет строить распределения с более высоким уровнем согласованности. 5. На основе сопоставительной оценки существующих методов статистического прогнозирования электропотребления разработаны нейросетевые модели прогноза: факторная, авторегрессионая и комбинированная. Сопоставительная оценка прогнозных значений с реальными данными показала высокую степень их согласованности, в том числе и по сравнению с результатами регрессии. 6. Сформирована методика выполнения прогнозных оценок электропотребления предприятием, где в качестве модели используется нейронная сеть, позволяющая с незначительными затратами времени получать приемлемые для дальнейшего применения показатели.
Многовариантная оценка управляемых переменных нейросетевой имитационной модели
Если говорить о задаче управления сложным динамическим объектом, то принимается во внимание, что он может изменять свои свойства. Эти изменения обусловлены влиянием внешних факторов. Адаптация объекта к влиянию внешних воздействий является важной практической задачей. Её решение позволит существенно повысить эффективность управления.
С точки зрения целесообразности применения НС рассмотрим кратко формальную постановку задачи управления поведением объекта во внешней среде. Под действием различного рода факторов объект меняет своё исходное состояние. Важным моментом является определение параметров управления, устанавливая которые, с учетом факторов внешней среды, обеспечивают наиболее эффективные показатели состояния объекта (например, экономию ресурсов).
Влияние внешней среды характеризуется совокупностью т параметров Е=(е\, е2 , ...,ет), а объект управляется п зависимыми от менеджера параметрами S = (sі, S2, ...,s„). В результате взаимодействия объекта S со средой Е он получает всевозможные воздействия V=V(S, Е). Функционирование определяется управляющим воздействием U = (щ, щ , ...,и„), так что S = S(U). При этом траектория S согласуется с критериями Q = (q\,qi, .,qi).
Следует отметить, что состояние среды Е заранее не известно. Его можно оценить, например, по методике, приведенной в п.З.З. Кроме этого, искомое управление U аналитически найти очень трудно. Зачастую нельзя заранее определить даже вид требуемой функции. Поскольку нейронные сети обладают потенциальными аппроксимирующими способностями, то далее будем рассматривать возможности использования НС в управлении объектом. Ранее в работе говорилось о том, что нейронные сети способны образовывать максимально полный базис функциональных преобразований. Следовательно для поиска закона управления необходимо синтезировать сеть. Свойства ее элементов и топология связей заранее должны обеспечивать способность к очень широкому классу функциональных преобразований. Путем адаптации, подстройки и обучения находится требуемое преобразование, отвечающее системному критерию поведения объекта.
Вопросам управления на основе НС уделяется все большее внимание, в частности [1, 29, 46, 50, 57, 58, 79, 81, 90, 94, 95]. В [1, 46, 50, 58, 79, 94, 95] нейронные сети используются как средство для управления техническими объектами: роботами, манипуляторами и летательными аппаратами. Работа [29] затрагивает вопросы диагностики с помощью НС в процессе управления техническим объектом. В данных работах нейронные сети являются элементами систем управления, что говорит об их положительных качествах в повышении возможностей обеспечения эффективного управления техническими объектами.
Решая поставленную задачу для субъектов хозяйственной деятельности, в качестве нейросетевой модели предложим такую, которая обеспечивала бы предсказания параметров управления. В ней состояние объекта имитируется одной нейронной сетью, а формирование сигнала на изменение управляющего воздействия - другой. Объект и его возможное поведение будем моделировать с помощью нейронной сети (НС1), а функциональную систему, формирующую сигнал управления с помощью НС2.. На рис. 3.2. представлена структура модели управления на основе нейронных сетей (персептрон). НС1 дано название «прямая» и до процесса управления она подлежит обучению. HC2 будем называть «обратной» и призвана формировать сигнал для корректировки зависимых параметров поступивших на вход НС1. Кроме НС1 и НС2 модель имеет сумматоры (Z) и блоки переключения (БП) сигналов. Представим далее процедуру функционирования нейросетевой имитационной модели (рис.3.2), которую условно можно разбить на два этапа. Этап первый - обучение модели. В процессе обучения на входы НС1 подаются векторы независимых параметров внешней среды ЄІ Є Е, векторы зависимых параметров sk є S, а на выходы вектор qj є Q. При этом все БП замкнуты на пропуск eS через сумматоры , а сигналы щ є U равны нулю. Поэтому на выходе сумматоров S = S. Процесс обучения здесь идет по алгоритму представленному ранее. НС2 обучается отдельно от НС1. Задачник для обучения НС2 формируется по следующей схеме. Каждая строка задачника включает в себя параметры векторов ЄІ є Е, qj є Q и щ є U. Значения et и qj представлены в строке теми же, что и для обучения НС1. Значение щ зависит от соотношения g; - - et и определяется либо посредством логических правил, построенных на нечетких множествах, либо практического опыта, либо того и другого. Поскольку щ принята как некоторая фиксированная величина, то в зависимости от соотношения q/tr+Єі в задачник вводятся значения щ, которые принимают дискретные значения щ є (uhnin v,-2Afc-AfcO, hk, 2hk,..., и ). Здесь hk - шаг изменения управляемого параметра, подбирающегося аналитиком в зависимости от конкретного вида задачи, и имеющего ту же размерность, что щ и sk. После завершения обучения НС1 способна предсказывать значения qj, а НС2 - генерировать дискретные параметры щ. Второй этап - предсказание зависимых параметров sk. Для некоторого начального состояния объекта при t0 на входы НС1 подаются вектора ЄІ є EQ, sk є So (подстрочный символ 0 означает - вектор значений переменных на момент времени to). При этом БП замкнут на пропуск sk через сумматор. НС1 формирует вектор qj є Q0, который поступает на вход НС2. В свою очередь НС2 формирует щ eUo, который в сумматоре суммируется с sk образуя значения s \ = s + щ, выходящее с сумматора. БП переключается на пропуск значения s\. Далее s\ (при et = const) поступает на вход НС1, которая генерирует новые значения qj. В НС2 они сопоставляются с е, и на её выходе образуется новое значение щ, а с сумматора снимается предыдущее значение s к, уточняющее новое значение s \. Процесс формирования зависимых переменных s k для t, заканчивается тогда, когда соотношение ду -»е, в НС2 на выходах дадут ик=0 для \/к. Для следующего момента времени (состояния объекта) процесс имитации вновь повторяется. Нужно отметить, что формирование соотношений gy -» et и последующее обучение НС2 может оказаться сложной, трудно формализуемой задачей. Одним из подходов к её реализации можно считать применение экспертных оценок, предложенное в п.3.3. Гораздо проще строить и использовать модель при наличии одного выходного параметра НС1 и НС2.
