t2014-11-27.pdf

Transcript

1. Димитър Ваковски
2.  Цел.  Създаване на модела на невронната мрежа.  Обучение на невронната мрежа. ◦ Алгоритъм на Нютон ◦ Алгоритъм на Гаус-Нютон ◦ Алгоритъм на Левенберг–Маркуарт ◦ Времеви редове  Симулиране с използване на невроната мрежа.
3.  Реализация на моделите в MATLAB  Java технологии. ◦ Java- платформа и език за програмиране ◦ Библиотеки и работни среди ◦ Създаване на приложения за прогнозиране на състоянието  Заключение.
6. x 1 w 21 Σ f u 1 x m Σ f u 2 Σ f u n w 11 w n,1 w 1m w 2m w n,m x 2 . . . . . . . . . b 1 b 2 b n w 12 w 22 w n,2 Σ F y 1 Σ F y 2 Σ F y q . . . . . . d 1 d 2 d q v 11 v 21 v q,1 v 12 V 22 v q,2 v 1,n v 2,n v q,n s 1 s 2 s n r 1 r 2 r q x – inputs y - outputs b, d – bias w, v - weights F, f – activation functions
7.  x - входове  y - изходи  b, d – отместванеия  w, v - тегла  F, f – активиращи функции
8.  S средната квадратна грешка  Задача за нелинейните най-малки квадрати ) ( ) ( ) ( ... ) ( ) ( ) ( 24 24 24 1 1 1 k y k y k e k y k y k e ref ref − = − =  Изходна грешка (1) ( ) ( ) ( ) ( ) ∑ = ∈ = = m i i R e S n 1 2 T x 2 1 min e e 2 1 min min x x x x (2) ∑∑ = = = N k i i k e S 1 24 1 2 ) ( ) (x
9. ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) k k T k k k T k x x J x H x J x J p e 1 ) ( ) ( ) ( ) ( − + = ( ) ( ) ( ) k k k k p x x λ + = +1 (3) (4)  H- Hessian matrix  J- Jacobian matrix
10. ( ) ( ) ( ) ( ) ( ) ) ( ) ( 1 ) ( ) ( ) ( e k k T k k T k x x J x J x J p − − = ( ) ( ) ( ) ( ) ( ) ) ( ) ( 1 ) ( ) ( ) ( ) 1 ( e k k T k k T k k k x x J x J x J x x − + − = λ (5) (6)  H- Hessian matrix  J-Jacobian matrix
11. ( ) ( ) ( ) ( ) ( ) 0 , e ) ( ) ( 1 ) ( ) ( ) ( > + − = − k k k T k k k T k µ µ x x J E x J x J p ( ) ( ) ( ) ( ) ( ) ) ( ) ( 1 ) ( ) ( ) ( ) 1 ( e k k T k k k T k k k x x J E x J x J x x − + + − = µ λ (7) (8)  H-Hessian matrix  J-Jacobian matrix  E-Identity matrix
12.  1. Алгоритъм за обучение: От методите за обучение е избран този на Левенберг–Маркуарт.  2. Данни за обучението: Времеви редове
13. Hour \ Day 05/06/2014 06/06/2014 07/06/2014 08/06/2014 09/06/2014 10/06/2014 11/06/2014 1 3385 3416 3442 3225 3225 3272 3351 2 3120 3090 3107 2920 2945 2994 3022 3 2991 2940 2978 2770 2808 2790 2906 4 2908 2916 2898 2724 2745 2762 2813 5 2933 2921 2870 2714 2755 2811 2764 … … … … … … … … 20 4090 4016 3736 3784 3994 4052 4101 21 4135 3964 3700 3849 3984 4026 4070 22 4163 4123 3790 4018 4092 4209 4209 23 4143 4097 3731 3943 4066 4152 4108 24 3820 3794 3529 3641 3800 3841 3742
14.  MATLAB.
15. 2 4 6 8 10 12 14 16 18 20 22 24 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 Thursday (errsse=3.18%) Time [Hours] Power [MW] Load Forecast Load
16. 2 4 6 8 10 12 14 16 18 20 22 24 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 Thursday (errsse=2.05%) Time [Hours] Power [MW] Load Forecast Load
17. ◦ Java- платформа и език за програмиране ◦ Библиотеки и работни среди ◦ Създаване на приложения за прогнозиране на състоянието
18. ◦ Платформа ◦ Език за програмиране
19. ◦ Платформа ◦ NeurophStudio 2.9 ◦ NetBeans IDE 8.0
20. ◦ Console ◦ GUI ◦ Applet ◦ JSP ◦ Androud
21. ◦ Прогнозиране на краткосрочни състояния на ЕЕС с Невронни мрежи и Java технологии
22.  Благодаря за вниманието