Academic literature on the topic 'Штучні нейроні мережі'

Розроблено метод вибору оптимального типу ШНМ, ідеєю якого є практичне використання декількох типів ШНМ, подальшого обчислення похибок роботи кожного типу з використанням ідентичних наборів даних для навчання ШНМ, що унеможливлює вплив на результати роботи алгоритму і специфіки даних у навчальній вибірці. Запропонований метод дає змогу визначити оптимальний тип ШНМ для керування побутовими приладами у будинку. Розглянуто особливості процесу розроблення програмного забезпечення, що дає змогу провести процеси навчання, випробування та отримати вихідні результати роботи алгоритму штучної нейронної мережі. Вибір штучної нейронної мережі використовують для автоматизації обчислення значень оптимальних температурних режимів у кімнатах будинку, налаштувань параметрів освітлювальних приладів та режимів роботи системи безпеки "розумного" будинку. Наведено результати дослідження взаємозв'язку між різними типами нейронних мереж, кількістю внутрішніх шарів штучної нейронної мережі і кількістю нейронів на кожному внутрішньому шарі та зміни похибки обчислень параметрів налаштувань відносно очікуваних результатів роботи. Вирішення кожної окремої поставленої задачі за допомогою систем "розумного" будинку потребує використання різних алгоритмів машинного навчання. Великі обсяги даних, що генеруються у системах "розумного" будинку, та різноманітність типів і форматів цих даних не дає змоги створити універсальний автоматизований механізм з використанням алгоритмів штучного інтелекту, який вирішував би проблеми безпеки, енергоефективності та підтримки комфортних умов проживання користувачів. Тому використання запропонованого методу вибору оптимального типу нейронної мережі, що найкраще підходить для вирішення кожної окремої задачі, забезпечує високі показники ефективності роботи систем "розумного" будинку з мінімальними значеннями похибки отриманих автоматизованих рішень порівняно з рішеннями, що прийняла людина.

Актуальність теми дослідження. Використання інформаційних систем та баз даних стає невід’ємною складовою діяльності енергетичних компаній. Інформація про виробництво та споживання електроенергії зберігається в агрегованому вигляді. Це не дає змоги визначати складові балансових витрат електроенергії методом поелементних розрахунків та аналізувати їх структуру. Таким чином, вдосконалення математичного та програмного забезпечення інформаційних систем обліку електроенергії з метою підвищення адекватності визначення втрат електроенергії у розподільних мережах є актуальним завданням. Постановка проблеми. Оснащення розподільних електричних мереж засобами моніторингу їхніх параметрів часто виявляється недостатнім для розв’язування задач планування та ведення режимів. Тому метою дослідження є аналіз можливості застосування системного підходу до створення інформаційних систем РЕМ з використанням даних автоматизованих систем комерційного обліку електроенергії та інших наявних джерел інформації для підвищення точності моделювання характерних режимів мереж та складових балансу електроенергії. Аналіз останніх досліджень і публікацій. Нині використовуються декілька підходів для перевірки та відновлення даних щодо електричних навантажень у системах АСКОЕ та Smart Metering: 1) технологія великих даних (Big Data Technology – data management); 2) глобальне обчислення на основі не втрачених даних; 3) статистичні методи; 4) штучні нейронні мережі; 5) кластерний аналіз; 6) застосування методів оцінювання стану; 7) використання типових графіків електричних навантажень. Наведені підходи можуть комбінуватися для отримання додаткових переваг. Виділення недосліджених частин загальної проблеми. Необхідною умовою для використання наявних підходів є наявність невтрачених даних. Це робить принципово неможливим застосування відомих підходів для дослідження режимних параметрів РЕМ з прийнятною точністю. Постановка завдання. Отже, основним завданням є дослідження можливості використання системного підходу до побудови інформаційних систем РЕМ із застосуванням технології Smart Metering, а також методів та алгоритмів, які використовуючи наявну інформацію, агреговану за часовими періодами, дадуть змогу визначати режимні параметри РЕМ з необхідною точністю.Виклад основного матеріалу. Для розгортання агрегованих даних у графіки навантаження та генерування, у роботі запропоновано використовувати типові графіки енергообміну споживачів та місцевих джерел енергії. Для узгодження виміряних параметрів режиму та псевдовимірювань, розрахованих за типовими графіками, запропоновано використовувати алгоритм на основі методу найменших квадратів. Оцінювання точності проводилося шляхом зіставлення втрат електроенергії для цілком спостережної мережі з результатами імітаційних розрахунків. Висновки відповідно до статті. Встановлено, що застосування типових графіків навантаження та генерування дає змогу відновлювати графіки енергообміну споживачів та місцевих джерел енергії з прийнятною точністю. Використання типових графіків навантаження та генерування (псевдовимірювань) дає змогу зменшити вартість систем моніторингу розподільних мереж.

Міждисциплінарний характер нових цілей, спрямованих на розробку робочих матеріалів для екологічно чистих технологій вимагає більш динамічного використання інформаційних технологій (ІТ) для забезпечення правильних компромісних рішень у конкурентному середовищі. Машинне навчання (ML) — це частина методологій штучного інтелекту (AI), яка використовує алгоритми, які не є прямим рішенням проблеми, а навчаються за допомогою рішень незліченної кількості подібних проблем. Машинне навчання відкрило новий шлях у дослідженні термодинамічної поведінки нових речовин. Різні обчислювальні інструменти були застосовані для вирішення актуальної проблеми - прогнозування фазової поведінки soft речовин під значними екзогенними впливами. Метою цього дослідження є розробка нової точки зору щодо прогнозування термодинамічних властивостей м'яких речовин за допомогою методології, яка передбачає штучні нейронні мережі (ANN) та глобальну фазову діаграму для забезпечення кореляції між структурою та властивостями. В роботі представлено застосування машинного навчання в інженерній термодинаміці для прогнозування азеотропної поведінки бінарних холодоагентів і визначення коефіцієнта продуктивності (COP) для роботи органічного циклу Ренкіна (ORC). За даними про кипіння та критичні точки. Запропоновано новий підхід до прогнозування утворення азеотропного стану в суміші, який розроблено та представлено. Цей підхід використовує синергію нейронних мереж та методології глобальної фазової діаграми для кореляції азеотропних даних для бінарних сумішей на основі лише критичних властивостей та ацентричного коефіцієнта окремих компонентів у сумішах холодоагентів. Це не вимагає інтенсивних розрахунків. Побудова кореляцій ANN між інформаційними атрибутами робочих рідин та критеріями ефективності циклу Ренкіна звужує область компромісів у просторі конкурентних економічних, екологічних та технологічних критеріїв