КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОПОСТАЧАЛЬНОЇ КОМПАНІЇ З ВИКОРИСТАННЯМ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ГЛИБИННОГО НАВЧАННЯ
With liberalization of the electricity market of Ukraine, electricity supply companies will have direct economic incentives to increase the accuracy of hourly load forecasts. Over the past 10 years, significant results achieved in the areas of computer vision, automated control, text and sound proce...
Збережено в:
| Дата: | 2018 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
Інститут електродинаміки Національної академії наук України
2018
|
| Теми: | |
| Онлайн доступ: | https://prc.ied.org.ua/index.php/proceedings/article/view/188 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Proceedings of the Institute of Electrodynamics of the National Academy of Sciences of Ukraine |
Репозитарії
Proceedings of the Institute of Electrodynamics of the National Academy of Sciences of Ukraine| id |
oai:ojs2.prc.new-point.com.ua:article-188 |
|---|---|
| record_format |
ojs |
| spelling |
oai:ojs2.prc.new-point.com.ua:article-1882023-03-02T11:24:11Z SHORT-TERM ELECTRICAL LOAD FORECASTING FOR THE ELECTRICAL SUPPLY COMPANY WITH DEEP NEURAL NETWORK КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОПОСТАЧАЛЬНОЇ КОМПАНІЇ З ВИКОРИСТАННЯМ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ГЛИБИННОГО НАВЧАННЯ Черненко, П.О. Мірошник, В.О. електричне навантаження короткострокове прогнозування штучна нейронна мережа глибинне навчання electrical load short-term forecasting artificial neural network deep learning With liberalization of the electricity market of Ukraine, electricity supply companies will have direct economic incentives to increase the accuracy of hourly load forecasts. Over the past 10 years, significant results achieved in the areas of computer vision, automated control, text and sound processing which outperform human-level. The basis for the breakthrough was a significant increase in computing capabilities, due to modern graphics processors (GPUs), increased the availability of data, the development of more sophisticated machine learning algorithms. We present a new deep learning architecture eResNet for short-term forecasting of the hourly electrical load of the electrical supply company. Basic blocks of this architecture are the layers of the autoencoder type with the shortcut connections. The first layer of the block reduces the dimension of the data, to select the most informative signals, the second layer restores the dimension. Each layer includes a non-linear SELU (scaled exponential linear unit) function. Shortcut connections simplify the error gradient flow, which allows to effectively train all layers of the neural network. The study of the influence of the size of the training set on the accuracy of forecasting conducted. The MAPE of the eResNet is 3.69 % (when training set includes information for 11 years), the error of the multilayer perceptron is 3.85 % (using information for 8 years). References 13, figures 3, table. Запропоновано нову архітектуру штучної нейронної мережі глибинного навчання eResNet для короткострокового прогнозування електричного навантаження електропостачальної компанії. Базовими блоками такої архітектури є шари автокодувального типу з обхідними з'єднаннями. Перший шар блока зменшує розмірність даних для виділення найбільш інформативних сигналів, другий – відновлює розмірність. Кожний шар включає нелінійну функцію SELU (scaled exponential linear unit). Обхідні з'єднання спрощують розповсюдження градієнта похибки, що дає змогу однаково ефективно навчати всі шари нейронної мережі. Проведено дослідження впливу розміру навчальної вибірки на точність прогнозування. Похибка MAPE нейронної мережі eResNet становить 3,69 % (у разі навчання на інформації за 11 років), похибка багатошарового персептрона становить 3,85 % (у разі використання інформації за вісім років). Бібл. 13, рис. 3, таблиця. Інститут електродинаміки Національної академії наук України 2018-07-25 Article Article application/pdf https://prc.ied.org.ua/index.php/proceedings/article/view/188 Proceedings of the Institute of Electrodynamics of the National Academy of Sciences of Ukraine; No. 50 (2018): Proceedings of the Institute of Electrodynamics of the National Academy of Sciences of Ukraine ; 005 Праці Інституту електродинаміки Національної академії наук України; № 50 (2018): Праці Інституту електродинаміки Національної академії наук України; 005 2786-7064 1727-9895 uk https://prc.ied.org.ua/index.php/proceedings/article/view/188/188 Авторське право (c) 2023 П.О. Черненко, В.О. Мірошник https://creativecommons.org/licenses/by-nc-nd/4.0 |
| institution |
Proceedings of the Institute of Electrodynamics of the National Academy of Sciences of Ukraine |
| baseUrl_str |
|
| datestamp_date |
2023-03-02T11:24:11Z |
| collection |
OJS |
| language |
Ukrainian |
| topic |
електричне навантаження короткострокове прогнозування штучна нейронна мережа глибинне навчання |
| spellingShingle |
електричне навантаження короткострокове прогнозування штучна нейронна мережа глибинне навчання Черненко, П.О. Мірошник, В.О. КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОПОСТАЧАЛЬНОЇ КОМПАНІЇ З ВИКОРИСТАННЯМ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ГЛИБИННОГО НАВЧАННЯ |
| topic_facet |
електричне навантаження короткострокове прогнозування штучна нейронна мережа глибинне навчання electrical load short-term forecasting artificial neural network deep learning |
| format |
Article |
| author |
Черненко, П.О. Мірошник, В.О. |
| author_facet |
Черненко, П.О. Мірошник, В.О. |
| author_sort |
Черненко, П.О. |
| title |
КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОПОСТАЧАЛЬНОЇ КОМПАНІЇ З ВИКОРИСТАННЯМ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ГЛИБИННОГО НАВЧАННЯ |
| title_short |
КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОПОСТАЧАЛЬНОЇ КОМПАНІЇ З ВИКОРИСТАННЯМ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ГЛИБИННОГО НАВЧАННЯ |
| title_full |
КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОПОСТАЧАЛЬНОЇ КОМПАНІЇ З ВИКОРИСТАННЯМ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ГЛИБИННОГО НАВЧАННЯ |
| title_fullStr |
КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОПОСТАЧАЛЬНОЇ КОМПАНІЇ З ВИКОРИСТАННЯМ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ГЛИБИННОГО НАВЧАННЯ |
| title_full_unstemmed |
КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОПОСТАЧАЛЬНОЇ КОМПАНІЇ З ВИКОРИСТАННЯМ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ГЛИБИННОГО НАВЧАННЯ |
| title_sort |
короткострокове прогнозування електричного навантаження електропостачальної компанії з використанням штучної нейронної мережі глибинного навчання |
| title_alt |
SHORT-TERM ELECTRICAL LOAD FORECASTING FOR THE ELECTRICAL SUPPLY COMPANY WITH DEEP NEURAL NETWORK |
| description |
With liberalization of the electricity market of Ukraine, electricity supply companies will have direct economic incentives to increase the accuracy of hourly load forecasts. Over the past 10 years, significant results achieved in the areas of computer vision, automated control, text and sound processing which outperform human-level. The basis for the breakthrough was a significant increase in computing capabilities, due to modern graphics processors (GPUs), increased the availability of data, the development of more sophisticated machine learning algorithms. We present a new deep learning architecture eResNet for short-term forecasting of the hourly electrical load of the electrical supply company. Basic blocks of this architecture are the layers of the autoencoder type with the shortcut connections. The first layer of the block reduces the dimension of the data, to select the most informative signals, the second layer restores the dimension. Each layer includes a non-linear SELU (scaled exponential linear unit) function. Shortcut connections simplify the error gradient flow, which allows to effectively train all layers of the neural network. The study of the influence of the size of the training set on the accuracy of forecasting conducted. The MAPE of the eResNet is 3.69 % (when training set includes information for 11 years), the error of the multilayer perceptron is 3.85 % (using information for 8 years). References 13, figures 3, table. |
| publisher |
Інститут електродинаміки Національної академії наук України |
| publishDate |
2018 |
| url |
https://prc.ied.org.ua/index.php/proceedings/article/view/188 |
| work_keys_str_mv |
AT černenkopo shorttermelectricalloadforecastingfortheelectricalsupplycompanywithdeepneuralnetwork AT mírošnikvo shorttermelectricalloadforecastingfortheelectricalsupplycompanywithdeepneuralnetwork AT černenkopo korotkostrokoveprognozuvannâelektričnogonavantažennâelektropostačalʹnoíkompaníízvikoristannâmštučnoínejronnoímerežíglibinnogonavčannâ AT mírošnikvo korotkostrokoveprognozuvannâelektričnogonavantažennâelektropostačalʹnoíkompaníízvikoristannâmštučnoínejronnoímerežíglibinnogonavčannâ |
| first_indexed |
2025-09-24T17:31:36Z |
| last_indexed |
2025-09-24T17:31:36Z |
| _version_ |
1850410187679072256 |