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 8 років).

  Повний текст PDF - 516.604 Kb    Зміст випуску     Цитування публікації

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"