|
УДК 621.311:681.3:518
Т.И.Селинова, студентка 5 курса
Донецкий национальный технический университет
НЕЙРОСЕТЕВОЕ МОДЕЛИРОВАНИЕ ЗАДАЧ ОПЕРАТИВНОГО УПРАВЛЕНИЯ ЭЛЕКТРИЧЕСКИМИ СЕТЯМИ.
Постановка задачи. Актуальность совершенствования управления электроэнергетическими объектами на современном этапе развития энергетики возрастает из-за изменения условий их функционирования. Структурная перестройка и внедрение энергетического рынка сопровождается не только увеличением числа решаемых технологических задач управления, но и динамичностью ситуаций и взаимосвязью технологических задач разных групп. Для обеспечения надлежащего уровня надежности функционирования электроэнергетических объектов существует настоятельная необходимость совершенствования систем управления, особенно диспетчерского путем разработки новых подходов, в том числе, основанных на методах искусственного интеллекта и принципах адаптивного управления.
Задача исследований. Целью настоящей работы является выявление тенденций развития оперативного управления на основе интеллектуальных методов с ориентацией на существующие технические средства с учетом их перспективного развития и на адаптацию составляющих модели к особенностям конкретной технологической задачи и цели управления.
Обучение многослойных ИНС. В сетях оптимальные выходные значения нейронов всех слоев, кроме последнего, как правило, не известны. В таких условиях обучить многослойный перцептрон невозможно руководствуясь только величинами ошибок на выходах ИНС. Обучение многослойных сетей супервизерное, требующее в обучающей выборке наличия не только множества входных векторов, но и множества соответствующих откликов.
Математически задача заключается в нахождении таких значений весовых коэффициентов (при фиксированной структуре), чтобы минимизировалась ошибка рассогласования между реакцией сети и требуемым откликом для всех примеров обучающей выборки. Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым сетью образам:
Информация, закладываемая в ИНС в процессе обучения, должна храниться в межнейронных соединениях - синапсах. Таким образом, обучение заключается в модификации синаптических весов нейронов wij.
Все существующие методы обучения можно классифицировать на детерминистские и стохастические.
Минимизация функции качества выполняется на основе алгоритма градиентного спуска в пространстве весовых коэффициентов, осуществляемого последовательно для всех образов обучающей выборки:
|
|