Selection of an algorithm for classifying data quoted on the Day Ahead Market of TGE S.A. in MATLAB and Simulink using Deep Learning Toolbox

• Autorzy: Tchórzewski Jerzy , Mielcarz Tomasz
• Języki publikacji: EN

Abstrakty

EN

The article contains an analysis leading to the selection of an algorithm for classifying data listed on the Day-Ahead Market of TGE S.A. in MATLAB and Simulink using Deep Learning Toolbox. In this regard, an introduction to deep learning methods, classification methods, and classification algorithms is provided first. Particular attention was paid to the essence of three important deep learning methods in the classification, i.e. the methods called: Stochastic Gradient Descent Momentum, Root Mean Square Prop and Adaptive Moment Estimation. Then, three architectures of artificial neural networks used in deep learning were characterized, i.e.: Deep Belief Network, Convolutional Neural Network and Recurrent Neural Network. Attention was paid to the selection parameters of algorithms for learning deep artificial neural networks that can be used in classification, such as: accuracy, information losses and learning time. Practical aspects of research experiments were also shown, including selected results of research conducted on volume and fixing 1 data quoted on the TGE S.A. Day-Ahead Market. After analyzing the obtained test results for the hourly system, it was noted that the least suitable algorithm for classification purposes was the Stochastic Gradient Descent Momentum algorithm, which in each case had worse results than the other two algorithms, i.e. the Adaptive Moment Estimation algorithm and the Root Mean algorithm Square Prop. However, the best algorithm turned out to be the Adaptive Moment Estimation algorithm, which obtained the highest accuracy, which was at a level comparable to the Root Mean Square Prop algorithm, with the latter algorithm having larger losses.

Słowa kluczowe

EN

artificial neural networks; data classification; Day-Ahead Market; MATLAB; Simulink environment; selection of the classification algorithm

• Wydawca: Wydawnictwo Uniwersytetu Przyrodniczo-Humanistycznego w Siedlcach
• Czasopismo: Studia Informatica : systems and information technology
• Rocznik: 2023
• Tom: Vol. 1(28)
• Strony: 83--108
• Opis fizyczny: Bibliogr. 39 poz., rys., tab., wykr.

Twórcy

autor

Tchórzewski Jerzy

• Siedlce University of Natural Sciences and Humanities, Faculty of Exact and Natural Sciences, Institute of Computer Science, ul. 3 Maja 54, 08-110 Siedlce, Poland

• https://orcid.org/+0000-0003-2198-7185

autor

Mielcarz Tomasz

• Student at University of Natural Sciences and Humanities, Faculty of Exact and Natural Sciences, Institute of Computer Science, ul. 3 Maja 54, 08-110 Siedlce, Poland

• https://orcid.org/+0009-0008-7290-8575+

Bibliografia

• 1. P. Cichosz: Systemy uczące się [Learning systems; in Polish], WNT, Warszawa 2000, pages 894.
• 2. H. B. Demuth, M. T. Hagan, M. H. Beale, Deep Learning Toolbox™ User's Guide” MathWorks III, 2020, pp. 112-337.
• 3. K. Domeradzki, A. Niewiadomski: Object classification with artificial neural network: A comparative analysis, Studia Informatica. Systems and Information Technology, No 1-2(23)2019, pp. 43-56.
• 4. A. Gibson, J. Patterson, A. Gibson: Deep Learning. Praktyczne wprowadzenie, Helion, Warszawa 2018, pages 451.
• 5. A. Graves and J. Schmidhuber: Framewise phoneme classification with bidirectional LSTM networks, Proceedings. 2005 IEEE International Joint Conference on Neural Networks, Vol. 4/2005, Montreal, QC, Canada, 2005, pp. 2047-2052.
• 6. M. Iwanowski: Rozwój algorytmów poprawiających skuteczność klasyfikacji w zastosowaniu do danych przestrzennych [Development of algorithms that improve the efficiency of classification when applied to spatial data; in Polish], Politechnika Warszawska, Warszawa 2015, pp. 14-15.
• 7. K. Jajuga, J. Nazarko [red. nauk.]: Klasyfikacja i analiza danych. Wybrane zagadnienia [Data classification and analysis. Selected Issues; in Polish], Rozprawy Naukowe nr 120, Wydawnictwo Politechniki Białostockiej, Białystok 2005, pages 141.
• 8. J. Kacprzyk, J. Korbicz, P. Kulczycki: Automatyka, robotyka i przetwarzanie informacji [Automation, robotics and information processing; in Polish], WN PWN, Warszawa 2020, pages 768.
• 9. M. Kłopotek: K-means is probabilistically poor, Studia Informatica. Systems and Information Technology, No. 2 (27)2022, pp. 5-26.
• 10. J. Korbicz, A. Obuchowicz, D. Uciński: Sztuczne sieci neuronowe. Podstawy i zastosowania [Artificial neural networks. Fundamentals and applications; in Polish], Problemy Współczesnej Nauki, Teoria i Zastosowania, Informatyka, Akademicka Oficyna Wydawnicza PLJ, Warszawa 1994, pages 251.
• 11. J. Koronacki, Ćwik J.: Statystyczne systemy uczące się [Statistical learning systems; in Polish]. WNT, Warszawa2005, pages 292.
• 12. D. T. Larose: Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych [Discovering knowledge from data. Introduction to data mining; in Polish]. WN PWN, Warszawa 2006, pages 227.
• 13. MATLAB® Creating Graphical User Interfaces, MathWorks, 2015-2023. 14. D. Michie, D. J. Spiegelhalter, Ch. Taylor: Machine Learning, Neural and Statistical Classification, IEEE Transactions on Systems Man and Cybernetics, Part C Applications and Reviews, 1999, pages 299.
• 15. T. Mielcarz: Wykorzystanie środowiska MATLAB oraz Deep Learning Toolbox do klasyfikacji danych systemu Rynku Dnia Następnego TGE S.A. [The use of the MATLAB environment and the Deep Learning Toolbox to classify the data of the Day Ahead Market system of TGE S.A; in Polish], praca magisterska napisana w Instytucie Informatyki pod kierunkiem dr hab. inż. Jerzego Tchórzewskiego, prof. uczelni, Wydział Nauk Ścisłych i Przyrodniczych, UPH w Siedlcach, Siedlce 2022.
• 16. W. Mielczarski: Rynki energii elektrycznej. Wybrane aspekty techniczne i ekonomiczne [Electricity markets. Selected technical and economic aspects; in Polish], Agencja Rynku Energii S.A., Warszawa 2000, pages 321.
• 17. M. Mikołajczyk, A. Kwasigroch, M. Grochowski: Analiza sceny przy użyciu głębokich sieci neuronowych typu YOLO [Scene analysis using deep YOLO neural networks; in Polish], XXIX Seminarium Zastosowanie Komputerów w Nauce i Technice 2019”, O/Gdański PTETiS, Zeszyty Naukowe Wydziału Elektrotechniki i Automatyki Politechniki Gdańskiej, Nr 68/2019, pp. 37-40.
• 18. T. Morzy: Eksploracja danych. Metody i algorytmy [Data mining. Methods and algorithms; in Polish], WN PWN, Warszawa 2021, pages 564.
• 19. N. Papakostkas, C. Constantinescu, D. Mourtzis: Novel Industry 4.0 Technologies and Applications, Applied Sciences, 2020, pp. 77-79.
• 20. S. Osowski: Sieci neuronowe do przetwarzania informacji [Neural networks for information processing; in Polish], Wydawnictwa Naukowo-Techniczne, Warszawa 2013, pages 422.
• 21. S. Osowski: Metody i narzędzia eksploracji danych [Data mining methods and tools; in Polish], Wydawnictwo BTC, Legionowo 2013, pages 388.
• 22. M. Skorzybut, M. Krzyśko, i inni: Systemy uczące się. Rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości [Learning systems. Pattern recognition, cluster analysis and dimensionality reduction; in Polish], WNT, Warszawa 2009, pages 400.
• 23. K. Stąpor: Automatyczna klasyfikacja obiektów [Automatic classification of objects; in Polish]. Problemy współczesnej nauki. Teoria i zastosowania. Informatyka, AOW EXIT, Warszawa 2005, pages 267.
• 24. P. Świtalski, M. Kopówka: Machine learning methods in e-mail spam classification, Studia Informatica. Systems and Information Technology, No 1-2(23)2019, pp. 57-76.
• 25. N. Qian: On the Momentum Term in Gradient Descent Learning Algorithms. Neural networks. The Official Journal of the International Neural Network Society, 1999, pp. 1-7.
• 26. J. Tabor, M Śmieja, Ł. Struski, p. Spurek, M. Wołczyk: Głębokie uczenie. Wprowadzenie [Deep learning. Introduction; in Polish], Helion, Gliwice 2022, pages 179.
• 27. R. Tadeusiewicz: Archipelag sztucznej inteligencji [Artificial intelligence archipelago; in Polish], AOW EXIT, Warszawa 2021, pages 126.
• 28. R. Tadeusiewicz: Sztuczne sieci neuronowe [Artificial neural networks; in Polish], AOW RW, Warszawa 1993, pages 195.
• 29. J. Tchórzewski, T. Kania: Comparative study of cluster analysis methods used to evaluate systems in the power industry, chapter 1 in: J. Tchórzewski, P, Switalski, Theory and Application of Artificial Intelligence Methods, Monograph No. 1 in series Intelligent Systems and Information Technologies, Wydawnictwo Naukowe UPH, Siedlce 2022, pp. 11-42.
• 30. J. Tchórzewski: Metody sztucznej inteligencji i informatyki kwantowej w ujęciu teorii sterowania i systemów [Methods of artificial intelligence and quantum computing in terms of control theory and systems; in Polish], Wydawnictwo Naukowe UPH, Siedlce, 2021, pages 343.
• 31. J. Tchórzewski, I. Kwiczak: Mapowanie informacji z baz danych za pomocą sieci neuronowych samoorganizujących się [Mapping information from databases using self organizing neural networks; in Polish]. Studia Informatica. Systems and Information Technology. Volume 1(3)2004, pp. 99-105.
• 32. J. Tchórzewski, M. Kłopotek, M. Kujawiak: Studium porównawcze metod prowadzenia odkryć [A comparative study of discovery methods; in Polish]. Studia Informatica. Systems and Information Technology. Volume 2(4)2004, pp. 105-122.
• 33. J. Tchórzewski, M. A. Kłopotek: A case study in neural network evolution, Prace Naukowe IPI PAN, No. 943, pp. 1-12.
• 34. J. Tchórzewski, B. Longota: Analysis of data quoted on the Day-Ahead Market of TGE S.A. using Statistics and Machine Learning Toolbox, Studia Informatica. Systems and Information Technology, Volume 2(27)2022, pp. 49-74. 35. Towarowa Giełda Energii S.A., https://tge.pl/energia-elektryczna-rdn [accessed: 14.08.2023].
• 36. J. J. Trajer, M. Janaszek-Mańkowska, D. R. Mańkowski: Komputerowa analiza danych w badaniach naukowych [Computer data analysis in scientific research; in Polish], Wydawnictwo SGGW, Warszawa 2016, pages 131.
• 37. S. Weidman: Uczenie głębokie od zera. Podstawy implementacji w Pythonie [Deep learning from scratch. Python implementation basics; in Polish], Wyd. Helion, Warszawa 2020, pages 219.
• 38. S. T. Wierzchoń, M. A. Kłopotek: Algorithms of Cluster Analysis, Monograph Series No. 3, Institute of Computer Science Polish Academy of Sciences, Warsaw 2015, pages 308.
• 39. P. G. Zhang: Neural Networks for Classification. A Survey, IEEE, 2000, pp. 451-452.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024)