Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: self-organizing feature map

Sortuj według:

Ogranicz wyniki do:

Zastosowanie sztucznych sieci neuronowych Kohonena do prognozowania dobowego poboru wody

Licznar P., Łomotowski J.

Ochrona Środowiska

2006

R. 28, nr 1

45-48

W pracy przedstawiono wyniki badań nad zastosowaniem samoorganizujących sieci Kohonena do prognozowania dobowego poboru wody. Dotychczas do prognozowania poboru wody używano sztucznych sieci neuronowych najprostszych typów, głównie sieci perceptronowych o pojedynczej warstwie ukrytej. Otrzymywano przy tym wyniki porównywalne lub lepsze od modeli stochastycznych opartych o analizę szeregów czasowych, jednakże sieci te nie pozwalały wniknąć w istotę kształtowania się procesu poboru wody. Wagi poszczególnych neuronów sieci perceptronowych, ustalane w trakcie ich uczenia, nie są bowiem powiązane z fizycznymi cechami prognozowanego szeregu czasowego. Z tego względu podjęto próbę zastosowania samoorganizujących sieci Kohonena dla prognozowania dobowego poboru wody w sieci wodociągowej. W badaniach wykorzystano szereg czasowy dobowego zużycia wody z lat 1996-2002 jednego z większych polskich wodociągów. Prognoza była wykonana dwuetapowo. Pierwszym jego etapem było prognozowanie sumarycznego tygodniowego rozbioru wody przy użyciu prostej sieci perceptronowej szeregu czasowego. W następnym etapie prognozowany całkowity, tygodniowy, rozbiór był rozdzielany na poszczególne dni tygodnia, zgodnie z wzorcami rozpoznanymi dla poszczególnych okresów roku przez samoorganizującą się strukturę sieci Kohonena. Otrzymywane wyniki były porównywalne z wcześniejszymi rezultatami autorów, uzyskanymi na tym obiekcie do prognozowania przy wykorzystaniu prostych sieci neuronowych oraz metody wygładzania wykładniczego. Dodatkowym - poznawczym - wynikiem przeprowadzonych badań są opracowane, przy wykorzystaniu sieci samoorganizującej się na zasadzie współzawodnictwa, profile tygodniowego poboru wody.

The objective of the study was to develop a hybrid tool for predicting daily water consumption by the combined use of the perceptron and Kohonen artificial neural networks. The investigations included a 7-year time series of total daily water consumption in the time span of 1996 to 2002, coming from one of Poland's largest water distribution systems. The prediction process was a two-stage one. At the first stage, the Self-Organizing Feature Map (SOFM) was made in order to establish the weekly water distribution patterns that are typical for each season of the year. At the second stage, a simple single hidden layer perceptron networks was built to enable the prediction of total weekly water consumption. Owing to the combined use of the perceptron and Kohonen artificial neural networks it was possible to work out high-quality daily water consumption predictions and to identify typical seasonal patterns of weekly water consumption.

The growing hierarchical self-organizing mapping for large scale power system static security assessment

Boudour Mohamed, Hellal Abdelhafid

Archives of Electrical Engineering

2004

Vol. 53, nr 1

49--64

The paper presents an artificial neural-net based technique which combines supervised and unsupervised learning for on-line evaluating of power system static security. It automatically scans contingencies of a power system. The proposed approach allows the on-line security evaluation of (N - 1) contingencies by considering the pre-fault state vector. ANN-based pattern recognition is carried out with the growing hierarchical self-organizing feature mapping (GHSOM) in order to provide an adaptive neural net architecture during its unsupervised training process. Numerical tests, carried out on a IEEE 14 buses power system are presented and discussed. The analysis using such method provides accurate results and improves the effectiveness of system security evaluation. It is especially suitable for the static security assessment of large-scale power systems.

W artykule przedstawiono, opartą o technikę sieci neuronowej, metodę ciągłej oceny bezpieczeństwa statycznego systemu, łączącą kontrolowane i niekontrolowane procesy uczenia. Nadzoruje ona automatycznie kontyngencje systemu. Proponowane podejście pozwala na ciągłą ocenę {N - 1) kontyngencji poprzez analizę wektora stanów przedawaryjnych. Rozpoznawanie obrazów, oparte o sieć neuronową, prowadzone jest z zastosowaniem rozwijającego, hierarchicznego, samoorganizującego się odwzorowywania właściwości dla uzyskania adaptacyjnej architektury sieci podczas procesu niekontrolowanego uczenia. Opisano i przedyskutowano badania numeryczne systemu z 14 szynami zbiorczymi (system IEEE 14). Analiza systemu prowadzona za pomocą przedstawionej metody zapewnia dokładność wyników i lepszą efektywność oceny bezpieczeństwa systemu. Metoda jest szczególnie przydatna do oceny bezpieczeństwa statycznego dużych systemów elektroenergetycznych.