RU2014110489A - Способ компьютерного моделирования технической системы - Google Patents
Способ компьютерного моделирования технической системы Download PDFInfo
- Publication number
- RU2014110489A RU2014110489A RU2014110489/08A RU2014110489A RU2014110489A RU 2014110489 A RU2014110489 A RU 2014110489A RU 2014110489/08 A RU2014110489/08 A RU 2014110489/08A RU 2014110489 A RU2014110489 A RU 2014110489A RU 2014110489 A RU2014110489 A RU 2014110489A
- Authority
- RU
- Russia
- Prior art keywords
- output
- input
- layer
- vectors
- hidden
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
1. Способ для компьютерного моделирования технической системы, при котором:- моделируют один или несколько выходных векторов в зависимости от одного или нескольких входных векторов путем обучения нейронной сети (НС), базируясь на тренировочных данных из известных входных векторов и выходных векторов, причем соответствующий выходной вектор содержит один или несколько рабочих параметров технической системы и соответствующий входной вектор содержит один или несколько рабочих входных величин, влияющих на рабочую величину или величины, при этом- нейронная сеть (НС) есть сеть с прямой связью с несколькими друг с другое соединенными слоями (I, H1, Н2, Н3, 0), которая включает входной слой (I), некоторое количество скрытых слоев (H1, Н2, Н3) и один выходной слой (0), причем входной слой (I) содержит некоторое количество входных нейронов для описания входного или входных векторов, и, причем соответствующий скрытый слой (H1, Н2, Н3) содержит некоторое количество скрытых нейронов, и, причем выходной слой (0) содержит некоторое количество выходных нейронов для описания выходного или выходных вектороз, отличающийся тем, что выходной слой (0) включает некоторое количество скрытых слоев (H1, Н2, Н3) соответствующее множеству выходных кластеров (О1, О2, О3) из соответственно одного или нескольких выходных нейронов, причем каждый выходной кластер (О1, О2, О3) описывает подобный выходной вектор и соединен с другим скрытым слоем (H1, Н2, Н3).2. Способ по п. 1, при котором входной слой (I) нейронной сети (НС) соединен с каждым из скрытых слоев (H1, Н2, Н3).3. Способ по п. 1 или 2, при котором соответствующий выходной вектор содержит одну или несколько рабочих величин для �
Claims (15)
1. Способ для компьютерного моделирования технической системы, при котором:
- моделируют один или несколько выходных векторов в зависимости от одного или нескольких входных векторов путем обучения нейронной сети (НС), базируясь на тренировочных данных из известных входных векторов и выходных векторов, причем соответствующий выходной вектор содержит один или несколько рабочих параметров технической системы и соответствующий входной вектор содержит один или несколько рабочих входных величин, влияющих на рабочую величину или величины, при этом
- нейронная сеть (НС) есть сеть с прямой связью с несколькими друг с другое соединенными слоями (I, H1, Н2, Н3, 0), которая включает входной слой (I), некоторое количество скрытых слоев (H1, Н2, Н3) и один выходной слой (0), причем входной слой (I) содержит некоторое количество входных нейронов для описания входного или входных векторов, и, причем соответствующий скрытый слой (H1, Н2, Н3) содержит некоторое количество скрытых нейронов, и, причем выходной слой (0) содержит некоторое количество выходных нейронов для описания выходного или выходных вектороз, отличающийся тем, что выходной слой (0) включает некоторое количество скрытых слоев (H1, Н2, Н3) соответствующее множеству выходных кластеров (О1, О2, О3) из соответственно одного или нескольких выходных нейронов, причем каждый выходной кластер (О1, О2, О3) описывает подобный выходной вектор и соединен с другим скрытым слоем (H1, Н2, Н3).
2. Способ по п. 1, при котором входной слой (I) нейронной сети (НС) соединен с каждым из скрытых слоев (H1, Н2, Н3).
3. Способ по п. 1 или 2, при котором соответствующий выходной вектор содержит одну или несколько рабочих величин для нескольких следующих друг за другом будущих временных точек в пределах будущего промежутка времени, причем будущий промежуток времени преимущественно включает один или несколько дней и временные точки преимущественно имеют интервал в один час.
4. Способ по п. 1, при котором соответствующий выходной вектор содержи одну или несколько прогнозируемых входных величин для будущей временной точки друг за другом следующих будущих временных точек в пределах будущего промежутка времени, причем будущий промежуток времени преимущественно включает один или несколько дней и временные точки преимущественно имеют интервал в один час.
5. Способ по п. 1, при котором способом моделируется техническая система в виде электрической энерговырабатывающей установки и, особенно в виде возобновляемой электрической энерговырабатывающей установки.
6. Способ по п. 5, при котором энерговырабатывающая установка включает ветровую силовую установку и/или солнечную электростанцию, особенно солнечную тепловую установку и/или фотоэлектрическую установку.
7. Способ по п. 5 или 6, при котором соответствующий выходной вектор как рабочие величины включает сгенерированное энерговырабатывающим устройством количество энергии (ES) для множества друг за другом следующих временных точек, причем количество энергии (ES) это преимущественно сгенерированное количество энергии между двумя друг за другом следующими будущими временными точками.
8. Способ по п. 5 или 6, при котором соответствующий входной вектор, в качестве входной величины, включает одно или несколько спрогнозированных условий окружающей среды для будущей временной точки из множества будущих временных точек, причем спрогнозированные условия окружающей среды это, в частности, данные погоды.
9. Способ по п. 8, при котором спрогнозированное условие окружающей среды или спрогнозированные условия окружающей среды включают одну или несколько следующих величин:
- одно или несколько значений температуры окружающей среды;
- одно или несколько значений влажности воздуха;
- одно или несколько скоростей ветра и/или направлений ветра;
- одно или несколько значений касательно покрытия неба облаками;
- одно или несколько величин солнечного облучения.
10. Способ по п. 1, при котором входной слой (I) включает далее один или несколько входных нейронов для описания одного или несколько других входных векторов, причем другой или другие входные векторы включают один или несколько рабочих величин технической системы, которая определена аналитической моделью.
11. Способ по п. 1, при котором предусмотрено 10 или более скрытых слоев и/или каждый скрытый слой включает от 20 до 30 скрытых нейронов.
12. Способ по п. 1, при котором в рамках обучения нейронной сети для каждого выходного кластера (О1, О2, О3), как целевой величины, минимизируется различие между выходным вектором, описанным выходным кластером (О1, О2, О3), и выходным вектором согласно данных тренировки.
13. Способ по п. 1, при котором обучение нейронной сети осуществляется, базируясь на обратном распространении ошибки.
14. Способ для прогнозирования одного или нескольких рабочих параметров технической системы, при котором нейронной сети (НС), которая обучена способом, согласно одному из предыдущих пунктов, подводится одна или несколько входных величин через входной слой (I), после чего через нейронную сеть (НС) для, по меньшей мере, одного выходного кластера (О1, О2, О3) выходного слоя (О) определен соответствующий выходной вектор с одним или несколькими рабочими параметрами технической системы.
15. Способ по п. 14, при котором для нескольких и особенно для всех выходных кластеров (O1, O2, O3) определяются выходные векторы, чьи рабочие величины вслед за этим усредняются.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102011081197.4 | 2011-08-18 | ||
| DE102011081197A DE102011081197A1 (de) | 2011-08-18 | 2011-08-18 | Verfahren zur rechnergestützten Modellierung eines technischen Systems |
| PCT/EP2012/064529 WO2013023887A1 (de) | 2011-08-18 | 2012-07-24 | Verfahren zur rechnergestützten modellierung eines technischen systems |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| RU2014110489A true RU2014110489A (ru) | 2015-09-27 |
| RU2575417C2 RU2575417C2 (ru) | 2016-02-20 |
Family
ID=
Also Published As
| Publication number | Publication date |
|---|---|
| CN103733210A (zh) | 2014-04-16 |
| US20140201118A1 (en) | 2014-07-17 |
| WO2013023887A1 (de) | 2013-02-21 |
| DE102011081197A1 (de) | 2013-02-21 |
| EP2724296B1 (de) | 2018-06-13 |
| US10133981B2 (en) | 2018-11-20 |
| EP2724296A1 (de) | 2014-04-30 |
| CN103733210B (zh) | 2016-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cannizzaro et al. | Solar radiation forecasting based on convolutional neural network and ensemble learning | |
| CN105426956B (zh) | 一种超短期光伏预测方法 | |
| JP6759966B2 (ja) | 太陽光発電システムの作動方法 | |
| Bali et al. | Deep learning based wind speed forecasting-A review | |
| Singh et al. | Optimum power forecasting technique for hybrid renewable energy systems using deep learning | |
| Alluhaidah et al. | Most influential variables for solar radiation forecasting using artificial neural networks | |
| CN103733210A (zh) | 用于对技术系统进行计算机辅助的建模的方法 | |
| Li et al. | Day-ahead hourly photovoltaic generation forecasting using extreme learning machine | |
| CN103996087A (zh) | 一种新能源发电功率预测方法及系统 | |
| Almadhor | Performance prediction of distributed PV generation systems using Artificial Neural Networks (ANN) and Mesh Networks | |
| Bellagarda et al. | Effectiveness of neural networks and transfer learning to forecast photovoltaic power production | |
| Devezas et al. | How Green Is the Green Energy Transition? On the Road to Decarbonization | |
| Chen et al. | Impacts of different radiation schemes on the prediction of solar radiation and photovoltaic power | |
| Elena et al. | Multi-agent system for smart grids with produced energy from photovoltaic energy sources | |
| CN105574619A (zh) | 一种太阳能光伏发电出力预测系统及预测方法 | |
| El Shahat et al. | An artificial neural network model for wind energy estimation | |
| Hussain et al. | A hybrid artificial neural network for grid-connected photovoltaic system output prediction | |
| Zahran et al. | Monitoring of photovoltaic wind-turbine battery hybrid system | |
| Ehsan et al. | Day-ahead prediction of solar power output for grid-connected solar photovoltaic installations using artificial neural networks | |
| Zhang et al. | Forecast of photovoltaic power generation based on DBSCAN | |
| Zhang et al. | Real-time prediction of solar radiation based on online sequential extreme learning machine | |
| Dyvak et al. | Mathematical model of weather conditions influence on properties of photovoltaic installation and method of its identification | |
| Saad et al. | The impact of forecasting horizon and resolution on PV power prediction using artificial neural networks | |
| Arun et al. | Very short term prediction of solar radiation for residential load scheduling in smartgrid | |
| Wang et al. | Ultra-short-term forecast of photovoltaic power based on vmd error correction and cnn-gru-am |