Несколько слов о том, что же такое ИНС. ИНС являются аналитическими системами, в которых поставленные задачи не достаточно четко сформулированы. Недостаточная точность формулировки восполняется способностью ИНС к самообучению, умению находить в данных скрытые и неясные образы. Важным свойством ИНС является способность к изменению своего поведения и знания в зависимости от изменений внешней среды.

ИНС представляет собой структуру, соединенных м. собой нейронов. Связи м. нейронами обладают весовыми коэффициентами. Структура связей задается загодя и определяет топологию ИНС. Топология может быть различной (только вперед от одного слоя к другому, каждый нейрон с каждым и другие). Пример ИНС (многослойный персептрон) представлен на Кружочки представляют собой нейроны, стрелочки – связи, каждая из связей обладает своим весовым коэффициентом.

Каждый нейрон скрытого слоя вычисляет сумму от поступивших на его вход значений (при этом до поступления на вход выходные значения нейронов предыдущего слоя умножаются на вес связи, по которой оно передается). Над полученной суммой выполняется нелинейная операция. Результат нейрон выдает на свой выход (см . Нейроны входного и выходного слоев отличаются тем, что просто передают соответственно входные значения или результат.

До того как использовать ИНС ее необходимо обучить на данных, имеющих те же свойства, что и те, которые будут в дальнейшем подаваться на вход. Для обучения используются исторические данные, значит для которых уже известны ответы (реальное потребление электроэнергии). цикл обучения ИНС состоит в настройке весовых коэффициентов связей м. нейронами так, чтобы получался лучший ответ на входной пример. Качество ответа определяется по разнице м. реакцией ИНС и реальным известным значением. Одним из важнейших аспектов работы с ИНС является выявление правильного момента окончания обучения, значит предотвращение переобучения сети. Переобученная сеть весьма хорошо воспроизводит данные, на которых она училась, но плохо работает на других, так как ее внимание излишне заострилось на деталях, отраженных в примерах для обучения и отсутствующих в любых других. Одним из приемов для предотвращения переобучения является метод раннего останова.

Хорошо обученная ИНС может функционировать и в стабильных, и в переменных условиях, так как выход зависит не только от близких предшествующих данных, а от аналогичных имевших место когда-либо.

Для демонстрации работы ИНС в сложных условиях сделан экспериментальный прогноз потребления электроэнергии на 1–4 мая 1999 года в Московском регионе. Эти дни характерны тем, что после весьма теплого апреля (средняя температура воздуха 12–14°C, а в последнюю неделю до 20°C) достаточно резко произошло похолодание до 7°C. Это вызвало, во-первых, изменения в поведении населения (не отправились на природу или быстро вернулись) и, так как отопление было уже отключено, включили большое количество обогревательных приборов. Все это привело к резкому, неожиданному для праздничных дней росту потребления электроэнергии. Прогноз такой ситуации с использованием авторегрессии невозможен, так как картина потребления электроэнергии изменилась резко и практически никак не связана с тем, что наблюдалось в предыдущие дни. Использование ИНС позволяет прогнозировать и такую ситуацию, так как прогноз ГидроМетЦентра о понижении температуры (пусть не таком сильном) имелся.

ИНС обучалась на исторических данных по переходным сезонам (весна, осень) за 2 предыдущих года (1997 и 199 . Характер потребления электроэнергии в эти времена года схожий, отличается только общей направленностью изменения (весной потребление электроэнергии в целом падает, осенью – растет). В данном случае весной сработала осенняя модель – похолодание с выключенным отоплением, такое часто бывает в октябре, и конечно было в исторических данных. Не важно, что в мае такой погоды ранее не наблюдалось.

Для прогноза использовалась ИНС – многослойный персептрон с 2 скрытыми слоями по 8 нейронов в каждом. На вход ИНС (как при обучении, так и для прогноза) подавались: значение потребления и температуры за несколько предыдущих дней, прогноз температуры (дневной и ночной диапазон). Время года задавалось неявно, так как другие сезоны (лето и зима) не использовались при обучении.

Пример прогноза потребления электроэнергии, сделанный с использованием ИНС, представлен на Прогноз потребления электроэнергии был сделан по 2 вариантам прогноза температуры, предоставленным ГидроМетЦентром (от 27 апреля и от 30 апреля). Так как прогнозы температуры различались м. собой, то различаются и прогнозы потребления электроэнергии, но эти различия не так уж существенны. Более важным оказалось направление изменения температуры (похолодание).

Приведенный пример демонстрирует перспективность использования адаптивных научных методов для прогноза потребления электроэнергии. Развитие и тестирования на различных примерах предложенной методики использования ИНС может привести к весьма эффективному и удобному методу прогноза потребления электроэнергии.