УДК 004.032.26

ГИБРИДНАЯ НЕЙРО-ФАЗЗИ СЕТЬ ДЛЯ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ВЗАИМОСВЯЗАННЫХ ПРОЦЕССОВ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ

Розглянуто задачу прогнозування взаємозалежних часових рядів, що описують процеси споживання електроенергії. Особливу увагу приділено обробці сигналів, заданих у різних шкалах виміру (якісній, порядковій, номінальній), що дає змогу включати в модель додаткову інформацію. Запропоновано нову архітектуру гібридної нейро-фаззі мережі та її алгоритм навчання, що забезпечує високу швидкість збіжності й можливість обробки інформації в реальному часі. Результати експерименту показали, що запропонований метод має більш високу точність прогнозування й менші витрати пам'яті та часу на обробку інформації.

Рассмотрена задача прогнозирования взаимосвязанных временных рядов, описывающих процессы потребления электроэнергии. Особое внимание уделено обработке сигналов, заданных в различных шкалах измерения (качественной, порядковой, номинальной), что позволяет включать в модель дополнительную информацию. Предложены новая архитектура гибридной нейро-фаззи сети и ее алгоритм обучения, обеспечивающий высокую скорость сходимости и возможность обработки информации в реальном времени. Результаты эксперимента показали, что предложенный метод обладает более высокой точностью прогнозирования и меньшими затратами памяти и времени на обработку информации.

The problem of prediction of interconnected time series describing electric load is considered. Special attention is paid to processing of signals given in different scales (quantitative, ordinal, nominal) that extends modeling capabilities to additional data. A novel hybrid neuro-fuzzy network is proposed and its learning algorithm is developed that provides high convergence rate and ability to process information in real time. Experimental results show that the proposed method provides higher forecasting accuracy and has lower memory and time requirements.