Запропоновано комбіновану архітектуру штучної нейронної мережі глибинного навчання для векторного прогнозування вузлових навантажень, в якій використовується рекурентний модуль типу LSTM (Long short-term memory - мережі довгої короткострокової пам'яті), вихід якого подається до багатошарового перцептрону з активаційною функцією SELU (scaled exponential linear unit - масштабована експоненційно лінійна функція). Для підвищення ефективності навчання використовується обхідне з'єднання, яке полягає в додаванні входу нейронної мережі до виходу. Проведено порівняльний аналіз двох підходів до короткострокового прогнозування вузлових навантажень енергосистеми. При першому підході для кожного вузла навантаження будується окрема модель на базі штучної нейронної мережі eResNet, при другому - здійснюється векторне прогнозування значень вузлових навантажень з використанням побудованої комбінованої нейронної мережі. Другий підхід дозволяє використати взаємозв'язок між навантаженнями в вузлах енергосистеми та зменшити кількість обчислювальних операцій, необхідних для побудови моделі, особливо при значній кількості вузлів в енергосистемі.

 Наукова періодика України 

---

Додаткова інформація про автора(ів) публікації:
(cписок формується автоматично, до списку можуть бути включені персоналії з подібними іменами або однофамільці)

• Черненко Павло Олексійович (технічні науки)
• Мірошник Володимир Олександрович (технічні науки)

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"