ОЦЕНКА ВЛИЯНИЯ ГИПЕРПАРАМЕТРОВ НЕЙРОСЕТИ НА ТОЧНОСТЬ ПРОГНОЗИРОВАНИЯ ЭНЕРГОПОТРЕБЛЕНИЯ
Аннотация
Работа посвящена проблеме повышения точности краткосрочного прогнозирования по- требления электроэнергии с помощью инструментов глубокого машинного обучения. Исследо- вано влияние задаваемых гиберпараметров нейронной сети (НС) на погрешность прогнозирова- ния электропотребления, таких как: размер пакета данных – Bs; количество слоев НС – j; функции активации нейронов – Fa; оптимизаторы – O. Определены оптимальные гиперпара- метры НС-модели для прогнозирования электропотребления (ЭП) для потребителя аддитивно- го и циклического типа. Проведенный анализ влияния размера пакета (BatchSize) на точность прогноза показал повышение эффективности обучения НС с ростом пакета входных данных. Проведенный анализ влияние количества слоев показал, что с увеличением количества слоев НС время обучения сокращается, а ее предсказания становятся точнее. Проведенное исследование различных оптимизаторов на скорость обучения показало, что наилучшие результаты демон- стрируют оптимизаторы “Adam” и “RMSprop”. Показано, что от выбора функции активации зависит, то насколько быстро будет обучаться НС и насколько точными будут ее прогнозы. Использование различных методов регуляризации позволяет НС достичь лучших результатов на практике, улучшая их способность к обобщению и увеличивая точность предсказаний. Показа- но, что для достижения минимальной погрешности прогнозирования, следует индивидуально настраивать параметры сети для каждого потребителя, учитывая значительные различия в характере энергопотребления. Проведено обучение и тестирование созданной сети с подобран- ными параметрами на обучающей и тестовой выборке, содержащей данные об электропотреб- лении за 2 года (17520 часов). Анализ входных данных по электропотреблению показал, что оп- тимальными параметрами прогностической нейросетевой модели в ручном режиме являются: размер пакета 250 (подобрано эмпирически), 5 слоев, функция активации “ReLU”, оптимизатор “Adam”. Рассмотрены различные способы подбора гиперпараметров (вручную и посредством генетического алгоритма (ГА)).
