Нейросетевые алгоритмы для решения задачи краткосрочного локального прогнозирования температуры наружного воздуха

Abstract

В процессе решения задачи повышения эффективности автоматизации управления системой отопления разработана и оптимизирована адаптивная модель для краткосрочного локального прогнозирования температуры наружного воздуха. При работе данной модели и длительном прогнозировании высок риск возникновения и накопления ошибки. Для минимизации данных рисков разработан дополнительный адаптационный механизм с помощью нейросети, построенной по схеме персептрона Розенблата. В качестве способа обучения использован алгоритм обратного распространения ошибки как наилучший метод для постоянного улучшения и обучаемости сети с течением времени. На основании построенной модели проведены численные эксперименты по прогнозированию температуры в течение года. Проведен анализ и сравнение результатов, определено влияние различных характеристик нейросети на качество получаемого прогноза. To increase the efficiency of control automation of the heating system an adaptive model of short-term local forecast of outdoor temperature is designed and optimized. At the operation of the given model and long-term forecasting there is a high risk of occurrence and accumulation of an error. To avoid this negative effect a special adaptive mechanism of the model made by neural network is constructed in accordance with Rosenblatt perceptron scheme. As a learning method the back propagation algorithm is used as the best method for continual improvement and network learning capacity in length of time. Based on the constructed model many numerical experiments are carried out to predict the temperature during the year. The analysis and comparison of the results are performed, the influence of various characteristics of neural network on the quality of the received forecast is determined.