ПАХТА ТОЗАЛАШ КОРХОНАЛАРИ ЭЛЕКТР ЭНЕРГИЯ ИСТЕЪМОЛИНИ НЕЙРОН ТАРМОҚЛАР УСУЛИДА БАШОРАТЛАШ Текст научной статьи по специальности «Компьютерные и информационные науки»

УУТ 621.34 Ишназаров О.Х., Толипов Ж.Н., Тухтамишев Б.Ц.

ПАХТА ТОЗАЛАШ КОРХОНАЛАРИ ЭЛЕКТР ЭНЕРГИЯ ИСТЕЪМОЛИНИ НЕЙРОН

ТАРМОЦЛАР УСУЛИДА БАШОРАТЛАШ

Ишназаров О.Х. - т.ф.д.; Толипов Ж.Н. - таянч докторант ("Узбекэнерго" АЖ Илмий-техника маркази); Тухтамишев Б.Ц. - т.ф.н. (Тошкент ирригация ва кишлок хужалигини механизациялаш му^андислари институти)

В статье описывается применение технологии искусственных нейронных сетей к прогнозированию временных рядов. В качестве примера временного ряда используется потребление электрической энергии хлопкоочистительным предприятием. В качестве основы для алгоритмов был использован Байесовский метод. Реализован метод обратного распространения ошибки для обучения сети, а также подбор оптимального значения параметра скорости обучения для алгоритмов.

Ключевые слова: искусственные нейронные сети, прогнозирование, временные ряды, алгоритм, хлопкоочистительные заводы.

The article describes the application of artificial neural network technology to time series forecasting. As an example of a time series, the consumption of electric energy by a ginnery is used. The Baysian method was used as the basis for the algorithms. The back propagation method of error for network training is implemented, as well as the selection of the optimal value of the learning speed parameter for the algorithms.

Key words: artificial neural networks, forecasting, time series, algorithm,ginneries.

Узбекистоннинг бозор иктисодиётига утиши корхоналар фаолиятини ташкил этиш тамойилларига жиддий узгаришлар киритмокда, бу эса ракобатбардошликни ошириш йулларини излашда энг мух,им йуналиш булади. Шунингдек, саноатнинг турли жабхдларида электр энергия ва ресурсга эга булиш механизмларига таъсир курсатади ва электр энергиясини бозорга чикариш билан уни сотиб олганда воситаларни сезиларли даражада тежашга имкон беради.

Маълумки, истеъмолчи корхона томонидан олдиндан буюртма беришида ортикча ва етарли булмаган электр энергия истеъмоли етказиб берувчини электр энергиясини ишлаб чикариш нуктасига режалаштирилмаган харажатга олиб келади. Узбекистон Республикасида амалда фаолият юритаётган карорларга кура буюртма берилган электр энергия истеъмолидан ортикча истеъмол килинган харажатларни буюртма берувчилар уз зиммасига олади. Агар орасидаги фарк канча катта булса, шунча номутоносибликлар учун йирикрок молиявий йукотишларга олиб келади [1].

Шундай килиб, корхоналарда электр энергияни истеъмол килиш учун ишончли буюртманомани тузиш вазифаси турибди. Шу муносабат билан, бугунги кунда электр юкламаларини башорат килиниши электрэнергетика сохдсида илмий тадкикот ишларининг долзарб муаммолари хисобланади [2]. Бирок, йирик корхоналар томонидан электр энергия истеъмоли юкори булганлиги сабабли, башоратнинг абсолют хдтолиги модулининг уртача киймати анча юкори булиб колмокда.

"Башоратлаш усули" атамаси оддий хисоб-китоблардан тортиб куп боскичли эксперт суровларигача, шунингдек назарий ва амалий хдракатлар услубига кадар кенг кулланилади. Х,озирги вактда тахминан 150 тадан ортик башоратлаш усули мавжуд булиб, шулардан амалда 20-30 га якини кулланилади. Башорат усулларини учта асосий хусусиятга кура таснифланади: усулларни расмийлаштириш даражасига кура; хдракатларнинг умумий принципига мувофик; башоратли маълумотларни олиш усули асосида [3].

Тахлиллар шуни курсатадики, нейрон тармоклари ва анъанавий башоратлаш моделлари уртасидаги фарк жуда куп маълумотни (унлаб йиллар давомида минглаб ва ун минглаб маълумотларни) хисобга олишдан иборат ва шунинг учун башоратнинг аниклиги ошади. Кириш маълумотлари куп булганида нейрон тармокларига афзаллик берилади. Маълумотлар тулик булмаган ва таркок булганлиги билан боглик муаммоларда, шунингдек ечимини интуитив равишда топиш мумкин булган холатларда нейрон тармок усулларидан

фойдаланиш тавсия этилади.

Шу муносабат билан, масалан «Оккургон пахта саноати» МЧЖ мисолида электр энергия истеъмолининг нейрон тармоклар асосида башоратлаш масаласи тадкик этилган. 1-расмда «Оккургон пахта саноати» МЧЖ электр энергия истеъмоли гистограммаси келтирилган.

«Оккургон пахта саноати» МЧЖ зарурати учун электр энергия электр тармоклари корхонаси билан тузиладиган шартнома асосида электр энергияни сотиб олади. Корхонанинг электр энергия сотиб олиш шартномасига кура йилига соат ва

1 -раем. «Оккургон пахта саноати» МЧЖ 0ЙлаР буйича булинган тулик электр

электр энергия истеъмоли гистограммаси энергияни режали истеъмол буюртмаси

берилади. Шу билан бирга, у хар ойда

олинган энергия микдорини тугрилаш хукукини саклаб колади. Натижада, корхонада бир

календар ой ва бир соатлик батафсил электр энергиясини истеъмол килишни башорат килиш

тизими асосида алгоритмни ишлаб чикиш вазифаси пайдо булади.

Ушбу муаммонинг ечими жуда мураккаб ва куп вакт талаб киладиган жараёндир.

^араб чикилаётган пахта тозалаш корхонаси технологик жараёнлари жуда мураккаб ва

кийин хисобланади. «Оккургон пахта саноати» МЧЖ тармокланган структурага эга.

Корреляция ва регрессия тахлилининг кенг таркалган метод асосида башоратлаш алгоритми

математик тавсифдан иборат.

Электр энергиясининг режали истеъмоли:

^реж = ^ой • Среж, (1)

бунда кой - хисобланаётган ойга махсулот бирлигига тугри келувчи электр энергия сарфи нормаси, кВт-с/т; @РЕж - ишлаб чикариш махсулотининг режали киймати, т.

куритиш цехи технологик жараёни учун электр энергиянинг режали истеъмоли бунтдан пахта хомашёсини тортиб куритиш барабанида куритилиш учун кетадиган электр энергия сарфи режали истеъмоли корхонада тупланган пахта хирмони хажмидан келиб чикиб аникланади.

Шу билан бирга куритиш цехини электр энергия истеъмолини башорати, кВт-с хозирги

кунда аник ойлар билан урнатилган солиштирма электр энергия сарфи нормалари буйича

амалга оширилади ва куйидагича аникланади:

шКУр = (кВАР + . СУР^ пкур (2)

РЕЖ \К0Й + К0Й ) ^РЕЖ, (2)

бунда - пахта хомашёсини куритиш цехида электр энергиясини солиштирма

сафини нормаси, кВт-с/т; кОй - пахта хомашёсини куритиш цехига етказишни кетадиган электр энергиясини солиштирма сарфи нормаси, кВт-с/т; пахта куритишни режали ишлаб чикарилиши.

Корхоналарда фойдаланиладиган электр энергиясини истеъмолини башоратлаш методи аник эмас ва электр энергиясини истеъмол килиш, корхонанинг таркибий цехлари томонидан

хЮ

5 -

ал

Ой 2018 иап2019 Арг2019 ^12019 Ой 2019 иап 2020 Арг 2020

Ой, йил

ишлаб чикариш хажми тугрисида маълумотни уз ичига олади. Корхонада электр энергиясини истеъмол килишни хисобга олиш ва хисобга олишнинг автоматлаштирилган тизими мавжуд эмас ва корхонанинг алохида технологик кайта ишлашларида электр энергиясини истеъмол килиш хажмини ишончли хисоблаш мумкин булган техник хисоб тугунлари етарлича эмас.

Мазкур муаммоларнинг ечимини сунъий нейрон тармоклари (СНТ)асосида электр энергия истеъмолини башорат килиш тизимини ишлаб чикиш ва жорий этиш оркали амалга ошириш мумкин. Ушбу башорат килиш усули куп катламли тузилишга эга ва кетма-кет уланадиган сунъий нейрон тармокларидан фойдаланишга асосланган. СНТ - бу инсон мияси билан боглик булган оддий биологик жараёнларни симуляция киладиган хисоблаш структурасидир. Ушбу структуралардаги элементар узгарткич сунъий нейрон булиб, биологик прототипга ухшашлиги билан номланган.

СНТни укитиш ва башорат килишни тузиш учун кириш маълумотлари электр энергиясини тижорат хисобга олишни автоматлаштирилган тизимини маълумотлар базаси, шунингдек маълум бир корхонанинг электр энергия сарфига таъсир килувчи кушимча параметрлар (йил кунлари, хаво харорати, намлик, атмосфера босими, хафтанинг куни, куннинг вакти ва бошкалар) хисобланади. Х,акикий мухим омилларни аниклаш ва ахамиятсизларини чикариб ташлаш хар бир объект учун индивидуал равишда башорат килишнинг энг мухим вазифаларидан биридир. Мазкур вазифани, 2-расмга мувофик, СНТ Байсиан тартибга солиш усулидан фойдаланамиз. Ушбу усул асосида нейрон тармокнинг иш режимига мослаштириш учун укитилади ва вазн коэффициентларини аниклашга имконият яратади.

Hidden

Output

2-расм. Нейрон тармокдарнинг тузилиши

Энг мухим узгарувчиларни танлаш тегишли мустакил узгарувчиларнинг башорат килинадиган билан богликлигини тавсифловчи эмпирик корреляцион муносабатларни хисоблаш ва таккослаш учун кискартирилиши мумкин. Эмпирик корреляцион муносабатларни бахолаш учун [4] да батафсил куриб чикилган аналитик гурухлаш усулидан фойдаланамиз

о?

^ух =

nj

ут

_ Lr-

Ол

Zf=1n

УХ

(3)

(4)

(5)

%х = (6)

\ °х

бунда oj -ички гурух дисперцияси; j - гурух раками; i - гурухда кузатиш раками; nj -гурухда кузатиш сони; yij - j гурухнинг i чи натижавий белгисини киймати; yj -j гурухининг натижавий белгисини уртача киймати; &УХ - х фактор белгиси буйича аналитик гурухлашда у ни натижавий белгисини ички гурух дисперсияни уртача киймати; m - гурухлар сони;оУХ -

натижавий белгини гурухлараро (омил) дисперсия; у- танланган мажмуаларни натижавий белгисининг уртача киймати; ц - эмпирик корреляцион нисбат.

СНТ асосида курсаткичларининг корреляцион натижаси 3 ва 4 расмларда келтирилган. Натижалар шуни курсатадики, кирувчи ва чикувчи курсаткичлар уртасида «сезиларли» ва «уртазич» алокалар мавжуд.

Нейрон тармокларини Байсиан ёндашуви асосида шакллантирамиз ва моделини курамиз [5]. Шаклнинг белгиланган фунцияси танланади

д(.х) = Zh=iwhpft(*), (7)

бунда к - нейрон тармогининг катланмалар сони, ^(х) асосий функциялар ва wh маълумотлардан олинган коэффициентлар. Максадга куйидаги функция оркали эришиш мумкин

У1 = 9(Xi) + (8)

бунда g(xi) - номаълум функция ва et - уртача нол ва дисперсия о га тенг булган мустакил Гаусснинг тасодифий узгарувчилари. Укув жараёнининг бошлангич максади бу квадратик хатолар сонини минималлаштириш

¿^ZiU^-y,)2, (9)

бунда N - кузатишлар сони, яъни киритиш векторлари сони ва категорияли узгарувчилар, у. - i - кузатувидаги нейрон тармок жавобини англатади.

1-хатонинг автокорреляцияси

^^И Correlations -Zero Correls ..........Confidence

1 .1 М nil iiii и I. 1

-15 -10 -5 0 5 10 15

Кечикиши

3-расм. 1-хдтонинг автокорреляцияси

-15 -10 -5 0 5 10 15

Кечикиш

4-расм. Модел курсаткичлариниинг корреляцияси

Байсиан тартибга солиш объектив функциянинг Гессиан матрицасини талаб килади. MSE киймат функцияси ва квадратик огирликлар йигиндиси буйича тартиблаш учун Гессиан матрицаси квадратик функцияга эга ва Левенберг-Маркуардт алгоритми ёрдамида (Гилл ва Мюррей 1978) якинлашиши мумкин [6,7]. Максад вазифаси куйидаги булади

Р = аЕш+рЕв, (10)

бунда а ва Р объектив функционал параметрлардир.

Байсиан доирасидаги тармокнинг огирлиги тасодифий узгарувчилар деб хисобланади. Натижада тармок массаси булган массивнинг эхтимоллик зичлиги функцияси куйидаги функция оркали аникланиши мумкин

Г(у,\В,а,р,М)=г™0**Мг™аМ), (11)

бу ерда М - аник нейрон тармок модели; f(w\a,M)- бу аввалги зичлик, олдинги огирликлар маълумоти; f(D\a,@,М) - бу огирликларни хисобга олган холда маълумотларнинг пайдо булиш эхтимоли булган эхтимоллик функцияси; /(Л\а, р, М) - нормаллаштириш коэффициенти, бу умумий эхтимоллиги 1 га тенг булишини кафолатлайди [8].

Гаусснинг шовкинига караб, берилган параметрларнинг эхтимоли мавжуд

(12)

бунда = (2л:/^)м/2,^ = 1/а2. Аввалгисининг зичлигини куйидагича келтириш

мумкин

¡(ж\а, М)

ехр(-аЕи,)

(13)

бу ерда Еш(а) = j ехр(-аЕш) dw. Агар (12) ва (13) тенгламалар (11) тенгламага алмаштирилса

ехр(-(РЕв+аЕи,)) = ехр(-Р(ш)) 1ш(а)10(Р) ~ гг(а,Р) ■

¡(пф.а.р.М)

(14)

Уцитиш: R=0.90437

Тест: К=1

ЖАМИ: К=0.81704

600 700 800 900 1000 1100 Мацсад

600 700 800 900 1000 1100 Мацсад

600 700 800 900 1000 1100 Мацсад

5-

расм. Нейрон тармогидаги укитиш регрессияси, 1000 давр, максимал даврга эришиш

натижаси

бу ерда = / ехр(-Р)йи?. Ушбу Байсиан доирасида оптимал огирликлар шартли

э^тимоллигини максимал даражада ошириши керак.

Байсиан тартибга солиш усулида курилган нейрон тармокни укитиш натижаси 5-расмда келтирилган.

Нейрон тармокларидан фойдаланган усулнинг афзаллиги куплаб корхоналарда ишлатиладиган солиштирма сарф нормалари буйича режалаштириш усули билан солиштирилганда электр энергиясини истеъмол килиш башоратининг аниклигини ошириш х,исобланади.

Олинган нейрон тармок томонидан берилган башоратнинг тугрилиги синов тупламидаги башоратдан хдкикий кийматларни нисбий уртача квадратик огиши буйича бах,оланади:

£ = —

5^,2

N

(15)

N

(16)

бунда ИС - электр энергиясини истеъмол килишнинг уртача киймати; Ш - нейрон тармогининг чикишида электр энергиясини истеъмол килиш киймати, W* - бу электр энергиясини истеъмол килишнинг масштабли фактик киймати; Wб - электр энергиясини истеъмол килишнинг базис киймати, кВт-с; N - бошкариш тупламидаги элементлар сони.

6- ва 7-расмларда укитиш натижасидаги таксимлашнинг хдтоси ва вакт кетма-кетлигида чикиш элементининг натижаси келтирилган.

Натижада куйидагига эга буламиз:

£ =

(17)

Хатолар = Максадлар - Чик;ишлар Bav

6-расм. Укитиш натижасидаги 7-рас:м. Вакт кетма-кетлигида чикиш

таксимлашнинг хатоси элементининг натижаси

Олинган натижалар шуни курсатдики, аникликни ошириш учун башоратлаш моделларини ишлаб чикишнинг энг истикболли йуналиши СНТ усули хисобланади х,амда оптимал башорат килинадиган модел осонгина укитилиши, киска вактда тузиш имконияти, атроф-мух,ит узгаришига мослашиши, осонгина созланиши ва бекарор мухитда баркарор ишлаши билан ажралиб туради.

Шундай килиб, СНТларига асосланган башорат килиш тизими билан биргаликда ишлатиш буюртма килинган электр энергияси хажмини амалда истеъмол килинадиган кийматдан четлатганлик учун жарималар нархини сезиларли даражада камайтириши мумкин. Ушбу максадда нейрон тармокнинг математик тавсифлари билан чекландик. Натижада, бундай усулни башорат килишнинг аниклиги сезиларли даражада оширилишига имконият яратилади.

АДАБИЁТЛАР

1. Узбекистон Республикаси Вазирлар Махкамасининг 2018 йил 12 январдаги "Электр энергиясидан фойдаланиш коидалари" тугрисидаги 22-сон карори (8-боб 67-банди).

2. Herbert Jones. Neural Networks. Create Space Independent Publishing Platform.- 2018,76 p.

3. Tariq Rashid. Makeyourown Neural Network. 1 stedition, 2018, -135 p.

4. Искусственные нейронные сети. Теория и практика. Круглов. В.В., Борисов В.В. - М.: Горячая линия - Телеком, 2001. - 382 с.: ил. - 2500 экз. - ISBN 593517-031-0.

5. Titterington D. M. Bayesian Methods for Neural Networks and Related Models // Statistical Science. Vol. 19, No. 1 (Feb., 2004), pp. 128-139

6. Sariev E., Germano G. Bayesian regularized artificial neural networks for the estimation of the probability of default, Quantitative Finance, 20:2, 311-328, DOI: 10.1080/14697688.2019.1633014 (2020)

7. Neal, R., Bayesian learning for neural networks. PhD Thesis, University of Toronto, Toronto, Canada, 1996.

8. Sariev E. and Germano G., An innovative feature selection methodfor support vector machines and its test on the estimation of thecredit risk of default. Rev. Financ. Econ., 2019, 37, 404427.