Вибір оптимальної структури прихованих шарів штучної нейронної мережі для аналізу ефективності енергоспоживання

Abstract

Розроблено метод вибору оптимальної структури прихованих шарів штучної нейронної мережі (ШНМ), ідеєю якого є практичне застосування декількох внутрішніх структур ШНМ і розрахунку похибки роботи кожної структури прихованих шарів із використанням ідентичних наборів даних для навчання ШНМ, що виключає вплив специфіки даних у навчальній вибірці на результати роботи алгоритму. Метод ґрунтується на почерговому порівнянні очікуваних результуючих значень і реальних результатів роботи штучних нейронних мереж прямого поширення із різною кількістю внутрішніх шарів, а також різною кількістю нейронів на кожному шарі. Метод дає змогу реалізувати пошук оптимальної внутрішньої структури ШНМ для застосування у сфері розроблення систем “розумного” будинку і розрахунку оптимального рівня енергоспоживання відповідно до поточних умов, таких як температура у приміщеннях, присутність людей та час доби. Застосування методу на початкових стадіях розроблення систем “розумного” будинку дає змогу зменшити часові витрати на вибір ефективної структури ШНМ і приділити більше уваги взаємозв’язкам між вхідними та вихідними даними, а також таким важливим параметрам процесу навчання ШНМ, як кількість ітерацій тренування, мінімальна помилка тренування тощо. Розроблено програмне забезпечення, що дає змогу провести процеси навчання, випробування та отримати вихідні результати роботи алгоритму штучної нейронної мережі, такі як очікуване значення енергоспоживання та час роботи кожного окремого електроприладу. Виявлено недолік використаного підходу знаходження оптимальної внутрішньої структури ШНМ, який полягає у тому, що кожна наступна структура створюється на основі найефективнішої з попередньо створених структур, без аналізу інших структур, що показали гірші результати за меншої кількості прихованих шарів. З’ясовано, що для удосконалення розв’язання цієї задачі необхідно створити механізм, який ґрунтуватиметься на аналізі вхідних даних, вихідних даних, аналізуватиме внутрішні взаємозв’язки між параметрами та оптимізуватиме структуру мережі на кожному етапі за допомогою визначених логічних правил відповідно до результатів, отриманих на попередньому кроці. Встановлено, що вирішення поставленої проблеми є задачею нелінійного програмування, яку можна розв’язати, розвиваючи надалі це дослідження.A method for optimal structure selection of hidden layers of the artificial neural network (ANN) is proposed. Its main idea is the practical application of several internal structures of ANN and further calculation of the error of each hidden layer structure using identical data sets for ANN training. The method is based on the alternate comparison of the expected result values and the actual results of the feedforward artificial neural networks with a different number of inner layers and a different number of neurons on each layer. The method afforces searching the optimal internal structure of ANN for usage in the development of “smart” house systems and for calculation of the optimal energy consumption level in accordance with current conditions, such as room temperature, presence of people, and time of the day. The usage of the presented method allows to reduce the time spent on choosing the effective structure of the artificial neural network at the initial stages of research and to pay more attention to the relationship between the input and output data, as well as to such important parameters of the ANN learning process, as a number of training iterations, minimal training error, etc. The software has been developed that allows to carry out the processes of training, testing, and obtaining the output results of the algorithm of the artificial neural network, such as the expected value of power consumption and operating time of each individual appliance. The disadvantage of the approach used in finding the optimal internal structure of the artificial neural network is that each subsequent structure is created on the basis of the most efficient of the previously created structures without analyzing other structures that showed worse results with fewer hidden layers. It was found that to improve the solution of this problem it is necessary to create a mechanism which will be based on the analysis of input data, output data, will analyze the internal relationships between parameters and will optimize the network structure at each stage using certain logical rules according to the results obtained in the previous step. It is established that this problem is a nonlinear programming problem that can be solved in the further development of this study.