XV Международная студенческая научная конференция Студенческий научный форум - 2023

В последнее время популярность искусственного интеллекта растет как во всем мире, так и в России. Нейросетевые алгоритмы обработки данных и их визуализации используются в робототехнике, экономике и других областях. В России искусственный интеллект применяется в таких задачах, как обработка данных на естественных языках, доказательство теорем в математике, адаптивное программирование, распознавание образов [1, с. 12]. В этой статье рассматриваются особенности и проблемы применения системы мониторинга электроприборов, разработанного на основе искусственного интеллекта.

Системы мониторинга в режиме реального времени позволяют дистанционно оценивать состояние электрооборудования в помещении без прямого доступа к ним.

В статье рассматривается проблема анализа данных потребления тока или мощности в помещении в реальном времени. При этом заранее известно количество электроприборов, которое находится в этом помещении. Под паттернами или шаблонами понимаются последовательности мгновенных значений потребления электрической мощности или тока во времени для устройств [2].

Согласно [4, с. 5] методы анализа шаблонов состоят из трех этапов:

1. Этап разработки системы показателей;

2. Этап статического анализа паттернов;

3. Этап динамического анализа паттернов.

На рисунке 1 представлены эти этапы в виде схемы [4, с. 5].

Рисунок 1 – Схема применения методов анализа паттернов

На рисунке 2 представлена визуализация данных потребления электроэнергии в помещении за интервал времени (с 3:00 до 15:00).

Рисунок 2 – Визуализация данных потребляемой мощности электрооборудованием в помещении

На рисунке 2 можно визуально наблюдать моменты включения и выключения электроприборов.

Ставится цель научить нейронную сеть находить эти моменты переключения в последовательностях сигналов. Однако использовать для подобной задачи многослойную нейронную сеть (персептрон) не является хорошим решением из-за ряда причин [3].

1. Размерность скрытого слоя нейронной сети будет больше, чем размерность входного слоя;

2. При увеличении числа электроприборов в помещении будет увеличиваться и количество запоминаемых нейросетью шаблонов. Это усложнит ее структуру, и, следовательно, увеличит погрешность из-за эффекта «насыщения» нейронов.

Поэтому для решения подобной задачи необходимо использовать рекуррентную нейронную сеть Хопфилда. За счет наличия ассоциативной памяти эта нейронная сеть способна находить образы в непрерывных последовательностях сигналов. А именно, выявлять на выходе нейросети полный паттерн при предъявлении на входы его части [3].

На рисунке 3 представлена структура сети Хопфилда [5].

Рисунок 3 – Структура сети Хопфилда

Нейронная сеть подобной структуры является вариантом упрощенной модели мозга человека из-за наличия механизма ассоциативной памяти, которая достигается за счет наличия обратных связей. Таким образом, сеть Хопфилда способна выявить нужный паттерн при подаче на ее входы частичной информации о потреблении тока в помещении [3].

Сеть Хопфилда обладает следующими преимуществами [5]:

1. Высокая скорость обучения;

2. Относительно несложная реализация;

3. Хорошая масштабируемость.

Однако эта нейронная сеть обладает малым объемом памяти [3, с. 64].

Для наличия надежной ассоциативной памяти сети и ее устойчивости при изменении подключений предлагается для обучения использовать правило Хебба [5]:

(1)

Где:

i, j – элементы из выборки обучения;

– матрица весов;

– набор исходных паттернов;

Q – количество паттернов.

Ниже приведен пример реализации поиска паттернов на участке временного ряда. На рисунке 4 представлены найденные шаблоны, которые выделены черными маркерами.

Рисунок 4 – Поиск на временном участке паттернов потребления мощности в помещении за период времени

Рисунок 5 – Найденные на временном участке паттерны потребления мощности

Заключение

В статье рассмотрена возможность реализации системы мониторинга электроприборов в помещении на основе нейронной сети Хопфилда. Рассмотрены все преимущества и недостатки этого способа реализации системы. В качестве примера была приведена реализация поиска паттернов на участке временного ряда потребления мощности.

Список литературы:

Боровская Е.В., Давыдова Н.А. Основы искусственного интеллекта. Учебное пособие. 4-е издание – М: Лаборатория знаний, 2020. – 130 с.

Алескеров Ф.Т., Белоусова В.Ю., Егорова Л.Г., Миркин Б.Г. Анализ паттернов в статике и динамике. Часть 1: Обзор литературы и уточнение понятия // Бизнес-информатика. 2013 г. №3(25); URL: https://bijournal.hse.ru/2013--3(25).html (дата обращения: 17.12.2022)

Рыжков А.А. Программная реализация сети Хопфилда для распознавания и классификации электрических сигналов // Молодой ученый. 2012 г. №5 (40); URL: https://moluch.ru/archive/40/ (дата обращения: 18.12.2022)

Алескеров Ф.Т., Гохберг Л.М., Егорова Л.Г., Мячин А.Л., Сагиева Г.С. Анализ данных науки, образования и инновационной деятельности с использованием методов анализа паттернов; Нац. исслед. ун-т «Высшая школа математики». – М: Изд. Дом Высшей школы математики, 2012. – 72 с.

Хайкин С. Нейронные сети, полный курс. 2-е издание, испр. – М: Вильямс. 2008 – 1103 с.

Код для цитирования: Скопировать