Systemy uczące się oparte na podobieństwie obrazów do prognozowania szeregów czasowych obciążeń elektroenergetycznych

Autor – dr inż. Grzegorz Dudek

Recenzenci

• Prof. dr hab. inż. Krzysztof Ślot, Politechnika Łódzka
• Prof. dr hab. inż. Piotr Kulczycki, Politechnika Krakowska
• Prof. dr hab. inż. Halina Kwaśnicka, Politechnika Wrocławska
• Dr hab. inż. Wojciech Jędruch, Akademia Marynarki Wojennej w Gdyni

Kolokwium habilitacyjne dn. 10.12.2013 r. na Wydziale Elektrotechniki, Elektroniki, Informatyki i Automatyki Politechniki Łódzkiej

W monografii proponuje się modele prognostyczne wykorzystujące metody uczenia maszynowego, rozpoznawania obrazów i inteligencji obliczeniowej do sporządzania krótkoterminowych prognoz obciążeń systemów elektroenergetycznych. Wspólną cechą tych modeli jest uczenie się na podstawie danych i wykorzystanie podobieństwa obrazów cykli sezonowych szeregów czasowych obciążeń. Szeregi te są niestacjonarne, heteroskedastyczne, wykazują trend, wiele cykli wahań sezonowych oraz zakłócenia losowe. Nowe podejście oparte na podobieństwie obrazów pozwala uprościć problem prognostyczny i konstruować efektywne modele prognostyczne. Modele te opierają się na następującym założeniu: jeżeli obrazy cykli sezonowych szeregu czasowego są do siebie podobne (obrazy wejściowe), to obrazy cykli następujących po nich (obrazy prognoz) również są do siebie podobne. Założenie to pozwala budować modele prognostyczne wykorzystujące analogie pomiędzy powtarzającymi się fragmentami szeregu czasowego z wahaniami sezonowymi. W pracy opisano metodę analizy statystycznej podobieństw pomiędzy obrazami, która pozwala potwierdzić słuszność założenia. Podano szereg definicji obrazów wejściowych i wyjściowych (obrazów prognoz) oraz miar podobieństwa pomiędzy obrazami.
Zaproponowano następujące prognostyczne systemy uczące się wykorzystujące podobieństwa obrazów dobowych cykli szeregów czasowych obciążeń:

• model oparty na estymatorach jądrowych,
• modele oparte na estymatorach najbliższego sąsiedztwa: estymatorach k najbliższych sąsiadów oraz rozmytych estymatorach funkcji regresji,
• model oparty na sztucznym systemie immunologicznym z lokalną selekcją cech,
• modele oparte na grupowaniu obrazów, wykorzystujące: metodę k-średnich w wersji ostrej i rozmytej, samoorganizujące się odwzorowanie cech, gaz neuronowy, grupowanie hierarchiczne oraz dwa oryginalne sztuczne systemy immunologiczne.

Do uczenia i optymalizacji modeli stosowano metody deterministyczne i stochastyczne (algorytmy ewolucyjne i autorską metodę przeszukiwania turniejowego). Modele poddano analizom: złożoności obliczeniowej, wrażliwości na zmiany wartości parametrów, odporności na dane zakłócone i niekompletne. Opisano metody analizy statystycznej błędów prognoz. Dokładność proponowanych modeli porównano z dokładnością modeli klasycznych (ARIMA, wygładzanie wykładnicze) oraz z dokładnością sieci neuronowej (wielowarstwowy perceptron).
Modele oparte na podobieństwie obrazów wyróżniają się prostotą: posiadają czytelną strukturę i zrozumiałą zasadę działania. Liczba parametrów jest tu niewielka, co implikuje mniej złożony proces uczenia i optymalizacji oraz lepszą generalizację modelu. Modele wykorzystują lokalną regresję nieparametryczną, co zapewnia ich wysoką dokładność, konkurencyjną z dokładnością innych modeli prognostycznych dedykowanych temu problemowi.