ŽILINSKà UNIVERZITA V ŽILINE Diplomová práca Obsah ... - Utc.sk
ŽILINSKà UNIVERZITA V ŽILINE Diplomová práca Obsah ... - Utc.sk ŽILINSKà UNIVERZITA V ŽILINE Diplomová práca Obsah ... - Utc.sk
ŽILINSKÁ UNIVERZITA V ŽILINEDiplomová prácaaby chyba s ktorou bude predikovať spotrebu EE oproti skutočnej hodnote, bolaminimálna. Model umožňuje predpovedať budúci vývoj systému a prípadne umožňujeriadiť a optimalizovať činnosť príslušného systému. Jeden z prístupov k predikciivyužíva pre predpoveď nasledujúcich stavov systému informácie o predošlých stavovsystému. V takom prípade sa jedná o problém predikcie časových radov. Dáta tvoriacečasový rad sú chronologicky usporiadané merania spotreby EE. Najvhodnejšie modelypre prognózovanie spotreby EE u železničného prepravcu sú: analytická metódaa metóda využívajúca neurónové siete. Každá z týchto metód je špecifická a je vhodnápre iný typ prepravy.5.3.1. Analytická metóda prognózy spotreby EEJej princíp spočíva vo výpočte spotrieb EE po jednotlivých HDV a následnémusčítaniu týchto spotrieb do jedného celku. Jednotlivé dielčie spotreby EE sa získajú nazáklade poznatkov o plánovanom pohybe HDV (grafikon) a historických údajovo spotrebách na daných traťových úsekoch. Z nich sa plánovaná dielčia spotrebaprekalkuluje z referenčnej záťaže na plánovanú prepravovanú záťaž.Táto metóda je z pohľadu výpočtov veľmi jednoduchá, jej nedostatkom je v potrebeveľkého množstva typových spotrieb vztiahnutých ku každému druhu HDVa k jednotlivým traťovým úsekom a v podmienke aby sa vlaky prepravovali presnepodľa grafikonu. Z týchto podmienok je zrejmé že tento druh prognózy je vhodnýhlavne u osobnej prepravy (ŽSSK). Tu jednotlivé vlakové súpravy až na pár výnimiekdodržujú grafikon s vysokou presnosťou.5.3.2. Metóda využívajúca neurónové sieteZákladný princíp predikcie za pomoci neurónových sietí (NS) spočíva vo vytvorenímodelu systému, ktorý na základe vstupných veličín sa snaží čo najpresnejšie popísaťvýstupné veličiny, ktoré sú určitým odhadom správania sa systému v budúcnosti.Typickými vlastnosťami takejto inteligentnej technológie sú nasledujúce schopnosti:• schopnosť učenia sa z dát a získavanie poznatkov,• schopnosť ukladať poznatky,• schopnosť využívať získané poznatky pri riešení konkrétnych situácií.Metóda založená na inteligentnej technológii NS je vhodná pre systém, ktoréhopopis je mimoriadne náročný alebo systém, ktorého pravidlá fungovania nie sú známe.A práve táto dôležitá vlastnosť NS určuje ich použitie pri modelovaní takýchtoKVES 40
ŽILINSKÁ UNIVERZITA V ŽILINEDiplomová prácasystémov. V prípade, že máme k dispozícii vstupné dáta systému a k nim odpovedajúcevýstupné údaje, je možné použiť vhodnú NS a jej učením dosiahnuť to, aby sa správalaako modelovaný systém.Neurónová sieť funguje ako čierna skrinka - hoci vieme aká je jej štruktúra a akosystém funguje. Je ťažké odvodiť rozhodovacie pravidlá, ktorými sa neurónová sieťriadi. Učenie neurónovej siete riadi určitý počet nastaviteľných parametrov, odsprávneho nastavenia týchto parametrov viac alebo menej závisí úspešnosť predikcie.Medzi základné nastavované veličiny patrí topológia neurónovej siete, zmenyparametrov učenia, počet učiacich cyklov, či nastavenie spôsobu prepojenia neurónov.Na riešenie predikčných úloh sa najčastejšie používajú dopredné viacvrstvovéneurónové siete, kvôli ich univerzálnej aproximačnej schopnosti.Ako vstup do neurónovej siete budú použité údaje ktoré najviac ovplyvňujúspotrebu železničného prepravcu. Týmito údajmi sú:• počet vlakov za danú prognózovaný interval (deň, hodina, štvrťhodina),• vzdialenosť, ktorú prejdú všetky HDV prepravcu (suma),• hmotnosť všetkých vlakov pôsobiacich za daný interval (suma),• počet všetkých rozbehov v danej hodine,• priemerná prognózovaná teplota v danom časovom intervale.Metóda predikcie využívajúca neurónové siete patrí medzi najperspektívnejšiemetódy prognózy spotreby EE. Je pomerne veľmi presná ale náročná na výpočet. Tentodruh prognózy je vhodný ako aj pre železničných prepravcov zabezpečujúcich osobnútak aj pre nákladnú dopravu.KVES 41
- Page 1: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 4 and 5: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 6 and 7: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 8 and 9: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 10 and 11: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 14 and 15: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 16 and 17: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 18 and 19: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 20 and 21: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 22 and 23: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 24 and 25: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 26 and 27: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 28 and 29: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 30 and 31: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 32 and 33: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 34 and 35: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 36 and 37: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 40 and 41: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 42 and 43: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 44 and 45: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 46 and 47: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 48 and 49: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 50 and 51: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 52 and 53: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 54 and 55: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 56 and 57: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 58 and 59: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
- Page 60: ŽILINSKÁ UNIVERZITA V ŽILINEDipl
ŽILINSKÁ <strong>UNIVERZITA</strong> V ŽILINEDiplomová prácasystémov. V prípade, že máme k dispozícii vstupné dáta systému a k nim odpovedajúcevýstupné údaje, je možné použiť vhodnú NS a jej učením dosiahnuť to, aby sa správalaako modelovaný systém.Neurónová sieť funguje ako čierna <strong>sk</strong>rinka - hoci vieme aká je jej štruktúra a akosystém funguje. Je ťažké odvodiť rozhodovacie pravidlá, ktorými sa neurónová sieťriadi. Učenie neurónovej siete riadi určitý počet nastaviteľných parametrov, odsprávneho nastavenia týchto parametrov viac alebo menej závisí úspešnosť predikcie.Medzi základné nastavované veličiny patrí topológia neurónovej siete, zmenyparametrov učenia, počet učiacich cyklov, či nastavenie spôsobu prepojenia neurónov.Na riešenie predikčných úloh sa najčastejšie používajú dopredné viacvrstvovéneurónové siete, kvôli ich univerzálnej aproximačnej schopnosti.Ako vstup do neurónovej siete budú použité údaje ktoré najviac ovplyvňujúspotrebu železničného prepravcu. Týmito údajmi sú:• počet vlakov za danú prognózovaný interval (deň, hodina, štvrťhodina),• vzdialenosť, ktorú prejdú všetky HDV prepravcu (suma),• hmotnosť všetkých vlakov pôsobiacich za daný interval (suma),• počet všetkých rozbehov v danej hodine,• priemerná prognózovaná teplota v danom časovom intervale.Metóda predikcie využívajúca neurónové siete patrí medzi najperspektívnejšiemetódy prognózy spotreby EE. Je pomerne veľmi presná ale náročná na výpočet. Tentodruh prognózy je vhodný ako aj pre železničných prepravcov zabezpečujúcich osobnútak aj pre nákladnú dopravu.KVES 41