Балюта, Сергій МиколайовичЗінькевич, Петро ОлексійовичКуєвда, Юлія Валеріївна2024-01-192024-01-192020Балюта, С. М. Інтелектуальна система керування з використанням нейро-нечіткої мережі ANFIS для реалізації функції прогнозування електричного навантаження / С. М. Балюта, П. О. Зінькевич, Ю. В. Куєвда // Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами : матеріали VІІ Міжнародної науково-технічної Internet-конференції, 26 листопада 2020 р., м. Київ. – Київ : НУХТ, 2020. – С. 82-83https://dspace.nuft.edu.ua/handle/123456789/41854Для проведення досліджень було вибрано адаптивну нечітку систему з механізмом логічного висновку за допомогою алгоритму Сугено, що базується за правилами ЯКЩО-ТО, яка має назву мережі ANFIS (Adaptive Network Based Fuzzy Inference System), що входить до середовища моделювання Matlab. ANFIS - це поєднання штучної нейронної мережі (ANN) та системи нечіткого виведення (FIS). Вибір вказаної системи обумовлений тим, що поєднання теорії ANN та теорії нечітких множин дозволяє забезпечити переваги та подолати недоліки обох методів. Модель ANFIS можна навчити, не покладаючись виключно на експертні знання, які достатні для нечіткої логічної моделі. Перевага моделі ANFIS полягає в тому, що вона містить як числові, так і лінгвістичні знання. В ANFIS також використовується здатність ANN класифікувати дані та визначати закономірності. Порівняно з ANN, модель ANFIS є більш прозорою для користувача та спричиняє менше помилок запам'ятовування. Отже, існує декілька переваг ANFIS, включаючи її здатність до адаптації, нелінійну здатність та швидку здатність до навчання. Цей підхід, по суті, є нечіткою логічною моделлю, заснованою на правилах, правила якої розробляються в процесі навчання моделі. Навчальний процес базується на даних. ANFIS створює нечітку систему виведення, параметри функції належності якої походять із навчальних прикладів. В даному дослідженні був проведений аналіз системи ANFIS, що входить до середовища моделювання Matlab. Результати навчальної вибірки показали, що найкращим результатом функції належності є функція gbellmf, а найгіршими стали функції trapmf та pimf. Тому в майбутніх дослідженнях ми будемо застосовувати функцію gbellmf. Наступним етапом дослідження буде розроблення системи прогнозування в мережі ANFIS та порівняння їх зі статистичними методами.ukANFISпрогнозування електричного навантаженняметоди прогнозуваннядіапазон прогнозів навантаженняалгоритм Сугенокафедра електропостачання і енергоменеджментуforecasting of electrical loadforecasting methodsrange of load forecastsSugeno's algorithmThesis