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].
На рисунке 2 представлена визуализация данных потребления электроэнергии в помещении за интервал времени (с 3:00 до 15:00).
Рис. 1. Схема применения методов анализа паттернов
Рис. 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].
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.
Рис. 3. Структура сети Хопфилда
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;
Wi,j– матрица весов;
s(q) – 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.
Рис. 4. Поиск на временном участке паттернов потребления мощности в помещении за период времени
Рис. 5. Найденные на временном участке паттерны потребления мощности
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.