Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/37916| Назва: | Використання нейронних мереж для дослідження процесу газоспоживання міста Тернопіль з врахуванням метеофакторів |
| Інші назви: | The use of neural networks to study the process of gas consumption in the city of Ternopil, taking into account meteorological factors |
| Автори: | Скуржанський, Тарас Андрійович Skurzhanskyi, Vitalii Andriovych |
| Приналежність: | ТНТУ ім. І. Пулюя, Факультет комп’ютерно-інформаційних систем і програмної інженерії, Кафедра комп’ютерних наук, м. Тернопіль, Україна |
| Бібліографічний опис: | Скуржанський Т. А. Використання нейронних мереж для дослідження процесу газоспоживання міста Тернопіль з врахуванням метеофакторів : кваліфікаційна робота освітнього рівня „Магістр“ „122 – комп’ютерні науки“ / В. В. Дацик. – Тернопіль : ТНТУ, 2022. – 105 с. |
| Дата публікації: | 26-тра-2022 |
| Дата подання: | 12-тра-2022 |
| Дата внесення: | 27-тра-2022 |
| Країна (код): | UA |
| Місце видання, проведення: | ТНТУ ім. І.Пулюя, ФІС, м. Тернопіль, Україна |
| Науковий керівник: | Мацюк, Олександр Васильович |
| Члени комітету: | Тиш, Євгенія Володимирівна |
| УДК: | 004.891 |
| Теми: | нейронні мережі neural networks одношаровий і багатошаровий перцептрон single-layer and multilayer perceptron бібліотеки програмування python python programming libraries прогноз газоспоживання gas consumption forecast метеофактори meteofactors COVID-19 |
| Короткий огляд (реферат): | Кваліфікаційна робота присвячена розробці системи прогнозування газоспоживання міста Тернопіль за допомогою нейронних мереж на основі даних про газоспоживання за період з 2006 по 2019 рік з врахуванням метеофакторів. Дослідження спрямоване на оптимізацію процесу планування газоспоживання в м.Тернополі, як складової енергетичної безпеки держави та ефективного інструменту для прийняття важливих рішень в газоспоживанні за допомогою нейронних мереж, таких як одношаровий та багатошаровий перцептрон, ЛСТМ. На основі аналізу наукових джерел та проведених практичних досліджень з’ясовано, що застосування нейронних мереж є одним з найпоширеніших способів прогнозування газоспоживання, описано алгоритм аналізу та оптимального відбору метеофакторів, які використані в дослідженні; здійснено порівняння ефективності тренування нейронних мереж. Результатом роботи стало напрацювання алгоритмів застосування та принципів відбору нейронних мереж і вхідних даних для прогнозування газоспоживання. Qualification work is devoted to the development of a system for forecasting gas consumption in the city of Ternopil using neural networks based on data on gas consumption for the period from 2006 to 2019, taking into account meteorological factors. The research is aimed at optimizing the process of gas consumption planning in Ternopil, as a component of energy security of the state and an effective tool for making important decisions in gas consumption using neural networks such as single-layer and multilayer perceptron, LSTM. Based on the analysis of scientific sources and practical research, it was found that the use of neural networks is one of the most common ways to predict gas consumption, described the algorithm of analysis and optimal selection of meteorological factors used in the study. The result was the development of algorithms for application and principles of selection of neural networks and input data for forecasting gas consumption. |
| Зміст: | ВСТУП...9 1 АНАЛІЗ ДОСЛІДЖЕНЬ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ...11 1.1 ВЗАЄМОЗВ`ЯЗОК ЕКОНОМІЧНОГО РОЗВИТКУ ДЕРЖАВИ ТА СПОЖИВАННЯ ЕНЕРГІЇ...11 1.2 ПРОГНОЗУВАННЯ В ЕНЕРГЕТИЦІ, ЯК ЗАСІБ ОПТИМІЗАЦІЇ ПЛАНУВАННЯ, ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ГАЗОСПОЖИВАННЯ...14 1.3 ОГЛЯД НАУКОВИХ ПУБЛІКАЦІЙ ПО ТЕМАТИЦІ ДОСЛІДЖЕННЯ З МЕТОЮ ВИВЧЕННЯ ІСНУЮЧИХ МАТЕМАТИЧНИХ ПІДХОДІВ ДО АНАЛІЗУ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ...16 1.4 ВИСНОВКИ ДО ПЕРШОГО РОЗДІЛУ...27 2 АНАЛІЗ ІСНУЮЧИХ НЕЙРОННИХ МЕРЕЖ, МЕТОДИ МАШИННОГО НАВЧАННЯ ДЛЯ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ...30 2.1 ПОНЯТТЯ НЕЙРОННОЇ МЕРЕЖІ...30 2.2 ПРИНЦИПИ РОБОТИ НЕЙРОННИХ МЕРЕЖ...30 2.3 АНАЛІЗ ІСНУЮЧИХ МОДЕЛЕЙ НЕЙРОННИХ МЕРЕЖ...32 2.3.1 ОДНОШАРОВИЙ ТА БАГАТОШАРОВИЙ ПЕРЦЕПТРОН...32 2.3.2 РНН...38 2.3.3 ЛСТМ...40 2.4 ВИСНОВКИ ДО ДРУГОГО РОЗДІЛУ...47 3 ПОПЕРЕДНЄ ОПРАЦЮВАННЯ СТАТИСТИЧНИХ ДАНИХ ГАЗОСПОЖИВАННЯ ТА МЕТЕОФАКТОРІВ ДЛЯ МІСТА ТЕРНОПІЛЬ...48 3.1 МОВА ПРОГРАМУВАННЯ PYTHON ТА БІБЛІОТЕКИ ЩО БУДУТЬ ВИКОРИСТАНІ В ДОСЛІДЖЕННІ...48 3.2 ПЕРЕЛІК МЕТЕОФАКТОРІВ, ЯКІ БУДУТЬ ВИКОРИСТАНІ В ДОСЛІДЖЕННІ...50 3.3 ПОПЕРЕДНІЙ АНАЛІЗ ДАНИХ ГАЗОСПОЖИВАННЯ...51 3.4 ПОПЕРЕДНІЙ АНАЛІЗ ДАНИХ МЕТЕОФАКТОРІВ...54 3.5 ВИСНОВКИ ДО ТРЕТЬОГО РОЗДІЛУ...58 4 ПОБУДОВА МОДЕЛІ НЕЙРОННОЇ МЕРЕЖІ ПРОЦЕСУ ГАЗОСПОЖИВАННЯ МІСТА З ВРАХУВАННЯМ МЕТЕОФАКТОРІВ...59 4.1 ОДНОШАРОВИЙ ТА БАГАТОШАРОВИЙ ПЕРЦЕПТРОН...59 4.2 ЛСТМ...61 4.3 ВИСНОВКИ ДО ЧЕТВЕРТОГО РОЗДІЛУ...65 5 ОХОРОНА ПРАЦІ ТА БЕЗПЕКА В НАДЗВИЧАЙНИХ СИТУАЦІЯХ...67 5.1 ОХОРОНА ПРАЦІ ПІД ЧАС ЕКСПЛУАТАЦІЇ ГАЗОВОГО ОБЛАДНАННЯ...67 5.2 ПІДВИЩЕННЯ СТІЙКОСТІ РОБОТИ ОБ’ЄКТІВ ГОСПОДАРСЬКОЇ ДІЯЛЬНОСТІ У ВОЄННИЙ ЧАС...72 5.3 ВИСНОВКИ ДО П’ЯТОГО РОЗДІЛУ...76 ВИСНОВКИ...77 ПЕРЕЛІК ДЖЕРЕЛ...78 ДОДАТКИ...85 ДОДАТОК A...86 ДОДАТОК Б..90 |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/37916 |
| Власник авторського права: | © Скуржанський Тарас Андрійович, 2022 |
| Перелік літератури: | 1. Akpinar M. and Yumusak N., Naıve forecasting of household natural gas consumption with sliding window approach, Turkish Journal of Electrical Engineering & Computer Sciences, vol. 25, pp. 30-45, 2017. 2. Akpinar M. and Yumusak N., Year Ahead Demand Forecast of City Natural Gas Using Seasonal Time Series Methods," Energies, vol. 9, no. 9, p. 727, 2016. 3. Akpinar M. and Yumusak N/, Forecasting household natural gas consumption with ARIMA model: A case study of removing cycle, in Proceedings of 7th International Conference on Application of Information and Communication Technologies (AICT), Baku, 2013. 4. Akpinar M. and Yumusak N., Day-ahead natural gas forecasting using nonseasonal exponential smoothing methods, in Conference Proceedings - 2017 17th IEEE International Conference on Environment and Electrical Engineering and 2017 1st IEEE Industrial and Commercial Power Systems Europe, Milan, 2017. 5. Akpinar M. and Yumusak N., Estimating household natural gas consumption with multiple regression: Effect of cycle, in Proceedings of the 2013 International Conference on Electronics, Computer and Computation (ICECCO), Ankara, 2013. 6. Akpinar M., Adak F. and Yumusak N., Day-Ahead Natural Gas Demand Forecasting Using Optimized ABC-Based Neural Network with Sliding Window Technique: The Case Study of Regional Basis in Turkey, Energies, vol. 10, no. 6, p. 781, 2017. 7. Aras N., Forecasting Residential Consumption of Natural Gas Using Genetic Algorithms, Energy Exploration & Exploitation, vol. 26, no. 4, pp. 241-266, 2008 8. Azadeh A., Asadzadeh S. and Ghanbari A., An adaptive network-based fuzzy inference system for short-term natural gas demand estimation: Uncertain and complex environments, Energy Policy, vol. 38, no. 3, pp. 1529-1536, 2010. 9. Azadeh A., Zarrin M., Rahdar Beik H.and Bioki A, A neuro-fuzzy algorithm for improved gas consumption forecasting with economic, environmental and IT/IS indicators, Journal of Petroleum Science and Engineering, vol. 133, pp. 716-739, 2015. 10. Azadeh A., Asadzadeh S. and Ghanbari A., An adaptive network-based fuzzy inference system for short-term natural gas demand estimation: Uncertain and complex environments, Energy Policy, vol. 38, no. 3, pp. 1529-1536, 2010. 11. Azadeh A., Asadzadeh S.M., Saberi M., Nadimi V., A. Tajvidi and M. Sheikalishahi, A Neuro-fuzzy-stochastic frontier analysis approach for long-term natural gas consumption forecasting and behavior analysis: The cases of Bahrain, Saudi Arabia, Syria, and UAE, Applied Energy, vol. 88, no. 11, pp. 3850-3859, 2011. 12. Bai Y. and Li C., Daily natural gas consumption forecasting based on a structure-calibrated support vector regression approach, Energy and Buildings, vol. 127, no. 1, pp. 571-579, 2016. 13. Bhardwaj А. What is a Perceptron? Basics of Neural Networks. [Електронний ресурс] – Режим доступу:https://towardsdatascience.com/what-is-a-perceptron-basics-of-neural-networksc4cfea20c590#:~:text=How%20do%20they%20work%3F,together%20along%20with%20the%20bias- (дата звернення 11.04. 2022). 14. Boran F., Forecasting Natural Gas Consumption in Turkey Using Grey Prediction, Energy Sources, vol. 10, no. 2, pp. 208-213, 2015. 15. Debnath, K.B., Mourshed, M., 2018. Forecasting methods in energy planning models. Renew. Sustain. Energy Rev. 88, 297–325. https://doi.org/10.1016/ j.rser.2018.02.002. 16. Demirel O., Zaim S., Caliskan A. and Ozuyar P., Forecasting natural gas consumption in Istanbul using neural networks and multivariate time series methods, Turkish Journal of Electrical Engineering and Computer Sciences, vol. 20, no. 5, pp. 695-711, 2012. 17. Elragal H., Improving neural networks prediction using fuzzy-genetic model, in Proceedings of the Twenty First National Radio Science Conference (NRSC 2004), Cairo, 2004. 18. Feng X, J. Zhang J.S., Zou S.H. and Bao W.Y.B., Study on natural gas demand prediction model in China, in Proceedings of the 3rd International Conference on Energy, Environment and Sustainable Development, Shanghai, 2014. 19. Forouzanfar M., Doustmohammadi A., Menhaj M. and Hasanzadeh S., Modeling and estimation of the natural gas consumption for residential and commercial sectors in Iran, Applied Energy, vol. 87, no. 1, pp. 268- 274, 2010. 20. Gil S. and Deferrari J., Generalized Model of Prediction of Natural Gas Consumption, Journal of Energy Resources Technology, vol. 126, no. 2, pp. 90-98, 2004. 21. Hribar, R., Potočnik, P., Šilc, J., Papa, G., 2019. A comparison of models for forecasting the residential natural gas demand of an urban area. Energy 167, 511–522. https://doi.org/10.1016/j.energy.2018.10.175. 22. Izadyar N., Ong H., Shamshirband S., Ghadamian H. and Tong C., Intelligent forecasting of residential heating demand for the District Heating System based on the monthly overall natural gas consumption, Energy and Buildings, vol. 104, no. 1, pp. 208-214, 2015. 23. Jang J., ANFIS: adaptive-network-based fuzzy inference system, IEEE transactions on systems, man, and cybernetics, vol. 23, no. 3, pp. 665-685, 1993. 24. Kaynar O., Yilmaz I. and Demirkoparan F., Forecasting of natural gas consumption with neural network and neuro fuzzy system, Energy Education Science and Technology Part A: Energy Science and Research, vol. 26, no. 2, pp. 221-238, 2011. 25. Kaynar O., Yilmaz I. and Demirkoparan F., Forecasting of natural gas consumption with neural network and neuro fuzzy system, Energy Education Science and Technology Part A: Energy Science and Research, vol. 26, no. 2, pp. 221-238, 2011. 26. Kumar U. and Jain V.K., Time series models (Grey-Markov, Grey Model with rolling mechanism and singular spectrum analysis) to forecast energy consumption in India, Energy, vol. 35, no. 4, pp. 1709-1716, 2010. 27. Ma X. and Liu Z., Application of a novel time-delayed polynomial grey model to predict the natural gasconsumption in China, Journal of Computational and Applied Mathematics, vol. 324, pp. 17-24, 2017. 28. Ma Y. and Li Y., Analysis of the supply-demand status of China’s natural gas to 2020, Petroleum Science, vol. 7, no. 1, pp. 132-135, 2010. 39. Manchanda P. Libraries in Python [Електронний ресурс] – Режим доступу : https://www.geeksforgeeks.org/libraries-in-python/#:~:text=Python%20standard%20library,in%20the%20C%20programming%20language – (дата звернення 16.04. 2022). 30. Nazarevych O.B. Information technology for monitoring of city gas consumption. Thesis for the degree of candidate of technical sciences: 05.13.06 – Information Technology / O.B. Nazarevych — Ternopil, 2015. — 160 p. 31. Оlah C. Understanding LSTM Networks. [Електронний ресурс] – Режим доступу:https://colah.github.io/posts/2015-08-Understanding-LSTMs/ - (дата звернення 21.03. 2022). 32. Olgun V., Ozdemir G. and Aydemir E., Forecasting of Turkey’s natural gas demand using artifical neural networks and support vector machines, Energy, Education, Science and Technology, vol. 30, no. 1, pp. 15-20, 2012. 33. Panapakidis I. and Dagoumas A., Day-ahead natural gas demand forecasting based on the combination of wavelet transform and ANFIS/genetic algorithm/neural network model, Energy, vol. 118, no. 1, pp. 231-245, 2017. 34. Potočnik P, Thaler M., Govekar E., Grabec I. and Poredoš A., Forecasting risks of natural gas consumption in Slovenia, Energy Policy, vol. 35, no. 8, pp. 4271-4282, 2007. 35. Sabo K., Scitovski R., Vazler I. and Zekić Sušac M., Mathematical models of natural gas consumption, Energy Conversion and Management, vol. 52, no. 3, pp. 1721-1727, 2011. 36. Soldo B., Forecasting natural gas consumption, Applied Energy, vol. 92, pp. 26-37, 2012. 37. Soldo B., Potočnik P., Šimunović G/, Šarić T. and Govekar E., Improving the residential natural gas consumption forecasting models by using solar radiation, Energy and Buildings, vol. 69, pp. 498-506, 2014. 38. Szoplik J., Forecasting of natural gas consumption with artificial neural networks, Energy, vol. 85, no. 1, pp. 208-220, 2015. 39. Taspinar F., Celebi N. and Tutkun N., Forecasting of daily natural gas consumption on regional basis in Turkey using various computational methods, Energy and Buildings, vol. 56, pp. 23-31, 2013. 40. Tonković Z., Zekić Sušac M. and Somolanji M., Predicting natural gas consumption by neural networks, Technical Gazette, vol. 16, no. 3, pp. 51-61, 2009. 41. Viet N.H. and Mandziuk J, Neural and fuzzy neural networks for natural gas consumption prediction, Neural, Parallel and Scientific Computations, vol. 13, no. 3-4, pp. 265-286, 2005. 42. Wu L., Liu S., Chen H. and Zhang N/, Using a Novel Grey System Model to Forecast Natural Gas Consumption in China, Mathematical Problems in Engineering, vol. 2015, pp. 1-7, 2015. 43. Xie Y. and Li M., Research on Prediction Model of Natural Gas Consumption Based on Grey Modeling Optimized by Genetic Algorithm, in Proceedings - 2009 IITA International Conference on Control, Automation and Systems Engineering, CASE 2009, Zhangjiajie, 2009. 44. Zekić Sušac M., Frajman Jakšić A. and Drvenkar N., Neuronske mreže i stabla odlučivanja za predviđanje uspješnosti studiranja, Ekonomski vjesnik, vol. 22, no. 2, pp. 314-327, 2009. 45. Zeng B. and Li C., Forecasting the natural gas demand in China using a self-adapting intelligent grey model, Energy, vol. 112, no. 1, pp. 810-825, 2016. 46. Zhang W. and Yang J., Forecasting natural gas consumption in China by Bayesian Model Averaging, Energy Reports, vol. 1, no. November, pp. 216-220, 2015. 47. Zhu L., Li M., Wu Q. and Jiang L., Short-term natural gas demand prediction based on support vector regression with false neighbours filtered, Energy, vol. 80, pp. 428-436, 2015. 48. Грабовський М. Довготерміновий прогноз попиту на нафту й газ в Україні / М. Грабовський // Нафта & газ. Енергетичний бюлетень. – 2005. – №7. – С.12–15. 49. Гречка О.М. Перспективний аналіз продажу природного газу споживачам України. / О.М. Гречка // Нафтова і газова промисловість. – 2005. – №5. – С.37–39. 50. Загородна, Н. В., Литвиненко, Я. В., Фриз, М. Є. (2010) Розробка методу короткотермінового прогнозу добового газоспоживання в опалювальний період на основі регресійного аналізу. Вісник Тернопільського національного технічного університету. Тернопіль, №4 (15). С. 130–140. 51. Закон України «Про охорону праці». [Електронний ресурс] – Режим доступу: https://zakon.rada.gov.ua/laws/show/2694-12 - (дата звернення 06.02.2022). 52. Мацюк О.В. Оцінка кореляційного взаємозв’язку періодичних випадкових процесів та її використання в задачах енергетики /О.В. Мацюк, М.В. Приймак // Розвідка та розробка нафтових і газових родовищ. – 2005. – №2(15).– С.39–42. 53. Назаревич О.Б. Інформаційна технологія моніторингу газоспоживання міста. Дисертація на здобуття наукового ступеня кандидата технічних наук: 05.13.06 – інформаційні технології / О.Б. Назаревич — Тернопіль, 2015. — 160 с. 54. Наказ Міністерства Надзвичайних ситуацій України «Про загальні вимоги стосовно забезпечення роботодавцями охорони праці працівників». [Електронний ресурс] – Режим доступу:https://zakon.rada.gov.ua/laws/show/z0226-12#Text- (дата звернення 04.02. 2022). 55. Норми та вказівки по нормуванню витрат палива та теплової енергії на опалення житлових та громадських споруд, а також на господарсько-побутові потреби в Україні; КТМ 204 України 244-94. – К., 1998. – 376с. 56. «Положення про порядок забезпечення працівників спеціальним одягом, спеціальним взуттям та іншими засобами індивідуального захисту». [Електронний ресурс] – Режим доступу: https://zakon.rada.gov.ua/laws/show/z0674-15#Text - (дата звернення 03.01.2022). 57. Постанова Кабінету Міністрів України «Про внесення змін до Порядку проведення обстеження прийнятих в експлуатацію об’єктів будівництва». [Електронний ресурс] – Режим доступу: https://zakon.rada.gov.ua/laws/show/423-2022-%D0%BF#Text - (дата звернення 12.05.2022). 58. Скуржанський Т.А. Одношаровий перцептрон як інструмент для аналізу газоспоживання // Інформаційні моделі, системи та технології: Праці IX наук.-техн. конф. (08-09 грудня 2021 р.), Тернопіль, 2021. – С. 88. 59. Указ Президента України «Про Концепцію захисту населення і територій у разі загрози та виникнення надзвичайних ситуацій». [Електронний ресурс] – Режим доступу: https://zakon.rada.gov.ua/laws/show/284/99#Text - (дата звернення 18.12.2021). 60. Червоний Монах. Рейтинг мов програмування RedMonk: червень 2021 року. [Електронний ресурс] – Режим доступу: https://redmonk.com/sogrady/2021/08/05/language–rankings–6–21 - (дата звернення 21.03. 2022). 61. Шишко Г.Г. Учет расхода газа / Г.Г. Шишко, М.П. Енин. – К.: Урожай, 1993. – 310 с. 62. Як бізнес з інших міст рятується від війни на Тернопільщині.[Електронний ресурс] – Режим доступу: https://oda.te.gov.ua - (дата звернення 19.04.2022). |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 122 — комп’ютерні науки |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| Маг_робота_Скуржанський_Тарас.pdf | 2,7 MB | Adobe PDF | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора