ПРОГНОЗУВАННЯ ОБ’ЄМНОЇ ПРОДУКТИВНОСТІ НАГНІТАЧА ІЗ ВИКОРИСТАННЯМ МЕТОДІВ КЛАСТЕРИЗАЦІЇ
DOI:
https://doi.org/10.31471/1993-9981-2022-1(48)-109-114Ключові слова:
відцентровий нагнітач, об’ємна продуктивність, кластеризація, прогнозування, алгоритм Fuzzy C-Means, алгоритм субтрактивної нечіткої кластеризації.Анотація
В даній роботі розглянуто методи прогнозування значень об’ємної продуктивності відцентрового нагнітача, в основі яких лежить підхід кластеризації. Їхня перевага над існуючими методами прогнозування полягає в тому, що вони враховують хаотичну складову експериментальних даних та включають в себе сучасні інформаційні технології (нечітку логіку, нейронні мережі, генетичні алгоритми). Завдяки великої кількості ітераційних підходів значення похибки цільової функції поступово зменшується до бажаного значення, що забезпечує досить хорошу якість прогнозування.
Метод прогнозування на основі алгоритму Fuzzy C-Means, який базується на розв’язанні нечітких с-середніх, реалізовано в програмному середовищі Matlab. Для даного методу кількість кластерів рівна двадцяти, а кількість ітераційний підходів коливається в межах ста. Обчислено величину середньоквадратичного відхилення, яка рівна 0.036816.
Також розглянуто інший метод прогнозування значень об’ємної продуктивності відцентрового нагнітача, який побудовано на основі алгоритму субтрактивної нечіткої кластеризації. Нечіткі правила синтезовано автономно із експериментальних даних, а для побудови нечіткої бази правил використано модель типу Сугено. Для кожної точки розраховано значення потенціалу, що показує можливість формування кластера в його околиці. Центри кластерів вибрано ітераційно серед точок з максимальними потенціалами. Встановлено, що значення середньоквадратичного відхилення для даного методу рівне 0.024289. Отримані результати підтверджують хорошу степінь збіжності експериментальних значань до прогнозованих.
Експериментальні дані, які використовувалися для апробації запропонованих методів, отримано при експлуатації відцентрового нагнітача типу 16 ГЦ2-395/53-76С у Долинському лінійному виробничому управлінні магістральними газопроводами за листопад місяць 2014 року.
Завантаження
Посилання
Wang J., Chi D., Wu J., Lu H. Chaotic time series method combined with particle swarm optimization and trend adjustment for electricity demand forecasting. Expert Systems with Applications. 2011. № 38. P. 8419-8429.
Hromov A.V., Voronyn Y.M., Hatylo V.R., Prokopalo E.T. Otsennka hyperparametrov v zadachakh prohnozyrovanyya na osnove klasteryzatsyy. Pytannya prykladnoyi matematyky i matematychnoho modelyuvannya. 2016. № 16. S. 25-46.
Widiputra H., Kho H., Pears R., Kasabov N. A novel evolving clustering algorithm with polynomial regression for chaotic time-series prediction. Neural Inf Process. 2009. Vol. 5864. P. 114-121.
Pakhomova V.M., Dmitriyev S.YU. Rozrobka pidsystemy operatyvnoho prohnozuvannya prostoyiv prybuvayuchykh poyizdiv na osnovi ANFIS-systemy. Informatsiyno-keruyuchi systemy na zaliznychnomu transporti. 2013. №4. S. 46-55.
Chatfield C. The Analysis of Time Series : An Introduction, Sixth Edition. CRC Press. 2009. 352 p.
Phu L., Anh D.T. Mostif-based method for initialization the K-means clustering for time series data. Springer. 2011. Vol. 7106. P. 11-20.
Dovidnyk inzhenera dyspetchersʹkoyi sluzhby / za zah. red. kand. tekhn. nauk YU.V. Ponomarʹova ta M.P. Khymka. Kyyiv : UTSEBOPnaftohaz, 2009. 245 s.
Remneva VV Features of application of partition quality evaluation criteria in Fuzzy C-Means clustering algorithm. Modern information and innovative technologies in transport. 2013. № 1. pp. 157–158.
.png)
