DBSCAN klasterlash va MLP neyron tarmoqlari asosida elektr energiyasi isroflarini gibrid prognozlash modelini ishlab chiqish

Dolzarbligi: taqsimlovchi elektr tarmoqlarining real ekspluatatsion ma’lumotlarida shovqin, chet qiymatlar va turli ish rejimlariga mansub lokal strukturalar mavjudligi neyron tarmoqlarni o‘qitish barqarorligini pasaytirishi mumkin. Shu sababli elektr energiyasi isroflarini prognozlashda ma’lumotlarni intellektual filtrlash, zichlik bo‘yicha strukturaviy ajratish va lokal nolinear modellarni yagona gibrid arxitekturada birlashtirish dolzarb masala hisoblanadi.

Maqsad: DBSCAN zichlikka asoslangan klasterlash algoritmi va lokal ko‘p qatlamli perseptronlarni birlashtiruvchi gibrid prognozlash arxitekturasini ishlab chiqish, uning strukturaviy mexanizmini asoslash va prognoz aniqligiga ta’sirini baholash.

Usullari: real ekspluatatsion ma’lumotlar DBSCAN zichlikka asoslangan klasterlash algoritmi yordamida dastlabki strukturaviy filtrlashdan o‘tkazildi. Kirish fazosi faol quvvat, tashqi havo harorati va nisbiy namlikdan shakllantirildi. PCA proyeksiyasi asosida DBSCAN parametrlari ε=0,4 va minPts=5 etib tanlandi. Har bir ajratilgan klaster uchun alohida MLP modeli o‘qitilib, yakuniy prognoz kompozitsion Y_hybrid strukturasi orqali shakllantirildi. Aniqlik MAPE mezoni bo‘yicha baholandi.

Natijalar: bazaviy MLP modelining MAPE qiymati 2,58 % ni tashkil etdi. DBSCAN yordamida shovqinli kuzatuvlarni ajratish va klasterlar bo‘yicha lokal MLP modellarini o‘qitish natijasida gibrid modelda MAPE 2,10 % gacha kamaydi, ya’ni bazaviy MLP ga nisbatan prognoz xatoligi 18,6 % ga pasaydi. Train, validation va test bosqichlaridagi haqiqiy va prognoz qiymatlar yaqin moslikni ko‘rsatdi.