procyberВестник кибернетикиProceedings in Cybernetics1999-7604Бюджетное учреждение высшего образования Ханты-Мансийского автономного округа – Югры «Сургутский государственный университет»10.35266/1999-7604-2023-3-76-81procyber-547Research ArticleТЕХНИЧЕСКИЕ НАУКИEngeneeringИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ ТЕМПЕРАТУРЫ НА ОСНОВЕ МОДИФИЦИРОВАННОЙ НЕЧЕТКОЙ НЕЙРОСЕТИAN INTELLIGENT SYSTEM FOR TEMPERATURE FORECASTING BASED ON A MODIFIED FUZZY NEURAL NETWORKhttps://orcid.org/0000-0002-3023-0195ЭнгельЕкатерина АлександровнаEngelEkaterina A.

кандидат технических наук, доцент

Candidate of Sciences (Engineering), Docent

ekaterina.en@gmail.comhttps://orcid.org/0000-0002-7216-6398ЭнгельНикита ЕвгеньевичEngelNikita E.

бакалавр

Bachelor’s Degree Student

Хакасский государственный университет имени Н. Ф. Катанова, АбаканРоссияKatanov Khakas State University, AbakanRussian Federation2023171120232237681Copyright © Энгель Е.А., Энгель Н.Е., 20232023Энгель Е.А., Энгель Н.Е.Engel E.A., Engel N.E.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.vestcyber.ru/jour/article/view/547

В условиях противоречивости прогнозов погоды в сравнении с классическими методами нейросети идентифицируют нелинейную с неопределенностями динамику температуры, однако для повышения их точности требуется интеллектуальная адаптация для конкретного местоположения, которая реализуется интеллектуальной системой прогнозирования с использованием модифицированной нечеткой нейросети с механизмом внимания, адаптированным для условий противоречивости прогнозов погоды разных метеорологических сайтов. Представлены разработка и экспериментальное моделирование с использованием модифицированного авторского программного обеспечения интеллектуальной системы прогнозирования температуры на основе модифицированной нечеткой нейросети с адаптированным механизмом внимания, выделяющим на основе архивных данных существенные аспекты прогнозирования, включая нелинейную динамику температуры. Результаты разработанной системы демонстрируют ее робастность и снижение среднеквадратичной ошибки ее прогноза в среднем в три раза в сравнении с рекуррентными нейросетями в условиях неопределенности и противоречивости прогноза погоды.

In the setting of ambiguous weather forecasting, neural networks outperform traditional approaches in identifying nonlinear temperature dynamics with uncertainty. However, in order to improve neural network accuracy, an intelligent adaptation for a specific location that is implemented through an intelligent forecasting system with a modified fuzzy neural network with an attention mechanism adapted for conditions of weather forecasting ambiguity registered on various meteorological websites is required. The study describes the design and test simulation of an intelligent system for a temperature forecast based on a modified fuzzy neural network with an adaptive attention mechanism, highlighting significant forecasting aspects such as nonlinear temperature dynamics based on repository data, using modified authors’ software. The findings of the system developed demonstrate its robustness and a decrease in the root mean square error of its forecast by three on average compared to the recurrent neural networks in the setting of undefined and ambiguous weather forecast.

прогнозирование температурынечеткая нейросетьмеханизм вниманияtemperature forecastfuzzy neural networkattention mechanismисследование выполнено за счет средств гранта Министерства образования и науки Республики Хакасия (Соглашение от 13.12.22 № 91) научно-исследовательский проект «Разработка интеллектуальной системы непрямого прогнозирования выработки электроэнергии солнечной электростанции на основе модифицированной нечеткой нейросети»the study is carried out in the framework of the event “Development of Intelligent Systems for Forecasting and Maximizing a Solar Power Generation Based on an Original Modified Fuzzy Neural Network, Their Implementation as Computer Software and Introduction at the Reusable Electric Power Plant” included in the program of the word-class Yenisey Siberia Scientific and Educational CenterReferencesБольшие вызовы и приоритеты научно-технологического развития. URL: https://xn--m1agf.xn--p1ai/challenges-priorities/ (дата обращения: 20.07.2023).Bolshie vyzovy i prioritety nauchno-tekhnologicheskogo razvitiia. URL: https://xn--m1agf.xn--p1ai/challengespriorities/(accessed: 20.07.2023). (In Russian).Liu L. Forecasting power output of photovoltaic system using A BP network. Energy Procedia. 2017;142:780–786.Liu L. Forecasting power output of photovoltaic system using A BP network. Energy Procedia. 2017;142:780–786.Durrani S. P., Balluff S., Wurzer R. et al. Photovoltaic yield prediction using an irradiance forecast model based on multiple neural networks. J Mod Power Syst Clean Energy. 2018;6:255–267.Durrani S. P., Balluff S., Wurzer R. et al. Photovoltaic yield prediction using an irradiance forecast model based on multiple neural networks. J Mod Power Syst Clean Energy. 2018;6:255–267.Engel E., Engel N. A Review on machine learning applications for solar plants. Sensors. 2022;22(23):9060.Engel E., Engel N. A Review on machine learning applications for solar plants. Sensors. 2022;22(23):9060.Wu Y.-K., Huang C.-L., Phan Q.-T. et al. Completed review of various solar power forecasting techniques considering different viewpoints. Energies. 2022; 15(9):3320.Wu Y.-K., Huang C.-L., Phan Q.-T. et al. Completed review of various solar power forecasting techniques considering different viewpoints. Energies. 2022; 15(9):3320.Gaviria J. F., Narváez G., Guillen C. et al. Machine learning in photovoltaic systems: A review. Renewable Energy. 2022;196:298–318.Gaviria J. F., Narváez G., Guillen C. et al. Machine learning in photovoltaic systems: A review. Renewable Energy. 2022;196:298–318.Jaseena K. U., Kovoor B. C. Deterministic weather forecasting models based on intelligent predictors: A survey. Journal of King Saud University – Computer and Information Sciences. 2022;34(6 pt B):3393–3412.Jaseena K. U., Kovoor B. C. Deterministic weather forecasting models based on intelligent predictors: A survey. Journal of King Saud University – Computer and Information Sciences. 2022;34(6 pt B):3393–3412.Энгель Е. А., Энгель Н. Е. Модуль модифицированной нечеткой нейронной сети : свидетельство о государственной регистрации программы для ЭВМ 202168035 Рос. Федерация. № 22021681065 ; заявл. 09.12.2021 ; опубл. 17.12.2021 ; заявитель ФГБОУ ВО «Хакасский государственный университет им. Н. Ф. Катанова». URL: https://elibrary.ru/download/elibrary_47480682_23010232.PDF (дата обращения: 20.07.2023).Engel E. A., Engel N. E. Modified fuzzy neural network module. RU Certificate of registration for a computer program 202168035. No. 22021681065, filed December 9, 2021, issued December 17, 2021, applicant Katanov Khakass State University. URL: https://elibrary.ru/download/elibrary_47480682_230 10232.PDF (accessed: 20.07.2023). (In Russian).Энгель Е. А., Энгель Н. Е. Интеллектуальная модель максимизации генерируемой мощности реконфигурируемой солнечной электростанции // Вестник кибернетики. 2023. Т. 22, № 1. С. 52–58.Engel E. A., Engel N. E. Intelligent model for maximizing the generated power of a reconfigurable solar power plant. Proceedings in Cybernetics. 2023;22(1):52–58. (In Russian).Топ 14 сайтов прогноза погоды. URL: https://stroiso-vet.com/kakoj-sajt-prognoza-pogody-samyj-tochnyj-po-gorodam-rossii-i-mira/ (дата обращения: 20.07.2023).Top 14 saitov prognoza pogody. URL: https://stroiso-vet.com/kakoj-sajt-prognoza-pogody-samyj-tochnyj-po-gorodam-rossii-i-mira/ (accessed: 20.07.2023). (In Russian).Gismeteo. URL: https://www.gismeteo.ru/ (дата обращения: 20.07.2023).Gismeteo. URL: https://www.gismeteo.ru/ (accessed: 20.07.2023). (In Russian).Яндекс.Погода. URL: https://yandex.ru/pogoda (дата обращения: 20.07.2023).Iandeks.Pogoda. URL: https://yandex.ru/pogoda (accessed: 20.07.2023). (In Russian).

The authors declare that there are no conflicts of interest present.