Статьи и аналитикаБиблиотекаОбразованиеМероприятия  
Каталог

ДОЛГОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

 

Евгений Александрович Политов, специалист 1-й категории службы сопровождения рынка Филиала ОАО «СО ЕЭС» ОДУ Сибири (т. (3842)- 36-53-13, pea@osib.so-ups.ru)

В условиях, когда основное количество промышленных предприятий находится в частной собственности, и подчиняется требованиям рыночной экономики, моделирование и прогнозирование потребления электроэнергии становится сложной задачей, особенно на долгосрочный период, когда на основной план выходит влияние переменных рыночных факторов [Ямпольский, 1969].

Прогнозирование электропотребления отдельными участниками рынка важно не только для всей энергосистемы в целом, но и для отдельного предприятия, и даже для его цехов и участков. Формирование универсального аппарата моделирования и прогнозирования электропотребления и мощности для различных уровней иерархии промышленных предприятий, позволило бы сократить расходы на оплату электроэнергии при покупке её на оптовом и розничном рынках электроэнергии и мощности, качественно определить влияние различных технологических условий и факторов производства на электропотребление или мощность нагрузки, выбирать наиболее эффективные стратегии энергосбережения и направление мероприятий по экономии электрической энергии.

При решении задачи долгосрочного прогнозирования необходимо учитывать большое число факторов, влияющих на изменение электропотребления предприятий. Следует учитывать уровень электрификации производственных процессов, темпы развития и внедрения энергосберегающих технологий, рост производственного труда, влияние метеорологических и прочих факторов [Кудрин, 1995; Бэнн, 1987].

Многообразие влияющих факторов, сложность прогноза самих этих факторов, не позволяют однозначно определить оптимальный метод прогнозирования для решения данной задачи.  Сам процесс изменения потребления представляет собой временной ряд. К настоящему времени разработано множество методов прогнозирования временных рядов, такие как экстраполяционные методы, эконометрические и регрессионные методы, методы Бокса-Дженкинса (ARIMA, ARMA), экспертные методы и другие.

В настоящее время одним из наиболее перспективных методов прогнозирования является использование искусственных нейронных сетей.

Теория искусственных нейронных сетей (ИНС) возникла в 40-х годах прошлого столетия, как попытка создания модели человеческого мозга, попытка повторить такие его свойства, как обучаемость, обобщение и абстрагирование.

Все ИНС являются совокупностью двух типов элементов – нейронов и связей между ними. Нейроны представляют собой простые процессоры, вычислительные возможности которых ограничиваются некоторым правилом комбинирования входных сигналов и правилом активации, позволяющим вычислить выходной сигнал по совокупности входных сигналов. Выходной сигнал элемента посылается другим элементам по взвешенным связям, с каждой из которых связан весовой коэффициент, или вес. В зависимости от его значения передаваемый сигнал или усиливается, или подавляется [Каллан, 2003].

В основе теории нейронных сетей лежит модель искусственного нейтрона (ИН), прототипом которого служит простейшая клетка нервной системы человека или животного. Такой нейрон преобразует множество входных сигналов X={x1, x2,..., xm} в выходной сигнал  Y посредством нелинейного преобразования [Хайкин, 2006]. В модели ИН можно выделить три основных элемента:

 

1. Набор синапсов, или связей, каждый из которых характеризуется своим весом, или силой. То есть сигнал Xна входе синапса j, связанного с нейроном k, умножается на вес wj.

2. Сумматор складывает входные сигналы, взвешенные относительно соответствующих синапсов нейрона.

3. Функция активации ограничивает амплитуду выходного сигнала. Так же эта функция называется еще функцией сжатия. Обычно нормализованный диапазон амплитуд выходного сигнала лежит в интервале [0,1] или [-1,1].

Графически модель нейрона показана на рисунке 1.

 

Рисунок 1. Нелинейная модель нейрона

 

Самым важным свойством нейронных сетей является их способность обучаться на основе данных окружающей среды, и в результате обучения повышать свою производительность (точность вычислений).

В идеальном случае нейронная сеть получает знания об окружающей среде на каждой итерации процесса обучения, который предполагает следующую последовательность событий:

– в нейронную сеть поступают сигналы из внешней среды;

– в результате этого изменяются свободные параметры нейронной сети, такие как синаптические веса;

– после изменения внутренней структуры нейронная сеть отвечает на возбуждения уже иным образом.

На сегодняшний день известны и широко применяются для решения различных задач несколько различных типов ИНС: многослойный персептрон, сети на основе радиальных базисных функций, карты самоорганизации, рекуррентные нейронные сети. Для обучения ИНС как правило применяется метод обратного распространения ошибок, заключающийся в том, что при подаче на вход сети обучающих данных сравнивается выход сети с действительным значением, и затем синаптические веса каждого нейрона корректируются пропорционально тому вкладку, что они внесли в формирование выходной величины, начиная от выходных нейронов к входным.

 

Рисунок 2. Многослойный персептрон с двумя скрытыми слоями

 

Итого можно выделить следующие преимущества использования ИНС для прогнозирования нагрузки:

– нелинейность, позволяет устанавливать сложные зависимости выходных данных от входных;

– самообучение, сеть обучается на предоставленной ей выборке данных, самостоятельно определяя значимость каждого предоставленного фактора, влияние его на конечный результат;

– адаптивность, сеть может быть дополнительно обучена при поступлении новых данных, что обеспечивает гибкую подстройку под изменившиеся условия.

Таким образом, при использовании нейронной сети для долгосрочного прогнозирования электропотребления отпадает необходимость в сборе большого числа исходных данных, в большинстве случаев зависимых друг от друга, в анализе этих зависимостей, непосредственном определении степени влияния каждого фактора на конечный результат прогноза.

Процесс прогнозирования нагрузок, с помощью нейронных сетей, состоит из следующих основных этапов:

– подбор архитектуры нейронной сети (количество входных и выходных нейронов, число скрытых слоев и др.);

– выбор обучающих данных (разделение нагрузок по характерным дням – рабочие, выходные, временная глубина обучающей выборки, учет сезонности и т.п.);

– тренировка нейронной сети, её тестирование по контрольным данным и при необходимости дообучение сети;

– использование сети для прогнозирования нагрузки;

– возможность обучения и корректировки сети по результатам её использования.

Одним из решающих факторов, оказывающих существенное влияние на качество получившегося прогноза, является сбор и обработка входных данных.

Анализ зарубежных и отечественных источников литературы по прогнозированию электропотребления, в том числе с помощью ИНС и нейро-нечетких систем [Бэнн, 1987; Крюков, 2004; Федоров, 1979; Шумилова, 2002] показал, чтофакторы, влияющие на долгосрочный прогноз электропотребления, можно условно разделить на три группы: экономические факторы, технологические факторы, и метеорологические.

К экономическим факторам относятся увеличение или уменьшение объемов выпускаемой продукции, рост производительности труда, состояние макроэкономики, складывающаяся ситуация на рынках сбыта продукции.

К технологическим – учитываемые вводы нового оборудования, внедрение энергосберегающих технологий, планируемые изменения в структуре производства.

Среди метрологических факторов  самым значительным по степени  влияния оказывается температура, затем идут освещенность, величина осадков, сила ветра и другие. Сюда же можно причислить сезонные факторы, учитывающие влияние времени года на характер и величину нагрузки.

Как правило, величины, отражающие воздействие всех этих факторов, неизвестны на прогнозируемый период, и, в свою очередь, сами нуждаются в предварительном их прогнозировании.

К примеру, прогноз объемов выпускаемой продукции может быть получен как экспертным методом, так и использованием многослойного персептрона, входными параметрами для которого будут являться ретроспективные данные объемов продукции, и величины, характеризующие макроэкономическую ситуацию.

Задача прогнозирования среднемесячной температуры на несколько лет вперед до сих пор успешно не решена, имеются много методик, ни одна из которых не дает приемлемого результата, поэтому в этом случае тоже можно воспользоваться искусственной нейронной сетью для получения результатов. Параметрами будут являться ретроспективные данные температуры и величины осадков, данные солнечной активности

Набор входных параметров зависит от глубины и шага прогнозирования. Скажем, для месячного прогнозирования нагрузки целесообразно использовать величину электропотребления за месяц, предшествующий прогнозируемому, максимальную и минимальную величину нагрузки, среднемесячную температуру и долготу дня, количество праздничных и выходных дней в месяце [Шумилова, 2002]. В свою очередь для годового прогнозирования большее влияние будут оказывать уже экономические факторы.

Так же большое влияние на качество прогноза оказывает выбор модели ИНС. Нельзя использовать какую-то одну и ту же конкретную модель. в каждом случае лучший результат будет достигаться при использовании своей, подобранной и опробованной, модели ИНС.

Практические результаты [Курбацкий, 2006] показывают, что ИНС можно успешно использовать для всех видов прогнозирования электрической нагрузки, в том числе и для долгосрочного, минимизируя при этом отрицательное влияние таких факторов как человеческий фактор, неточность, недостоверность или зашумленность входных данных.

 

СПИСОК ЛИТЕРАТУРЫ

[Бэнн, 1987] Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирования электрической нагрузки: Пер. с англ. М.: Энергоатомиздат, 1987. – 200 с.

[Каллан, 2003] Каллан Р. Основные концепции нейронных сетей. – М.: Издательский дом «Вильямс», 2003. ­– 288 с.

[Крюков, 2004] Крюков А.В.,  Раевский Н.В., Яковлев Д.А. Прогнозирование электропотребления с применением аппарата нейронных сетей // Proceedingsof  theInternational conference 29-31 March  2004, Irkutsk. – Irkutsk: Irkutskstate transport university-Technological educational institution of Athens. – Irkutsk, 2004.

[Кудрин, 1995] Кудрин Б.И. Электроснабжение промышленных предприятий: Учебник для вузов. М.: Энергоатомиздат, 1995.

[Курбацкий, 2008] Курбацкий В.Г., Томин Н.В. Прогнозирование электрической нагрузки с использованием искусственных нейронных сетей // Электрика. 2008. №7.

[Политов, 2006] Политов Е.А., Воронов И.В., Ефременко В.М. Выбор модели для долгосрочного прогнозирования электропотребления промышленного предприятия // Вестн. КузГТУ. 2006, №6.

 [Шумилова, 2002] Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Прогнозирование нагрузки ЭЭС на базе новых информационных технологий. Новые информационные технологии в задачах оперативного управления электроэнергетическими системами / Н.А. Манов, Ю.Я. Чукреев, М.И.Успенский и др. Екатеринбург: УрО РАН, 2002.

[Федоров, 1979] Федоров А.А., Каменева В.В. Основы электроснабжения промышленных предприятий. – М.: Энергия, 1979.

[Хайкин, 2006] Хайкин С. Нейронные сети: полный курс, 2-е издание. – М.: Издательский дом «Вильямс», 2006. ­– 1104 с.

[Ямпольский, 1969] Ямпольский С.М., Хилюк Ф.М., Лисичкин В.А. Проблемы научно-технического прогнозирования. М.: Экономика, 1969. – 189 c.

 

Источник: http://portalenergetika.com/

Категории статьи:
Рынок электроэнергетики | Предприятия | Сбытовые компании | Магистральные сети | Распределительные сети | Муниципальные сети
Энергоэффективность и энергосбережение | Генерация | Магистральные сети | Предприятия | Распределительные сети | Муниципальные сети | Сбытовые компании
Эту страницу просмотрели 7167 раз