Прогнозування використання електроенергії за допомогою нейронних мереж
In this article, the state of the electrical grid in Ukraine and abroad is briefly described. The urgency of creating a new generation networks is explained. The formulation of the Smart Grid control problem is presented as well as other subtasks which occur during the problem solving process. The p...
Saved in:
| Date: | 2014 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | Russian |
| Published: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2014
|
| Online Access: | https://journal.iasa.kpi.ua/article/view/37427 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | System research and information technologies |
| Download file: |  |
Institution
System research and information technologies| _version_ | 1866301439592103936 |
|---|---|
| author | Nikolaev, S. S. Tymoshenko, Yu. О. |
| author_facet | Nikolaev, S. S. Tymoshenko, Yu. О. |
| author_sort | Nikolaev, S. S. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2018-03-30T15:22:02Z |
| description | In this article, the state of the electrical grid in Ukraine and abroad is briefly described. The urgency of creating a new generation networks is explained. The formulation of the Smart Grid control problem is presented as well as other subtasks which occur during the problem solving process. The paper provides a solution to the problem of forecasting electric power using neural networks. The neural network structure and selection of the input parameters as well as an algorithm for network training are described to produce daily forecasts of electricity consumption. The input data, output data, and feature selection algorithm are described. Authors studied the dependence between the accuracy of prediction and the choice of input features. An interesting fact was revealed that when holidays data were added as separate features indicators to the network input, the quality of the forecast results could be improved. Also, the effect of weather conditions on the accuracy of the forecasts is shown. |
| first_indexed | 2025-07-17T10:18:28Z |
| format | Article |
| fulltext |
С.С. Николаев, Ю.А. Тимошенко, 2014
Системні дослідження та інформаційні технології, 2014, № 4 75
TIДC
ПРОБЛЕМИ ПРИЙНЯТТЯ РІШЕНЬ
І УПРАВЛІННЯ В ЕКОНОМІЧНИХ, ТЕХНІЧНИХ,
ЕКОЛОГІЧНИХ І СОЦІАЛЬНИХ СИСТЕМАХ
УДК 004.9
ПРОГНОЗИРОВАНИЕ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ
С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ
С.С. НИКОЛАЕВ, Ю.А. ТИМОШЕНКО
Кратко рассмотрено состояние энергосетей в Украине и за рубежом. Показана
актуальность создания сетей нового поколения, а также приведена постановка
задачи управления смарт гридом и подзадач, которые при этом возникают.
Предложено решение задачи прогнозирования электроэнергии с помощью
нейронных сетей. Рассмотрена структура и описан выбор параметров нейрон-
ной сети для составления суточных прогнозов потребления электричества.
Описан алгоритм обучения сети, входные и выходящие данные. Описана про-
цедура отбора входных признаков. Проведён анализ зависимости точности
прогноза от выбора входных признаков. Выявлено, что при подаче на вход се-
ти в качестве отдельных признаков индикаторов праздничных дней, можно
улучшить качество прогнозируемого результата. Также показано влияние по-
годных факторов на точность получаемых прогнозов.
ВВЕДЕНИЕ
Традиционно задача прогноза всегда была важна в связи с необходимостью
планирования выработки электроэнергии.
Раньше энергосети состояли в основном из нескольких типов электрос-
танций (ТЭС, ГЭС, АЭС), небольшое количество которых, производило
практически всю энергию. При этом, для управления и стабилизации всей
энергосети как целостного объекта, было достаточно простых систем управ-
ления отдельными станциями.
Современные энергетические системы начинают включать кардинально
разнородные по своим свойствам и мощностям виды генерирующих элект-
ростанций и потребителей. Всё больше стран начинают массовое внедрение
возобновляемых источников энергии в нашу жизнь, таких, как солнечные
панели на крышах домов и ветряные электростанции. Появляются новые
типы потребителей электричества, например: электроавтомобили, которые
могут, как заряжаться от сети, так и отдавать энергию из аккумуляторов об-
ратно в сеть; бытовые приборы со встроенными умными контроллерами
в качестве концепции Internet Of Things, которые позволяют в реальном вре-
мени через интернет влиять на работу миллионов устройств.
Теперь в одной сети могут одновременно работать как газовые турби-
ны, так и солнечные электростанции с хранилищами литий-ионных аккуму-
ляторов на пару десятков мегаватт. Но вот если газовой турбине для разгона
С.С. Николаев, Ю.А. Тимошенко
ISSN 1681–6048 System Research & Information Technologies, 2014, № 4 76
необходимо около четырёх часов и она в принципе из-за высокой инерции
не в состоянии быстро менять ни фазу ни частоту генерируемой электро-
энергии, то солнечные электростанции запросто способны нивелировать
эффект проходящих над ними туч, подключая резервы хранилищ. Это ведёт
к рассредоточению сети, в которой теперь присутствует множество разно-
родных элементов. Такая комбинация разнородных источников энергии
в одной системе, с одной стороны даёт возможность мгновенно реагировать
на изменение потребления в отдельных её участках, с другой — усложняет
её управление.
Также, учитывая рост нагрузки на энергетические системы и изношен-
ность инфраструктуры самих сетей, перед современными исследователями
встала задача заново научиться управлять [1] и распределять [2] нагрузку
между потребителями в пространственном и временном контексте в новом
энергетическом пространстве. Особенно остро в мире стал вопрос стабиль-
ности всей энергосистемы после нескольких крупных аварий, например,
такой, которая произошла с американским гридом. Он оказался плохо ус-
тойчивым к отказам узлов системы, вследствие чего при аварии на одном
узле, наблюдались колебания частоты и перекос фаз, которые привели
к цепному отказу десятков других станций. При этом было обесточено зна-
чительное количество населённых пунктов. Для решения данной проблемы,
необходимо более фундаментальное управление, основанное на прогнози-
ровании нагрузки в разных частях и в разное время функционирования сис-
темы, а также гибкое перераспределение ресурсов системы.
Для новой энергосети нужно создать новые системы управления, кото-
рые в реальном времени по сети интернет будут не только перенастраивать
параметры отдельных узлов энергосети, но и переконфигурировать её
структуру на всех уровнях вплоть до изменения потребления энергии сами-
ми потребителями.
Насколько известно, в Украине данная постановка задачи не решалась.
В частности, для работы таких систем управления необходим точный
прогноз потребления энергии, чтобы заранее создать план перераспределе-
ния нагрузки.
Учитывая несоответствие стандартов и инфраструктурных решений
украинских энергосистем с европейскими, при их интеграции в ближайшем
будущем данная задача станет актуальной и в Украине.
На данный момент оптовый рынок электрической энергии (ОРЭ) Ук-
раины состоит из 5 энергогенерирующих компаний: тепловых электростан-
ций, атомных электростанций и гидроэлектростанций. Каждая из компаний
должна предоставлять услуги по регулированию нагрузки (маневровые
мощности) в Объединенной энергосистеме Украины (ОЭС).
В связи с предстоящей интеграцией ОЭС Украины в UCTE (Union for
the Coordination of Transmission of Electricity — cоюз по координации пере-
дачи электроэнергии) необходимо привести допустимый уровень отклоне-
ний частоты генерации тока, который по украинским стандартам составляет
2,0 Гц, к стандартам UCTE, а именно к 02,0 Гц [3].
За поддержку системы обеспечения функционирования ОРЭ отвечает
государственное предприятие «Энергорынок», которое выполняет ежеднев-
ное почасовое планирование режима работы объединенной системы с актив-
Прогнозирование потребления электроэнергии с помощью нейронных сетей
Системні дослідження та інформаційні технології, 2014, № 4 77
ной энергией и мощностью на основе оптимизации режимов работы элект-
ростанций, внешних перетоков электроэнергии, и представленного генери-
рующими компаниями прогнозного объема потребления электроэнергии на
следующие сутки. Чтобы избежать пиковых нагрузок, которые оказывают
значительное влияние на частоту в сети, производится планирование ежесу-
точной почасовой выработки электроэнергии энергосистемой для опти-
мальной работы производителей энергии. Следовательно, чем точнее будет
прогноз, тем меньше вероятность возникновения перегрузок и внештатных
ситуаций, что делает задачу повышения качества прогнозирующих моделей
актуальной.
На западе всё больше исследований проводиться по созданию интеллек-
туальной энергосети или Smart Grid, которая должна планировать распреде-
ление нагрузки в масштабах целых стран. Концепция Smart Grid позволяет
по-новому подходить к построению электрических сетей, переходя от жест-
кой структуры «генерация – передача по сети – потребитель» к более гиб-
кой, в которой каждый узел сети может являться элементом как производя-
щим, так и потребляющим энергию.
При этом на системы управления и контроля накладывается следующее
множество ограничений и критериев:
минимизация затрат на генерацию энергии;
минимизация потерь энергии при её передаче потребителям;
минимизация количества и продолжительности пиковых нагрузок;
рациональное использование энергии самими потребителями;
ограничения устойчивости:
- частота и напряжение в сети по всему гриду должна находиться
в пределах жёстко заданного коридора значений, даже в случае сбоев на от-
дельных узлах-электростанциях;
- должен полностью удовлетворяться спрос в любой период
и в любой точке сети с учетом вероятности возникновения пиков потребле-
ния и перегрузок.
В качестве управляемых структур присутствуют:
Рынок электричества — грид диктует ценовую политику таким об-
разом, чтобы сделать нагрузку на сеть более равномерной на протяжении
дня, при этом пользователи подстраивают потребление для минимизации
стоимости используемого ими электричества.
Множество аккумулирующих станций (литий ионных, гидроаккуму-
лирующих станций, электрокаров и др.).
Множество хозяйственных управляемых объектов (цеха, склады,
всевозможные стиральные машины с контроллерами, управляемыми по сети
командами от грида, и вообще любые структуры, где можно перераспреде-
лять интенсивность потребления энергии во времени таким образом, чтобы
не нарушить технологический процесс).
Управление непосредственно самими производственными мощно-
стями электростанций.
При этом интеллектуальная энергосеть в автоматическом режиме про-
изводит изменение конфигурации в изменяющихся условиях, планирует рас-
пределение нагрузки, и прогнозирует количество потребляемой энергии [4].
Сформулируем математическую модель управления гридом и системы
прогнозирования потребления энергии.
С.С. Николаев, Ю.А. Тимошенко
ISSN 1681–6048 System Research & Information Technologies, 2014, № 4 78
ПОСТАНОВКА ЗАДАЧИ
Современная постановка задачи управления гридом могла бы звучать сле-
дующим образом: найти управление производством энергии разнотипными
электростанциями и потреблением электроэнергии разными категориями
пользователей, подключённым к единой сети, на заданный период T (на-
пример, 24 часа с почасовой дискретизацией), при котором выполняются
ограничения и достигаются критерии перечисленные выше. В математиче-
ской формулировке они выглядят таким образом:
,)(min
i t
i tq ,))((min )(
j t
tcj j
tcI
,))(),((min
j i t
ij tqtcC
,]...0[),()( Ttєtctq
j
j
i
i
,))(),(( ijij ltqtcL ,)( )(tqii i
Qtq
где
)(tqi — количество энергии вырабатываемое і-й станцией в промежут-
ке времени ;)1,[ tt
)(tc j — количество энергии, потребляемое j-м потребителем в проме-
жутке времени ;)1,[ tt
))(),(( tqtcC ij — затраты на передачу энергии от і-й станции до j-го по-
требителя;
))(),(( tqtcL ij — прямая пропускная способность линий передачи от і-й
станции до j-го потребителя;
ijl — максимальная прямая пропускная способность линий передачи от
і-й станции до j-го потребителя;
)(tc j
— объем энергии, потребление свыше которого считается пико-
вым (в общем случае зависит от динамики потребления в определённом
сегменте сети);
))(( )(tcj j
tcI — индикаторная функция, которая равна 1, если усло-
вие выполняется и 0 в противном случае;
iQ — максимально возможный производимый объём энергии і-й стан-
цией;
)(tqi
— резерв ресурсов і-й станции, который не может быть задейст-
вован на данном промежутке .)1,[ tt Например, газовая турбина не может
разогнаться с нуля до максимума за один промежуток времени, потому
в начале разгона )(tqi
будет принимать значения близкие к ,iQ постепенно
падая со временем. Также, данный резерв может задавать границу, за кото-
рую не желательно выходить по технологическим причинам.
При выполнении условий выше, считается, что сеть работает в штат-
ном режиме и, соответственно, частота и напряжение в сети по всему гриду
будут находиться в допустимых пределах.
Прогнозирование потребления электроэнергии с помощью нейронных сетей
Системні дослідження та інформаційні технології, 2014, № 4 79
Учитывая обозначения, необходимо найти такие значения ,)(tqi кото-
рые удовлетворяют ограничениям выше, при заданных пропускных способ-
ностях. При этом в общем случае значения )(tc j на решаемый период неиз-
вестны, а известна история потребления за предыдущие периоды, на
основании которых нужно строить прогноз.
Традиционно задача прогноза количества потребляемой энергии реша-
лась с помощью регрессионных моделей, но так как данные ряды потребле-
ния энергии не являются стационарными, то регрессионные модели дают
большие ошибки.
Мы хотим создать инструментарий для решения задачи прогнозирова-
ния количества потребляемой энергии. Данная задача решалась разными
методами. Мы выбрали в качестве метода для прогнозирования искусствен-
ные нейронные сети.
Для решения задачи с использованием нейронных сетей необходимо:
Отобрать информативные входящие признаки.
Выбрать оптимальную структуру сети, а именно количество скры-
тых слоёв и нейронов.
Обучить сеть до оптимального по заданному критерию уровня.
Цель работы — построить нейронную сеть, которая будет выдавать
прогноз с минимальным отклонением от действительных значений потреб-
ления энергии.
В математической формулировке критерий может быть представлен
в виде:
,))(),((min 2
i
i
W
iwxWy
где W — обучаемые параметры сети; ),( ixwy — спрогнозированное зна-
чение нагрузки на момент i при заданном векторе входных факторов ;ix
)(iw — действительные значения нагрузки в момент .i
Критерий рассчитывается по той части выборки, которая не участвова-
ла в обучении сети. Соответственно выбирается множество индексов .}{i
Далее будет описана методика построения прогноза при помощи ис-
кусственных нейронных сетей.
ВХОДНЫЕ ДАННЫЕ
Набор исходных данных получен из источника [5] и состоит из замеров по-
требления энергии по двадцати штатам США и температур воздуха с один-
надцати метеостанций. Взаимное расположение метео- и электростанций
в выборке не известно.
Данные хранятся в виде набора из двадцати таблиц, каждая с которых
представляет собой: номер записи, год, месяц, день, и нагрузку за каждый из
двадцати четырёх часов. В каждой таблице приведено по 1650 записей
(строк), что соответствует 39600 значениям нагрузки сети.
Минимальное и максимальное значения нагрузки по всей выборке,
составляет соответственно: 7319 и 45547 мегаватт.
Сбор и включение в модель погодных данных необходим потому, что
субъективное ощущение холода людьми сильно влияет на их решение
С.С. Николаев, Ю.А. Тимошенко
ISSN 1681–6048 System Research & Information Technologies, 2014, № 4 80
о включении обогревательных приборов. Соответственно можно наблюдать
всплески потребления энергии в дни, когда температура резко падает. Также
заметно влияет влажность и сила ветра.
Приведём вид части данных потребления и температур из выборки:
На рис. 1 показан график исходных данных потребления электроэнер-
гии одним штатом в течении года. По оси абсцисс отложено время суток
(в часах от 0 до 24), по оси ординат — дни (от 0 до 365). По оси аппликат
отложена нагрузка в мегаваттах.
В данных хорошо проглядывается смена сезонов. Так в средней части
графика (если смотреть по дням — в промежутке с 130-го по 250-й день),
хорошо виден тёплый период года, когда ночью и утром наблюдается ми-
нимум потребления энергии, а вечером — её максимум, что можно объяс-
нить включениями кондиционеров после обеда. Также хорошо виден зим-
ний период — в начале и в конце графика (по дням). Тут потребление
энергии совершенно другого характера: ночью и утром — максимум,
а в обед минимум, что можно объяснить массовым включением обогрева-
тельных приборов на ночное время, и выключением их в рабочее время. Ут-
ренний пик можно объяснить включением обогревательных приборов на
рабочих местах и массовым приготовлением кофе, завтраков на электропли-
тах и другими факторами.
На рис. 2 показан график исходных значений температур снятых с од-
ной станции за год. По оси абсцисс отложено время суток (в часах 0–24), по
оси ординат — дни (0 – 365). По оси аппликат отложена температура возду-
ха (в градусах Фаренгейта).
Рис. 1. Пример данных потребления энергии одним регионом
Часы Дни
МВт 104
Прогнозирование потребления электроэнергии с помощью нейронных сетей
Системні дослідження та інформаційні технології, 2014, № 4 81
В центральной части видны высокие летние температуры, которые до-
стигают пика в обеденное время и спадают к вечеру. По концам графика (по
оси — дней) — видны низкие зимние температуры, которые не сильно из-
меняются на протяжении суток.
Если рассматривать график последовательно по дням (один день —
двадцать четыре часовых отсчёта по оси абсцисс), то иногда видны резкие
изменения среднедневной температуры по отношению к соседним дням.
Это можно объяснить солнечной тёплой погодой, или же наоборот резким
падением среднедневной температуры летом из-за дождей и пасмурной по-
годы.
ПОСТРОЕНИЕ МОДЕЛИ
Все рассматриваемые нейронные сети (далее модели) имели один скрытый
слой с сигмоидальной функцией активации, которая имеет вид:
.1
1
2
)(
2
xe
xf
Рассматривалось множество моделей с одним и двумя скрытыми слоями.
Количество нейронов каждого скрытого слоя варьировалось от 2-х до 50.
Модели обучались с помощью алгоритма сопряжённого градиента,
и среди них выбиралась лучшая.
Далее будут описаны этапы построения моделей.
Отбор признаков
Сеть для почасового прогнозирования объёма энергии имеет один выход,
который выдаёт прогноз объёма энергии на следующий период.
Рис. 2. Пример данных температур воздуха за год
Часы
Дни
Градусы
С.С. Николаев, Ю.А. Тимошенко
ISSN 1681–6048 System Research & Information Technologies, 2014, № 4 82
В качестве признаков подаются: история нагрузок, 7 блоков температур
и блок входов с текущим временем.
Определение количества предыдущих значений, которые необходимо
подавать на вход сети, для каждого из 11 температурных рядов и 20 рядов
потребления энергии определялось независимо с помощью корреляционно-
го критерия. При этом были исключены из рассмотрения четыре темпе-
ратурных ряда из-за сильной зашумлённости.
История нагрузок. На данный блок входов для каждого из двадцати
рядов нагрузок, подавались нормированные значения с часовыми лагами
c первого по шестой включительно, а также двенадцатый и двадцать четвёр-
тый лаг. Другими словами, если мы хотим спрогнозировать ty , то на вход
нужно подавать .,,... 241261 tttt xxxx
Температуры. На данный блок входов подавались нормированные
значения температур с семи станций со следующими часовыми лагами: пер-
вый, третий, четвёртый и двадцать четвёртый.
Блок входов нейронной сети, на которые подавалось время, состоит из
трёх подблоков: времени суток, дней недели и месяцев.
Сначала время представлялось одним входом в виде нарастающей ли-
нейной функции. При этом, например, для полуночи понедельника данные
кодировались как 0, а полночь субботы кодировалась значением 7. Недостат-
ком такого подхода является наличие резких перепадов значений кодов
между воскресеньем («7») и следующим понедельником («0»). Обучение
моделей показало, что такой подход приводил к большим ошибкам прогноза
в момент этого перехода в связи с тем, что близкие по сути сущности, такие
как воскресенье и понедельник, кодировались экстремальными значениями
интервала (7 и 0 соответственно), что приводило к скачку ошибки на грани-
це интервала.
Для устранения этого эффекта было принято решение представить каж-
дый временной вход двумя независимыми входами. Один из этих входов
представляет косинус, а второй синус от данной переменной. Формула пре-
образования имеет вид:
,
2
sin)(
L
x
xUs
,
2
cos)(
L
x
xUc
где ,}{min}{max xxL для переменной, которая кодирует дни недели
;7L x — временная переменная, которая принимает значения от 0 до 7
для дней недели и от 0 до 24 для суточного времени.
Два входа для каждой переменной необходимы для того, чтобы в лю-
бой точке однозначно вычислить значение временной переменной, что ста-
новится возможным благодаря сдвигу фаз. Такое преобразование позволило
избежать резких скачков ошибки и значительно улучшило прогноз. Введе-
ние двойного кодирования блока временных переменных в виде косинуса
и синуса уменьшило среднюю ошибку прогнозирования на 3,6%.
Кроме того, в модели был произведён учёт отельных факторов, таких
как праздничные дни. Было выявлено, что потребление в праздничные дни
качественно отличается от потребления энергии в обычные дни. На рис. 3
изображён график ошибки между прогнозируемыми и действительными
значениями нагрузки в новогодний период. По оси абсцисс отложено время
в часах, а по оси ординат — абсолютное значения ошибки.
Прогнозирование потребления электроэнергии с помощью нейронных сетей
Системні дослідження та інформаційні технології, 2014, № 4 83
График построен таким образом, что мы учитываем 500 часов до и 500
после нового года. Из графика видно, что в новогоднюю ночь, в районе 500-го
отсчёта, наблюдается резкий скачок ошибки. Это означает, что текущее
представление информативных признаков, подаваемое на сеть, является не-
полным. Чтобы исправить положение, был добавлен отдельный информаци-
онный вход, на который подавалась «+1» в новогодний период и «–1» во всё
остальное время.
После переобучения модели график ошибок стал выглядеть так, как
показано на рис. 4 (оси такие же, как и на рис. 3).
Рис. 3. График ошибки прогнозирования на не участвовавшей в обучении части
выборки (новогодний период)
MВт
Часы
Рис. 4. График ошибки прогнозирования за тот же период, после добавления до-
полнительного информационного входа
MВт
Часы
С.С. Николаев, Ю.А. Тимошенко
ISSN 1681–6048 System Research & Information Technologies, 2014, № 4 84
Как видно из графика на рис. 4, при введении новых входов, эффект
большой ошибки в новогоднюю ночь снят. Теперь ошибка не превосходит
25 % от предыдущего значения, но на графике всё ещё присутствуют регу-
лярные пики, которые могут отвечать за другие неучтённые события. Над
выявлением причин данных событий и будет продолжаться работа.
Способ и критерии обучения
Для обучения, вся выборка делилась на три части: обучающую (Training),
тестировочную (Test) и валидационную (Validation) в соотношении: 70% –
15% – 15%. Все входящие сигналы независимо нормировались в диапазоне
от «–1» до «1», чтобы избежать разного влияния разброса разнотипных
данных.
Сеть обучалась методом сопряжённых градиентов по критерию мини-
мизации среднеквадратической ошибки (MSE) — алгоритмом обратного
распространения ошибки в среде Матлаб.
Для избегания переобучения использовался критерий раннего останова —
как только ошибка на тестировочной выборке достигала минимума — обу-
чение прекращалось.
Графики регрессии для данных трёх подвыборок имеют вид, представ-
ленный на рис. 5.
Рис. 5. Графики регрессии: а — регрессия на обучающей подвыборке (Training);
б — регрессия на тестировочной подвыборке(Test); в — регрессия на валидацион-
ной подвыборке (Validation); г — сводный график регрессии на всей выборке
a б
в г
Прогнозирование потребления электроэнергии с помощью нейронных сетей
Системні дослідження та інформаційні технології, 2014, № 4 85
Четвёртый график (All) — сводный по всей выборке. На данных
графиках, каждая точка имеет следующие координаты: прогнозируемые
значения на оси ординат, а действительные — на оси абсцисс. При этом, чем
ближе точки лежат к прямой ,yx тем лучше полученный результат.
Как видно из графика по виду регрессии у нас наблюдается хорошая
корреляция, про что также свидетельствует значение критерия .99528,0R
На обучающей и на валидационной подвыборке были получены сле-
дующие оценки (таблица):
Т а б л и ц а . Результаты тестов
Подвыборки
Критерии
Train Set Validation Set
MSE 312580,138 385422,920
STD 559,089 617,719
MAPE 0,0105 0,0117
В таблице MSE — среднеквадратическая ошибка, STD — среднеквад-
ратическое отклонение, MAPE — средняя абсолютная процентная ошибка.
Как видим из небольшого отличия критериев на двух независимых выбор-
ках, сеть хорошо уловила зависимость и переобучение не наблюдается.
На рис. 6 показан график спрогнозированной потребляемой энергии,
где ось аппликат — мегаватты, прогноз на 60 дней в режиме от 0 до 24 часа.
Рис. 6. Конечный вид прогнозируемых значений объёма энергии
Дни Часы
МВт 104
С.С. Николаев, Ю.А. Тимошенко
ISSN 1681–6048 System Research & Information Technologies, 2014, № 4 86
ВЫВОДЫ
В данной работе было рассмотрено построение и выбор параметров нейрон-
ной сети для прогнозирования потребления электроэнергии. Были получены
MAPE от 0,0105 до 0,0117 на обучающей и независимой валидационной вы-
борках соответственно. Введение двойного кодирования блока временных
переменных в виде косинуса и синуса уменьшило среднюю ошибку прогно-
зирования на 3,6%.
Оптимальное количество нейронов скрытого слоя было определено
равным семи. При этом, сети даже с тремя нейронами давали результат со
значением ошибки MAPE не более 5%. Были замечены непропорционально
большие ошибки прогноза на праздничные дни, что было исправлено путём
ввода в модель входов-индикаторов, которые указывают на то, является ли
данный день праздником.
Таким образом, проведённая работа позволяет ОРЭ получать более
точные суточные прогнозы потребления энергии, что позволит более каче-
ственно осуществлять управление энергосетью. Достоинством данного под-
хода также является то, что количество нейронов в полученных сетях неве-
лико, что позволяет производить расчёты прогнозов даже на маломощной
вычислительной технике.
ЛИТЕРАТУРA
1. Fan Z., Kulkarni P., Gormus S. Smart Grid Communications: Overview of Research
Challenges, Solutions, and Standardization Activities. — http://arxiv.org/abs/
1112.3516.
2. Galli S., Scaglione A., Wang Z. For the Grid and Through the Grid: The Role of
Power Line Communications in the Smart Grid. — http://arxiv.org/abs/
1010.1973.
3. Сайт ДП «Енергоринок». — http://er.gov.ua.
4. Lin J. Strategen, Advanced Energy Storage, i4Energy seminar: i4Energy Center Ini-
tiative. — http://www.youtube.com/watch?v=h2iyQcXQUSw.
5. A hierarchical load forecasting problem: backcasting and forecasting hourly loads
(in kW) for a US utility with 20 zones. — http://www.kaggle.com/c/global-
energy-forecasting-competition-2012-load-forecasting.
Поступила 19.07.2014
|
| id | journaliasakpiua-article-37427 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Russian |
| last_indexed | 2025-07-17T10:18:28Z |
| publishDate | 2014 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/66/eddef44e43c72689371ff91f47889966.pdf |
| spelling | journaliasakpiua-article-374272018-03-30T15:22:02Z Using neural networks to forecast the electric power consumption Прогнозирование потребления электроенергии с помощью нейронных сетей Прогнозування використання електроенергії за допомогою нейронних мереж Nikolaev, S. S. Tymoshenko, Yu. О. In this article, the state of the electrical grid in Ukraine and abroad is briefly described. The urgency of creating a new generation networks is explained. The formulation of the Smart Grid control problem is presented as well as other subtasks which occur during the problem solving process. The paper provides a solution to the problem of forecasting electric power using neural networks. The neural network structure and selection of the input parameters as well as an algorithm for network training are described to produce daily forecasts of electricity consumption. The input data, output data, and feature selection algorithm are described. Authors studied the dependence between the accuracy of prediction and the choice of input features. An interesting fact was revealed that when holidays data were added as separate features indicators to the network input, the quality of the forecast results could be improved. Also, the effect of weather conditions on the accuracy of the forecasts is shown. Кратко рассмотрено состояние энергосетей в Украине и за рубежом. Показана актуальность создания сетей нового поколения, а также приведена постановка задачи управления смарт гридом и подзадач, которые при этом возникают. Предложено решение задачи прогнозирования электроэнергии с помощью нейронных сетей. Расс-мотрена структура и описан выбор параметров нейронной сети для составления суточных прогнозов потребления электричества. Описан алгоритм обучения сети, входные и выходящие данные. Описана процедура отбора входных признаков. Проведён анализ зависимости точности прогноза от выбора входных признаков. Выявлено, что при подаче на вход сети в качестве отдельных признаков индикаторов празд-ничных дней, можно улучшить качество прогнозируемого результата. Также показано влияние погодных факторов на точность получаемых прогнозов. Коротко розглянуто стан енергомереж в Україні і за кордоном. Показано актуальність створення мереж нового покоління, а також наведено постановку задачі управління смарт грідом і підзадач які при цьому виникають. Запропоновано вирішення задачі прогнозування електроенергії за допомогою нейронних мереж. Розглянуто структуру й описанио вибір параметрів нейронної мережі для складання добових прогнозів споживання електрики. Описано алгоритм навчання мережі, вхідні та вихідні дані. Описано процедуру відбору вхідних ознак. Проведено аналіз залежності точності прогнозу від вибору вхідних ознак. Виявлено, що під час на вхід мережі в якості окремих ознак індикаторів святкових днів, можна поліпшити якість прогнозованого результату. Також показано вплив погодних факторів на точність одержуваних прогнозів. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2014-12-22 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/37427 System research and information technologies; No. 4 (2014); 75-86 Системные исследования и информационные технологии; № 4 (2014); 75-86 Системні дослідження та інформаційні технології; № 4 (2014); 75-86 2308-8893 1681-6048 ru https://journal.iasa.kpi.ua/article/view/37427/33560 Copyright (c) 2021 System research and information technologies |
| spellingShingle | Nikolaev, S. S. Tymoshenko, Yu. О. Прогнозування використання електроенергії за допомогою нейронних мереж |
| title | Прогнозування використання електроенергії за допомогою нейронних мереж |
| title_alt | Using neural networks to forecast the electric power consumption Прогнозирование потребления электроенергии с помощью нейронных сетей |
| title_full | Прогнозування використання електроенергії за допомогою нейронних мереж |
| title_fullStr | Прогнозування використання електроенергії за допомогою нейронних мереж |
| title_full_unstemmed | Прогнозування використання електроенергії за допомогою нейронних мереж |
| title_short | Прогнозування використання електроенергії за допомогою нейронних мереж |
| title_sort | прогнозування використання електроенергії за допомогою нейронних мереж |
| url | https://journal.iasa.kpi.ua/article/view/37427 |
| work_keys_str_mv | AT nikolaevss usingneuralnetworkstoforecasttheelectricpowerconsumption AT tymoshenkoyuo usingneuralnetworkstoforecasttheelectricpowerconsumption AT nikolaevss prognozirovaniepotrebleniâélektroenergiispomoŝʹûnejronnyhsetej AT tymoshenkoyuo prognozirovaniepotrebleniâélektroenergiispomoŝʹûnejronnyhsetej AT nikolaevss prognozuvannâvikoristannâelektroenergíízadopomogoûnejronnihmerež AT tymoshenkoyuo prognozuvannâvikoristannâelektroenergíízadopomogoûnejronnihmerež |