Прогнозирование электрической нагрузки промышленных предприятий

Рoдыгина СВ. Краткocрoчнoе прoгнoзирoвание электричеcкoй нагрузки прoмышленных предприятий c применением интеллектуальных инфoрмациoнных технoлoгий // Автoреф. канд. диcc. Нoвocибирcк. ФГОУ ВПО «Нoвocибирcкая гocударcтвенная академия вoдного транcпорта». 2010. - 26 c.

Актуальноcть работы

В cовременных уcловиях рыночной экономики многие потребители электроэнергии заинтереcованы в уточнении объемов потребляемой электричеcкой мощноcти, налаживанию контактов c субъектами оптовой и розничной продажи электроэнергии, уточнению графиков нагрузки электросети в различные временные интервалы.

Спектр методик прогнозирования расхода электроэнергии достаточно широк. Однако все большее распространение получают интеллектуальные информационные технологии (ИИТ), связанные с использованием искусственных нейронных сетей (ИНС). Нейронные сети позволяют воспроизводить сложные зависимости, которые сопутствуют плохо формализованным задачам.

График нагрузки электросети каждого предприятия формируется под влиянием большого числа различных факторов, полный учет которых невозможен. Таким образом, в условиях энергетического рынка важное значение для промышленных предприятий имеет создание системы прогнозирования почасового потребления электрической энергии в сутки, позволяющей минимизировать отклонения потребляемой от заявленной на рынке на сутки вперед мощности. Поэтому актуальной задачей является создание программного обеспечения, которое позволит использовать малый объем ретроспективной информации.

Цель работы

Целью работы является разработка моделей расчета краткосрочного (до двух суток) прогнозирования электрической нагрузки предприятий различных отраслей промышленности с применением искусственных нейронных сетей, что позволит повысить точность прогноза и обеспечит принятие более корректных решений в процессе участия предприятия на оптовом или розничном рынках электроэнергии.

Для достижения поставленной цели решены следующие задачи:
1. Создана информационная база ретроспективных данных электрической нагрузки двух промышленных предприятий, различных по потребляемой мощности, по значениям температуры окружающего воздуха региона с учетом дня и номера рассматриваемого временного интервала в сутках.
2. Проведен анализ степени влияния погодных условий на точность краткосрочного прогнозирования электрической нагрузки.
3. Выбраны и адаптированы аппараты традиционного вероятностно-статистического метода прогнозирования и методов ИНС для обеспечения необходимой точности и устойчивости прогноза.
4. Разработаны математические модели краткосрочного прогнозирования электрической нагрузки, основанные на нейросетевом анализе с учетом зависимости электропотребления от ряда факторов.
5. Показана эффективность применения нейронных сетей при уменьшении ошибки прогноза электрической нагрузки с учетом выхода на оптовый рынок.
6. Выполнен сравнительный анализ точности прогнозирования электрической нагрузки на основе методов нейросетевых алгоритмов с методами математической статистики.

При решении поставленных задач были использованы теоретически обоснованные методы математического моделирования и прогнозирования временных рядов, теория искусственных нейронных сетей, математические пакеты STATISTICA и STATISTICA NEURAL NETWORKS.

Научная новизна

Научная новизна работы заключается в том, что впервые:
• разработана структура базы данных электрической нагрузки для использования нейросетевого моделирования при краткосрочном прогнозировании нагрузки промышленных предприятий и обоснован необходимый минимум периода пре-дистории по часовым и суточным расходам мощности;
• дано обоснование применения определенного класса интеллектуальных информационных технологий в виде нейросетевых методов для прогнозирования краткосрочного потребления электрической нагрузки, отличающихся различными компонентами исходной информации;
• выявлен параметр модели авторегрессии и проинтегрированного скользящего среднего, влияющий на величину ошибки краткосрочного прогнозирования электрической нагрузки;
• разработаны и исследованы нейросетевые модели различной архитектуры, функций активации и алгоритмов обучения искусственных нейронных сетей, позволяющие улучшить качество прогноза за счет снижения ошибки краткосрочного прогнозирования электрической нагрузки промышленных предприятий.

Практическая ценность работы

Выполненный анализ, а также разработанные модели исследования электрической нагрузки предприятия с использованием иейросетевых моделей для цели краткосрочного прогнозирования нагрузки промышленных предприятий могут быть использованы в городских электрических сетях, проектных и исследовательских организациях.
Предложенные модели нейросетевого прогноза являются более эффективными при прогнозе параметров электропотребления по сравнению с моделью авторегрессии и проинтегрированного скользящего среднего.

Исследовано влияние погодных условий, и учет изменяющейся топологии электрической сети на точность краткосрочного прогнозирования электрической нагрузки.

Основными слагающими прогноза электрических нагрузок потребителей энергии являются:
• графики активных и реактивных нагрузок для различных временных циклов: суточных, сезонных, годовых;
• потребление электроэнергии за определенные периоды в функции времени; основные характеристики графиков нагрузок за заданные периоды времени в перспективе.

Прогрессивная организация учета на предприятиях-потребителях электроэнергии связана с внедрением автоматизированного учета электроэнергии с помощью автоматизированных информационно-измерительных систем контроля и учета электроэнергии (АИИС КУЭ).

В качестве математического аппарата для определения неизвестных параметров модели при статистическом прогнозировании электрической нагрузки используются искусственные нейронные сети и метод авторегрессии и проинтегрированного скользящего среднего (АРПСС).

Методы прогнозирования (табл. 1) можно разделить на два класса - квалитативные и квантитативные, в зависимости от того, какие математические аппараты используются.

Нейронные сети - мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. Эти сети образуются путем объединения ориентированными взвешенными весами ребрами выходов нейронов с входами.

Процедуры прогнозирования	Математический аппарат	Методы прогнозирования
Квалитативные	Ранжирование и обобщенные мнения экспертов	• Метод обобщенного предсказания • Эвристические методы прогнозирования
Квантитативные	• Статистический анализ • Анализ временных последовательностей • Байесовское прогнозирование • Нейронные сети	• Метод использования стационарной модели графика нагрузки • Математические методы временной экстраполяции • Математические методы пространственной экстраполяции • Логические и структурные методы искусственного интеллекта (ИИ)

Можно выделить три основных типа: сети с прямыми связями (рис. 1);
• с перекрестными связями (рис. 2);
• с обратными связями (рис. 3).

Рис. 1. Сеть с прямыми связями	Рис, 2. Сеть с перекрестными связями	Рис. 3. Сеть с обратными связями

Для решения задачи прогнозирования пользуются моделью, описывающей изменения во времени фактических значений нагрузки, которая в общем виде представляется нелинейной функцией:


где: P_t - фактическая нагрузка в момент времени t; Р_t-n - предшествующие значения нагрузок; n - индекс ретроспективы; ε_t - случайная составляющая.

Для решения задачи прогнозирования электрической нагрузки промышленных предприятий были созданы следующие типы нейронных сетей:
• многослойный персептрон;
• радиально-базисные функции и линейные сети.

Наилучший результат показал многослойный персептрон с пятью скрытыми нейронами.

Рис. 4. Конфигурация многослойного персептрона для решения задачи краткосрочного прогнозирования нагрузки

Результаты прогнозных значений, вычисленных с применением многослойного персептрона, сравнивались с фактическими значениями суточных максимумов нагрузки и определялась процентная погрешность.

При исследовании нейросетевого алгоритма при прогнозировании электрической нагрузки рассмотрен анализ развития промышленных предприятий (газонефтеперерабатывающий завод (ГПЗ) в Ноябрьске и машиностроительный завод в Новосибирске.

Представлена методология прогнозирования электрической нагрузки с помощью интеллектуальных информационных технологий двух промышленных предприятий и решены задачи прогнозирования максимума электрической нагрузки предприятий и прогнозирования суточных графиков электрической нагрузки.

Проведены исследования с несколькими архитектурами нейронной сети, с разными правилами наблюдаемого обучения искусственных нейронных сетей и условиями процесса обучения.

Для промышленных предприятий были произведены расчеты задачи краткосрочного прогнозирования электрической нагрузки при различных вариациях исходных данных.

При краткосрочном (до двух суток) прогнозировании максимума электрической нагрузки был выбран тип нейронной сети - многослойный персептрон, алгоритм обучения -метод обратного распространения ошибки, функция активация сети - гиперболическая. Конфигурация многослойного персептрона четвертой модели для газонефтеперерабатывающего завода соответствует представленной на рис. 4.

При создании нейронной сети главной задачей является минимизация функции ошибки. Предпочтительней использовать сеть с меньшим числом входных переменных, если это заметно не ухудшает ее качество по сравнению с теми сетями, которые используют на входе большее число переменных, тем лучше качество сети.

Исследование показало, что объект с равномерным графиком нагрузки {ГПЗ, Но-ябрьск) имеет меньшее количество нейронов в скрытом слое, а предприятие с неравномерным графиком большее. Нейросетевая модель прогнозирования способна обрабатывать непрерывно не только большое количество параметров, но учитывать разнородную информацию о текущих и прогнозируемых режимах функционирования объекта.

Рассмотрение нескольких функций активаций показало, что использование функции гиперболического тангенса (рис. 5) как функции активации дает лучшие результаты, на что указывают минимальные ошибки модели рассмотренных объектов: Ноябрьск - 1,89%, Новосибирск -1,902%.

Эта функция идеально подходит для настройки многослойных персептронов с различной архитектурой сети.

Рис. 5. Изменение ошибки модели при различных функциях активации

При решении второй поставленной задачи в краткосрочном прогнозировании суточного графика электрической нагрузки для промышленных предприятий учитывались результаты первой задачи, в качестве входных параметров использовались суточные графики показаний активной мощности предприятий и ретроспективные данные - температуры и текущего дня недели.

Прогнозирование производилось отдельно для каждого часа двух суток, в связи с этим изменилась конфигурация сети, а тип нейронной сети и алгоритм обучения остались неизменными. Для каждого дня была найдена среднеквадратическая ошибка: Ноябрьск: 1-й день - 2,76%; 2-й день - 2,72%; Новосибирск: 1-й день - 11,9%; 2-й день- 12,8%.

Прогнозирование авторегрессионной моделью проводится в несколько этапов. Прежде чем подогнать к временному ряду авторегрессионную модель, его необходимо сделать стационарным. Поэтому последовательные преобразования сделают его раз за разом все более похожим на стационарный.

Модель АРПСС является наиболее простой из возможных моделей. Модель представляет значения ряда, наблюдаемые в данный момент в виде конечной линейной комбинации предыдущих значений самого ряда, отсюда сам термин - авторегрессия линейной комбинации значений временного ряда с независимыми значениями (отсюда термин -скользящее среднее).

Ошибка прогноза: при учете параметра авторегрессии: Ноябрьск - 3,23%; Новосибирск - 7,08%; Ноябрьск - 1,85%; Новосибирск -4,04%.

Согласно данному методу, выявлено два основных типа параметров модели авторегрессии и проинтегрированного скользящего среднего, которые значительно влияют на качество ошибки прогнозирования электрической нагрузки.

Сравнительный анализ методов обучения многослойных персептронов применительно к задаче краткосрочного прогнозирования электрической нагрузки промышленных предприятий произведен по трем алгоритмам и выбранной ранее оптимальной архитектуре нейронной сети, которой соответствует четвертая модель, имеющая наименьшую ошибку.

Прогнозирование электрической нагрузки в часы максимума реализуется практически в реальном масштабе времени и требует быстрого принятия решений. Быстрое реагирование достигается за счет упрощения статистических моделей прогнозирования, использующих небольшой объем исходной информации.

Таким образом, была поставлена задача определения этого периода предыстории для рассматриваемых объектов различных отраслей промышленности.

Была выбрана четвертая нейросетевая модель и алгоритм обучения квази-Ньютона, но в произведенных расчетах за период предыстории (рис, 6) были взяты годовые значения исходных данных, что возможно снижает быстродействие нейронной сети. Определим же минимально достаточный период предыстории, при котором ошибка модели также имеет минимальное значение.

Рис. 6. График ошибки при определении минимально достаточного периода предыстории для газонефтеперерабатывающего завода

Исследования показали, что минимально достаточный период предыстории равен шестидесяти трем, при котором выявилась минимальная ошибка модели нейронной сети, равная 1,75%.

Для ГПЗ Ноябрьска произведен краткосрочный прогноз максимальной электрической нагрузки с учетом изменяющейся топологии электрической сети. В качестве примера изменения топологии принято отключение автотрансформаторов на питающей подстанции .

Для решения поставленной задачи использовался пакет SNN, тип нейронной сети - многослойный персептрон.

Входными нейронами являются значения суточного максимума электрической нагрузки, температура, тип дня недели и состояние автотрансформатора на рассматриваемый день.

Нейросетевая модель с учетом изменяющейся топологии электрической сети, а, в частности, отключений автотрансформаторов, обучаясь данным методом, избежала локальных минимумов и также является допустимой по полученным значениям ошибки модели. Значение ошибки краткосрочного прогнозирования максимума электрической нагрузки ГПЗ соответствует точности, с которой предприятие может работать на ОРЭМ и составляет 2,56%.

Основные результаты работы

Произведен анализ интеллектуальных информационных технологий для решения задачи прогнозирования и сделан вывод о целесообразности использования искусственных нейронных сетей при решении поставленной задачи для промышленных предприятий в условиях свободной конкуренции на оптовом рынке электроэнергии.

Классифицированы по входным параметрам исходные данные, необходимые для прогнозирования электрической нагрузки промышленных предприятий различных отраслей промышленности с учетом возможности их сбора в условиях реально работающего производства.

Показана целесообразность применения в электроэнергетике интеллектуальных информационных технологий, в частности методов искусственных нейронных сетей для задачи краткосрочного прогнозирования электрической нагрузки.

На основании проведенных исследований представлена оптимальная нейросетевая модель решения задачи краткосрочного прогнозирования электрической нагрузки промышленных предприятий различных отраслей промышленности. Исследованы различные функции активации нейронной сети и выбрана тригонометрическая функция гиперболического тангенса, при использовании которой получены минимальные ошибки модели 1,89-2,44%.

Установлено, что при решении задачи краткосрочного прогнозирования электрической нагрузки с помощью нейросетевого алгоритма, в котором использовались различные методы обучения искусственных нейронных сетей, наилучшие результаты показал квази-Ныотоновский метод, при котором абсолютная погрешность модели прогнозирования на суточном интервале не превысила 2%.

Выявлены более значимые параметры модели авторегрессии и проинтегрированного скользящего среднего, такие как параметр скользящего среднего и сезонный параметр скользящего среднего, которые значительно влияют на качество ошибки краткосрочного прогнозирования электрической нагрузки, которая составила не более 9%.

Выполнен сравнительный анализ вероятностно-статистических методов и нейросетевых алгоритмов в задачах краткосрочного прогнозирования электрической нагрузки промышленных предприятий. Показано, что ошибка прогнозирования нейросетевого алгоритма составила 1,65%, что меньше, чем при решении данной задачи вероятностным методом, где ошибка 9%.