КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ С ПРИМЕНЕНИЕМ ИСКУСТВЕННОГО ИНТЕЛЛЕКТА

SHORT FORECASTING ELECTRICAL LOADS USING ARTIFICIAL INTELLIGENCE

Vlada V. Martyusheva

student, department of power supply systems of enterprises, Novosibirsk State Technical University,

Russia, Novosibirsk

Svetlana V. Rodygina

candidate of technical Sciences, associate professor, Novosibirsk State Technical University,

Russia, Novosibirsk

АННОТАЦИЯ

В статье рассмотрены основные теоретические положения искусственных нейронных сетей, раскрыты их некоторые свойства и особенности, методы обучения. Выполнена практическая реализация задачи краткосрочного прогнозирования, а также проведен сравнительный анализа влияния исходных данных на точность результата.

ABSTRACT

The article discusses the main theoretical positions of artificial neural networks, reveals some of their properties and features, and training methods. A practical implementation of the short-term forecasting task is performed, as well as a comparative analysis of the influence of the source data on the accuracy of the result.

Современные высокие требования рынка электрической энергии к показателям качества прогнозных расчетов (достоверности, точности, быстродействию и так далее), стимулируют к поиску новых подходов к прогнозированию электрических нагрузок. Краткосрочное прогнозирование электрической нагрузки представляет собой базовую исходную информацию для поиска и принятия решений в ходе планирования режимов электроэнергетической системы (ЭЭС) и оперативно-диспетчерского управления. Результаты прогноза применяются в расчетах оптимальных режимов ЭЭС по активной мощности, планирования вывода в ремонт силового оборудования, оценивании режимной надежности и так далее.

В последнее время в результате развития теории искусственного интеллекта было предложено решение задачи прогнозирования электрической нагрузки с помощью искусственных нейронных сетей (ИНС). Их преимущество перед традиционными моделями выражается в том, что нет необходимости построения модели объекта, не теряется работоспособность при недостатке исходной информации. Нейронные сети являются устойчивыми к помехам, а также обладают высоким быстродействием.

С целью решения задачи с использованием нейронной сети существует необходимость сбора исходной информацию для обучения. Набор исходных данных, обучающих сеть, представляет собой набор наблюдений, для которых определены значения входных и выходных переменных. Необходимо условиться, какие переменные будут использоваться и какое количество наблюдений необходимо собрать.

Нейронные сети имеют способность работать только с числовыми данными, лежащими в определенном ограниченном диапазоне. При этом могут возникнуть затруднения в случаях, когда в них имеются пропущенные значения, и когда данные имеют нечисловой характер. Числовые данные модифицировать в подходящий для сети диапазон, а недостающие значения возможно изменить на среднее значение этой переменной по уже имеющимся обучающим примерам.

Задача выбора количества наблюдений для обучения сети очень часто оказывается непростой. Существует ряд эвристических правил, связывающий количество требующихся наблюдений с размерами сети (в самом простом говорится о том, что число наблюдений должно быть в десять раз больше числа связей в сети). В реальности, это число зависит также от заранее неизвестной сложности того представления, которое нейронная сеть хочет воспроизвести. С ростом количества переменных количество необходимых наблюдений нелинейно возрастает, поэтому даже при довольно небольшом числе переменных существует вероятность в необходимости огромного числа наблюдений.

При решении большинства реальных задач требуется иметь дело с не вполне реальными данными. Значения некоторых переменных могут быть искажены под действием шума или временами отсутствовать. Тем не менее нейронные сети в целом устойчивы к шумам. Но и у этой устойчивости есть предельное значение. Например, наблюдения, лежащие очень далеко от области нормальных значений какой-либо переменной, могут исказить результат обучения. В таких случаях, оптимальным вариантом будет отыскать и ликвидировать эти выбросы (либо убрать соответствующие наблюдения, либо откорректировать выбросы в пропущенные значения).

Практическая реализация поставленной цели выполнена в программе STATISTICA NEURAL NETWORKS. В качестве исходных данных были использованы суточные графики показаний активной мощности, из которых были выбраны дневные максимумы использования электрической нагрузки. Прогноз осуществлялся на сутки вперед. Первоначальный период ретроспективы составляет два месяца.

Построение сети (после выбора входных переменных) включает в себя следующие шаги:

• Определение начальной конфигурации сети (например, один промежуточный слой с количеством переменных в нем, равным полусумме числа входов и числа выходов – наставник пакета ST Neural Networks предлагает такую конфигурацию по умолчанию).
• Проведение нескольких экспериментов с различными конфигурациями, выделяя запоминая при этом оптимальную сеть. В программе ST Neural Networks предусмотрено автоматическое запоминание лучшей сети во время исследования. Для каждой конфигурации рекмендуется провести сразу несколько экспериментов.
• В том случае, когда в эксперименте замечено недообучение (сеть не выдает результат требуемого качества), можно попробовать добавить дополнительные нейроны в промежуточный слой (слои). Если и это не приведет к результату, можно попробовать добавить новый промежуточный слой.
• В случае переобучения сети (контрольная ошибка идет на увеличение), попробовать удалить несколько скрытых элементов (а возможно и слоев).

Многократное проведение экспериментов вручную довольно утомительно. С этой целью в пакет STATISTICA NEURAL NETWORKS входит специальный алгоритм автоматического поиска, выполняющий эксперименты с варьирующимся количеством числа скрытых элементов, для каждой пробной архитектуры сети выполняющий несколько прогонов обучения, отбирая при этом наилучшую сеть по показателю контрольной ошибки с поправкой на размер сети [1].

Для обучения многослойного персептрона в пакете STATISTICA NEURAL NETWORKS имеется пять различных алгоритмов обучения. Прогнозирование происходит с использованием следующих методов:

1. Метод обратного распространения ошибки.
2. Метод Левенберга-Маркара.
3. Спуск по сопряженным градиентам.
4. Метод быстрого распространения.
5. «Дельта-дельта с чертой».

Значение ошибки обучения по каждому методу представлено в табл. 1.

Таблица 1.

Значение ошибки обучения по каждому методу

Как видно из таблицы, наименьшее значение ошибки получилось в методе обратного распространения ошибки. Этот метод использовался в дальнейшем, при этом период ретроспективы был увеличен до трех месяцев.

Можем сделать вывод, что увеличение периода ретроспективы приводит к уменьшению ошибки прогноза.

Следующим шагом был расчет задачи краткосрочного прогнозирования электрической нагрузки при нескольких вариантах исходных данных. При этом используя дополнительные ретроспективные данные (температура (t), рабочие и праздничные (выходные) дни (D)), определим степень влияния факторов на качество ошибки прогнозирования и оптимальную архитектуру нейронной сети. При создании нейронной сети главной целью является получение минимальной ошибки [2].

Полученные результаты сведем в табл. 2.

Таблица 2.

Результаты расчетов при различных вариациях исходных данных

В четвертом столбце указано число входных переменных, которые использует нейронная сеть. В приоритете использование сети с наименьшим числом входных переменных, если при этом заметно не ухудшается ее качество по сравнению с теми сетями, где используется большее число переменных на входе. Использование меньшего числа переменных означает, что для работы с сетью необходимо обладать меньшим количеством информации.

В пятом столбце приводится число “скрытых” элементов, то есть число элементов во втором слое сети. Число скрытых элементов показывает сложность сети – сети с большим числом таких элементов способны моделировать сильно нелинейные зависимости. Если это заметно не влияет на качество нейронной сети, лучше использовать сети с меньшим числом скрытых элементов, так как они быстрее работают и занимают меньше места. В данном исследовании количество скрытых нейронов сети было подобрано экспериментально.

В последнем столбце показана ошибка сети, полученная на контрольном подмножестве, которая вычисляется по всем контрольным множествам. Чем меньше эта ошибка, тем лучше качество сети.

Можно сделать вывод, что сеть с меньшим числом входных переменных показывает не лучшие результаты, а лучшим вариантом является четвертый.

В заключении хотелось бы отметить, что в настоящее время интерес к применению нейронных сетей с каждым годом возрастает все больше. Это связано с развитием инновационных технологий и использования искусственного интеллекта в различных сферах деятельности, в особенности в энергетике.

Список литературы:

1. Боровиков В.П. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных 2-е изд., перераб. и доп. — М.: Горячая линия - Телеком, 2008. — 392 с.
2. Родыгина С. В. Модели прогнозирования электрической нагрузки энергоемких предприятий = Electrical load forecasting models for industrial facilities with high power consumption / С. В. Родыгина, А. В. Родыгин, В. Я. Любченко // Энергобезопасность и энергосбережение. - 2017. - № 2. - С. 22-26.