ВОЗМОЖНОСТЬ РЕШЕНИЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

THE POSSIBILITY OF SOLVING THE PROBLEM OF PREDICTING ELECTRICAL LOAD USING ARTIFICIAL NEURAL NETWORKS

Nikita Dankev

student, Don State Technical University,

Russia, Rostov-on-Don

АННОТАЦИЯ

В данной статье описана возможность решения задачи прогнозирования электрической нагрузки с помощью искусственных нейронных сетей.

ABSTRACT

This article describes the possibility of solving the problem of predicting electrical load using artificial neural networks.

Ключевые слова: прогнозирование, электрическая нагрузка, нейронные сети.

Keywords: forecasting, electrical load, neural networks.

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.

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.