ОБУЧЕНИЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ ЭНЕРГОПОТРЕБЛЕНИЯ В СРЕДЕ MATLAB NEURAL NETWORK TOOLBOX

Оптимальные системы. C предсказанием (с прогнозом).

Ключевые слова: электроэнергия, прогноз, искусственная нейронная сеть (electrical energy, forecast, neural network).

Введение

Задача прогнозирования данных в электроэнергетике играет особую роль. Качественный прогноз электропотребления позволяет обеспечить оптимальное распределение нагрузки энергосистемы, установить баланс производства и потребления электрической энергии, а также решать другие технологические и экономические проблемы в этой области.

Основной целью энергосбережения является сокращение затрат абонента на оплату энергоресурсов. У потребителей электроэнергии имеется ресурс сокращения расходов путем исключения оплаты штрафов за нарушения договорного графика потребления [1]. Поэтому потребители заинтересованы иметь в распоряжении средства мониторинга текущего потребления и прогнозирования будущего потребления.

Технологии искусственных нейронных сетей (ИНС) являются одним из важнейших направлений современной науки. Они находят широкое применение в различных областях.

Одной из существующих систем на сегодняшний день, позволяющей в достаточно простой форме реализовать и понять принцип работы нейронных сетей, является Matlab Neural network toolbox.

Постановка задачи

Целью данной работы является исследование применимости искусственных нейронных сетей для прогнозирования потребления электроэнергии. В качестве экспериментальных данных использовалась статистика энергопотребления и данных нагрузок за получас по прибору учета энергосбытовой компании за ноябрь и декабрь 2018 года.

Для достижения поставленной цели были сформулированы следующие задачи:

1. Выбор архитектуры искусственной нейронной сети и алгоритм обучения, представленными в Matlab Neural network toolbox.

2. Обучение модели нейронной сети на основе соответствующих исходных данных.

3. Получить результаты прогноза и оценить точность прогнозирования построенной модели.

Архитектура искусственной нейронной сети

Общую структуру искусственной нейронной сети можно описать следующим образом (рис 1). Нейросеть состоит из нескольких слоев: входного, внутренних (скрытых) и выходного. Входной слой реализует связь с входными данными, выходной – с выходными. Внутренних слоев может быть от одного и больше. В каждом слое содержится несколько нейронов. Между нейронами есть связи, называемые весами. Функция активации (активационная функция, функция возбуждения) – функция, вычисляющая выходной сигнал искусственного нейрона. В качестве аргумента принимает сигнал, получаемый на выходе входного сумматора. 

Рисунок 1. Общая структура ИНС

В Matlab Neural network toolbox для обучения ИНС была выбрана архитектура, представляющая собой модель нелинейной авторегрессии с внешними входами (NARX). При такой архитектуре сети необходимо задавать как входные значения функции, так и целевые. Данные на входе, проходя через сеть, обрабатываются в соответствии с весовыми коэффициентами, а затем снова попадают на вход сети, тем самым заменяя собой обратное распространение ошибки. Это дает возможность применения полученных после первичного обучения весовых коэффициентов при повторном обучении сети, что в свою очередь повышает точность ее работы. Также при такой архитектуре ошибка в тестовой выборке ниже, чем в обучающей, что говорит о правильном обучении сети. Общий вид изображен на рис. 2.

Рисунок 2. Общий вид модель нелинейной авторегрессии с внешними входами (NARX)

Обучение сети происходило с помощью алгоритма Левенберга — Маркуардта, который основан на достижении наименьшей среднеквадратической ошибки[2]. Обучение сети прерывается в тот момент, когда перестает происходить ее уменьшение. К достоинствам данного алгоритма обучения ИНС можно отнести быстроту обучения и достаточно низкую среднеквадратическую ошибку

Обучение нейронных сетей

Исходные данные для обучения представляют собой исходные и прогнозируемые временные ряды[3], состоящие из значений показаний потребления электроэнергии (X и Y) в момент времени и графика нагрузок получасового энергопотребления (X1 и Y1) за месячный период. Экспертная оценка, необходимая для обучения нейронной сети, содержится в исходных данных и выделяется при их обработке.

Обучающая выборка составляла 70 % от всего объема выборки, тестовая выборка 15 %, валидация 15%.  Полный объем выборки равен 1440 значениям на каждый месяц (рис 3).

Рисунок 3. Распределение обучающей выборки

Оценка прогноза

Результат по прогнозированию графика электропотребления (нагрузок) и величина ошибки представлена на рисунке 4. Максимальная величина ошибки составила 20.1 кВт за получас.

Рисунок 4. Величина ошибки при прогнозировании графика электропотребления (нагрузок)

Результат по прогнозированию графика энергопотребления и величина ошибки представлена на рисунке 5. Максимальная величина ошибки составила 2,96 кВт·ч на исходном временном ряде. На рисунке 6 представлена часть сгенерированного кода ИНС средой Matlab Neural network toolbox.

Рисунок 5. Величина ошибки при прогнозировании графика потребления электроэнергии

Рисунок 6. Генерация кода ИНС в среде Matlab Neural network toolbox

Вывод

Исходя из полученных результатов в ходе эксперимента, можно сделать вывод о том, что использование стандартных инструментов Matlab Neural network toolbox для прогнозирования энергопотребления является приемлемым, но для более достоверного прогнозирования графика нагрузок требуется не только данные входных величин за предыдущее время, но и других параметров для анализа, таких как время суток, день недели, а также температура. Поведение графика нагрузок в праздничные дни может быть непредсказуемым и в этом случае необходим опыт эксперта-аналитика для составления корректного прогноза. Также могут возникать нестандартные ситуации, в которых необходима ручная корректировка прогноза на конкретный час суток, а именно сезонный перевод времени или же изменения границ часовых зон. Введение в модель сети возможности учета метеоданных могло бы существенно повысить качество прогноза искусственной нейронной сети, так как значительную роль при формировании графика электропотребления играют погодные условия и динамика их изменений.

Возможности Matlab Neural network toolbox, такие как формирование исходного кода по обученной нейронной сети, в дальнейшем позволяют расширить стандартные возможности программного обеспечения. Таким образом, разработка искусственной нейронной сети в среде Matlab Neural network toolbox для достоверного прогнозирования энергопотребления и почасовых графиков нагрузок вполне реальна для её реализации.

Нейронные сети являются подходящим инструментом для решения задач прогнозирования энергопотребления, альтернативным традиционным статистическим методам. Дальнейшее повышение точности прогноза возможно за счет более точной и тонкой настройки структуры сети и изменения количества входных параметров.

Список литературы:

1. Об электроэнергетике: Федеральный закон РФ от 27.12.2018 года  № 35-Ф3.
2. Википедия. Временной ряд // - 2015.- URL: https://ru.wikipedia.org/wiki/Временной_ряд.
3. Хайкин Саймон. Нейронные сети. Полный курс. –– Вильямс, 2006, 1104 с.