Механизмы вычислительного интеллекта при решении задачи автоматизации прогнозирования электроэнергии

Кузнецов Роман Сергеевич; Тимофеев Юрий Вячеславович; Смирнов Николай Александрович; Тютяев Максим Сергеевич; Черкис Андрей Павлович; Щербакова Наталия Львовна

Механизмы вычислительного интеллекта при решении задачи автоматизации прогнозирования электроэнергии Р.С.Кузнецов, Ю.В.Тимофеев, Н.А. Смирнов, М.С. Тютяев, А.П.Черкис,

Н.Л.Щербакова

Волгоградский государственный технический университет, Волгоград

Введение

В данной статье рассматривается решение проблемы автоматического прогнозирования потребления электроэнергии. Такая постановка задачи обусловлена следующими тенденциями: 1) удешевление процесса сбора информации о потреблении электроэнергии; 2) невозможности решения задач для большого количества объектов с привлечением экспертов в заданные (относительно короткие) сроки. Все это привело к необходимости разработки механизмов интеллектуальной обработки большого количества информации [1]. В статье предлагается подход основанный на инвариантном процессе интеллектуальной обработки данных (CrossIndustryStandardProcessforDataMining, CRISP DM) [2, 3]. Для реализации подходов разработана концепция интеллектуальной системы управления энергосбережением и реализован прототип [1, 4].

1. Прогнозирование потребления электроэнергии в автоматическом режиме

Предлагаемый подход автоматизации процесса прогнозирования потребления электроэнергииоснован на CRISP DM и на оригинальных подходах применения коннективистских систем для прогнозирования потребления электроэнергии. В качестве объектов прогнозирования рассматривается широкий класс потребителей электроэнергии: жилые и нежилые помещения и здания различных типов. Данные о потреблении электроэнергии собираются и передаются на сервер сбора данных (система EcoSCADA, разработанная Бельгийско-Польской компанией Порта Капена) [5]. Фиксация информации о потреблении осуществляется в режиме реального времени каждые 15 минут. Дадим общее описание подхода.

Шаг 1. Добавление объекта потребителя. Данная процедура включает следующие основные шаги: 1) указание название объекта; 2) позиционирование объекта на карте и 3) загрузка данных о потреблении электроэнергии (исторические значения). Позиционирование на карте позволяет использовать информацию о месторасположении и получать информацию о погоде, которая используется для построения более точных и полных моделей прогнозирования. Для этого используются API погодных сервисов http://www.worldweatheronline.com , http://www.noaa.gov/ и других.

Шаг 2. Предварительная обработка информации. Можно выделить две основные процедуры, связанные с оценкой качества данных. Первая процедура выявление и заполнение пропусков в данных, вторая выявление выбросов и аномалий.

Шаг 3. Автоматическое построение семейства прогнозирующих моделей, параметрическая оптимизация и выбор наиболее точной модели.

Шаг 4. Оценка качества прогнозирующих моделей и выбор наиболее адекватной модели.

Шаг 5. Реализация и визуализация результатов прогноза.

Рассмотрим метод более подробно, с выделением процедур обработки данных. Пусть в системе фиксируется информация о m зданиях, для каждого из которых необходимо сформировать прогноз на h значений вперед с таким же дискретным интервалом (15 минут). Формально информация о здании имеет представление

где - информация о расположении здания, - информация о потреблении электроэнергии, - информация о погоде (температура, влажность, давление).

На первом шаге реализуются следующие процедуры. Процедура позиционирования здания на карте ВР. Для упрощения будем считать, что пользователь формирует отметку на карте (MicrosoftBing) и в содержатся значения широты и долготы. Для получения

значений для произвольного здания на основании используется процедура веб-

майнинга

WMdxll (2)

Процедура работает с погодными сервисами.

На втором шаге реализована процедура выявления и заполнения пропусков в данных

GF({yl{ (3)

Регрессионные модели и интерполяция кубическим сплайном используются в качестве базовых, реализованных в процедуре.

Процедура выявления выбросов и аномалий

04D({y},{z}) (4)

использует подход AD и ADAM [6].

Процедура

}) (5)

синтеза и настройки моделей {использует обработанные на предыдущих этапах данные

! '■ \. !. Исходя из предыдущих исследований [3, 4] входными переменными являются: 1)

потребление электроэнергии в предыдущие моменты времени, 2) информация о погоде (для обучения) и о прогнозе погоды (для расчета прогнозирования) и 3) календарные данные. В качестве вычислительного базиса используются коннективистские системы: конструктивные многослойные нейронные сети и эволюционные коннективистские системы Касабова на базе многослойных нейронных сетей. [7].

Сформированы 2 модели прогнозирования, отличающиеся набором входных переменных. Модель 1 включает 4 входные авторегрессионные переменные:

yi(t - i*672), i = 1,.. 4. (6)

Модель 2, помимо авторегрессионных, включает еще 3 входные переменные: режим работы здания (бинарная переменная, 0 - не работает, 1 - работает), день недели {1,...,7}, и номер квартала {1, 2, 3, 4}.

Для оценки качества и выбора реализована процедура

(7)

оценки качества моделей на основе множества оценок [8]. Для расчета прогноза реализована процедура

CF{[ (8)

2. Концепция интеллектуальной системы

Общее описание. Для реализации предложенного подхода и рассмотренных механизмов вычислительного интеллекта разработан прототип интеллектуальной системы.

Рис 1. Архитектура интеллектуальной системы

Система имеет следующие компоненты (рис 1): 1) семантический слой для выбора (описания) проблемы; 2) диспетчер загрузки и определения качества данных (процедуры ВР, ï, , О); 3) диспетчер запросов; 4) хранилище данных со структурой OLAP с

диспетчером загрузки информации со внешних источников данных и с прослойкой, обеспечивающей доступ к хранилищу (например, объектная схема данных, linq);5) компоненты библиотек моделей и методов;6) компоненты библиотек процессов (процесс -последовательность вызовов методов для решения проблемы, процедуры F,

);метаданные или база знаний;компонента интеллектуального формирования и управления процессами и потоками потока метаданных.

Реализация в виде веб приложения и облачного приложения.

Облачная реализация представляет собой SaaS-систему, состоящую из хранилища данных со статистикой измерений и рассчитанными прогнозными значениями иоблачной интернет-службы WorkerCloudService, развернутых в облаке WindowsAzure, а также, непосредственно, системы автоматического прогнозирования, развернутой на обыкновенном хостинге и обращающейся к данным развернутого в облаке хранилища.

Приложения-клиенты, собирающие статистику измерений с датчиков в зданиях и помещениях, в автоматическом режиме с определенной периодичностью отправляют данные облачному сервису в виде ХМЬ-пакетов.

Структура ХМЬ-пакета представлена ниже:

<data>

</measure>

</measure>

</measures>

</data>

Пакет данных содержит в себе идентификатор пользователяв тегеuserid, число измерений в тегеnum и, непосредственно, массив измеренных значений, заключенный в тегmeasures. Каждое измерение в массиве содержит в себе дату и время произведения измерения, а также полученное значение.

После отправки XML-пакет обрабатывается сервисом, который добавляет вновь полученные данные в хранилище, а также передает системе автоматического прогнозирования команду на обновление значений прогноза с учетом вновь загруженных данных.

Полученные прогнозные значения загружаются системой в хранилище данных, откуда, в свою очередь, их выгружает сервис и возвращает клиенту XML-пакет с результатами прогноза (структура XML с данными прогноза идентична структуре пакета с данными измерений).

Выводы

Для апробации предложенного подхода были проведены эксперименты с использованием информации за 2009 - 2010 годы о 17 комерческих зданиях. Выборка данных была разделена на обучающую и тестовую. Все процедуры были реализованы в атоматическом режиме, средняя ошибка составила 11% (средняя относительная ошибка, MAPE).

Одним из направлений развития данной работы является формирование записей в таблицу метаданных для выявления закономерностей между данными и структурами наиболее точных моделей.

Литература:

1. Камаев, В.А. Интеллектуальные системы автоматизации управления энергосбережением / В.А. Камаев, М.В. Щербаков, А. Бребельс // Открытое образование. - 2011. - № 2. - C. 227-231.

2. Larose, D. T. Discovering knowledge in data: an introduction to data mining / Daniel T. Larose // John Wiley & Sons, Inc. ISBN 0-471-66657-2 (cloth). - 2005.

3. Камаев В. А., Щербаков М. В., Панченко Д. П., Щербакова Н. Л., Бребельс А. Применение коннективистских систем для прогнозирования потребления электроэнергии в торговых центрах / Управление большими системами. Выпуск 31. М.: ИПУ РАН, 2010. С.92-109.

4. Щербаков, М.В. Методика выявления потенциала энергосбережения на основе интеллектуального анализа данных / М.В. Щербаков, Т.А. Яновский, А. Бребельс, Н.Л. Щербакова // Прикаспийский журнал: управление и высокие технологии. - 2011. - № 2. - C. 51-55.

5. Hill, D.J., Minsker, B.S., Anomaly detection in streaming environmental sensor data: A data-driven modeling approach, Environ. Model. Softw. (2009), doi:10.1016/j.envsoft.2009.08.010

6. Коннективистские модели идентификации динамики систем на коротких интервалахнаблюдения с заданным множеством классов поведения / М.В. Щербаков, Н.Л. Щербакова, И.П. Козлов, В.А. Камаев // Известия ЮФУ. Технические науки. -2012. - № 1. - C. 83-91.

7. Brebels A., Shcherbakov M. (2011) Calculation method for the selection of the best scale-

and domain- independent forecast model In The 31st Annual International Symposium on Forecasting (ISF 2011), 26-29 June, 2011, Prague, ISSN 1997-4, pp. 157.

http://www.forecasters.org/isf/pdfs/ISF11 Proceedings.pdf

Текст научной работы на тему «Механизмы вычислительного интеллекта при решении задачи автоматизации прогнозирования электроэнергии»