CC BY
65
УДК 004.94
ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ СОЛНЕЧНОЙ ЭНЕРГИИ*
Ю. А. Камшилова Научный руководитель - Е. С. Семенкин
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected]
В настоящее время многие страны переходят на использование альтернативных источников энергии, таких как солнечная, ветряная, геотермальная энергия, гидроэнергетика и другие. Солнечная энергетика является одним из наиболее перспективных способов производства электроэнергии. Существенными недостатками данной отрасли являются непостоянность поступления солнечного излучения на поверхность, а также сильная зависимость от погодных условий. Данные факторы делают невозможным использование солнечной энергии в промышленных масштабах. Поэтому актуальна задача краткосрочного прогнозирования вырабатываемой энергии.
Ключевые слова: искусственные нейронные сети, метод опорных векторов, солнечная энергетика, прогнозирование.
USING DATA MINING TECHNOLOGIES IN SOLAR ENERGY FORECASTING PROBLEM
Yu. A. Kamshilova Scientific supervisor - E. S. Semenkin
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected]
Nowadays many countries are switching to use of alternative energy sources, such as solar, wind, geothermal energy, hydroenergetics and others. Solar energy is one of the most perspective ways of the electricity generation. A changeability of the incoming solar radiation to the surface and the strong dependence on weather conditions are significant disadvantages of this field. These factors make it impossible to use the solar energy in an industrial scale. Therefore the problem of the short-term forecasting of the solar power is the important area of investigations.
Keywords: artificial neural networks, support vector machine, solar energy, forecasting.
Человеческую жизнь в современном мире невозможно представить без энергии. В настоящее время основным ее источником является органическое топливо (уголь, газ, нефть). Однако его запасы в недрах Земли ограниченны. Поэтому надо искать альтернативные источники энергии (солнечная, ветряная, геотермальная энергия, гидроэнергетика и другие), использование которых позволит снизить потребление органического сырья в электроэнергетике. Одним из наиболее перспективных способов производства электроэнергии является солнечная энергетика.
Солнечная энергия это возобновляемый, неисчерпаемый и экологически чистый источник энергии. В качестве основных необходимых условий для развития солнечной энергетики можно отметить: длинный световой день, преобладание солнечной погоды в дневное время суток и высокий угол падения солнечных лучей. Исходя из этого, наиболее благоприятными регионами развития являются страны в тропических и субтропических климатических поясах. Однако при промышленном использовании большим недостатком является то, что интенсивность солнечного излучения сильно зависит от времени суток и погодных условий. Поэтому, в связи с прерывистым характером возоб-
* Работа выполнена в рамках проекта RFMEFI57414X0037.
Секция «Математические методы моделирования, управления и анализа данных»
новляемых источников энергии, актуальна задача прогнозирования объемов вырабатываемой солнечной энергии.
Задача прогнозирования - одна из самых сложных задач анализа данных и требует тщательного анализа исходных данных, выявления закономерностей в них, а также отбора информативных признаков.
Исходными данными для задачи прогнозирования солнечной энергии является многолетняя статистика, содержащая сведения о погодных условиях и величине солнечного излучения. В данной работе рассматривались три независимые солнечные станции, расположенные на разной высоте над уровнем моря [1]. Для каждой из них собраны данные с 01.04.2012 по 30.09.2014. В результате необходимо сделать краткосрочный прогноз. Прогноз должен содержать значения вырабатываемой энергии на следующий месяц, интервал прогнозирования - 1 час.
В качестве методов решения данной задачи использовались искусственные нейронные сети (ANN) [2] и метод опорных векторов для регрессии (SVM) [3; 4].
В процессе анализа исходных данных было выявлено, что в зависимости от сезона значения вырабатываемой энергии могут сильно отличаться. Поэтому при построении модели нецелесообразно использовать все данные. То есть при прогнозировании энергии в летние месяцы не стоит учитывать данные зимних месяцев и наоборот. Также было выявлено, что погода и объемы вырабатываемой энергии в течение каждого конкретного месяца в разные годы отличается незначительно. Таким образом, необходимо учитывать данные прогнозируемого месяца за предыдущие годы, а также за несколько месяцев до и после.
В течение года продолжительность светового дня меняется, поэтому при прогнозировании необходимо точно определить продолжительность дня и ночи. Для этого можно обратиться к данным прогнозируемого месяца предыдущих годов.
В таблице приведена абсолютная средняя ошибка для различного объема используемых при прогнозировании данных: 3, 5, 7 и 12 месяцев каждого года. В процессе анализа было выявлено, что оптимально учитывать 5 или, в некоторых случаях, 7 месяцев каждого года.
Сравнение методов в зависимости от различного количества входных данных
№ станции Метод Средняя абсолютная ошибка, %
3 месяца 5 месяцев 7 месяцев 12 месяцев
1 ANN 4.98 3.76 4.92 7.18
SVM 6.53 4.21 4.49 7.16
2 ANN 6.91 4.07 3.66 7.61
SVM 5.62 4.13 3.93 6.34
3 ANN 7.11 3.78 4.93 7.84
SVM 5.86 4.74 4.56 7.96
Использованные в данной работе методы позволяют получить приблизительный прогноз. Однако точность получаемого прогноза зависит от выбранного метода и, в особенности, от настройки его параметров, а также от точности используемого прогноза погоды
Таким образом, для повышения эффективности и обоснованности прогнозирования объемов производства солнечной энергии необходима разработка технологий автоматического проектирования и настройки под конкретную задачу как нейронных сетей [5; 6], так и машин опорных векторов [7] с помощью самонастраивающихся адаптивных алгоритмов оптимизации [8; 9] для выбора эффективной структуры и настройки параметров используемых методов. Кроме того, для повышения качества прогнозирования следует провести отбор информативных признаков, что также осуществимо с помощью самонастраивающихся эволюционных алгоритмов [10]. Дополнительно повышение эффективности прогнозов возможно за счет применения коллективов технологий интеллектуального анализа данных [11]. Применение таких технологий в решении данной задачи позволит исключить необходимость в эксперте в области вычислительного интеллекта и оптимизации.
Библиографические ссылки
1. Global Energy Forecasting Competition 2014: Probabilistic Solar Power Forecasting [Электронный ресурс]. URL: https://www.crowdanalytix.com/contests/global-energy-forecasting-competition-2014-probabilistic-solar-power-forecasting (дата обращения: 07.04.2015).
2. Brester Ch. Yu., Semenkin E. S. Development of adaptive genetic algorithms for neural network models multicriteria design // Вестник Сибирского государственного аэрокосмического университета им. академика М. Ф. Решетнева. 2013. № 4 (50). С. 99-103.
3. Cortes C., Vapnik V. N. Support-Vector Networks // Machine Learning, 20, 1995.
4. Smola A. J., Schoelkopf B. A tutorial on support vector regression. Statistics and Computing, 1998.
5. Камшилова Ю. А. Применение генетических алгоритмов для автоматического формирования нейронных сетей // Решетневские чтения : сб. тр. Междунар. конф. Красноярск, 2014. С. 59-61.
6. Brester K., Semenkin E. Development of adaptive genetic algorithms for neural network models multicriteria design // Вестник СибГАУ. 2013. Вып. 4 (50). С. 99-103.
7. Sh. Akhmedova, E. Semenkin, T. Gasanova and W. Minker. Co-operation of biology related algorithms for support vector machine automated design // International Conference on Engineering and Applied Sciences Optimization (OPT-i), Kos Island, Greece, 2014, June.
8. Ахмедова Ш. А., Семенкин Е. С. Новый коллективный метод оптимизации на основе кооперации бионических алгоритмов // Вестник СибГАУ. 2013. № 4 (50). С. 92-99.
9. Семенкин Е. С., Семенкина М. Е. Применение генетического алгоритма с модифицированным оператором равномерной рекомбинации при автоматизированном формировании интеллектуальных информационных технологий // Вестник СибГАУ. 2007. № 3. С. 27-33.
10. Брестер К. Ю. Архитектура программной системы для решения задач классификации с автоматическим извлечением информативных признаков многокритериальным генетическим алгоритмом // Решетневские чтения. 2014. Т. 2. № 18. С. 231-233.
11. Семенкин Е. С., Шабалов А. А., Ефимов С. Н. Автоматизированное проектирование коллективов интеллектуальных информационных технологий методом генетического программирования // Вестник СибГАУ. 2011. № 3. С. 77-81.
© Камшилова Ю. А., 2015
