CC BY
47
УДК 621.331:621.311.004.18
А. А. Комяков, А. В. Пономарев, О. А. Комякова
ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
ДЛЯ ПЛАНИРОВАНИЯ РАСХОДА ЭЛЕКТРОЭНЕРГИИ НА НЕТЯГОВЫЕ НУЖДЫ СТРУКТУРНЫХ ПОДРАЗДЕЛЕНИЙ ЖЕЛЕЗНЫХ ДОРОГ
В статье рассмотрена возможность применения современного математического аппарата искусственных нейронных сетей для планирования расхода электрической энергии нетяговых железнодорожных потребителей различной хозяйственной принадлежности с учетом влияния внешних факторов.
В последнее время на железнодорожном транспорте широко внедряются автоматизированные системы коммерческого учета топливно-энергетических ресурсов (АСКУ ТЭР, АСКУЭ). Возможности, предоставляемые этими системами, чрезвычайно широки. К ним относятся:
1) сбор, обработка и представление информации об энергопотреблении;
2) предоставление отчетов и справок о деятельности объекта на основе автоматизированного составления различных форм и видов информационных документов;
3) обработка информации на основе научно обоснованной методологии и поддержки принятия решений;
4) планирование энергопотребления объектов предприятий, контроль за энергопотреблением и управление им.
Первые две возможности являются практически стандартными для любого потребителя. Реализация третьей и четвертой возможностей в настоящее время не осуществляется в полном объеме. Это относится и к функции планирования энергопотребления на нетяговые нужды.
В настоящее время планирование расхода электроэнергии на нетяговые нужды структурных подразделений железных дорог на уровне дорожных топливно-энергетических центров (НТЭЦ) в большинстве случаев осуществляется по принципу «от достигнутого уровня», т. е. исходя из фактического расхода за предшествующий период. Такая система планирования не позволяет определить возможное изменение расхода электрической энергии за счет влияния таких факторов, как температура воздуха, изменение ремонтно-эксплуатационной работы структурных подразделений, ввод или вывод из эксплуатации энергопотребляющего оборудования, внедрение современных технических средств и ресурсосберегающих технологий. При существующей системе планирования расхода электроэнергии на нетяговые нужды расхождение 3 между планируемым и фактическим расходом по отдельным структурным подразделениям в основном превышает 5 %, а в ряде случаев достигает 15 % (рисунок 1). В итоге это приводит к установлению недостоверных лимитов электропотребления и к неэффективному использованию денежных средств на приобретение энергоресурсов.
В связи с этим возникает необходимость в разработке новой, научно обоснованной системы планирования расхода электрической энергии на нетяговые нужды. В настоящее время в России и за рубежом при планировании нагрузок электроэнергетических систем и промышленных предприятий применяются методы, которые можно классифицировать следующим образом.
Эвристические методы. Эвристическое планирование заключается в интуитивном выборе из множества обстоятельств важнейших и решающих. Данные методы применимы для прогнозирования любых процессов, независимо от того, непрерывный процесс или дискретный, стационарный или нестационарный, требуется качественный или количественный, имеется статистика или не имеется, описаны ли математически закономерности процесса или нет. Результаты эвристического прогнозирования представляются различными видами экспертных оценок.
Основные методы коллективных экспертных оценок включают в себя методы комиссий,
№ 1(5) 2011
«Делфи», коллективной генерации идей, матричный метод и др.
Методы, в которых потребление электрической энергии рассматривается как детерминированный процесс. К ним можно отнести методы с применением средних характеристик ряда динамики электропотребления: среднего абсолютного прироста и среднего темпа роста. В эту же группу входит метод удельных нагрузок на 1 м2 производственной площади предприятия, используемый применительно к силовой нагрузке машиностроительных предприятий и получивший распространение при предварительных расчетах для производства с неустановившейся технологией.
Вероятностные методы основаны на вероятностном характере электропотребления и объединяют в своем составе самые разнообразные способы планирования, которые базируются на принципах и законах теории вероятностей и математической статистики. К подобным методам можно отнести методы прогнозирования с помощью скользящей средней, метод экспоненциального сглаживания, корреляционного и регрессионного анализа, адаптивной фильтрации, метод с использованием цепей Маркова и некоторые другие.
Перечисленные математические модели потребления электрической энергии имеют следующие недостатки:
- линейная функциональная зависимость выходной величины от набора входных факторов;
- детерминированный характер используемых моделей;
- ограниченный объем входных факторов.
Математический аппарат, положенный в основу современной системы планирования потребления электроэнергии на железнодорожном транспорте, должен удовлетворять следующим требованиям:
- иметь возможность задания наиболее подходящей под процесс энергопотребления функциональной зависимости, в том числе нелинейной;
- учитывать случайный характер реального процесса энергопотребления;
- иметь возможность учитывать множество внешних и внутренних факторов (в том числе неявно заданных).
Поставленным требованиям в полной мере удовлетворяет математический аппарат искусственных нейронных сетей (ИНС). ИНС представляют собой современный математический аппарат, который нашел широкое применение как за рубежом (в качестве системы принятия решений), так и в России для прогнозирования нагрузок электроэнергетических систем [1, 2].
Основу каждой ИНС составляют относительно простые, в большинстве случаев однотипные элементы (ячейки), имитирующие работу нейронов мозга (рисунок 2). Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены, и имеет группу синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также аксон - выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на
20
%
10 -
13,2
1,7
о
8,5
о а:
Т
ш
9,5
13,7
10,1
7,8
т 1=
О
а:
ш
Т
Рисунок 1 - Погрешность планирования расхода электроэнергии для различных структурных подразделений
о <
о
синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом
ПЛ.
Текущее состояние нейрона определяется как взвешенная сумма его входов:
ж
(1)
/=1
Рисунок 2 - Общий вид искусственного нейрона
Входной слой Скрытый слой Выходной слой
Рисунок 3 - Структура искусственной нейронной сети
Выход нейрона есть функция его состояния:
У = As). (2)
Нелинейная функция / называется активационной.
Для обеспечения параллельной обработки сигналов осуществляется объединение большого числа нейронов в так называемые слои и соединение определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно. Функционирование многослойной ИНС, структура которой представлена на рисунке 3, достаточно простое. Входные сигналы xf,
подаваемые на сеть, поступают на нейроны входного слоя, проходят по очереди через все скрытые слои и выделяются с нейронов выходного слоя, формируя при этом выходные сигналы у1. По мере распространения сигналов по сети они претерпевают ряд преобразований, которые зависят от их начального значения, от преобразующей функции и величин весов связей. Определение структуры ИНС (структуры реализуемой ею функции) сводится к выбору подходящей модели нейрона, достаточного числа нейронов в скрытом слое, входных и выходных параметров и формы их представления на основании результатов экспериментальных расчетов.
Нейросеть используется как «черный ящик», который можно «обучать» решению задач из какого-нибудь класса. ИНС предъявляются входные данные задачи и ответ, полученный любым способом, который соответствует этим данным. ИНС должна сама построить внутри «черного ящика» алгоритм решения этой задачи, чтобы выдавать ответ, совпадающий с правильным. Чем больше различных пар «исходные данные - ответ» будет предъявлено ИНС, тем адекватнее решаемой задаче она «сконструирует» модель. После этапа обучения ИНС предполагается, что если ей предъявить ранее неизвестные исходные данные, она тем не менее выдаст правильное решение - в этом заключается способность ИНС к обобщению [3].
Процесс обучения состоит в настройке параметров сети. При этом, как правило, топология сети остается неизменной, а к настраиваемым параметрам обычно относятся параметры нейронов и величины синаптических весов. Под обучением принято понимать процесс изменения весов связей между нейронами.
Среди основных особенностей, определяющих эффективность применения ИНС при планировании расхода электрической энергии, следует отметить следующие:
=ИВНЕСТИЯ Транссиба 65
способность осуществлять планирование с учетом большого количества влияющих факторов;
высокая оперативность прогнозирования за счет максимальной распараллеленности процесса обработки информации;
нечувствительность к недостатку априорной информации о динамике прогнозируемого процесса;
способность решать слабо формализованные задачи, т. е. выявление неявных аналогий прецедентов наблюдений;
способность к дообучению.
Для определения входных переменных нейронной сети при решении задачи планирования электропотребления на нетяговые нужды предлагается воспользоваться моделью, описывающей изменения во времени фактических значений расхода электроэнергии, которая в общем виде представляется нелинейной функцией:
^г=тг_п,Тг_„,ег), (3)
где Жг - фактический расход электроэнергии за промежуток времени т;
1¥т_п - предшествующие наблюдения расхода электроэнергии;
Тг_п — предшествующие наблюдения внешних факторов, влияющих на объем электропотребления;
п - индекс ретроспективы данных;
£т - случайная составляющая, представляющая ненаблюдаемые эффекты, влияющие на
объем электропотребления.
Пилотное внедрение нейросетевой модели планирования электропотребления на нетяговые нужды предполагается осуществить в дорожном топливно-энергетическом центре Южно-Уральской железной дороги. При этом данные об изменении влияющих факторов предоставляются в НТЭЦ от структурных подразделений (рисунок 4). Контроль за планированием расхода электроэнергии осуществляется Управлением планирования и нормирования материально-технических ресурсов (ЦУНР).
Реализация проекта по разработке системы планирования расхода электроэнергии на нетяговые нужды с использованием ИНС включает в себя пять основных этапов.
На первом этапе осуществляется исследование процесса электропотребления в конкретных условиях выбранных структурных подразделений. В результате формируется перечень факторов, которые необходимо учитывать при построении нейросетевой модели.
В качестве основных факторов, влияющих на расход электрической энергии на нетяговые нужды, принимаются следующие [4]:
- объем ремонтно-эксплуатационной работы структурного подразделения V;
- температура воздуха
- приведенная мощность электрооборудования, используемого в СП, Р
Влияющие факторы
4
НТЭЦ
Влияющие факторы
факторы факторы факторы
Рисунок 4 - Структурная схема функционирования нейросетевой модели планирования электропотребления
66 ИЗВЕСТИЯ Транссиб!^— м;01'5)
06301360
Информация о предшествующих наблюдениях расхода электроэнергии WT_n принимается по данным АСКУЭ железнодорожных узлов.
Огромную роль при работе с нейронными сетями играет область изменения влияющих факторов. Для снижения риска появления сбоев в процессе использования ИНС обучение последней следует осуществлять с помощью выборки, содержащей близкие к минимально и максимально возможным значения выбранных входных параметров (например, все возможные диапазоны температуры, широкий выбор объемов ремонтно-эксплуатационной работы по данному структурному подразделению).
Результатом выполнения первого этапа разработки системы планирования расхода электроэнергии должны стать выборки данных для обучения и тестирования ИНС и база знаний о процессе электропотребления исследуемых данных. Эта информация используется при построении ИНС на втором этапе.
Второй этап разработки состоит в построении ИНС на основе полученных выборок и обучении нейронной сети.
Работа с нейронными сетями не вполне удобна и интуитивно понятна, поэтому на третьем этапе реализации проекта предусмотрена разработка программного обеспечения с удобным пользовательским интерфейсом. В качестве основной характеристики разрабатываемого программного обеспечения целесообразно использовать максимально возможную величину погрешности планирования (с заданной доверительной вероятностью).
Четвертый этап предполагает разработку нормативно-технической документации, которая будет включать в себя методику планирования потребления электроэнергии на основе нейронных сетей и инструкцию по использованию программного продукта.
Завершает проект пятый этап, когда осуществляется внедрение программного обеспечения в НТЭЦ и тестирование его на корректность работы.
Ожидаемый эффект от внедрения указанной системы формируется за счет повышения точности планирования и достоверности установления лимитов электропотребления и оценивается в 1 - 2 % от общих затрат на приобретение электроэнергии.
В рамках реализации предложенного проекта достигаются следующие результаты:
более эффективно используется потенциал автоматизированных систем коммерческого учета энергоресурсов;
повышение точности планирования энергоресурсов и эффективности использования денежных средств на их приобретение.
Внедрение указанной системы позволит ОАО «Российские железные дороги» перейти на качественно новый, современный уровень планирования потребления энергоресурсов, что повышает инвестиционную привлекательность компании.
Список литературы
1. Hippert, Н. Large neural networks for electricity load forecasting: Are they overfitted? [Текст] /Н. Hippert, D. Bunn, R. Souza. Int. J. Forecasting. Vol. 21, n. 3, 2005. P. 425-434.
2. Мунхжаргал, С. Разработка и исследование нейросетевых алгоритмов краткосрочного прогнозирования нагрузки центральной электроэнергетической системы Монголии [Текст]: Дис... канд. техн. наук. Новосибирск, 2004. - 177 с.
3. Крюков, А. В. Прогнозирование электропотребления с применением аппарата нейронных сетей [Текст] / A.B. Крюков, Н.В. Раевский, Д.А. Яковлев // Proceedings of the International conference 29-31 March 2004. Irkutsk state transport university-Technological educational institution of Athens. - Irkutsk, 2004. - P. 240 - 247.
4. Комяков, А. А. Анализ факторов, влияющих на расход электрической энергии на нетяговые нужды структурных подразделений железнодорожного транспорта [Текст] / А. А. Комяков // Научные проблемы транспорта Сибири и Дальнего Востока. - Новосибирск, 2009. -№ 1. - С. 151-153.
№ 1(5) 2011
