CC BY
5
ВЕСТНИК ЮГОРСКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА
_2023 г. Выпуск 2 (69). С. 124-132_
УДК 004.032.26:621.315 DOI: 10.18822/byusu202302124-132
ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ ЭЛЕКТРОПОТРЕБЛЕНИЯ
Лютаревич Александр Геннадьевич
кандидат технических наук, доцент, Югорский государственный университет Ханты-Мансийск, Россия E-mail: a_lyutarevich@ugrasu. ru
Исследование проводилось в рамках государственного задания Министерства науки и высшего образования Российской Федерации (тема «Разработка моделей вейвлет анализа нестационарных режимов электрических сетей для повышения надежности и эффективности электроснабжения потребителей», код темы: FENG-2023-0005).
Предмет исследования: прогнозная модель нейронной сети для суточного графика нагрузки.
Цель исследования: прогнозирование электропотребления на основе графика электрических нагрузок с помощью гибридной нейронной сети.
Объект исследования: методы прогнозирования параметров системы электроснабжения.
Основные результаты исследования: представлены результаты прогноза параметров системы электроснабжения на основе суточных графиков нагрузки. Моделирование проводилось в программном комплексе MATLAB. В качестве инструмента прогнозирования использовалась нейронная сеть, для обучения которой применялись значения нагрузки, усредненные на часовых интервалах времени и коэффициенты, характеризующие суточные графики нагрузок. Полученные результаты показали, что гибридная сеть дает достаточно точный результат, тем самым подтверждая адекватность применения нейронной сети для прогнозирования мощности или потребления электроэнергии. Результаты исследования могут быть использованы для краткосрочного прогнозирования и других параметров системы электроснабжения.
Ключевые слова. Искусственный интеллект, нейронная сеть, прогнозирование электропотребления, график нагрузки.
APPLICATION OF NEURAL NETWORKS FOR PREDICTION OF POWER CONSUMPTION PARAMETERS
Alexander G. Lyutarevich
Candidate of Technical Sciences, Associate Professor, Yugra State University Khanty-Mansiysk, Russia E-mail: a_lyutarevich@ugrasu.ru
Research was carried out within the framework of the state task of the Ministry of Science and Higher Education of the Russian Federation (topic "Development of wavelet analysis models for non-stationary modes of electrical networks to improve the reliability and efficiency of power supply to consumers ", topic code: FENG-2023-0005).
Subject of research: predictive neural network model for a daily load schedule.
Purpose of the study: prediction of power consumption based on the graph of electrical loads using a hybrid neural network.
Object of research: methods for predicting the parameters of the power supply system.
Main results of research: the results of forecasting the parameters of the power supply system based on daily load curves are presented. The simulation was carried out in the MATLAB software package. As a forecasting tool, a neural network was used, for the training of which load values averaged over half-hour time intervals and coefficients characterizing daily load schedules were used. The results obtained showed that the hybrid network gives a fairly accurate result, thereby confirming the adequacy of using a neural network to predict power or electricity consumption. The results of the study can be used for short-term forecasting and other parameters of the power supply system.
Keywords: artificial intelligence, neural network, power consumption forecasting, load schedule.
Введение
Искусственный интеллект в последнее время становится источником прогресса в области технологий для различных отраслей народного хозяйства - от автономных транспортных средств до медицинской диагностики и передового производства. Развитие систем искусственного интеллекта и переход их из теоретической плоскости в практическую реализацию объясняется обилием цифровых данных и быстро развивающейся вычислительной мощностью. Использование искусственного интеллекта дает значительный эффект во многих сферах человеческой деятельности: обнаружение закономерностей среди миллиардов, казалось бы, несвязанных точек данных, улучшение прогнозирования погоды, повышение урожайности сельскохозяйственных культур, увеличение эффективности выявления рака, прогнозирование эпидемий и улучшение производительности промышленных предприятий. Не исключением является электроэнергетика: появляются интеллектуальные приборы учета, устройства автоматики и телемеханики, а также построенные на их базе автоматизированные системы. Данные направления развития подкрепляются нормативно-правовой базой, в основе которой лежат Концепция «Цифровая трансформация 2030» [1], МЭК 61850-5-2011 [2] и др.
Одной из отличительных особенностей систем искусственного интеллекта является возможность прогнозирования параметров системы для их последующего анализа. По данному направлению опубликован ряд работ [3-5], в которых делается прогноз параметров с помощью различных методов. Задачей данной работы является оценка адекватности метода прогнозирования с помощью нейронной сети.
Результаты и обсуждение
Несмотря на наличие значительного количества различных методов прогнозирования, таких как методы анализа временных рядов, различные методы машинного обучения и др., которые имеют свои достоинства и недостатки, в данной работе внимание будет уделено нейронным сетям.
Одной из вариаций таких систем являются нечеткие системы, которые предлагают математическое исчисление для перевода субъективных человеческих знаний о реальных процессах.
Нейронные сети и нечеткие системы могут быть объединены, для улучшения работы обеих систем. Нейронные сети вводят свои вычислительные характеристики обучения в нечетких системах и получают от них интерпретацию и четкость представления систем. В общем виде все комбинации методов, основанных на нейронных сетях и нечеткой логике, можно назвать нейро-нечеткими системами.
Современные показатели оценки надежности элементов систем электроснабжения позволяют получить индикаторы для дальнейшего построения моделей, а методы прогнозирования представляют выбор нужного алгоритма для моделирования системы оценки и прогнозирования систем электроснабжения. Особый интерес представляют относительно новые интеллектуальные методы прогнозирования, в основу которых часто положены методы обучения, использование которых стало распространенным с ростом вычислительных мощностей современных компьютерных систем.
Для моделирования поведения нейронной сети в настоящее время можно использовать огромное количество программных комплексов, таких как Microsoft Analysis Services, Oracle
Crystal Ball, MATLAB и др. В данной работе предпочтение будет отдано среде для моделирования MATLAB по причине его простоты в использовании, высокой скорости работы и наличии значительного числа методических материалов.
В данной работе будет проведено несколько опытов с разными моделями нейронной сети. В первом опыте нейронная сеть, реализованная в MATLAB для решения задачи прогнозирования, представляет собой однослойную нейронную сеть. Во втором - двухслойная нейронная сеть с десятью, пятью и одним нейроном на каждый слой соответственно. В третьем - будем использовать гибридную сеть, смоделированную системой ANFIS-редактора.
Обучение нейросети производится методом обратного распространения ошибки. В ходе обучения совершается подстройка весов таким способом, чтобы некое множество входов приводило к требуемому множеству выходов. Каждому входному множеству, отвечает парное ему целевое множество, задающий требуемый выход. Совместно они составляют обучающую пару.
Создание и наладку гибридной нейронной сети осуществим через встроенный в MATLAB редактор ANFIS.
Моделировать нейронную сеть будем для задачи прогнозирования полной мощности в зависимости от графиков нагрузки. Таким образом исходные данные необходимо преобразовать в графики нагрузки с временем снятия показаний в 30 минут. После этого для каждого временного отрезка мы высчитаем коэффициенты, характеризующие графики нагрузок: коэффициент формы кф, коэффициент максимума км, коэффициент заполнения графика кз г. При использовании данных методов на реальном производстве также можно использовать коэффициенты использования, включения приемника, загрузки приемника (или групповой загрузки), а также коэффициент разновременности максимума активных нагрузок, которые требуют наличия данных по номинальным нагрузкам электроприемников, а также время их включения и время продолжительности цикла. При использовании большого числа коэффициентом нейронная сеть получит большую входную выборку данных и сможет выдавать более точные ответы.
После преобразования данных и расчета коэффициентов получаем значения, представленные в таблицах 1-5.
Таблица 1
Данные первого дня
t кф км кзг P, кВт S, кВА
0.00 1,118088 1,003245740 0,99676 107,21 112,85
1.00 1,118113 0,999676837 1,00032 101,00 106,03
2.00 1,118056 0,992946288 1,00710 157,58 161,29
3.00 1,118056 1,006845624 0,99320 115,17 120,63
4.00 1,118047 0,995085650 1,00494 109,97 116,10
5.00 1,118058 1,005696621 0,99434 100,85 105,69
6.00 1,118144 1,004447293 0,99557 113,47 118,21
7.00 1,118093 1,001868540 0,99813 122,42 132,60
8.00 1,118554 1,010023252 0,99008 211,11 231,71
9.00 1,118044 1,005141004 0,99489 188,04 205,91
10.00 1,11831 1,004849692 0,99517 202,92 222,31
11.00 1,118127 1,006956428 0,99309 191,86 217,34
12.00 1,118049 0,998728452 1,00127 186,15 207,46
13.00 1,118392 0,998599561 1,00140 167,27 178,27
14.00 1,118095 0,994250258 1,00578 191,10 215,55
15.00 1,118221 1,001041557 0,99896 168,01 184,43
16.00 1,118454 1,006332815 0,99371 165,55 183,98
17.00 1,118588 0,993868918 1,00617 134,10 158,29
18.00 1,118278 0,993416910 1,00663 144,34 160,95
19.00 1,119792 1,016388884 0,98388 164,34 178,50
20.00 1,11837 0,999758883 1,00024 150,14 164,27
21.00 1,118401 0,999248106 1,00075 193,10 205,31
22.00 1,1182 0,998280750 1,00172 99,86 107,74
23.00 1,119451 0,997798697 1,00221 86,05 91,72
Таблица 2
Данные второго дня
г кф км кзг P, кВт S, кВА
0.00 1,118121 0,980722441 1,01966 104,80 110,32
1.00 1,118143 1,022567554 0,97793 103,31 108,75
2.00 1,118052 1,010964083 0,98915 160,44 163,71
3.00 1,118027 1,005769735 0,99426 115,05 121,11
4.00 1,118078 0,996470908 1,00354 110,12 115,92
5.00 1,118044 1,008177104 0,99189 101,10 106,42
6.00 1,11812 1,020801983 0,97962 115,32 120,12
7.00 1,118108 0,982240773 1,01808 120,02 130,46
8.00 1,11858 1,045404526 0,95657 218,50 240,11
9.00 1,118033 1,002833013 0,99717 187,61 206,16
10.00 1,118314 1,037189264 0,96414 209,45 230,16
11.00 1,118154 1,017530048 0,98277 193,87 220,31
12.00 1,118032 0,990557433 1,00953 184,63 205,14
13.00 1,118423 0,955402985 1,04668 160,03 170,24
14.00 1,118067 1,020602466 0,97981 196,17 220,42
15.00 1,118189 1,032590562 0,96844 173,31 190,45
16.00 1,118442 1,043462404 0,95835 171,66 190,73
17.00 1,118565 0,947676573 1,05521 127,87 150,44
18.00 1,118251 1,040399174 0,96117 151,17 167,97
19.00 1,119793 1,084915579 0,92173 175,42 190,67
20.00 1,118342 0,958649620 1,04313 143,97 158,21
21.00 1,118374 1,046985770 0,95512 202,33 215,24
22.00 1,118223 1,031090673 0,96985 103,14 110,90
23.00 1,119449 1,091488868 0,91618 94,13 100,14
Таблица 3
Данные третьего дня
г кф км кзг P, кВт S, кВА
0.00 1,118121 1,008983717 0,99110 107,82 113,49
1.00 1,118143 0,988617242 1,01151 99,88 105,14
2.00 1,118052 1,001953371 0,99805 159,01 162,25
3.00 1,118027 0,990383775 1,00971 113,29 119,25
4.00 1,118078 1,008506018 0,99157 111,45 117,32
5.00 1,118044 0,991623454 1,00845 99,44 104,67
6.00 1,11812 0,979286536 1,02115 110,63 115,24
7.00 1,118108 1,013912759 0,98628 123,89 134,66
8.00 1,11858 0,954691163 1,04746 199,54 219,27
9.00 1,118033 0,993478726 1,00656 185,86 204,24
10.00 1,118314 0,970882440 1,02999 196,06 215,45
11.00 1,118154 0,980265575 1,02013 186,77 212,24
12.00 1,118032 1,005901604 0,99413 187,49 208,32
13.00 1,118423 1,032000000 0,96899 172,86 183,89
14.00 1,118067 0,992456168 1,00760 190,76 214,34
15.00 1,118189 0,978372259 1,02211 164,21 180,45
16.00 1,118442 0,961704456 1,03982 158,21 175,79
17.00 1,118565 1,042911139 0,95885 140,72 165,55
18.00 1,118251 0,981348933 1,01901 142,59 158,43
19.00 1,119793 0,917187210 1,09029 148,30 161,20
20.00 1,118342 1,033359968 0,96772 155,19 170,54
21.00 1,118374 0,971694696 1,02913 187,78 199,77
22.00 1,118223 0,980105968 1,02030 98,04 105,42
23.00 1,119449 0,942370130 1,06115 81,27 86,46
Таблица 4
Данные четвертого дня
г кф км кзг P, кВт S, кВА
0.00 1,118121 1,003275313 0,99674 107,21 112,85
1.00 1,118143 0,997030585 1,00298 100,73 106,03
2.00 1,118052 0,995967234 1,00405 158,06 161,29
3.00 1,118027 1,001835825 0,99817 114,60 120,63
4.00 1,118078 0,998099719 1,00190 110,30 116,10
5.00 1,118044 1,001296370 0,99871 100,41 105,69
6.00 1,11812 1,004514473 0,99551 113,48 118,21
7.00 1,118108 0,998363205 1,00164 121,99 132,60
8.00 1,11858 1,008851251 0,99123 210,86 231,71
9.00 1,118033 1,001603592 0,99840 187,38 205,91
10.00 1,118314 1,001782708 0,99822 202,30 222,31
11.00 1,118154 1,003831418 0,99618 191,26 217,34
12.00 1,118032 1,001716830 0,99829 186,71 207,46
13.00 1,118423 1,000417910 0,99958 167,57 178,27
14.00 1,118067 0,998075022 1,00193 191,84 215,55
15.00 1,118189 0,999940419 1,00006 167,83 184,43
16.00 1,118442 1,006504164 0,99354 165,58 183,98
17.00 1,118565 0,997183725 1,00282 134,55 158,29
18.00 1,118251 0,996971783 1,00304 144,86 160,95
19.00 1,119793 1,015647226 0,98459 164,22 178,50
20.00 1,118342 0,995405513 1,00462 149,49 164,27
21,00 1,118374 0,998654592 1,00135 192,99 205,31
22.00 1,118223 1,001699490 0,99830 100,20 107,74
23.00 1,119449 0,999768089 1,00023 86,22 91,72
Последний, пятый день, мы будем использовать для тестов нейронной сети (таблица 5).
Таблица 5
Данные пятого дня
г кф км кзг P, кВт S, кВА
0.00 1,118121 1,003930376 0,996085 107,28 112,93
1.00 1,118143 0,992180540 1,007881 100,24 105,52
2.00 1,118052 0,998172653 1,001831 158,41 161,65
3.00 1,118027 0,995017047 1,005008 113,82 119,82
4.00 1,118078 1,001900281 0,998103 110,72 116,55
5.00 1,118044 0,993218987 1,006827 99,60 104,85
6.00 1,11812 0,990882535 1,009201 111,94 116,61
7.00 1,118108 1,003682789 0,996331 122,64 133,30
8.00 1,11858 0,981149227 1,019213 205,07 225,36
9.00 1,118033 0,996953175 1,003056 186,51 204,96
10.00 1,118314 0,985342181 1,014876 198,98 218,66
11.00 1,118154 0,991497402 1,008576 188,91 214,67
12.00 1,118032 1,003058104 0,996951 186,96 207,73
13.00 1,118423 1,013731343 0,986455 169,80 180,64
14.00 1,118067 0,994485198 1,005545 191,15 214,78
15.00 1,118189 0,987964728 1,012182 165,82 182,22
16.00 1,118442 0,981946386 1,018386 161,54 179,49
17.00 1,118565 1,018305788 0,982023 137,40 161,65
18.00 1,118251 0,987818307 1,012332 143,53 159,48
19.00 1,119793 0,965860597 1,035346 156,17 169,75
20.00 1,118342 1,012718072 0,987442 152,09 167,14
21.00 1,118374 0,983337646 1,016945 190,03 202,16
22.00 1,118223 0,988903329 1,011221 98,92 106,37
23.00 1,119449 0,968576067 1,032443 83,53 88,86
Как можно видеть из таблиц 1-5, выражены часы пиковых нагрузок и часы минимальных нагрузок, которые каждый день совпадают по часам, такое упрощение принимаем из-за небольшого количества обучающих данных.
Таким образом, первые 4 столбца служат входными данными, а 5 - полная мощность -служит выходным сигналом. То есть подаем в нейронную сеть данные, полученные из графиков нагрузки по активной мощности, и получаем на выходе полную потребленную мощность некого предприятия.
Проверку полученной нейронной сети будем проводить аналогичным образом: подадим на вход данные за пятый день и полученные данные сравним с реальными.
На рисунке 1 показаны параметры смоделированной сети.
Neural Network Training Training State (plottrainstate), Epoch 21, Validati.. — □ X File Edit View Insert Tools Desktop Window Help
Gradient = 24.4595, at epoch 21
105
га cn
О 2 4 6 В 10 12 14 16 18 20 21 Epochs
Рисунок 1 - Параметры смоделированной сети
На рисунке 2 приведен график зависимости ошибки тренировочных, данных для измерения обобщения и тестовых данных от количества итераций. По оси абсцисс количество эпох, по оси ординат представлены значения среднеквадратичной ошибки.
5] Neural Network Training Performance fplotperform), Epoch 21, Validatio.. — □ X File Edit View Insert Tools Desktop Window Help 4
Best Validation Performance is 5.2653 at epoch 15
105 7
О 2 4 6 В 10 12 14 16 1В 20
21 Epochs
Рисунок 2 - Зависимость квадратичной ошибки от количества эпох
Как мы видим нейронная сеть обучилась за 21 эпоху, дальнейшее обучение было нецелесообразно. Из графика 2 видно, что наилучшее значение валидации было на 15 эпохе.
Далее используем наши тестовые данные, спрогнозируем суточный график по полной мощности (таблица 6).
Таблица 6
Спрогнозированные и исходные данные суточного графика полной мощности
г & прогт кВА S избеа кВА
0.00 112,91 112,93
1.00 105,69 105,52
2.00 161,74 161,65
3.00 119,36 119,82
4.00 115,90 116,55
5.00 104,78 104,85
6.00 118,10 116,61
7.00 131,43 133,3
8.00 226,71 225,36
9.00 204,74 204,96
10.00 223,50 218,66
11.00 211,46 214,67
12.00 207,99 207,73
13.00 189,65 180,64
14.00 215,16 214,78
15.00 184,06 182,22
16.00 180,41 179,49
17.00 160,73 161,65
18.00 162,52 159,48
19.00 171,47 169,75
20.00 165,95 167,14
21.00 201,25 202,16
22.00 106,79 106,37
23.00 89,05 88,86
На рисунке 3 представлены результаты прогнозирования.
j4k| Figure 1
File Edit View Insert Tools Desktop Window Help
рана ъ d в | ■ о
220 ~ 200 " 100 -160 -140 " 120 " 100 "
0 5 10 15 20 25 30 35 40 45 50
Рисунок 3 - Графики нагрузок: оранжевый - известные данные, синий - спрогнозированный
Как мы видим из таблицы 6 и графика 3, значение ошибки очень мало, наибольшая на 13 часу составляет 5,01%, что может считать приемлемым на данном этапе.
Проведенные дальнейшие опыты показали, что гибридная сеть дает достаточно точный результат, тем самым подтверждая адекватность применения нейронной сети для прогнозирования параметров системы электроснабжения.
Заключение и выводы
1. Проведены опыты по прогнозированию с помощью модели обратного распространения и гибридной нечеткой сети. Проанализировав полученные выше данные, можно сказать, что и гибридная, и сеть обратного распространения неплохо справляется с поставленной задачей прогнозирования мощности по графикам нагрузки предприятия за сутки.
2. В связи с небольшим количеством входных данных были получены довольно хорошие данные прогнозирования, но с редкими случаями, когда значение ошибки могло превышать 10-20 пунктов, что составляет порядка 10% от истинных значений.
3. При реальных задачах прогнозирования входные данные возможно увеличить в несколько раз используя дополнительные коэффициенты графиков нагрузок, описанные ранее, а также с помощью увеличения количества этих самых графиков за разные дни.
- □ X
Литература
1. Концепция «Цифровая трансформация 2030», утвержденная Указом Президента РФ от 09.05.2017 № 203 «О Стратегии развития информационного общества в Российской Федерации на 2017-2030 годы». - URL : https://www.rossetivolga.ru/i/files/2019/2/7/ kontseptsiya_tsifrovaya_transformatsiya_2030.pdf. - Текст : электронный.
2. ГОСТ Р МЭК 61850-5-2011 Сети и системы связи на подстанциях. - URL : https://docs.cntd.ru/document/1200093460. - Текст : электронный.
3. Манусов В. З. Нейронные сети: прогнозирование электрической нагрузки и потерь мощности в электрических сетях. От романтики к прагматике: монография / В. З. Манусов, С. В. Родыгина. - Текст : непосредственный. - Новосибирск : Изд-во НГТУ, 2018. - 303 с.
4. Алексеева, И. Ю. Краткосрочное прогнозирование электропотребления в электроэнергетических системах с использованием искусственных нейронных сетей : дис. ... кандидата технических наук : 05.14.02 / Алексеева Инна Юрьевна. - Самара, 2013. - 176 с. -Текст : непосредственный.
5. Моргоева, А. Д. Прогнозирование потребления электрической энергии промышленным предприятием с помощью методов машинного обучения / А. Д. Моргоева, И. Д. Морго-ев, Р. В. Клюев, О. А. Гаврина. - Текст : непосредственный // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2022. - Т. 333, №7. - С.115-125.
