Прогнозирование электропотребления с помощью нейро-нечеткой системы ANFIS Текст научной статьи по специальности «Компьютерные и информационные науки»

Электронный журнал ^

инженерное"

ОБРАЗОВАНИЕ

#7 июль 2006 Ред. совет Специальности Рецензентам Авторам English Koi-8 Win

Найти выделенное

ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ С ПОМОЩЬЮ НЕЙРО-НЕЧЕТКОЙ СИСТЕМЫ ANFIS.

#7 июль 2006 | И.Ю.Петрова, А.А.Глебов

ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ С ПОМОЩЬЮ НЕЙРО-НЕЧЕТКОЙ СИСТЕМЫ ANFIS.

И.Ю. Петрова1, А.А. Глебов2.

1. Проректор по информатизации и инновациям Астраханского Государственного

университета, д.т.н, профессор.

2. Филиал ОАО «СО-ЦДУ ЕЭС» Астраханское РДУ, гл. специалист СЭПАК. Аспирант Астраханского Государственного Университета.

E-mail: [email protected].

Аннотация. В статье рассмотрен метод прогнозирования электропотреблени основанный на создании аппроксимирующих моделей. Аппроксимирующая моде, представляет собой адаптивную нейро-нечеткую сеть ЛЫЕШ. Исходные данны используемые для обучения и проверки настройки сети, формируются на основании выборо реальных данных электропотребления оперативно-информационного комплекса(ОИК).

Прогнозирование режимных параметров и технико-экономических показателе является одной из важных задач, как при планировании, так и при ведени текущих режимов энергосистемы. Составляя планы по различным показателя на предстоящие сутки, неделю, месяц, квартал, год, службы и отдел Астраханского диспетчерского управления решают задачу планирован* энергобаланса - соотношения между потребностью электроэнергии (мощности) средствами ее удовлетворения.

Либерализация оптового рынка электроэнергии является частью комплекс мероприятий, проводимых в рамках реформирования отрасли, и направлена I выработку нового механизма образования цен на электрическую энергию отражающего баланс интересов производителей и потребителей электроэнерги Изменения условий функционирования отрасли оказывает непосредствен! влияние на состояние каждого субъекта рынка электроэнергии, и для того чтоб оставаться прибыльными, компаниям требуются новые инструменты технологии, помогающие сделать переход от регулируемого к конкурентном рынку, и обеспечивающие их успешное функционирование на будуще конкурентном рынке.

Данные о электропотреблении хранятся в базе данных оперативно информационного комплекса (ОИК) и их можно рассматривать как временно ряд. Существует множество методов прогнозирования временных рядов: AR MA, ARMA, ARIMA-модели, метод сезонных кривых, нейронные сет гибридные системы прогнозирования, которые используют методы нейроннь сетей, генетического алгоритма и нечеткой логики. В данной стат] рассматривается прогноз электропотребления Астраханской области с помощь адаптивной нейро-нечеткой системы заключений (Adaptive-Network-Based Fuzz Inference System -ANFIS). Моделирование системы проведем с помощью Fuzz Logic Toolbox в системе Matlab [4].

Рассмотрим класс адаптивных сетей функционально эквивалентны системам нечетких рассуждений. Подобная архитектура носит названи ANFIS (от англ., Adaptive Neuro-Fuzzy Inference System - адаптивна нейро-нечеткая система заключений). Для нечеткой системы, имеюще два входа x и один выход у нечеткие рассуждения показаны на рис. 1, а, соответствующая эквивалентная ANFIS архитектура - на рис. 1, б.

Рис. 1. Нечеткие рассуждения (а) и эквивалентная ANFIS структура (б).

База знаний такой системы содержит два нечетких правила если-т типа Такаги-Сугено:

Правило 1: Если х=Л^ и у=В^ то/^р^+д^+Гр Правило 2: Если х=Л2 и у=В2 то/2=Р2Х+д2У+Г2-

1-й слой: Каждый узел данного слоя является адаптивным узлом с следующей узловой функцией:

где х - входной сигнал узла /, А, - лингвистическая переменная, связанная

О^

данной узловой функцией. Другими словами, ! - функция принадлежност переменной А/, определяющей степень, с которой данный х удовлетворяет А

Обычно, в качестве ^ ^выбирается колоколообразная функция:

/

^4(х)= п

1 +

&Л

/

(2)

где {а,, Ь, с} - набор параметров данного слоя. Параметры этого сло относятся к так называемым параметрам предпосылок.

2-й слой: Каждый узел данного слоя является фиксированным узлом перемножающим входные сигналы, причем выходное значение узл представляет собой вес некоторого правила:

3-й слой: Каждый /-ый узел данного слоя определяет отношение веса 1-г правила к сумме весов всех правил:

о:к

+ <в2

■, 1 = 1, 2.

(4)

Выходные сигналы 3-го слоя называются нормализованными весами.

4-й слой: Узлы данного слоя определяются линейными (для модели тип Сугено) функциями принадлежности выходных переменных:

=Щ&= Щ {р^ + Яг У + г2 \

(5)

где ! - выходной сигнал 3-го слоя и {р^ - набор параметров данног

слоя (так называемые параметры вывода).

5-й слой: Единственный узел данного слоя является фиксированным узлом, котором вычисляется полное выходное значение адаптивной сети как сумм всех входных сигналов:

(6)

Очевидно, что для заданных значений параметров предпосылок полное выходное значение (рис. 1) является линейной комбинацие параметров вывода:

где pp q1, Fj, p2, q2, r2 - параметры вывода.

Не маловажной задачей является определение входов сети. Анали зарубежных и отечественных источников [1,2,3,5,7,8] показал, что основным независимыми переменными являются:

1. Ретроспективные данные фактического потребления.

2. Метеофакторы( температура, влажность, продолжительность дня, освещенность, ветер и другие).

3. Тип дня (день недели, праздник).

4. Наличие теплоснабжения и наличие горячего водоснабжения.

Рассмотрим прогноз одного дня лета 18 июня 2004 года Экспериментальный анализ и анализ источников литературы [5] показал, чт наилучший временной диапазон выборки для обучения это 2 недели, входны переменные все перечисленные выше за сутки x-1 и x-7, то есть сутки и неделю назад от прогнозируемых. Во время эксперимента было замечено, что пр увеличении количества входных переменных больше 4, время обучени увеличивалось во много раз и достигало иногда нескольких часов. Поэтом было принято решения проводить отбор четырех переменных из всег множества, с помощью функции seqsrch, алгоритм которой заключается следующем. Предположим, что на выходную переменную y(k) могут оказат влияние 10 кандидатов в входные переменные: y(k-1), y(k-2), y(k-3), y(k-4), u(k 1), u(k-2), u(k-3), u(k-4), u(k-5) и u(k-6). Для выбора входных переменных модел используется эвристический подход, основанный на так называемо последовательном поиске вперед (sequential forward search). При таком поиск на каждом шаге в модель добавляется одна входная переменная обеспечивающая минимальное значение среднеквадратической ошибки. Приме работы данной функции представлен на рисунке 2.

>, >-, >-, >, >. >-,

Рис.2. Селекция входных переменных нейро-нечеткой модели методом

последовательного поиска вперед.

С помощью функции genfls2 синтезируем нечеткую модель типа Сугэно использование субтрактивной кластеризации. При вызове этой функци необходимо указать радиусы кластеров. Радиусы определяют насколько далек от центра кластера могут быть его элементы. Значения радиусов должн] находится в диапазоне [0, 1] в связи с тем, что при кластеризации исходны данные масштабируется на единичный гиперкуб. Обычно малые значени радиусов приводят к нахождению множества мелких кластеров, и следовательно, к очень детализированной базе нечетких правил. Больши значения радиусов приводят к нахождению всего нескольких крупных кластеро и тем самым обеспечивают компактную базу знаний. Однако при этом можн упустить некоторые особенности моделируемой зависимости. Как правило хорошие нечеткие базы знаний синтезируют при значениях радиусов и диапазона [0.2, 0.5]. Укажем радиус равный 0.5. Используемый функцие genfls2 горный метод субтрактивной кластеризацией позволяет быстр экстрагировать нечеткие правила из данных. Это однопроходный метод, н использующий итерационных процедур оптимизации. В результате выполнени вышеприведенной команды синтезируется нечеткая модель Сугэно первог порядка с четырьмя правилами правилами.

Далее с помощью функции апйэ обучим нашу систему. Время, затраченное н генерацию нечеткой системы и ее обучении, равно 9 секунд. График адаптаци нечеткой системы к тренировочным данным представлен на рисунке 3. Зелены] цветом выделен график обученной системы, синим - тренировочных данных Как видно из графика, нейро-нечеткая система типа Сугено смогла достаточн точно описать тренировочную выборку.

Рис. 3. Обучение нейро-нечеткой модели.

На рисунке 4 представлен прогноз с помощью полученной нейро-нечеткой системы, а на рисунке 5 относительная ошибка прогноза.

Рис. 4. Прогноз электропотребления на сутки 18/07/2004. Средняя ошибка прогноза равна =1,25%. Максимальная ошибка - 3.1797%, минимальная - 0.0867%.

Заключение.

В результате проведенного исследования предложен мето прогнозирования электропотребления, основанный на построени аппроксимирующих моделей в виде адаптивных нейро-нечетких сетей обучаемых на выборках реальных данных ОИК по электропотреблению Астраханской области за прошлые периоды. На основании предложенног метода создана аппроксимирующая модель прогноза электропотребления.

Список литературы.

1. Адатия и др. Интерактивный метод прогнозирования нагрузки распределения резерва. «Управление энергосистемами» (СИГРЭ-82). По ред. Ю.Н. Руденко, В.А. Семенова, М: Энергоатомиздат, 1983, 65-74.

2. Макоклюев Б.И., Федоров Д.А. Оперативное прогнозирование нагрузк ЭЭС с учетом метеофакторов. Советчики диспетчеров по оперативно коррекции режимов ЭЭС. Иркутск, 1984.

3. Мельдорф М.В. Факторизированная модель нагрузки энергетическо системы. «Тр Таллин. Политех. Ин-т», 1985, №610, 85-96.

4. Штовба С.Д. "Введение в теорию нечетких множеств и нечеткую логику' Режим доступа: http//www.matlab.exponenta.ru, свободный.

5. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. «Прогнозирование нагрузк ЭЭС на базе новых информационных технологий», УРО РАН, 2002, с.127 156.

6. Краткое описание модели оптового рынка электроэнергии переходног периода/ Пояснительная записка к "порядку проведения имитационны торгов на оптовом рынке электрической энергии", 2002.

7. Adatia и др. Une comparaison des techniques de prevision la consummation au GEGB, a l’EDF et a l’ENEL. “Bull. Dir. Etud. et rech”, 1986, №3, 5-20.

8. Ed. D. Bunn, E. Farmer. Comparative models for electrical loa forecasting.New York: Willey, 1985 (Рус. Перевод: Бэнн Д., Фармер I Сравнительные модели прогнозирования электрической нагрузки. М Энергоатомиздат, 1987, 200 с.).

Публикации с ключевыми словами: нейро-нечеткая система - Прогноз электропотребления - А^Э - последовательный поиск вперед - депАв2 -депгїві

Публикации со словами: нейро-нечеткая система - Прогноз электропотребления - А^Э - последовательный поиск вперед - депАв2 -депгїві См. также:

■ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ С ПОМОЩЬЮ НЕЙРО-НЕЧЕТКОЙ СИСТЕМЫ АЫР!Э. АЛГОРИТМ ОТБОРА ВХОДНЫХ ПЕРЕМЕННЫХ.

Написать комментарий >>

•частник ДЬ

ИШЩ

Журнал | Портал | Раздел Copyright © 2003 «Инженерное образование» E-mail: [email protected] | тел.: +7 (495) 263-68-63

Вход для редакторов