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

Федеральный портал "Инженерное образование"

Электронный журнал и

ИНЖЕНЕРНОЕ!

ОБРАЗОВАНИЕ

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

Найти выделенное

ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ С ПОМОЩЬЮ НЕЙРО-НЕЧЕТКОЙ СИСТЕМЫ ANFIS. АЛГОРИТМ ОТБОРА ВХОДНЫХ ПЕРЕМЕННЫХ. #7 июль 2006 | И.Ю.Петрова, А.А.Глебов

ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ С ПОМОЩЬЮ НЕЙРО-НЕЧЕТКОЙ СИСТЕМЫ ANFIS. АЛГОРИТМ ОТБОРА ВХОДНЫ

ПЕРЕМЕННЫХ.

И.Ю. Петрова1, А.А. Глебов2. 1. Проректор по информатизации и инновациям Астраханского Государственного универсш

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 рассмотрены два вида обучающих выборок для нейро-нечеткой сети типа Су Сформулирована проблема отбора входных параметров сети. Рассмотрены алгоритмы отбора вхо параметров методом последовательного поиска вперед, модифицированным методом последовательного т вперед и методом на основе таблиц корреляции. Предложено модифицировать алгоритм последовател поиска вперед, что позволило снизить ошибку прогноза. Приведены результаты тестирования алгоритмов на видах обучающих выборок.

Прогнозирование режимных параметров и технико-экономичес показателей является одной из важных задач, как при планировании, так и ведении текущих режимов электроэнергетической системы (ЭЭС). Измене электропотребления - это сложный процесс, зависящий от множества факторе имеющий вероятностную составляющую. В последнее время получили боль развитие методы прогнозирования с помощью гибридных систем, в ось которых лежат нечеткая логика, нейронные сети, генетический алгоритм и дру новые информационные технологии. В качестве предиктора была выбрана мод прогнозирования с помощью нейро-нечетких систем.

Для применения в качестве нейронного эмулятора объекта б!

выбрана гибридная технология адаптивной нейро-нечеткой систе заключений (Adaptive-Network-Based Fuzzy Inference System -ANF обладающая, по сравнению с другими методами, высокой скорост обучения, простотой алгоритма и оптимальной проработанност программного обеспечения в системе математического моделирован MatLAB и показывающая более точные результаты прогнозирования многих областях науки и производства, в том числе ив энергетике.

При выборе представления данных для их использования в с необходимо иметь в виду два принципа (аспекта) - количество переменн (определяет размерность данных) и содержательность данн (содержание информации, которую необходимо получить с помощью се" Из соображений сложности и скорости обработки часто бывает необходи минимизировать количество переменных (входных и выходных) с которь будет работать сеть. Проблемы также могут быть связаны с разрешен предъявляемых данных: чем выше разрешение, тем сложнее должна б! сеть и, следовательно, возрастает время тренировки и количество данн необходимых для тренировки. Это приводит нас ко второму аспе представления тренировочных данных - ясность, содержательность. Г ограничении количества входных переменных, возникает необходимо обеспечить, чтобы используемые переменные содержали информац достаточную для того, чтобы обеспечить обучение сети.

Анализ зарубежных и отечественных источников литературы прогнозированию электропотребления с помощью искусствен нейронных сетей и нейро-нечетких систем [3,4,5,6,7,8,9] показал, наиболее часто берутся две выборки в качестве входов сети.

Выборка 1. Входными переменными являются почасовые значения нагру Pi (i = 1, ... , 48) для двух суток, предшествующих прогнозируемым (48 значен

или 96 значений, если учитывать получасовые значения нагрузки. Кроме значе] нагрузки в выборку входят значения переменной дня недели, часа прогн прогноза максимальной и минимальной температуры [55].

Выборка 2. Входными переменными являются почасовые значения нагру Pi (i = 1, ... , 48) для суток, предшествующих прогнозируемым (24 значения), и

суток недельной давности (24 значения).

При обучении сети соответствующим образом учитываются рабог выходные и праздничные дни. Так, для рабочих дней, в качестве вход! переменных используются ретроспективные значения почасовых нагрузок тол рабочих дней. Для понедельника в качестве переменных предыдущего дня беру значения нагрузки за последнюю пятницу, поскольку она является предыдущим рабочим днем. Для выходных, праздничных дней, рабочих суббс т.п. с целью приближения периода обучения к настоящему моменту врем обучение, дообучение и прогнозирование предложено проводить на значен нагрузки всех дней недели, но с той особенностью, что при переходе с рабоч дня на выходной или наоборот вводится псевдо-выходной или псевдорабочий д в качестве предыдущего прогнозируемому дня. Почасовые значения нагру этого дня рассчитываются по средним почасовым коэффициентам соотноше нагрузки рабочего дня к выходному (или наоборот) за некоторый промежу времени (например, за четыре предыдущих недели) [9].

Проведенный анализ и результаты тестирования показали, что резуль прогноза зависит от того, какие и сколько независимых переменных используе то есть от размерности данных и их содержательности. Увеличение размерно сети не всегда приводит к повышению точности прогноза, однако время прогн при этом может увеличиваться до нескольких часов и даже суток, что приемлемо для оперативного прогноза. Некоторые результаты тестов приведен таблицах 1,2,3.

Таблиц

Дата Кол-во входов Факт Прогноз Ошибка (%) Время обучения (с) Входы

25.02.2006 12:00 4 510.61 506.3057 0.84298 23.69137 2,29,43,51

25.02.2006 12:00 5 510.61 515.0795 0.87533 67.79538 2,20,29,43,51

25.02.2006 12:00 6 510.61 510.6701 0.01177 296.6421 2,18,20,29,43,51

25.02.2006 12:00 7 510.61 514.8721 0.8347 1650.661 2,18,20,29,43,48

Таблиц

Дата Кол-во входов Факт Прогноз Ошибка (%) Время обучения (с) Входы

25.05.2006 00:00 4 309.47 308.38 0.353 11.33 2,19,25,5

25.05.2006 00:00 5 309.47 310.49 0.33 78.75 1,2,19,28,5

25.05.2006 00:00 6 309.47 310.3 0.2686 1101.9 1 2 19 28 5 51

25.05.2006 00:00 7 309.47 311.3 0.591 1552.1 1,2,19,28,4 50,51

Таблиц

Дата Кол-во входов Факт Прогноз Ошибка (%) Время обучения (с) Входы

25.04.2006 00:00 4 319.78 315.57 1.3159 11.98 2,29,31,5

25.04.2006 00:00 5 319.78 314.55 1.63 85.146 2,4,29,31,5

25.04.2006 00:00 6 319.78 321.72 0.61 1130.1 2,4,29,31,3 51

25.04.2006 00:00 7 319.78 348.29 8.91 1571.74 2,4,29,31,3 53,51

Из приведенных таблиц можно выделить, что наименьшая погрешнс прогноза и нормальное время расчета достигается при количестве входов рав шести. Однако, как видно из таблиц, состав входных параметров в каж, прогнозе с минимальной ошибкой отличается. То есть эксперту нужно бу каждый раз перед прогнозом провоить исследования влияния вход! переменных на выходнуюи самому делать вывод по составу выброк. А увеличить время оперативного прогноза. Для решения проблемы выбора входн переменных рассмотрим следующие три алгоритма: • метод последовательного поиска вперед;

• модифицированный метод последовательного поиска вперед;

• метод отбора переменных на основе таблиц корреляции.

Для выбора входных переменных модели рассмотрим эвристический под? основанный на так называемом последовательном поиске вперед (sequen forward search) [1,2]. При таком поиске временной ряд входных перемен! делятся на тренировочную и тестовую выборки. На каждом шаге в мод добавляется одна входная переменная, обеспечивающая минимальное значе среднеквадратической ошибки на тренировочной выборке. Указанная поиске процедура реализована функцией seqsrch в системе Matlab.

Однако, как видно на рисунке 1, что уменьшение ошибки на тренировоч выборке (график красного цвета) при добавлении в модель той или иной вход переменной не всегда ведет к уменьшению ошибки на тестовой выборке (гра зеленого цвета) и, соответственно, при прогнозе.

Рис.1. Среднеквадратичная ошибка при последовательном поиске вперед.

Таким образом, на выходе данной функции мы можем получить мас переменных, выбранных с помощью функции seqsrch, который будет им минимальную ошибку на тренировочной выборке, но не оптимальную тестовой, ошибка на которой является более важным показателем адекватно модели, так как данные из этой выборке неизвестны системе. Поэтому алгор] отбора переменных был модифицирован тем, что в результате работы функ суммируются среднеквадратичные ошибки на тестовой и тренировочной выбо и на каждом шаге в модель добавляется одна входная переменн обеспечивающая минимальное значение среднеквадратической ошибки тренировочной и тестовой выборках. Это улучшение позволило снизить средн ошибку за сутки для суточного прогноза на 2 % в среднем.

Третий способ отбора переменных для прогноза потребления, котор

использовался при тестировании, использует таблицу корреля переменных и р уровень значимости коэффициента корреляции. Алгор] заключается в следующем. Формируется матрица взаимной корреляции и матр р-уровня значений корреляций. После этого отбираются из выборки переменные, у которых значения корреляции максимальные и р-уровень мень 0,05. Количество переменных определяется пользователем. Результаты тес трех алгоритмов отбора переменных приведены в таблице 4.

Таблиц

Ср. квад. ошибка Ср. квад. ошибка Ср. квад.

прогноза с прогноза с ошибка

помощью помощью улучш. прогноза с

стандартной алгоритма отбора помощью

функцией seqsrch переменных (%). таблицы

(%). корреляции (%

Краткосрочный 7,01 5,21 5,47

прогноз

В таблице 5 представлены результаты тестирования выборок № 1 и выбо

№ 2.

Таблиц

Ср. квад. ошибка Ср. квад. ошибка

прогноза с выборкой № 1 прогноза с выборко

(%). № 2 (%).

Краткосрочный прогноз 1,43 2,14

Заключение.

В результате анализа источников были выбраны два вида обучаю! выборок, которые использовались для обучения сети. Для отбора значим переменных был применен последовательный поиск вперед (sequential forw search). В результате исследований был модифицирован данный алгоритм, привело к уменьшению ошибки прогноза.

По результатам тестирования можно определить вид выборки, который бу использоваться в модели краткосрочного прогнозирования, а так же мето отбора переменных из соответствующих выборок для прогноза.

Список литературы.

1. С.Д.Штовба "Введение в теорию нечетких множеств и нечеткую логик Сообщество пользователей Matlab и Simulink. Режим досту http//matlab.exponenta.ru, свободный. - Заглавие с экрана. - Яз. рус.

2. Сообщество пользователей Matlab и Simulink. Режим досту http//matlab.exponenta.ru, свободный. - Заглавие с экрана. - Яз. рус.

3. Ajith Abraham. Cerebral Quotient of Neuro Fuzzy Techiques -Hype Hallelujan? Url: http://ajith.softcomputing.net.

4. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Краткосрочное прогнозирова электрических нагрузок с использованием искусственных нейронн сетей // Электричество. 1999. № 10.

5. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Краткосрочное прогнозирова электрических нагрузок с использованием методов искусственн нейронных сетей // Региональные энергетические исследования: 1953-1 годы. Сыктывкар: Изд-во Коми НЦ УрО РАН,1999.

6. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Модели прогнозирова нагрузок на основе аппарата искусственных нейронных сетей Методические вопросы исследования надежности больших сис энергетики. Вып. 51. Сыктывкар: Изд-во Коми НЦ УрО РАН, 2000.

7. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Модель суточн прогнозирования нагрузок ЭЭС с использованием нечетких нейронн сетей // Известия Академии наук. Энергетика.2001. № 4.

8. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Прогнозирование электричес нагрузок ЭЭС с использованием методов искусственного интеллекта РНСЭ, 10-14 сентября 2001: Материалы докладов. Казань: Казан. Гос. Эн< ун-т, 2001 - Т. II.

9. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Прогнозирование нагрузки ЭЭС базе новых информационных технологий. Новые информационн технологии в задачах оперативного управления электроэнергетически системами / Н.А.Манов, Ю.Я.Чукреев, М.И.Успенский и др. Екатеринбу УрО РАН,2002. С.127-156.

Публикации с ключевыми словами: нейро-нечеткая система - прогноз

электропотребления - обучающая выборка - выбор входных параметров -

метод последовательного поиска вперед

Публикации со словами: нейро-нечеткая система - прогноз

электропотребления - обучающая выборка - выбор входных параметров -

метод последовательного поиска вперед

См. также:

■ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ С ПОМОЩЬЮ НЕЙР< НЕЧЕТКОЙ СИСТЕМЫ А^Э. Написать комментарий >>

| Журнал | Портал | Раздел |

УЧАСТНИКДЬ

гтткт.

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

Вход для редакторов