CC BY
0
РАЗРАБОТКА АЛГОРИТМА И ПРОГРАММНОГО ПРОДУКТА
ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ Курбонов Н.Н.1, Усманалиев С.У.2, Шаюмова З.М.3, Бижанов А.К.4
1Курбонов Нурбек Нурулло угли - доктор философии по техническим наукам (PhD), доцент, кафедра электроснабжения, Ташкентский государственный технический университет;
Усманалиев Cарвар Умаржон угли - ведущий специалист АО ТЭС, г. Ташкент;
3Шаюмова Замира Мустафаевна - доктор философии по техническим наукам (PhD), доцент, кафедра электроэнергетика, Навоийский государственный горно-технологический университет, г. Навоий; 4Бижанов Алиби Кдирбаевич- доктор философии по техническим наукам (PhD), доцент, кафедра электроэнергетика, Каракалпакский государственный университет, г. Нукус,
Республика Узбекистан
Аннотация: известно, что проблема прогнозирования потребления электроэнергии является чрезвычайно актуальной. Необходимы модели прогнозирования в сочетании с современными методами решения подобных задач. Для получения точных результатов расчётов показателей на основе нескольких методов разрабатываются модели прогнозирования и на основе их сравнения выбирается модель прогнозирования с низкой погрешностью. В данной статье рассмотрены вопросы разработке алгоритма и программного продукта прогнозирования электропотребления промышленных предприятий, в частности для предприятий с непрерывным характером производства.
Ключевые слова: прогнозирование, Fuzzy логика, Discourse, фаззификация, Python, модели прогнозирования, электропотребления, точность прогноза, библиотека pyFTS.
DEVELOPMENT OF AN ALGORITHM AND SOFTWARE PRODUCT FOR FORECASTING ELECTRICITY CONSUMPTION Kurbonov, N.N.1, Usmanaliev, S.U.2, Shayumova, Z.M.3, Bijanov A.K4
1Kurbonov Nurbek Nurulloevich - Ph.D. in Engineering, Associate Professor, DEPARTMENT OF POWER SUPPLY, TASHKENT STATE TECHNICAL UNIVERSITY; 2Usmanaliev Sarvar Umarjonovich - Senior Specialist at JSC THERMAL POWER STATION,
TASHKENT;
3Shayumova Zamira Mustafaevna - Ph.D. in Engineering, Associate Professor, DEPARTMENT OF POWER ENGINEERING, NAVOI STATE MINING AND TECHNOLOGY UNIVERSITY, NAVOI; 4Bijanov Alibi Kadirbaevich - Doctor of Philosophy in Engineering (PhD), Associate Professor, DEPARTMENT OF POWER ENGINEERING, KARAKALPAK STATE UNIVERSITY, NUKUS,
Republic of Uzbekistan
Abstract: the problem of forecasting electricity consumption is highly relevant due to the continuous need for accurate predictive models that incorporate modern problem-solving methods. This paper discusses the development of an algorithm and a software product for forecasting the electricity consumption of industrial enterprises, specifically those with continuous production processes. By employing various methods, forecasting models are developed and compared to select the model with the lowest error rate. Key aspects include the use of fuzzy logic, discourse analysis, fuzzification techniques, and the Python-based pyFTS library for developing precise forecasting models. Keywords: forecasting, fuzzy logic, discourse, fuzzification, Python, predictive models, electricity consumption, forecast accuracy, pyFTS library.
Эффективным путём предотвращения конфликтов между промышленными предприятиями и энергоснабжающими организациями, сопровождающихся дополнительными затратами электроэнергии и финансовых средств, является повышение точности прогнозирования объёмов и графиков электропотребления. Для составления прогноза с использованием Fuzzy логики использовалась Fuzzy логика с саморазвивающейся функцией треугольной связи. В Python библиотека pyFTS предназначена для работы с Fuzzy логикой. Прогнозирование осуществляется в следующих этапах [1,2,3].
1. Изначально принимаются необходимые библиотеки:_
import numpy as np
import pandas as pd
import skfuzzj^ a s fuzz
import matplot1ib.pyplot as pit
from tensorfl^wJ^i^^^o^]^ import Sequential -From tensoi—Flow . keras . layers import LS IM, Dense
1. Разделение данных на дискурсивные значения (Discourse). На этом этапе разрабатывается лингвистический набор поступающих данных A.
dof lne_fu2zy_seti(d.ita): fuijy wti = dtct() for i in data:
fuzzy 4ets['Л'+i] - fuzz.trimf(data, [пр.»in data , пр.nun data , np.percentile data, aax(data)i)) return fuzry set
2. Фаззификация - на этом этапе исходные данные W преобразуются в A лингвистические переменные методом деления по степени их совместимости с Fuzzy множествами. Представляет собой Fuzzy версию исходных данных [4]._
def createmodelQ:
model = Sequential()
model.add(LSTM(activation=1relu', input shape= 1, 1))) model.add(Dense(1))
model. compile(optimizer='adam' „ loss^mse' ) return model
3. Подготовка входящих данных
def prepare_data(data, lookback):
X, y = [], []
for i in range(len(data)-lookback): X.append(data[i:i+lookback]) y.append(data[i+lookback]) return np,array(X), np.array(y)
data = np.array([24, 25, 36, 35, 3, 7, 38, 6, 78, 6, 78]) fuzzysets = definefuzzysets(data)
datanormalized = (data - np.min(data)) / (np.max(data) - np.irin(data)) lookback = 3
X, y = preparedatafdatanormalized, lookback) X = np.reshape(X, (X.shape 0 , X.shape[l], 1))
4. Разработка правил: на этом этапе на основе исходных данных разрабатываются законы передачи данных из одной точки в другую.
Рис. 1. Этапы обучения первичных данных.
На основе правил, описанных на рис. 1, была разработана группа действий и разработан закон действия [5]. 5. Полученные результаты обучаются нейронной сети LTSM и осуществляется прогнозирование. При этом в первую очередь была создана LTSM-модель [6]:
Рис. 2. Законы действия, разработанные на основе входящих данных
model = create_model()
model.fit(X, y, epochs=100j batch_size=lj verbose=8) def fJzzy_forecast(dataj fuzzysets, model, lookback):] forecastedvalues = [] for i in range(lookbackj len(data)):
inputdata = np.array([data[i-lookback:i]])
fuzzyinput = fuzz.irterp_membership(data, fuzzysets, inputdata) forecast = model, predict (rip, array ([ [fuzzyinput] )) forecastedvalues.append(forecast[0, 0]) data[i] = forecast[6, 9] return forecasted_values forecastedvalues = fuzzyforecastidatanormalizedj fuzzysets, models lookback) forecastedvalues = forecastedvalues * (np.max(data) - np.min(data)) + np.min(data)
Процесс прогнозирования состоит из 3-х шагов на основе разработанных закономерностей [7, 8]: Этап 1. Фуззификация: этот процесс выполняется так же, как и процесс обучения. Данные - входящие данные, преобразуются в данные временных рядов.
Этап 2. Правила сопоставления: предполагается, какое групповое правило подходит для периода времени, выбранного для прогнозирования.
Этап 3. Дефаззификация: / +1 значение прогноза, соответствующее позиции, извлекается на основе
функции дефаззификации
y(t+1)
Рис. 3. Прогнозирование на основе разработанного модели прогнозирования.
6. Если погрешность полученного результата составляет MAPE > 5%, то он возвращается в нейронную сеть для повторной реализации процесса обучения. В противном случае выводится результат:
pit.plot(dataj label='Original Data')
pit.plot(range(lookback, len data)), forecastedvalues, label='Forecasted Values')
plt.xlabel('Time')
pit.ylabel('Value')
pit.legend()
plt.showQ
Таким образом, можно сделать в^вод, что проблема прогнозирования потребления электроэнергии для осуществления управления им является чрезвычайно актуальной [9]. Необходимы модели прогнозирования в сочетании с современными методами решения подобных задач. Для получения точных результатов расчётов показателей на основе нескольких методов разрабатываются модели прогнозирования и на основе их сравнения выбирается модель прогнозирования с низкой погрешностью.
Список литературы /References
1. Dzheria T. & Shevchuk V. (2023). Forecasting electricity consumption using neural networks. Системи управлшня навтацп та зв'язку. Збiрник наукових праць, 2(72), 42-44. https://doi.org/10.26906/SUNZ.2023.2.042. CC BY-NC 4.0.
2. Shendryk V.V., Parfenenko Y., Tymchuk S. & Bielka Y. (2022). Modeling techniques of electricity consumption forecasting. AIP Conference Proceedings. 93 Reads, 2 Citations.
3. И.У. Рахмонов, Д.А. Жалилова. Рационализация режима работы вентиляционных, водоснабжающих и осветительных установок на предприятиях текстильной промышленности // Научно-методический журнал "Academy", ISSN 2412-8236 (Print), ISSN 2542-0755 (Online) № 8 (71), 2021, Стр. 13-15. https://academicjournal.ru/images/PDF/2021/71/ Academy-8-71-.pdf
4. И.У. Рахмонов, М.М. Тоиров. Наивыгоднейшие режимы энергоемких потребителей промышленных предприятий с различным технологическим процессом // Журнал "EUROPEAN SCIENCE", ISSN 24102865 (Print) ISSN 2541-786Х (Online) 2021. № 6 (62), Стр. 17-19. https://scientific-publication.com/images/PDF/2021/62/EUROPEAN_SCIENCE-6-62-.pdf
5. И.У. Рахмонов, А.М. Нажимова. Оценка влияния энергетических, технологических и эксплуатационных факторов на показатели удельного расхода // Научно-методический журнал "Проблемы науки", ISSN 24132101 (Print), ISSN 2542-078Х (Online) № 8 (67), 2021. https://scienceproblems.ru/
6. И.У. Рахмонов, А.Ф. Зиявуддинов. Исследование закономерности изменения параметров электропотребления промышленных предприятий // Научно-методический журнал «Проблемы современной науки и образования», ISSN 2304-2338 (печатная), ISSN 2413-4635 (электронная). 2021. № 9 (166), Стр. 17-20. http://scientificlibrary.ru/homepage/ob-zhurnale.html
7. Ushakov V.Y., Rakhmonov I., Niyozov N.N. & Kurbonov N.N. (2023). Forecasting electricity consumption by LSTM neural network. Bulletin of the Tomsk Polytechnic University, Geo Assets Engineering, 334(12), 125-133. https://doi.org/10.18799/24131830/2023/12/4407
8. Kakurina A.V., SizovA.S. & Khalin Y.A. (2024). Cognitive modeling and forecasting of electricity consumption. Proceedings of Southwest State University, 27(4), 44-61. https://doi.org/10.21869/2223-1560-2023-27-4-44-61
9. Sinitsyn I.P., Shevchenko V.L., Doroshenko A.Y. & Yatsenko O.A. (2023). Research of software solutions for forecasting electricity generation and consumption in Ukraine that are based on machine learning methods. Problems in Programming. https://doi.org/10.15407/pp2023.03.099
