CC BY
0РАЗРАБОТКА ПРОГНОЗНЫХ МОДЕЛЕЙ ЭЛЕКТРОПОТРЕБЛЕНИЯ ПРЕДПРИЯТИЙ С НЕПРЕРЫВНЫМ ХАРАКТЕРОМ ПРОИЗВОДСТВА Ниёзов Н.Н.1, Усманов Э.Г.2, Исакулов С.Д.3, Илясов А.П.4
1Ниёзов Нумон Низомиддинович - доктор философии по техническим наукам (PhD), доцент; 2Усмонов Элдор Ганиевич - доктор философии по техническим наукам (PhD), доцент, кафедра электроснабжения, Ташкентский государственный технический университет; 3Исакулов Сардор Дадажонович - первый заместитель председателя правления, ОАО «Теплоэлектрические станции», г. Ташкент;
4Ильясов Аббас Пахратдин - ассистент кафедры, кафедра электроэнергетика, Каракалпакский государственный университет, г. Нукус,
Республика Узбекистан
Аннотация: в статье рассмотрены вопросы разработке прогнозных моделей электропотребления предприятий с непрерывным характером производства с применением метода исскуственного интеллекта. А также предложена для дополнительного повышения точности прогноза за счет применения Нечеткой логики к частям нейросети, которая имеет функции приема данных и вывода на печать полученных результатов.
Ключевые слова: прогнозирование, электропотребление, точность, логика, Fuzzy логика, фаззификация, дефаззификация, принятие решений, неопределенность, нейронные сети.
УДК 621.365
При прогнозировании потребления электроэнергии методом ИНС важным является сначала выбрать структуру нейронной сети, т.е. определить количество входящих и выходящих слоев в выбранной структуре и количество нейронов в каждом слое.
На первом этапе периодичность поступления исходных данных в базу данных составляет годы. На втором этапе исследования в базе данных периодичность исходных данных соответствует дням и месяцам. На всех этапах длительность процесса изучения зависит от количества данных в исходной базе данных [1, 2].
Во время обучения нейронной сети осуществляется настройка сети на эталонные значения. Этот процесс выполняется путём корректировки весовых коэффициентов, которая, в свою очередь, осуществляется на основе минимизации функциональных ошибок.
Функциональная ошибка, в свою очередь, характеризует разницу между эталонным значением и значениями выходного сигнала и определяется с помощью следующего выражения [3, 4]:
1Е (У
E =1Е (v<" - О2, (1)
где p - номер входного слоя,
(p)
v0 - значение выходного слоя,
А Р)
t0 - эталонное значение.
Процесс обучения продолжается до тех пор, пока выходящие значения сигналов из нейронной сети не приблизятся к эталонным значениям. Он завершается выполнением соответствующих условий алгоритма.
Корректировка весов - один из наиболее важных процессов при обучении с использованием ИНС; он обычно выполняется не для каждого входного параметра, а для небольших групп входных параметров. Такая корректирока весовых коэффициентов ускоряет процесс обучения. Для определения весовых коэффициентов рекомендуется выполнять около сотни итераций, обеспечивающих уменьшение ошибки прогнозирования [5].
Хотя искусственный интеллект обеспечивает высокоточные результаты прогнозирования, очень сложно осуществить учет внезапных скачков электроэнергии, а также подобных природных явлений в реальной жизни. В этом случае можно осуществить дополнительное повышение точности прогноза за счет применения Нечеткой логики к частям нейросети, которая имеет функции приема данных и вывода на печать полученных результатов.
Fuzzy логика — это математический подход и раздел логики, который занимается рассуждениями и принятием решений в ситуациях, когда существует двусмысленность и неопределенность [6].
Зависимость Fuzzy R определяется двумя альтернативными методами:
1. Если для каждого f (t), m > 0 целыая цифра, где
fj(0 = (fa(t-dxf,2(t-2)x---xfm(t-m))oRa(t>t-m)> а зависимость Fuzzy Rpa(t,t-m) есть неопределенное отношение, при этом F(t) включает в себя F(t — 1), F(t — 2), ..., F(t — 3) , то зависимость определяется следующим образом:
Fj(t) = (Fa(t-l)xFl2(t-2 )x...xF,m(t-M))oR?(tJ-M) 2. Если at) = (Ja(t-l)xfi2(t-2)x...xfim(t-m))oR^t,t-m)
как
Rp (t, t - m) есть
зависимости, то ¥(1) определяется с учетом ¥(1 — 1), или ¥(1 — 2), или ... или, или ¥(1 — 3) :
Fm = (Fa(t-l)vFl2(t-2)v...vFlm(t-m))oRZ(t,t-m)
(3)
здесь, Rp (t, t - m) = upR0 (t, t - m) .
Fuzzy логика по принципу работы делится на два механизма. В механизме типа Fuzzy 1 прогнозирование осуществляется на основе получения данных и разработки правил на основе одного набора данных (рис. 1).
A=L и (x)/x
X (4)
Рис. 1. Механизм типа Fuzzy 1.
В механизме типа Fuzzy 2 прогнозирование осуществляется на основе получения данных и разработки правил на основе двух и более типов набора данных (рис. 2).
A = {((x, u), ц (x,u)) | Vx e X; Vu e Jx с [0,1]}
(5)
1
A = f f US*. ul = f f
xeD ueJ. с[0,1] (X'u) xeD ueJ. с[0,1] (X' u)
J 1
г гпП1М
ueJx с[0,1]
1
(6)
ц( x) = e
(x-x0 ) - 2ff2
(7)
Рис. 2. Механизм типа Fuzzy 2.
Фаззификация. Фаззификация — это процесс разделения входных данных системы на одно или несколько лингвистически логических нечетких множеств. [7].
База данных Fuzzy правил (далее база правил). На этом этапе экспертное знание формируется в виде ограниченного набора правил. База правил содержит правила, которые будут использоваться при принятии решений. Эти правила обычно основаны на личном опыте, но в некоторых случаях правила можно вывести с помощью нейронных сетей, генетических алгоритмов или какого-либо эмпирического подхода [8; 9].
Принятие решений. В ходе процесса, называемого принятием решений, функции принадлежности объединяются с информацией из базы данных нечетких правил для получения окончательного результата [10; 11].
Дефуззификация. Дефаззификация — это процесс преобразования Fuzzy переменных в точные значения [12]. Процесс дефаззификации принимает Fuzzy переменные в качестве входных данных и печатает четкое текстовое или числовое значение в качестве выходных данных процесса дефаззификации. [13, 14].
Методы дефаззификации имеет свои преимущества и недостатки. Исходя из требований задачи, выбирается соответствующий метод.
По результатам приведённых выше можно сделать вывод, что использование метода искусственных нейронных сетей при прогнозировании потребления электроэнергии даёт возможность рассчитывать показатели прогноза с высокой точностью. Это обеспечивается прежде всего тем, что этот метод имеет возможность обучения и адаптирования к процессу прогнозирования потребления электроэнергии. Разработка моделей прогнозирования с использованием этого метода - более сложный процесс в сравнении с рассмотренными выше методами. Правильный подбор состава входящих слоёв и исключение различных возможных случаев обеспечивает успешное завершение расчётов. Это также следует из анализа графиков погрешностей показателей, определённых с помощью данной методики.
Список литературы
1. Jumayev Z.I., Karshibayev A.I., Sayidov M.K. & Shirinov S.G. O. (2024). Analysis of climate-meteorological and technological factors affecting electricity consumption of mining enterprises. Vibroengineering Procedia, 54, 293 -299. https://doi.org/10.21595/vp.2024.24047.
2. Manusov V.Z., Orlov D. V., Orlov D. V., Sultonov S. & Bumtsend U. (2022). Analysis of electricity consumption of electrical machines of a coal industry enterprise using the wavelet transform. IOP Conference Series: Earth and Environmental Science, 1070(1), 012002. https://doi.org/10.1088/1755-1315/1070/1/012002.
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. Tretiak V., Yatsun V., Petrova K. & Kotysh A. (2023). Construction of the electricity consumption model of the compressor station of the enterprise for the production of dairy products. Central Ukrainian Scientific Bulletin Technical Sciences.
8. Yang Y., Pan F., Li J. & Zhang J. (2024). Electricity consumption optimization of power users driven by a dynamic electric carbon factor. Frontiers in Energy Research, 12. https://doi.org/10.3389/fenrg.2024.1373206
9. Guo Y., Pandyaswargo A.H., Matsumoto K. & Onoda H. (2023). Development and verification of a regional residential electricity consumption estimation method. Energies, 16(23), 7738. https://doi.org/10.3390/en16237738
10. Scherbak L.M., Fryz M. & Hotovych V.A. (2023). Electricity consumption simulation using random coefficient periodic autoregressive model. IOP Conference Series: Earth and Environmental Science, 1254(1), 012027. https://doi.org/10.1088/1755-1315/1254/1/012027
11.Al-Rajab M. & Loucif S. (2024). Sustainable EnergySense: a predictive machine learning framework for optimizing residential electricity consumption. Discover Sustainability, 5(1). https://doi.org/10.1007/s43621-024-00243-0
12. Chen J., Yuan J., Chen W. & Ahangari N.Y. (2024). Research on interpolation method for missing electricity consumption data. Computers, Materials & Continua, 78(2), 2575-2591. https://doi.org/10.32604/cmc.2024.048522
13. Boykov S., Shchokin V., Vyshnevsky S. & Podgornykh N. (2022). Forecasting of electricity consumption of aviation enterprises during reconfiguration of their power supply system. https://doi.org/10.31891/2307-5732-2022-309-3-233-239
14. Boiko S., Zhukov O., KovalA. & PechenyukD. (2023). Aspects of implementation of distributed generation sources in the electricity supply system of enterprises of the agricultural complex. Engineering Energy Transport AIC. https://doi.org/10.37128/2520-6168-2023-2-14
