Нейросетевой модуль прогнозирования потребления электроэнергии

НЕЙРОСЕТЕВОЙ МОДУЛЬ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ

В данной работе рассмотрено проектирование и разработка нейросетевого программного модуля прогнозирования потребления электроэнергии в составе системы поддержки принятия решений управления электроснабжением. Программным модулем поддерживается две модели прогнозирования: регрессионная модель и нейросетевая модель на основе многослойного персептрона. Разработка программного обеспечения для прогнозирования электропотребления в системе принятия решений на сегодняшний день является одним из приоритетных направлений в электроэнергетике России. Поэтому работы, связанные с разработкой методов и алгоритмов прогнозирования электропотребления в электроэнергетике, актуальны Перспективным направлением развития прикладного программного обеспечения в электроэнергетике является создание систем поддержки принятия решений (СППР), поддерживающих идеологию обеспечения сбора и интеграции данных технологического процесса с помощью баз данных, формирования информационной и адекватной модели объекта управления, решения задач контроля, анализа, управления электроэнергетическим оборудованием и электроснабжением на основе этих моделей [1, 2, 4, 6]. В настоящий момент, на рынке существует несколько СППР, реализующих решение проблемы прогнозирования расходов электропотребления, однако в основном данные ПП являются системой для решения целого комплекса вопросов, что отражается и на цене.

СППР в процессе управления электроснабжением позволяет автоматизировать достоверные рассуждения человека-эксперта в области электроэнергетики; за счёт своего быстродействия позволяет быстро оценить результаты проведения краткосрочного и оперативного прогнозирования электропотребления, а также выработать разумную ответную реакцию у лица принимающего решения при управлении электроснабжением. СППР в электроснабжении по своему смыслу является прогнозирующей системой [4, 5, 6].

Принцип работы СППР показан на рисунке 1:

Рисунок 1 Принцип работы СППР В настоящий момент, на рынке существует несколько СППР, реализующих решение проблемы прогнозирования расходов электропотребления, однако в основном данные ПП являются системой для решения целого комплекса вопросов, что отражается и на цене [3, 6].

Рассмотрим особенности разработки основных модулей СППР. Наиболее простыми модулями в построении СППР являются: сбор и добыча данных, описательный и визуальный анализ. Модуль построения зависимостей требует участие экспертов в области работы предприятия. Наиболее трудным является проектирование и реализация блока поддержки принятия решений, то есть модулей: прогноза изменения факторов, выбора действия и прогноза развития. Не существует обобщенного принципа построения блока поддержки принятия решений, есть только общие рекомендации.

В данной работе рассмотрено проектирование и разработка модуля прогнозирования потребления электроэнергии. Модуль прогнозирования состоит из двух блоков, реализующих следующие методы прогнозирования:

• — регрессионный анализ;
• — нейросетевой.

Модуль прогнозирования энергопотребления реализует следующие функции:

• — выбор периода прогнозирования (долгосрочное или краткосрочное);
• — загрузка данных для прогноза из БД модуля сбора и анализа;
• — создание прогноза с использованием регрессионной модели;
• — обучение нейронной сети;
• — создание прогноза с использованием нейронной сети;
• — расчет ошибок MAE и MAPE;
• — построение графиков нагрузки;
• — сохранение результатов в БД;
• — вызов справки.

На рисунке 2 представлена диаграмма вариантов использования разработанного модуля прогнозирования.

Рисунок 2 Use-case диаграмма модуля прогнозирования электропотребления Рассмотрим работу модуля прогнозирования. При открытии программы появляется окно загрузки программы, после появляется главная форма настройки основных параметров прогноза (рисунок 3). В данном окне необходимо выбрать тип прогноза и модель, которая будет использоваться для расчета, а так же указать период прогноза и загрузить данные для анализа.

Рисунок 3 Выбор периода и метода прогнозирования Программа поддерживает две модели прогнозирования, для долгосрочного и краткосрочного планирования, это регрессионная и нейросетевая модели соответственно. В случае выбора модели прогнозирования, несоответствующей указанному периоду прогноза, программа автоматически изменит модель прогноза на соответствующую и сообщит пользователю о смене в виде диалогового окна.

Для краткосрочного прогнозирования рядов по потреблению электроэнергии, в условиях возможности резкой смены внешних параметров, привлекают искусственные нейронные сети. Анализ публикаций по прогнозированию электропотребления с помощью искусственных нейронных сетей показал, что чаще всего на входе нейронной сети используются две следующих выборки.

Выборка 1. Входными переменными являются почасовые значения нагрузки P_i (i = 1,…, 48) для двухсуточного интервала времени, предшествующих прогнозируемым 48 или 96 значениям, если учитывать получасовые значения нагрузки. Кроме значений нагрузки в выборку входят значения дня недели, времени суток, для которого необходим прогноз, и прогноз максимальной и минимальной температуры.

Выборка 2. Входными переменными являются почасовые значения нагрузки P_i (i = 1,…, 48) для суток, предшествующих прогнозируемым (24 значения), и для суток недельной предистории (24 значения).

В разработанном модуле прогнозирования используется нейронная сеть на основе многослойного персептрона со следующими параметрами:

• — количество входов: 48;
• — количество выходов: 24;
• — скрытый слой: 72;
• — количество эпох обучения: 300;
• — функция активации: b=1/1+exp (-t) — сигмоида;
• — ошибка остановки обучения: 0,5;
• — метод обучения: метод обратного распространения ошибки.

Для того, чтобы начать работу с нейросетевой моделью необходимо выбрать данный пункт в меню главной формы, после чего откроется окно, представленное на рисунке 4.

Рисунок 4 Нейросетевая модель прогнозирования Для начала составления прогноза первоначально нужно обучить сеть, нажав соответствующую кнопку на форме. С прогрессом обучения сети можно ознакомиться в соответствующем окне. Так же после завершения обучения выводятся полученные коэффициенты ошибок, MAE и MAPE и график нагрузки по исходным значениям.

Результаты прогноза выводятся на соответствующей вкладке, для наглядности строится так же график прогноза электропотребления. Результаты прогноза приведены на рисунке 5.

Рисунок 5 Результаты прогнозирования Для того, чтобы оценить работоспособность разработанной модели был проведен сравнительный анализ полученных результатов с реальными данными на указанный период прогнозирования. При тестировании программы на обучающей выборке за первое полугодие 2010 года и на срок 7 дней следующего полугодия было получено значение MAPE=4.09%, что говорит об адекватности нейросетевой модели прогнозирования. Полученные результаты представлены на рисунке 6.

Рисунок 6 Сравнительный анализ Рассмотрим прогнозирование энергопотребления на основе регрессионных методов. Выбирая регрессионный анализ в главном меню, переходим к форме регрессионной модели прогнозирования. Устанавливаем необходимые параметры и нажимаем кнопку «Прогноз», результат представлен на рисунке 7.

Рисунок 7 Логистическая модель прогнозирования С результатами прогноза можно ознакомиться на вкладке «Прогноз» рисунке 8.

Рисунок 8 Результат прогноза В результате тестирования значение среднего относительного отклонения MAPE составило 4,89%, что так же, как и в случае с нейросетевым прогнозированием, является показателем адекватности работы используемой модели.

Модуль прогнозирования подготавливает результат и выводит пользователю, как в графическом, так табличном виде. Имеется возможность экспорта результатов прогнозирования в формат MS Excel.

• 1. Зуева В. Н., Никитина Ю. Ю. Анализ методов прогнозирования графиков нагрузки электрооборудования / В. Н. Зуева, Ю. Ю. Никитина // Сборник докладов победителей и лауреатов XXII студенческой научной конференции АМТИ 2016. С. 119−122.
• 2. Зуева В. Н. Регрессионные методы прогнозирования графика нагрузки электрооборудования // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2017. № 126. С. 119−130.
• 3. Зуева В. Н., Трухан Д. А. Нейросетевое прогнозирование графиков нагрузки электрооборудования предприятий, организаций и учреждений: монография / Кубан. гос. технол. ун-т. Краснодар, Изд. ФГБОУ ВО «КубГТУ», 2017. 131 с.
• 4. Карлов Д. Н. Интеллектуальная многоконтурная система поддержки принятия решений аналитика: диссертация кандидата технических наук: 05.13.01 / Карлов Дмитрий Николаевич; [Место защиты: Кубан. гос. технол. ун-т]. — Краснодар, 2010. 131 с.
• 5. Практические расчеты по основам электроснабжения и электрооборудовая промышленных предприятий: учебное пособие / Д. А. Трухан, Т. Ю. Белозерская, А. В. Хомяков, А. А. Москвитин. Армавир: РИО АГПУ, 2017. 152 с. ISBN 978−5-89 971−546−4.
• 6. Дубенко Ю. В., Дышкант Е. Е. Интеллектуальная система контроля и прогнозирования потерь электроэнергии //Вестник Белгородского государственного технологического университета им. В. Г. Шухова. 2016.№ 3. С. 131−135.