ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Journal influence

Higher Attestation Commission (VAK) - К1 quartile
Russian Science Citation Index (RSCI)

Bookmark

Next issue

2
Publication date:
16 June 2024

The article was published in issue no. № 1, 2009 [ pp. 147 ]
Abstract:
Аннотация:
Authors: () - , V.N. Zuev (zvn_tver@mail.ru) - R&D Institute Centerprogramsystem, Tver State Technical University, chair of Information’s Systems (Head of Laboratory), Tver, Russia, , () -
Keywords: time series, , neural network
Page views: 18330
Print version
Full issue in PDF (3.60Mb)

Font size:       Font:

Плата за электроэнергию, потребленную промышленным предприятием, существенно зависит от отклонения фактических значений электропотребления от договорных (заявленных), поскольку, согласно правилам определения стоимости электрической энергии, предусмотрены штрафные санкции, обусловленные величиной этих отклонений. Таким образом, для принятия решений при планировании заявки на электроэнергию необходимо спрогнозировать режимы электропотребления. Информация по корректировке планового почасового потребления электроэнергии при наличии действующей автоматизированной системы коммерческого учета электроэнергии предоставляется не позднее, чем за 3 рабочих дня (до 17.00) до даты, с которой предполагается изменение. Таким образом, возникает задача суточного прогнозирования электропотребления на трое суток вперед с максимально возможной точностью.

В данной работе рассматривается программная система прогнозирования объема электроэнергии, потребляемой стеклозаводом, с использованием нейросетевого прогнозатора.

При прогнозировании наиболее часто применяются два подхода. При одном используются временные ряды электропотребления соответствующих подразделений за предыдущий период для выявления трендов и циклических составляющих. При другом подходе определяется регрессионная модель, связывающая величину электропотребления с внешними факторами. Было выяснено, что для данного объекта электропотребления такими факторами являются среднесуточная температура окружающей среды и время простоя стеклоформующих машин.

Используя нейронную сеть, эти два подхода можно объединить. В общем виде модель прогнозирования электропотребления записывается следующей функцией: Ai=f(Ai-1,…Ai-n,Ti), где Ai – спрогнозированное значение электропотребления; Ai-1 и Ai-n – значения электропотребления в предыдущие моменты времени; Ti – совокупность внешних факторов, оказывающих влияние на электропотребление (предполагаемые значения).

Оценка качества прогнозирования осуществляется с помощью показателя абсолютной процентной погрешности: МАРЕ, где Ât – спрогнозированное значение; At – фактическое значение электропотребления; n – количество прогнозируемых значений [1].

Для прогнозирования использовались данные о суточном потреблении электроэнергии, полученной с помощью автоматизированной системы коммерческого учета электроэнергии, разработанной научно-производственным центром энергосбережения Тверского государственного технического университета.

Система прогнозирования состоит из блоков, реализованных на встроенном языке программирования системы MATLAB: ввод исходных данных, предобработка данных, обучение нейронной сети, прогнозирование электропотребления, преобразование и вывод результатов прогноза.

Блок ввода исходных данных выполняет чтение данных, необходимых для прогнозирования. Данные хранятся в текстовых файлах (TrainData.txt или InputData.txt) и могут быть отредактированы с помощью текстового редактора.

Файл TrainData.txt содержит данные, необходимые для обучения нейронной сети. Они должны быть упорядочены хронологически и расположены по следующим столбцам:

-    объем электроэнергии, потребленной за одни сутки;

-    среднесуточная температура воздуха;

-    время простоя производственных линий, в часах.

Файл InputData.txt содержит предполагаемые значения внешних факторов, используемых для получения прогноза. В качестве этих факторов используются спрогнозированные значения температуры воздуха и информация о плановых остановках производственных линий. Таким образом, файл содержит следующие элементы:

-    предполагаемые значения среднесуточных температур воздуха;

-    предполагаемые значения времени простоя производственных линий, в часах.

Каждая строка файла соответствует одним суткам, для которых должен быть получен прогноз. Для составления прогноза на первые сутки используются фактические данные из файла TrainData.txt. Для последующих дней – спрогнозированные значения, что негативно сказывается на точности прогноза.

Блок предобработки данных осуществляет их проверку на наличие пропусков и выполняет нормирование данных.

Нормирование входных данных является важным фактором, влияющим на точность прогнозирования электропотребления. Очевидно, что результаты нейросетевого моделирования не должны зависеть от размерности входных величин. Кроме того, большие значения электропотребления могут привести к проблемам при обучении нейронной сети. Нормирование фактических значений электропотребления осуществляется по формуле AH=A/AMAX.

По аналогичным формулам нормируются температура и время простоя.

Блок обучения нейронной сети, используя полученные данные, выполняет подготовку нейросетевого прогнозатора, реализация которого осуществляется в среде MATLAB с помощью пакета расширений Neural Network Toolbox [2].

Согласно проведенным исследованиям, нейронная сеть для решения данной задачи представляет собой рекуррентную сеть Элмана [1].

Выяснилось, что использование при прогнозировании внешних факторов позволяет повысить точность прогноза. При этом, чем больше факторов учтено, тем выше точность прогноза.

Согласно результатам проведенных исследований, структура сети для прогнозирования электропотребления может выглядеть следующим образом. Число нейронов во входном слое равно сумме числа входных воздействий, то есть размера окна (количества предыдущих значений электропотребления, подаваемых на вход нейронной сети, – четыре значения) и количества внешних факторов, влияющих на электропотребление. При этом используются четыре значения электропотребления. Скрытый слой содержит 10 нейронов, а в выходном слое находится один нейрон.

Структура нейронной сети для прогнозирования изображена на рисунке 1.

Рис. 1

Обучение сети осуществляется в пакетном режиме по методу обратного распространения ошибки. На вход нейронной сети одновременно предъявляются все входные векторы. Перед началом обучения весовые коэффициенты инициализируются случайным образом. После обучения сеть используется для прогнозирования и веса не изменяются.

Блок прогнозирования электропотребления использует обученную нейронную сеть для выполнения прогноза на трое суток вперед и далее в зависимости от содержимого файла Input Data.txt.

Блок преобразования результатов прогноза проводит обратное преобразование спрогнозированных значений в формат, пригодный для рассмотрения экспертом-энергетиком.

Блок вывода результатов прогноза записывает спрогнозированные значения в файл OutputData.txt.

Выполним проверку описанной системы прогнозирования. Для обучения сети используется временной ряд суточного электропотребления с 1 августа по 15 сентября 2007 г., для проверки точности прогноза модели – с 15 по 24 сентября 2007 г.

Обучение сети проводится с учителем, основная идея которого состоит в подборе кортежей , где x – входная матрица; d – соответствующий ей ожидаемый выходной вектор сети. Каждый столбец матрицы x – это предыдущие значения электропотребления со сдвигом на единицу сверху вниз.

Матрица x в случае использования трех предыдущих значений, внешних факторов для прогнозирования на одни сутки вперед имеет вид:

26129

26393

25551

25653

25511

21306

21652

21422

22872

26374

25686

26129

26393

25551

25653

25511

21306

21652

21422

22872

25923

25686

26129

26393

25551

25653

25511

21306

21652

21422

14

16

8

8

8

7

7

10

9

8

0

0

1

0

24

24

24

17

0

0

Вектор d, соответствующий данной матрице, выглядит следующим образом:

26393

25551

25653

25511

21306

21652

21422

22872

26374

26189

Используя описанные данные, можно получить результаты, отраженные в таблице:

Значения критерия MAPE

Спрогнозированные значения электропотребления

Фактические значения электропотребления

Заявленные значения электропотребления

0.3842

26032

25977

24340

3.0659

25825

26699

25240

1.4775

25841

26274

25240

-0.007

25865

25865

25240

3.0389

25862

26701

25240

2.8708

25890

26632

25240

0.6808

25915

26058

24340

-0.754

25870

25694

24340

0.0180

25871

25935

25240

Графики спрогнозированных, фактических и заявленных значений электропотребления изображены на рисунке 2.

Рис. 2

Средняя ошибка прогноза составляет 1,1 %, максимальная – 3 %. Такая точность может существенно сократить издержки, связанные с переплатой за электроэнергию.

На практике учет всех возникающих простоев при прогнозировании не представляется возможным. Однако использование информации о простоях при обучении нейронной сети позволит более точно учитывать влияние температуры, а также выявить циклические составляющие и тренд временного ряда.

Использование краткосрочного прогнозирования позволяет оперативно реагировать на изменение режима работы производственных линий. Кроме того, полученная от метеорологических служб информация более достоверна, чем при долгосрочном прогнозировании.

Анализ применимости нейронных сетей для прогнозирования объемов потребления электроэнергии показал, что они подходят для решения таких задач для промышленных потребителей электроэнергии. Однако разработанная методика не претендует на замену труда эксперта-энергетика предприятия, но может использоваться как дополнение.

Литература

1.  Оссовский С. Нейронные сети для обработки информации. – М.: Финансы и статистика, 2004. – 344 с.

2.  Дьяконов В.П., Круглов В.В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. – М.: САЛОН-ПРЕСС, 2006. – 456 с.


Permanent link:
http://swsys.ru/index.php?page=article&id=2058&lang=&lang=en&like=1
Print version
Full issue in PDF (3.60Mb)
The article was published in issue no. № 1, 2009 [ pp. 147 ]

Perhaps, you might be interested in the following articles of similar topics: