Application of neural networks for prediction of power consumption parameters

Full Text

Введение

Искусственный интеллект в последнее время становится источником прогресса в области технологий для различных отраслей народного хозяйства – от автономных транспортных средств до медицинской диагностики и передового производства. Развитие систем искусственного интеллекта и переход их из теоретической плоскости в практическую реализацию объясняется обилием цифровых данных и быстро развивающейся вычислительной мощностью. Использование искусственного интеллекта дает значительный эффект во многих сферах человеческой деятельности: обнаружение закономерностей среди миллиардов, казалось бы, несвязанных точек данных, улучшение прогнозирования погоды, повышение урожайности сельскохозяйственных культур, увеличение эффективности выявления рака, прогнозирование эпидемий и улучшение производительности промышленных предприятий. Не исключением является электроэнергетика: появляются интеллектуальные приборы учета, устройства автоматики и телемеханики, а также построенные на их базе автоматизированные системы. Данные направления развития подкрепляются нормативно-правовой базой, в основе которой лежат Концепция «Цифровая трансформация 2030» [1], МЭК 61850-5-2011 [2] и др.

Одной из отличительных особенностей систем искусственного интеллекта является возможность прогнозирования параметров системы для их последующего анализа. По данному направлению опубликован ряд работ [3-5], в которых делается прогноз параметров с помощью различных методов. Задачей данной работы является оценка адекватности метода прогнозирования с помощью нейронной сети.

Результаты и обсуждение

Несмотря на наличие значительного количества различных методов прогнозирования, таких как методы анализа временных рядов, различные методы машинного обучения и др., которые имеют свои достоинства и недостатки, в данной работе внимание будет уделено нейронным сетям.

Одной из вариаций таких систем являются нечеткие системы, которые предлагают математическое исчисление для перевода субъективных человеческих знаний о реальных процессах.

Нейронные сети и нечеткие системы могут быть объединены, для улучшения работы обеих систем. Нейронные сети вводят свои вычислительные характеристики обучения в нечетких системах и получают от них интерпретацию и четкость представления систем. В общем виде все комбинации методов, основанных на нейронных сетях и нечеткой логике, можно назвать нейро-нечеткими системами.

Современные показатели оценки надежности элементов систем электроснабжения позволяют получить индикаторы для дальнейшего построения моделей, а методы прогнозирования представляют выбор нужного алгоритма для моделирования системы оценки и прогнозирования систем электроснабжения. Особый интерес представляют относительно новые интеллектуальные методы прогнозирования, в основу которых часто положены методы обучения, использование которых стало распространенным с ростом вычислительных мощностей современных компьютерных систем.

Для моделирования поведения нейронной сети в настоящее время можно использовать огромное количество программных комплексов, таких как Microsoft Analysis Services, Oracle Crystal Ball, MATLAB и др. В данной работе предпочтение будет отдано среде для моделирования MATLAB по причине его простоты в использовании, высокой скорости работы и наличии значительного числа методических материалов.

В данной работе будет проведено несколько опытов с разными моделями нейронной сети. В первом опыте нейронная сеть, реализованная в MATLAB для решения задачи прогнозирования, представляет собой однослойную нейронную сеть. Во втором – двухслойная нейронная сеть с десятью, пятью и одним нейроном на каждый слой соответственно. В третьем – будем использовать гибридную сеть, смоделированную системой ANFIS-редактора.

Обучение нейросети производится методом обратного распространения ошибки. В ходе обучения совершается подстройка весов таким способом, чтобы некое множество входов приводило к требуемому множеству выходов. Каждому входному множеству, отвечает парное ему целевое множество, задающий требуемый выход. Совместно они составляют обучающую пару.

Создание и наладку гибридной нейронной сети осуществим через встроенный в MATLAB редактор ANFIS.

Моделировать нейронную сеть будем для задачи прогнозирования полной мощности в зависимости от графиков нагрузки. Таким образом исходные данные необходимо преобразовать в графики нагрузки с временем снятия показаний в 30 минут. После этого для каждого временного отрезка мы высчитаем коэффициенты, характеризующие графики нагрузок: коэффициент формы k_ф, коэффициент максимума k_м, коэффициент заполнения графика k_з,г. При использовании данных методов на реальном производстве также можно использовать коэффициенты использования, включения приемника, загрузки приемника (или групповой загрузки), а также коэффициент разновременности максимума активных нагрузок, которые требуют наличия данных по номинальным нагрузкам электроприемников, а также время их включения и время продолжительности цикла. При использовании большого числа коэффициентом нейронная сеть получит большую входную выборку данных и сможет выдавать более точные ответы.

После преобразования данных и расчета коэффициентов получаем значения, представленные в таблицах 1-5.

Таблица 1. Данные первого дня

Таблица 2. Данные второго дня

Таблица 3. Данные третьего дня

Таблица 4. Данные четвертого дня

Последний, пятый день, мы будем использовать для тестов нейронной сети (таблица 5).

Таблица 5. Данные пятого дня

Как можно видеть из таблиц 1-5, выражены часы пиковых нагрузок и часы минимальных нагрузок, которые каждый день совпадают по часам, такое упрощение принимаем из-за небольшого количества обучающих данных.

Таким образом, первые 4 столбца служат входными данными, а 5 – полная мощность – служит выходным сигналом. То есть подаем в нейронную сеть данные, полученные из графиков нагрузки по активной мощности, и получаем на выходе полную потребленную мощность некого предприятия.

Проверку полученной нейронной сети будем проводить аналогичным образом: подадим на вход данные за пятый день и полученные данные сравним с реальными.

На рисунке 1 показаны параметры смоделированной сети.

Рисунок 1 – Параметры смоделированной сети

На рисунке 2 приведен график зависимости ошибки тренировочных, данных для измерения обобщения и тестовых данных от количества итераций. По оси абсцисс количество эпох, по оси ординат представлены значения среднеквадратичной ошибки.

Рисунок 2 – Зависимость квадратичной ошибки от количества эпох

Как мы видим нейронная сеть обучилась за 21 эпоху, дальнейшее обучение было нецелесообразно. Из графика 2 видно, что наилучшее значение валидации было на 15 эпохе.

Далее используем наши тестовые данные, спрогнозируем суточный график по полной мощности (таблица 6).

Таблица 6. Спрогнозированные и исходные данные суточного графика полной мощности

На рисунке 3 представлены результаты прогнозирования.

Рисунок 3 – Графики нагрузок: оранжевый – известные данные, синий – спрогнозированный

Как мы видим из таблицы 6 и графика 3, значение ошибки очень мало, наибольшая на 13 часу составляет 5,01%, что может считать приемлемым на данном этапе.

Проведенные дальнейшие опыты показали, что гибридная сеть дает достаточно точный результат, тем самым подтверждая адекватность применения нейронной сети для прогнозирования параметров системы электроснабжения.

Заключение и выводы

1. Проведены опыты по прогнозированию с помощью модели обратного распространения и гибридной нечеткой сети. Проанализировав полученные выше данные, можно сказать, что и гибридная, и сеть обратного распространения неплохо справляется с поставленной задачей прогнозирования мощности по графикам нагрузки предприятия за сутки.
2. В связи с небольшим количеством входных данных были получены довольно хорошие данные прогнозирования, но с редкими случаями, когда значение ошибки могло превышать 10-20 пунктов, что составляет порядка 10% от истинных значений.
3. При реальных задачах прогнозирования входные данные возможно увеличить в несколько раз используя дополнительные коэффициенты графиков нагрузок, описанные ранее, а также с помощью увеличения количества этих самых графиков за разные дни.

About the authors

Alexander G. Lyutarevich

Author for correspondence.
Email: a_lyutarevich@ugrasu.ru

Candidate of Technical Sciences, Associate Professor

References

Supplementary files