Использование искусственной нейронной сети при прогнозировании электрической нагрузки

Автор: Павлов Иван Владимирович, Зацепина Виолетта Иосифовна

Журнал: Агротехника и энергообеспечение @agrotech-orel

Рубрика: Электротехнологии, электрооборудование и энергоснабжение агропромышленного комплекса

Статья в выпуске: 4 (37), 2022 года.

Бесплатный доступ

Каждый год наблюдается рост развития с последующим увеличением потребности в электрической энергии. В связи с этим необходимо прогнозировать количество потребителей и спрос на электроэнергию, чтобы поставщики электроэнергии могли предоставлять электроэнергию по мере необходимости и минимизировать отключения. При прогнозировании используется метод искусственной нейронной сети (ИНС), работающей по методу Backprop. Преимуществом этого метода является удобство в формулировании данных прогнозистов, а также гибкость в изменении. Используются алгоритм обучения Левенберга-Марквардта, переменная скорость обучения по Грейденту и квази-Ньютону. Наиболее точные результаты можно увидеть, если посмотреть на наименьший средний процент ошибок, полученный на всех трех алгоритмах обучения. Результаты обучения с помощью trainlm, traindx и trainbfg показывают, что результирующая ошибка достаточно мала и составляет 0,194%, 0,15% и 0,14%. Результаты обучения показывают, что искусственная нейронная сеть (ИНС) хорошо подходит для применения в прогнозировании.

Еще

Искусственные нейронные сети, потребление, электроэнергия, алгоритм обучения, прогнозирование, метод обратного распространения, денормализация

Короткий адрес: https://sciup.org/147241064

IDR: 147241064

Текст научной статьи Использование искусственной нейронной сети при прогнозировании электрической нагрузки

В действительности потребность в электроэнергии в том или ином регионе меняется каждый год. Так много развития в секторе, который косвенно требует электрическая энергия для поддержания развития. Электростанция должна эффективно обеспечивать потребности потребителей, в том смысле, что если электростанция производит большую мощность, то потребности потребителя также должны быть большими, поэтому если потребность потребителя в электроэнергии низкая, то электростанция также должна стремиться к производству электроэнергии по требованию, чтобы не было никакого электричества которая тратится впустую.

Теория вопроса. Эксплуатация электроэнергетической системы начинается с тщательного планирования работы. Одним из видов планирования усилий, которые должны быть выполнены, является оценка потребностей в электроэнергии и нагрузка системы.

Некоторые факторы, оказывающие большое влияние на нагрузку:

  • -    Календарный и сезонный период;

  • -    Экономика и окружающая среда;

  • -    Особые случаи;

Видами прогнозирования являются:

  • -    Долгосрочное прогнозирование;

Долгосрочное прогнозирование - это прогноз, рассчитанный на длительный период времени (более одного года).

  • -    Среднесрочное прогнозирование;

Среднесрочное прогнозирование рассчитано на период от одного месяца до одного года.

  • -    Краткосрочное прогнозирование;

В краткосрочном прогнозировании период времени составляет от одного часа до одного месяца.

Искусственные нейронные сети - это вычислительная система. чья архитектура и операции вдохновлены знаниями о биологических нейронах в мозге. Искусственные нейронные сети являются одним из искусственных представлений человеческого мозга, который всегда пытается стимулировать процесс обучения процесс обучения в человеческом мозге.

Метод обратного распространения - это модель искусственной нейронной сети с управляемым обучением, так что в каждом входном шаблоне есть выходная пара. В основном, целью искусственных нейронных сетей является проведение обучения для достижения точности между способностью сети реагировать на входные шаблоны во время обучения и обеспечивать ожидаемое значение путем предоставления аналогичных входных шаблонов. Таким образом, результат процесса обучения формирует весовые коэффициенты, которые будут использоваться для обработки на других входах.

Нейронная сеть обратного распространения представляет собой сеть с множеством слоев. Эта сеть имеет один или несколько скрытых слоев. Эта сеть имеет преимущества в решении проблемы по сравнению с по сравнению с однослойной сетью, но имеет более сложный модель обучения. В некоторых случаях эта сеть лучше обучение, потому что она решает проблему, которую не может решить однослойная сеть. Пример многослойной многослойных сетей, показанных на рис.1

Рисунок 1 - Нейронные сети с множеством уровней

Методика проведения исследований. На первом этапе авторы создают и проектируют архитектуру искусственной нейронной сети на основе полученных данных для проведения процесса обучения, состоящего из входного слоя, который представляет собой входные данные с 2017 по 2021 год, скрытого слоя и выходного слоя, который является целью. слоя и выходного слоя, который является целью данных в 2022 году.

Определение параметра. На этом этапе определение параметра используется для повлиять на процесс обучения. Параметрами являются цель производительность, эпоха и скорость обучения.

Функция обучения. На этом этапе используются 3 алгоритма обучения для эксперимента в качестве сравнения для обучающей сети архитектуры, которая будет иметь наименьшую процентную ошибку для прогнозирования. Алгоритмы обучения: Левенберг Марквардта, градиентный спуск со скоростью обучения и квази Ньютона, а используемая функция активации - бинарная логистический сигмоид, поэтому необходима нормализация данных в диапазоне значений от 0 до 1, поскольку эта функция активации может считывать только значения от 0 до 1.

Рисунок 2 - Блок-схема исследования

Процесс обучения данных осуществляется на основе архитектуры и параметров сети, которые были скомпилированны. Обучение осуществляется с помощью инструментария nntool находящегося в приложении MATLAB R2013a.

После проведения этапа обучения, следующим шагом является проверка того, соответствует ли точность тому, что или нет. На этом этапе также можно попробовать другие алгоритмы обучения алгоритмов для сравнения.

Затем проводится сравнение, соответствует ли обучение в соответствии с заранее определенной целью или нет, наблюдая за тем. сколько ошибок было получено.

Следующим шагом является прогнозирование результатов следующего года с помощью оптимального учебного шаблона, который был составлен.

После того, как данные предсказания получены, последним шагом является возвращение данных к исходной форме, когда данные были нормализованы путем денормализации. [3].

Описание метода исследований. На этом этапе обсуждаются результаты обучения, содержащиеся в подготовленной оптимальной сети

В данном исследовании алгоритм обучения, используемый для сравнения - нейронная сеть с обратным распространением (Feedforward Backpropagation). Модели нейронной сети это trainlm, traindx и trainbfg.

Таблица I показывает, что обучение проводилось с использованием 3 алгоритмов обучения для выявления наиболее оптимальной точности затем использовался для прогнозирования. В таблице выше приведены данные о ежемесячном потребление нагрузки в Липецком районе с тренировочным шаблоном за 2017 по 2021 год за 12 месяцев в качестве входных данных и 2022 год за 12 месяцев в качестве цели, так что выход обучающей модели 12 месяцев, который затем сравнивается с целевым показателем, так как он использует управляемое обучение.

Таблица 1 - Сравнение трех алгоритмов с целевой задачей

Алгоритм вывода ИНН

Целевые показатели

trainlm

traingdx

trainbfg

1

1403,9

1400,6

1402,1

1390

2

1229,7

1226,4

1227,9

1216

3

3883,1

3879,8

3881,3

3869

4

5020,2

5016,9

5018,4

5007

5

6106

6102,7

6104,2

6092

6

7056,3

7053

7054,5

7043

7

7889,6

7886,3

7887,8

7876

8

9065,4

9062,1

9063,6

9052

9

10100,8

10097,5

10099

10087

10

11149,7

11146,4

11147,9

11136

11

12468,8

12465,5

12467

12455

12

14088,6

14085,3

14086,8

14075

Таблица 2 показывает, что процентное соотношение ошибки по месячной мощности потребления в Липецкой области с наименьшим средним процентом ошибки является traingdx со значением 0,987244%.

Проведя сравнение, можно сделать вывод, что trainbfg имеет наименьшую процентную ошибку хотя можно сказать, что все три хороши для прогнозирования, потому что у них разница средней % ошибки небольшая. Ниже приведены примеры прогнозирования, выполненные с помощью обучающего шаблона с квази-Ньютона (trainbfg).

Таблица 2 - Сравнение трех алгоритмов с целевой задачей

Месяц

Процент ошибки

trainlm

traingdx

trainbfg

1

0,990598

0,992932

0,987643

2

0,987419

0,925517

0,967088

3

0,998452

0,982757

0,986892

4

0,992055

0,988373

0,982651

5

0,989444

0,99398

0,988417

6

0,998129

0,988367

0,986912

7

0,991141

0,996722

0,994395

8

1,00135

0,995064

1,008606

9

1,002206

1,002196

0,989077

10

0,988181

0,993054

0,99594

11

0,987536

0,994658

0,990111

12

0,989038

0,993303

0,995192

0,992962

0,987244

0,98941

На рис. 3 показано, что имеется три слоя нейронов состоящие из X1, X2, X3, X4 и X5 в качестве входов. В последовательности что означает входные данные от 2017, 2018, 2019, 2020 и 2021 г. по 12 месяцев в каждом году. Затем на выходе Y, что означает, что выход - это цель, которая была определена, а именно 2022 год в течение 12 месяцев,

При обучении каждого алгоритма обучения, он тестируется путем изменения количества нейронов в скрытом слое 3 раза, 8, 30 и 40. Затем берется самый точный для использования в качестве сравнения с другими алгоритмами, а затем снова сравнивается для оптимизации архитектуры. Прогнозирование нагрузки в 2022 году можно увидеть в таблице III.

Рисунок 3 - Архитектура обучения Квази-Ньютона

Таблица 3 - Прогнозирование нагрузки в 2022 году

есяцы в 2022 году

Прогнозование

Январь

1404,3

Февраль

1230,1

Март

3883,5

Апрель

5020,6

Май

6106,4

Июнь

7056,7

Июль

7890

Август

9065,8

Сентябрь

10101,2

Октябрь

11150,1

Ноябрь

12469,2

Декабрь

14089

Заключение. Из результатов обучения и обсуждения выше можно можно сделать следующие выводы:

  • -    Из проведенного исследования следует, что использование обучения с помощью методом нейронной сети (ИНН) очень хорошо подходит чтобы делать прогнозы.

  • -    Расчетное прогнозирование на 12 месяцев в 2022 году.

  • -    Во время исследования авторы пришли к выводу, что при обучении, если данных используется больше и больше, тем лучше обучение и точность также будет выше.

  • -    В тесте прогнозирования три алгоритма, trainlm, traindx, и trainbfg отлично подходят для прогнозирования и прогнозирования, и могут регулировать параметры обучения для для получения хороших результатов.

Для того чтобы исследования, которые будут проводиться в дальнейшем, стали лучше и развития, авторы предлагают следующие предложения:

  • -    Прогнозирование с помощью других методов необходимо для исследования для достижения еще большей точности

  • -    Изменения в алгоритмах обучения на искусственной нейронной сети настоятельно рекомендуется поскольку авторы изменяют только некоторые параметры в одиночку, не проводя дальнейших исследований по изменению параметров изменения параметров при составлении сети.

Address: 30 Moskovskaya St., Lipetsk

Список литературы Использование искусственной нейронной сети при прогнозировании электрической нагрузки

  • K. R. M. Supapo, R. V. M. Santiago, M. C. Pacis, “Electric Load Demand Forecasting for Aborian-Narra-Quezon Distribution Grid in Palawan Using Multiple Linear Regression,” Proc. IEEE, pp. 1-6, Dec 2017.
  • H. Mubarok, “Optimal specification analysis of hybrid-PV-battery-diesel power generation based on electrical outage cost as an industrial reserve power, “ IEEE, vol. pp. 253 – 257, October 2017, International Seminar on Application for Technology of Information and Communication (isemantic) Semarang, 2017.
  • S. Kumar, S. Mishra, S. Gupta, “Short Term Load Forecasting Using ANN and Multiple Linear Regression,” Proc. IEEE, pp. 184-186, Feb 2016.
  • L. N. Silva, A. R. Abaide, I.C. Figueiro, “Development of Brazilian multi region short-term load forecasting model considering climate variables weighting in ANN model, ” IEEE, 2017.
  • X.Pan, B.lee, and C.Zang, “A Comparison of Neural Network bacpropagation algorithms for electricity load forecasting, ” in intelligent Energy Systems (IWIES), 2013 IEEE International Workshop on, pp. 22-27, 2013.
  • R. Sanchez, X. Guillaud, G. Dauphin-Tanguy, “Hybrid electrical power system modeling and management”, Simulation Modelling Practice and Theory, Vol. 25, pp. 190–205, Jun. 2012.
  • H. S. Hippert, C.E Pedreira, R.C. Souza, “Neural networks for short- term load forecasting: a review and evaluation”, I E E E Transaction on Power Systems, Vol. 16, no. 1, pp. 44-55, Feb. 2001.
  • S.S. Papas, L. Ekomomou, D.Ch. Karamousantas, G.E. Chatzarakis, S.K. Katsikas, P. Liatsis, "Electricity demand loads modeling using AutoRegressive Moving Average (ARMA) models", Energy, Vol. 33, no. 9, pp. 1353-1360, Sept. 2008.
  • P. Pertilä, "Online blind speech separation using multiple acoustic speaker tracking and time–frequency masking”, Computer Speech &Language, Vol. 27, pp. 683-702, May 2013.
  • J. Gao, et al., "Independent component analysis for multiple- input multiple-output wireless communication systems", Signal Processing, Vol. 91, no. 4, pp. 607-623, April 2011.
  • ETESA, “Comportamiento del sistema”, Centro de Nacional de despacho [online], Disponible: http://www.cnd.com.pa/ informes.php?cat=5, Accesado: 2 de Junio de 2014.
  • B. Mijovic, M.D. Vos, I. Gligorijevic, J. Taelman, S.V. Huffel, “Source Separation From Single-Channel Recordings by Combining Empirical-Mode Decomposition and Independent Component Analysis”, IEEE transactions on biomedical engineering, Vol. 57, no. 9, pp. 2188-2196, Sept. 2010.
  • J.W. Taylor, "Short-term load forecasting with exponentially Weighted methods ", IEEE transactions on Power Systems, Vol. 27, no. 1, pp. 458-640, Feb. 2012.
  • J. Escudero, et al., "Artifact Removal in Magnetoencephalogram Background Activity With Independent Component Analysis", IEEE Transactions on Biomedical Engineering, Vol. 54, no. 11, pp. 1965-1973, 2007.
  • A. Hyvarinen, et. al., Independent component analysis: algorithms and applications, Wiley, New York, USA, 2001.
Еще
Статья научная