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