Компьютерное прогнозирование электрических нагрузок методами нейронных сетей
Автор: Алферова Тамара Викторовна, Трохова Татьяна Анатольевна
Журнал: Агротехника и энергообеспечение @agrotech-orel
Рубрика: Физическое, математическое, компьютерное и электромоделирование
Статья в выпуске: 3 (24), 2019 года.
Бесплатный доступ
В процессе проектирования и эксплуатации городских электрических сетей возникает проблема прогнозирования электрических нагрузок на определенный временной период, обусловленная технологическими и экономическими причинами. Используемый в большинстве случаев для прогнозирования электрических нагрузок метод экспертных оценок в реальных условиях эксплуатации не обеспечивает требуемую точность прогноза. В работе представлен подход к решению задачи прогнозирования электрических нагрузок городской электросети на основе искусственной нейронной сети. Рассмотрены возможности применения методологии нейронных сетей в энергетике, выполнен анализ существующих задач применения нейрокомпьютеров в системах управления энергетическими системами. Поставлена задача формирования нейронной сети для прогнозирования нагрузок электросетей. Исследована возможность применения систем компьютерной математики для реализации нейронных сетей. Разработана реализация нейронной сети в системе компьютерной математики Matlab. Выполнена настройка и обучение сети на реальных исходных данных. Приведены целевые и входные данные для создания нейронной сети, результаты ее обучения. Выполнены тестовые расчеты электрических нагрузок и электропотребления, полученные с помощью нейронной сети, вычислена погрешность моделирования, сделан вывод о том, что модель, построенная на основе нейронной сети, адекватна.
Искусственная нейронная сеть, прогноз электрических нагрузок, компьютерная модель нейронной сети, погрешность моделирования, адекватность модели
Короткий адрес: https://sciup.org/147229216
IDR: 147229216
Текст научной статьи Компьютерное прогнозирование электрических нагрузок методами нейронных сетей
Введение. В настоящее время при решении задач проектирования и эксплуатации городских электрических сетей часто возникает проблема прогнозирования потребления электроэнергии на определенный временной период [1]. Необходимость решения задач прогнозирования обусловлена технологическими и экономическими причинами. Метод экспертных оценок, который используется в большинстве случаев для прогнозирования потребления электроэнергии, часто не может обеспечить требуемую точность прогноза. Для более точного прогнозирования электропотребления необходимо разработать прогнозную модель, основанную на зависимостях изменения электропотребления в реальных условиях эксплуатации.
Цель данной работы состоит в повышение точности прогнозирования электропотребления городской электрической сети, путем создания прогнозной модели электропотребления с использованием искусственных нейронных сетей.
Применение методологии нейронных сетей в энергетике. С помощью искусственных обучаемых нейронных сетей эффективно решаются неформализованные задачи классификации и прогнозирования в различных проблемных областях. Обучаясь на некоторой таблице данных, нейросеть формирует навык предсказания или классификации и в дальнейшем может решать задачи с высокой точностью [2,3]. Главные достоинства ИНС при прогнозировании заключаются в следующем:
-
- сбор и обработка данных происходит без временных ограничений, так как есть возможность получения данных напрямую из электроэнергетической системы;
-
- возможность учета множества параметров, не состоящих в функциональной связи.
Существуют различные технические реализации нейронных сетей, в том числе нейроимитаторы, то есть компьютерные модели нейронных сетей [4]. Нейроимитаторы являются гибкими средствами для изучения сетей и работы с ними. С нейроимитаторами можно выполнять различные операции - обучать, определять наиболее и наименее значимые связи, контрастировать, то есть удалять наименее значимые связи и т. д.
Основными преимуществами и достоинствами нейронных сетей перед традиционными вычислительными системами являются: решение задач при неизвестных закономерностях, устойчивость к шумам во входных данных, адаптация к изменениям окружающей среды, потенциальное сверхвысокое быстродействие [5].
Применение нейронных сетей в электроэнергетике позволяет оптимизировать процесс производства и распределения электроэнергии, управлять безопасностью и режимами функционирования энергосистем. Перечень основных задач, решаемых нейрокомпьютерами в современных энергетических системах включает такие задачи, как предсказание нагрузки; управление потоками электроэнергии в сетях; диагностика энергосистем с целью определения неисправностей и др. Практические результаты нейромоделирования показывают [8], что ИНС можно использовать для всех видов прогнозирования электрических нагрузок, в том числе и для долгосрочного, минимизируя при этом отрицательное влияние таких факторов, как человеческий фактор, неточность, недостоверность или зашумленность исходных данных.
Перечень задач применения нейрокомпьютеров в системах управления энергетическими системами постоянно растет. Ранее некоторые из этих задач решались статистическими и численными методами, использовалось моделирование и методика оперативного управления режимами функционирования электроэнергетических систем. Но развитие технологии нейросетей позволило расширить круг решаемых задач по оценке состояния энергосистемы.
Системы компьютерной математики, такие как MatLab и SciLab , дают возможность пользователю создать нейронную сеть и включать ее в состав моделей более высокого уровня иерархии, а также производить оперативные расчеты с использованием ИНС [6,7].
В системе Matlab можно разработать и обучить нейросеть несколькими способами: программно; с помощью GUI -интерфейса NNTool ; в пакете блочного моделирования Simulink. При разработке и обучении нейронной сети для прогноза электрических нагрузок и электропотребления был задействован GUI -интерфейса NNTool , позволяющий задать все необходимые параметры сети в диалоговом режиме, что облегчает и упрощает работу для пользователя.
Описание компьютерной модели нейронной сети.
Компьютерная модель ИНС была разработана на основе следующих входных параметров:
-
- T ср – средняя продолжительность светового дня за месяц, ч;
-
- L л – длина линии, км;
-
- K в – количество выходных и праздничных дней в месяце.
Конкретные числовые значения входных параметров приведены в таблице 1.
Таблица 1 – Входные данные для создания ИНС
Рч и ^ |
^ cd Рч О е |
н Рч cd |
В О Рч В < |
ж cd |
К |
к |
н |
Рч к 0J и |
о |
Рч к |
Рч cd Р |
|
K в |
9 |
8 |
10 |
10 |
10 |
9 |
10 |
8 |
10 |
8 |
9 |
11 |
L л |
33,45 |
|||||||||||
T ср |
2) 66 о |
ID д\ о |
ID |
О\ ■D СП |
ID СП О |
|р 66 о |
vp О |
В качестве целевых данных были приняты электрические нагрузки трансформаторных подстанций одного из районов электрических сетей г. Гомеля в течение 2017 года. Целевые данные для создания ИНС приведены в таблице 2.
Таблица 2 – Целевые данные для создания ИНС
2017 |
Р нагр , кВт |
Январь |
948901,32 |
Февраль |
809457,04 |
Март |
790751,1 |
Апрель |
612194,4 |
Май |
606242,51 |
Июнь |
510162 |
Июль |
552029,4 |
Август |
647728,88 |
Сентябрь |
663210,6 |
Октябрь |
738034,36 |
Ноябрь |
862387,2 |
Декабрь |
1001618,06 |
На этапе создания для полного описания нейронной сети была разработана трехслойная модель сети:
-
- 1-й слой имеет 100 нейронов,
-
- 2-й слой 1 нейрон,
-
- 3-й слой 1 нейрон.
В качестве параметров настройки сети при ее создании были выбраны следующие функции:
-
- функции обучения trainlm, реализующая метод Левенберга-Маркара;
-
- функция выполнения mse, реализующая метод средне-
- квадратичной ошибки;
-
- функция настройки для режима адаптации learngdm -обучающая функция градиентного спуска с учетом моментов.
Тип сети выбран feed-forwardbackprop - сеть с прямым распространением сигнала и обратным распространением ошибки.
Для каждого слоя были выбраны различные функции адаптации:
-
- для первого слоя logsig (логистическая функция активации),
-
- для второго слоя purelin (линейная функция активации),
-
- для третьего слоя tansing (функция активации гиперболический тангенс).
0.001
После того, как сеть создана, необходимо откорректировать веса нейронов относительно исходных данных и перейти к этапу обучения нейронной сети.
Пример задания параметров обучения приведен на рисунке 1.

од
Рисунок 1- Параметры обучения ИНС
Процесс обучения проводится несколько раз, на каждой новой итерации обучения ИНС все более точно моделирует выходные данные. Полученные результаты моделирования и ошибки после создания сети выводятся в рабочую область Matlab . После завершения обучения нейронной сети появляется окно результатов обучения, где можно посмотреть различную информацию и графики (рисунок 2).

Рисунок 2 – Результаты обучения нейронной сети
На рисунке 3 можно увидеть процесс схождения обучения, проверки и тестирования нейронной сети.

Рисунок 3 – График схождения обучения, проверки и тестирования нейронной сети
На рисунке 4 представлена гистограмма распространения ошибок и функция оптимальных значений.


Рисунок 4 - Гистограмма распространения ошибок и функция оптимальных значений
В таблице 3 представлены результаты обучения ИНС. Годовое электропотребление района электрических сетей г. Гомеля за 2017 год составило 8742716,87 кВт^ч, а смоделированное нашей сетью - 8981041,99 кВт∙ч.
Таблица 3 – Результаты обучения ИНС
2017 |
Р нагр.пр , кВт |
Январь |
987553,36 |
Февраль |
825651,12 |
Март |
810263,74 |
Апрель |
617013,6 |
Май |
631305,08 |
Июнь |
559642,5 |
Июль |
559264,18 |
Август |
652404,92 |
Сентябрь |
683677,2 |
Октябрь |
736989,97 |
Ноябрь |
898544,4 |
Декабрь |
1018731,92 |
Расчет погрешности моделирования ИНС выполняется по следующей формуле:
А х =
Pг Pгмод
Pг
■ 100% =
8742716,87 - 8981041,99
8742716, 87
■ 100% = 2,72%
Погрешность моделирования нашей сети составила 2,72%, что говорит о хорошей точности и адекватности ИНС.
После того, как было проведено обучение ИНС, можно ее использовать для получения прогнозных значений потребления электроэнергии.
Выводы.
В статье показана возможность применения методов моделирования с использованием нейронных сетей для прогнозирования нагрузки сетевых объектов, рассмотрена компьютерная модель прогнозирования, базирующаяся на ИНС. Приведены целевые и входные данные для создания ИНС, результаты обучения ИНС. Приведены тестовые данные расчета электрических нагрузок и электропотребления, полученные с помощью нейронной сети, вычислена погрешность моделирования, сделан вывод о том, что модель, построенная на основе ИНС, адекватна.
COMPUTER FORECASTING OF ELECTRICAL LOADS BY
Список литературы Компьютерное прогнозирование электрических нагрузок методами нейронных сетей
- Фадеева, Г.А. Проектирование распределительных электрических сетей: учеб. пособие / Г.А. Фадеева, В.Т. Федин; под общ. Ред. В.Т. Федина. - Минск: Выш. шк., 2009.-365 с.
- Каменев, А.С. Нейромоделирование как инструмент интеллектуализации энергоинформационных сетей. / Каменев А.С. Королев С.Ю., Сокотущенко В.Н.- М.: ИЦ «Энергия», 2012.-124 с.
- Заенцев, И.В. Нейронные сети: основные модели. И.В. Зайцев. Учебное пособие к курсу "Нейронные сети" для студентов 5 курса магистратуры к. электроники физического факультета Воронежского Государственного университета. 2005.-135 с.
- Каллан, Р. Основные концепции нейронных сетей. - М.: Изд. дом. "Вильямс", 2003.-288 с.
- Хайкин, Саймон Нейронные сети: полный курс. - М.: Вильямс, 2006.- 1104 с.
- Дьяконов, В.П., Круглов В.В. MATLAB 6.5 SP1/7/7 SP1/7 SP2 Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. - М.: СОЛОН-ПРЕСС, 2006.
- Медведев, В.С., Потёмкин, В.Г. Нейронные сети. Matlab 6. - М.: ДИАЛОГ-МИФИ, 2002.-496 с.
- Курбацкий, В.Г., Томин, Н.В. Прогнозирование электрической нагрузки с использованием искусственных нейронных сетей // Электрика, 2008. №7