Технические науки/5. Энергетика

Панюкова Д.В., Панюков К.В.

Казахская Автомобильно-Дорожная академия им. Л.Б. Гончарова, Казахский национальный исследовательский технический университет

им. К.И. Сатпаева, Казахстан

Влияние дополнительной информации на точность прогнозирования электропотребления

Многие исследователи [1-3] считают, что введение дополнительной информации положительно влияет на предсказательные способности нейронной сети. Авторами было проведено исследование влияния дополнительной априорной информации на функционирование сети прогнозирования, в т.ч. способность к обучению и обобщению. Так в построенную ранее нейронную сеть [4] поочередно вводились различные дополнительные входные данные.

Базовой сетью для усовершенствования была выбрана многослойная нейронная сеть прямого распространения. Наряду с тремя входами с обучающими данными введен входной вектор следующего вида:

x_dop=[1 1 1 1 1 1 2 2 2 2 2 2 3 3 3 4 4 4 4 4 4 4 4 4].

Как видно на рисунке 1, этот вектор представляет собой вход с разделением суток на участки возрастания и убывания нагрузки электропотребления. Графики фактического и спрогнозированного с помощью такой сети электропотребления приведены на рисунке 2.

Рисунок 1. Деление графика нагрузки на участки возрастания и убывания,

Pf – фактическая нагрузка

Рисунок 2. Фактическое (Pf) и прогнозируемое (Pp) электропотребление

В результате этого действия ошибка обучения уменьшилась в среднем на 0.97%, а ошибка прогноза – на 0.98%. Минимальная ошибка прогноза в данном случае равна 2.23 %, а ошибка обучения составляет 2.12%.

В работах [5–7] выдвинуто предположение, что существует некая зависимость электропотребления от изменения температуры воздуха. Приняв это предположение, авторы исследовали точность сети прогнозирования с учетом трех дополнительных входов со значениями температуры за последние три часа.

Как видно на рисунке 3, в результате обучения сети ошибка обучения увеличивается в среднем на 0,33% и достигает минимального значения в 2.47% при ошибке прогноза – 2.59%.

Рисунок 3. Фактическое (Pf) и прогнозируемое (Pp) электропотребление

Исходя из этого, можно сделать вывод, что учет температуры воздуха снижает достоверность прогноза электропотребления в промышленных регионах РФ.

Литература:

1. Ван Ефэн. Методология совершенствования систем краткосрочного прогнозирования электропотребления / Автореферат диссертации на соискание ученой степени к.т.н. – Санкт-Петербург, 2013. – 18 с.

2. Валь П.В. Краткосрочное прогнозирование электропотребления горного предприятия в условиях оптового рынка электроэнергии и мощности / Автореферат диссертации на соискание ученой степени к.т.н. – Красноярск, 2012. – 21 с.

3. Доманов В.И., Билалова А.И. Анализ прогнозирования энергопотребления с различными информационными базами // Известия Самарского научного центра Российской академии наук. – 2014. № 4-3. Т.16. – С. 535-537.

4. Панюкова Д.В., д.т.н. Нурпеисова Г.Б., к.т.н. Нурпеисова Т.Б. Разработка нейронной модели краткосрочного прогнозирования энергопотребления // Материалы XII Международной Научно-Практической Конференции «Актуальные достижения европейской науки- 2016», 17-25 июня 2016. – С. 69-72.

5. Надтока И.И. Аль-Зихери Баласим М. Краткосрочное прогнозирование нагрузки с помощью теории наименьших квадратов опорных векторов (LS-SVM) // Современные проблемы науки и образования. – 2013. № 6. – С.55-59.

6. Алексеева И.Ю. Краткосрочное прогнозирование электропотребления в электроэнергетических системах с использованием искусственных нейронных сетей/ Автореферат диссертации на соискание ученой степени к.т.н. – Иваново, 2014. – 20 с.

7. Дулесов А.С., Шилов А.В. Повышение качества краткосрочного прогнозирования электропотребления на основе учета динамики фактора сезонности // Современная наука: актуальные проблемы теории и практики. – 2016. №4. – С. 31-34.