DOI: https://doi.org/10.15407/publishing2017.48.005

УДК 621.311:681.3

ПІДВИЩЕННЯ ТОЧНОСТІ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЗА ДОПОМОГОЮ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ З ВРАХУВАННЯМ ЗМІНИ СТРУКТУРИ СПОЖИВАННЯ ПРОТЯГОМ РОКУ

П.О. Черненко, докт. техн. наук, В.О. Мірошник, інж.
Інститут електродинаміки НАН України,
пр. Перемоги, 56, Київ-57, 03680, Україна,
е-mail: Ця електронна адреса захищена від спам-ботів, Вам потрібно включити JavaScript для перегляду

Описано методику підвищення точності короткострокового прогнозування сумарного електричного навантаження (СЕН) енергопостачальної компанії шляхом зміни режиму навчання та прогнозування штучної нейронної мережі типу багатошаровий персептрон залежно від зміни складу електричного навантаження компанії протягом року. Розглянуто два підходи, які враховують різну поведінку СЕН в опалювальний сезон та міжсезоння. Як активаційну функцію нейронів прихованого шару використано функцію SELU (scaled exponential linear unit). При першому підході нейронна мережа включала додатковий вхідний нейрон, який набуває значення 1 – для днів, які входять до опалювального сезону, та 0 – для днів міжсезоння. При цьому вказана модель навчалась на річних даних. При другому підході розроблено дві окремі нейронні мережі для роботи протягом різних сезонів року. Оцінка точності та стабільності результатів прогнозування проводилась на реальних даних ПАТ «Київенерго» за 2015–2016 рр. Бібл. 8, рис. 3, табл. 1.
Ключові слова: електричне навантаження, річна періодичність, короткострокове прогнозування, штучна нейронна мережа.

ПОВЫШЕНИЕ ТОЧНОСТИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ С ПОМОЩЬЮ ИСКУСТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ С УЧЕТОМ ИЗМЕНЕНИЯ СТРУКТУРЫ ПОТРЕБЛЕНИЯ В ТЕЧЕНИЕ ГОДА

П.А. Черненко, докт. техн. наук, В.А. Мирошник, инж.
Институт электродинамики НАН Украины,
пр. Победы, 56, Киев-57, 03680, Украина

Представлен анализ влияния годовой периодичности на точность и стабильность результатов краткосрочного прогнозирования электрической нагрузки. Рассмотрены два подхода, учитывающие различное поведение электрической нагрузки в отопительный сезон и межсезонье. Для прогнозирования использован многослойный персептрон с нелинейной функцией масштабированного экспоненциально-линейного элемента (SELU), используемой в качестве нелинейного преобразования в скрытых нейронах. Эта функция стабилизирует среднее значение и дисперсию слоев, ускоряет процесс обучения. В первом подходе нейронная сеть включала дополнительный входной нейрон, который принимает значения 1 в течение дней, являющихся частью отопительного сезона, и 0 для внесезонных дней. В этом случае такая модель устанавливается на годовые данные. Во втором подходе две отдельные нейронные сети разрабатываются для работы в разные сезоны года. Входной вектор генерировался отдельно для каждой сети. Оценка точности и стабильности результатов прогнозирования была проведена на основе годовых данных реальной электросетевой компании. Библ. 8, рис. 3, табл. 1.
Ключевые слова: электрическая нагрузка, годовая периодичность, краткосрочное прогнозирование, искусственная нейронная сеть.

Література
1. Черненко П.А. Идентификация параметров, моделирование и многоуровневое взаимосвязанное прогнозирование электрических нагрузок энергообъединения. Техн. електродинаміка. Темат. вип. Проблеми сучасної електротехніки. 2010.  Ч. 3. С. 57–64.
2. Brodowski S., Bielecki A., Filocha M. A hybrid system for forecasting 24-h power load profile for Polish electric grid.  Applied soft computing.  2017.  Vol. 58.  P. 527–539. DOI: https://doi.org/10.1016/j.asoc.2017.04.053
3. Ceperic E., Ceperic V., Baric A. A strategy for short-term load forecasting by support vector regression machines. IEEE Transactions on power systems.  2013.  Vol. 28, Issue 4.  P. 56–64. DOI: https://doi.org/10.1109/TPWRS.2013.2269803
4. Jones E., Oliphant E., Peterson P., et al. SciPy: Open Source Scientific Tools for Python, 2001. http://www.scipy.org/
5. Kingma D.P., Ba J. Adam: A method for stochastic optimization // 3rd International Conference for Learning Representations, San Diego, 2015.
6. Klambauer, G., Unterthiner, T., Mayr, A., Hochreiter, S. Self-Normalizing Neural Networks. In Advances in Neural Information Processing Systems, 2017.
7. Nocedal J., Wright S.J. Numerical Optimization: Second Edition.  Springer, New-York, 2006.  P. 664.
8. Suganthi L., Samuel A.A. Energy models for demand forecasting – A review.  Renewable & sustainable energy reviews. 2012.  Vol. 16, Issue 2.  P. 23–40. DOI: https://doi.org/10.1016/j.rser.2011.08.014