|
NEU-2002
ИСПОЛЬЗОВАНИЕ ИНС ДЛЯ ПРОГНОЗИРОВАНИЯ НАГРУЗКИ В ЭЭС
А.М. Глазунова, И.Н. Колосок
Институт систем энергетики им. Мелентьева СО РАН
664033, Иркутск, ул. Лермонтова, 130
Тел:(3952)423526, E-mail: glazunova@isem.sei.irk.ru
Предсказание нагрузки имеет большое значение при производстве и передаче электроэнергии. Задача прогнозирования нагрузки решается для четырех временных уровней: сверхсрочный прогноз (от секунды до часа), краткосрочный (от часа до недели), среднесрочный (от недели до года), долгосрочный (от года до 20 лет). Для оперативного управления режимами электроэнергетической системы (ЭЭС) важную роль играет краткосрочный прогноз нагрузки. При заблаговременном обнаружении изменения нагрузки представляется возможным скорректировать режим ЭЭС, выработав управляющие воздействия по результатам прогнозирования. Знание предстоящей нагрузки позволяет вовремя оценить безопасность системы, оптимально распределить генерацию между агрегатами, корректно планировать дневной резерв мощности, принять правильное решение о покупке или продаже электроэнергии.
Решение задачи прогнозирования состоит из двух этапов.
1. Построение математической модели нагрузок ЭЭС, с помощью которой обрабатываются данные о нагрузках за прошедший период времени.
2. Получение прогноза на базе построенной модели.
Качество прогноза во многом зависит от выбранной математической модели. Основным недостатком существующих методов является неточное установление соотношения между входными и выходными переменными, так как зависимости между ними нелинейные. Входные переменные представляют собой предыдущую нагрузку, день недели, информацию о температуре окружающего воздуха, влажности, телепередачах и др. Выходные переменные – это предстоящая нагрузка. ИНС способна установить правильные соотношения между различными данными, что позволяет ей достаточно точно предсказать будущую нагрузку.
В докладе описывается нейросетевая методика прогнозирования нагрузки в рабочие дни. Достоинствами предложенной методики являются возможное отсутствие учета температуры окружающего воздуха; использование небольшого объема ретроспективных данных, необходимых для обучения ИНС; быстрый отклик обученной ИНС.
Для прогнозирования суточного графика нагрузки строятся модели двух видов:
- модель с упреждением 6 часов. Суточный график разбивается на 4 части, каждая часть прогнозируется специально для нее сформированной нейронной сетью. Для прогнозирования суточного графика создается 4 нейронные сети;
- модели с упреждением 12 часов. Прогнозирование суточного графика нагрузки выполняется одной нейронной сетью.
Для обоих видов моделей исследовалось влияние состава входных данных и количества нейронов в скрытом слое на качество прогноза. Для этого, с помощью нейропакета BRAINMAKER, были сформированы трехслойные персептроны с сигмоидной характеристической функцией нейронов.
Кроме того, анализировалось влияние различных преобразующих функций нейронов на точность прогноза. С этой целью были сформированы три трехслойные ИНС (24,24,24) в рамках пакета MATLAB со следующими функциями нейронов.
1. n=1/1+e-n
|
2. 1, если n<=-1;
n, если -1<= n<=1
1, если 1<=n |
3. n=2/(1+exp(-2*n))-1 |
Все ИНС обучались в соответствии со второй моделью.
Для оценки качества нейросетевого прогнозирования нагрузки по сравнению с традиционными методами сравнивались результаты прогнозирования с помощью ИНС и с помощью алгоритма, использующего ряд Фурье. При построении моделей были использованы данные о нагрузках в одном из Иркутских районов, измеренных в течение семи предшествующих недель. Результаты прогнозирования суточного графика нагрузки показаны на рисунке.
Прогнозирование нагрузки на 24 часа вперед
1 – реальные данные; 2 – с помощью ИНС; 3 – с помощью рядов Фурье
При горизонте планирования на 24 часа, ИНС точнее прогнозирует нагрузку, чем алгоритм представляющий нагрузку рядом Фурье.
Заключение
1. Результат анализа точности прогноза, полученного с помощью ИНС и рядов Фурье, показывает, что ИНС существенно точнее прогнозирует нагрузку.
2. Более высокую точность при прогнозировании нагрузки показывает ИНС с сигмоидной функций нейронов.
3. Точность прогноза зависит от выбранных входных параметров и количества нейронов в скрытом слое, но эта зависимость определяется экспериментальным путем.
4. Для поддержки высокой точности прогнозирования рекомендуется переобучать ИНС один раз в неделю.
|
