Алгоритм обучения искусственной нейронной сети для факторного прогнозирования электропотребления бытового сектора
Ключевые слова:
прогнозируемое электропотребление, факторы, алгоритм, искусственная нейронная сеть
Аннотация
Анализ известных методов прогнозирования электропотребления в городских распределительных электрических сетях показал, что все они учитывают источники как электрической, так и тепловой энергии. Сокращение или отсутствие источников тепловой энергии приводит к значительным погрешностям прогноза, что снижает энергоэффективность городских электрических сетей и надёжность отдельных элементов систем электроснабжения. Предлагаются расчетная, компьютерная и нейросетевая модели, позволяющие повысить точность прогноза электропотребления бытового сектора. На основе разработанной математической модели с учётом факторных коэффициентов, полученных за 2020 г. для девяти городов Республики Таджикистан, были проведены расчёты ежемесячных значений коэффициента, характеризующего условия местности. Результаты математического моделирования сравнивались с данными компьютерной и нейросетевой моделей. Предложен метод, позволяющий повысить точность прогнозирования электропотребления бытового сектора. С целью автоматизации контроля и управления электроэнергией, вырабатываемой возобновляемыми источниками электроэнергии, предложен алгоритм обучения искусственной нейронной сети для факторного прогнозирования электропотребления, применение которого (за счёт возможности постоянного обучения) позволит повысить точность прогноза. Подтверждением эффективности алгоритма является высокая сходимость результатов, полученных как с помощью предложенных моделей, так и по показаниям счётчиков электроэнергии.
Литература
1. Макоклюев Б.И. и др. Краткосрочное прогнозирование электропотребления энергосистем. – Электрические станции, 2018, № 4, с. 24–35.
2. Макоклюев Б.И. и др. Оперативная коррекция графиков потребления электрической мощности в цикле планирования балансирующего рынка. – Электрические станции, 2019, № 5, с. 36–44.
3. Репкина Н.Г. Исследование факторов, влияющих на точность прогнозирования суточного электропотребления. – Известия высших учебных заведений. Электромеханика, 2015, № 2, с. 41–43.
4. Валеев Г.С., Дзюба М.А., Валеев Р.Г. Моделирование суточных графиков нагрузок участков распределительных сетей напряжением 6–10 кВ городов и населенных пунктов в условиях ограниченного объема исходной информации. – Вестник ЮУрГУ. Серия Энергетика, 2016, т. 16, № 2, с. 23–29.
5. Карпенко С.М., Карпенко Н.В. Эконометрическое моделирование энергопотребления с учетом влияния производственных факторов. – Энергобезопасность и энергосбережение, 2020, № 1, с. 14–17.
6. Карпенко С.М., Карпенко Н.В. Анализ динамики и прогнозирование электропотребления на основе эконометрического моделирования. – Энергобезопасность и энергосбережение, 2020, № 2, с. 20–25.
7. Таваров С.Ш. Рекомендации норм электропотребления для городов на основе разработанного метода прогнозирования на примере Республики Таджикистан. – Энергобезопасность и энергосбережение, 2021, № 1, с. 32–39.
8. Таваров С.Ш. Удельное электропотребление бытового сектора с учётом температуры окружающего воздуха и территориального расположения Республики Таджикистан. – Промышленная энергетика, 2019, № 7, с.19–22.
9. Таваров С.Ш. Метод прогнозирования электропотребления бытовыми потребителями в условиях Республики Таджикистан. – Вестник ЮУрГУ. Серия «Энергетика», 2020, т. 20, № 2. с. 28–35.
10. Issi F., Kaplan O. The Determination of Load Profiles and Power Consumptions of Home Appliances. – Energies, 2018, 11(3), 607, DOI: 10.3390/en11030607.
11. Angrisani L., et al. Smart Power Meters in Augmented Reality Environment for Electricity Consumption Awareness. – Energies, 2018, 11(9), 2303, DOI:10.3390/en11092303.
12. Yan K., et al. Multi-Step Short-Term Power Consumption Forecasting with a Hybrid Deep Learning Strategy. – Energies, 2018, 11(11), 3089, DOI:10.3390/en11113089.
13. Vojtovic S., Stundziene A., Kontautiene R. The Impact of Socio-Economic Indicators on Sustainable Consumption of Domestic Electricity in Lithuania. – Sustainability, 2018, 10(2), 162, DOI: 10.3390/su10020162.
14. Ziel F. Load Nowcasting: Predicting Actuals with Limited Data. – Energies, 2020, 13(6), 1443, DOI: 10.3390/en13061443.
15. Naz A., et al. and Khursheed A. Short-Term Electric Load and Price Forecasting Using Enhanced Extreme Learning Machine Optimization in Smart Grids. – Energies, 2019, 12(5), 866, DOI: 10.3390/en12050866.
16. To W.M., et al. Modeling of Monthly Residential and Commercial Electricity Consumption Using Nonlinear Seasonal Models – The Case of Hong Kong. – Energies, 2017, 10(7), 885, DOI: 10.3390/en10070885.
17. Хомутов С.О.,Серебряков Н.А. Применение сверточной нейронной сети для повышения точности краткосрочного прогнозирования электропотребления электротехнического комплекса районной электрической сети. – Актуальные вопросы энергетики, 2020, т. 2, № 1, с. 44–47.
18. Tavarov S.Sh., Sidorov A.I., Kalegina Y.V. Model and Algorithm of Electricity Consumption Management for Household Consumers in the Republic of Tajikistan. – Mathematical Modelling of Engineering Problems, 2020, vol. 7, No. 4, pp. 520–526, DOI:10.18280/mmep.070403.
19. Алексеева И.Ю., Ведерников А.С., Скрипачев М.О. Прогнозирование электропотребления с использованием метода искусственных нейронных сетей. – Вестник Самарского государственного технического университета. Серия: Технические науки, 2010, № 2 (27), с. 135–138.
20. Староверов Б.А., Гнатюк Б.А. Определение наиболее перспективных нейронных сетей и способов их обучения для прогнозирования электропотребления. – Вестник Ивановского государственного энергетического университета, 2015, № 6, с. 59–64.
21. Mokhov V.G., Tsimbol V.I. Electrical Energy Consumption Prediction of the Federal District of Russia on the Based of the Recurrent Neural Network. – Journal of Computational and Engineering Mathematics, 2018, vol. 5, No. 2, pp. 3–15.
22. Симонов Н., Ивенев Н. Опыт и перспективы применения искусственных нейронных сетей в электроэнергетике. – Электроэнергия. Передача и распределение, 2019, № S4 (15), с. 42–48.
23. Солуянов Ю.И. и др. Актуализация нормативных значений удельной электрической нагрузки многоквартирных домов в Республике Татарстан. – Электричество, 2021, № 6, с. 62–71.
#
1. Makoklyuev B.I., et al. Elektricheskie stantsii – in Russ. (Electrical power plants), 2018, No. 4, pp. 24–35.
2. Makoklyuev B.I., et al. Elektricheskie stantsii – in Russ. (Electrical power plants), 2019, No. 5, pp. 36–44.
3. Repkina N.G. Izvestiya vysshih uchebnyh zavedeniy. Elekt-romekhanika – in Russ. (News of Higher Educational Institutions. Electromechanics), 2015, No. 2, pp. 41–43.
4. Valeev G.S., Dzyuba M.A., Valeev R.G. Vestnik YuUrGU. Seriya Energetika – in Russ. (Bulletin of SUSU. Energy Series), 2016, vol. 16, No. 2, pp. 23–29.
5. Karpenko S.M., Karpenko N.V. Energobezopasnost' i energo-sberezhenie – in Russ. (Energy security and energy conservation), 2020, No. 1, pp. 14–17.
6. Karpenko S.M., Karpenko N.V. Energobezopasnost' i energo-sberezhenie – in Russ. (Energy security and energy conservation), 2020, No. 2, pp. 20–25.
7. Tavarov S.Sh. Energobezopasnost' i energosberezhenie – in Russ. (Energy security and energy conservation), 2021, No. 1, pp. 32–39.
8. Tavarov S.Sh. Promyshlennaya energetika – in Russ. (Industrial Power Engineering), 2019, No. 7, pp.19–22.
9. Tavarov S.Sh. Vestnik YuUrGU. Seriya Energetika – in Russ. (Bulletin of SUSU. Energy Series), 2020, vol. 20, No. 2. pp. 28–35.
10. Issi F., Kaplan O. The Determination of Load Profiles and Power Consumptions of Home Appliances. – Energies, 2018, 11(3), 607, DOI: 10.3390/en11030607.
11. Angrisani L., et al. Smart Power Meters in Augmented Reality Environment for Electricity Consumption Awareness. – Energies, 2018, 11(9), 2303, DOI:10.3390/en11092303.
12. Yan K., et al. Multi-Step Short-Term Power Consumption Forecasting with a Hybrid Deep Learning Strategy. – Energies, 2018, 11(11), 3089, DOI:10.3390/en11113089.
13. Vojtovic S., Stundziene A., Kontautiene R. The Impact of Socio-Economic Indicators on Sustainable Consumption of Domestic Electricity in Lithuania. – Sustainability, 2018, 10(2), 162, DOI: 10.3390/su10020162.
14. Ziel F. Load Nowcasting: Predicting Actuals with Limited Data. – Energies, 2020, 13(6), 1443, DOI: 10.3390/en13061443.
15. Naz A., et al. and Khursheed A. Short-Term Electric Load and Price Forecasting Using Enhanced Extreme Learning Machine Optimization in Smart Grids. – Energies, 2019, 12(5), 866, DOI: 10.3390/en12050866.
16. To W.M., et al. Modeling of Monthly Residential and Commercial Electricity Consumption Using Nonlinear Seasonal Mo-dels – The Case of Hong Kong. – Energies, 2017, 10(7), 885, DOI:10. 3390/en10070885.
17. Homutov S.O.,Serebryakov N.A. Aktual'nye voprosy energe-tiki – in Russ. (Current Energy Issues), 2020, vol. 2, No. 1, pp. 44–47.
18. Tavarov S.Sh., Sidorov A.I., Kalegina Y.V. Model and Algorithm of Electricity Consumption Management for Household Consumers in the Republic of Tajikistan. – Mathematical Modelling of Engineering Problems, 2020, vol. 7, No. 4, pp. 520–526, DOI:10.18280/mmep.070403.
19. Alekseeva I.YU., Vedernikov A.S., Skripachev М.О. Vestnik Samarskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Tekhnicheskie nauki – in Russ. (Bulletin of Samara State Technical University. Series: Technical Sciences), 2010, No. 2 (27), pp. 135–138.
20. Staroverov B.A., Gnatyuk B.А. Vestnik Ivanovskogo gosudarstvennogo energeticheskogo universiteta – in Russ.( Bulletin of the Ivanovo State Power Engineering University), 2015, No. 6, pp. 59–64.
21. Mokhov V.G., Tsimbol V.I. Electrical Energy Consumption Prediction of the Federal District of Russia on the Based of the Recurrent Neural Network. – Journal of Computational and Engineering Mathematics, 2018, vol. 5, No. 2, pp. 3–15.
22. Simonov N., Ivenev N. Elektroenergiya. Peredacha i raspredelenie – in Russ. (Electricity. Transmission and distribution), 2019, No. S4 (15), pp. 42–48.
23. Soluyanov Yu.I., et al. Elektrichestvo – in Russ. (Electricity), 2021, No. 6, pp. 62–71.
2. Макоклюев Б.И. и др. Оперативная коррекция графиков потребления электрической мощности в цикле планирования балансирующего рынка. – Электрические станции, 2019, № 5, с. 36–44.
3. Репкина Н.Г. Исследование факторов, влияющих на точность прогнозирования суточного электропотребления. – Известия высших учебных заведений. Электромеханика, 2015, № 2, с. 41–43.
4. Валеев Г.С., Дзюба М.А., Валеев Р.Г. Моделирование суточных графиков нагрузок участков распределительных сетей напряжением 6–10 кВ городов и населенных пунктов в условиях ограниченного объема исходной информации. – Вестник ЮУрГУ. Серия Энергетика, 2016, т. 16, № 2, с. 23–29.
5. Карпенко С.М., Карпенко Н.В. Эконометрическое моделирование энергопотребления с учетом влияния производственных факторов. – Энергобезопасность и энергосбережение, 2020, № 1, с. 14–17.
6. Карпенко С.М., Карпенко Н.В. Анализ динамики и прогнозирование электропотребления на основе эконометрического моделирования. – Энергобезопасность и энергосбережение, 2020, № 2, с. 20–25.
7. Таваров С.Ш. Рекомендации норм электропотребления для городов на основе разработанного метода прогнозирования на примере Республики Таджикистан. – Энергобезопасность и энергосбережение, 2021, № 1, с. 32–39.
8. Таваров С.Ш. Удельное электропотребление бытового сектора с учётом температуры окружающего воздуха и территориального расположения Республики Таджикистан. – Промышленная энергетика, 2019, № 7, с.19–22.
9. Таваров С.Ш. Метод прогнозирования электропотребления бытовыми потребителями в условиях Республики Таджикистан. – Вестник ЮУрГУ. Серия «Энергетика», 2020, т. 20, № 2. с. 28–35.
10. Issi F., Kaplan O. The Determination of Load Profiles and Power Consumptions of Home Appliances. – Energies, 2018, 11(3), 607, DOI: 10.3390/en11030607.
11. Angrisani L., et al. Smart Power Meters in Augmented Reality Environment for Electricity Consumption Awareness. – Energies, 2018, 11(9), 2303, DOI:10.3390/en11092303.
12. Yan K., et al. Multi-Step Short-Term Power Consumption Forecasting with a Hybrid Deep Learning Strategy. – Energies, 2018, 11(11), 3089, DOI:10.3390/en11113089.
13. Vojtovic S., Stundziene A., Kontautiene R. The Impact of Socio-Economic Indicators on Sustainable Consumption of Domestic Electricity in Lithuania. – Sustainability, 2018, 10(2), 162, DOI: 10.3390/su10020162.
14. Ziel F. Load Nowcasting: Predicting Actuals with Limited Data. – Energies, 2020, 13(6), 1443, DOI: 10.3390/en13061443.
15. Naz A., et al. and Khursheed A. Short-Term Electric Load and Price Forecasting Using Enhanced Extreme Learning Machine Optimization in Smart Grids. – Energies, 2019, 12(5), 866, DOI: 10.3390/en12050866.
16. To W.M., et al. Modeling of Monthly Residential and Commercial Electricity Consumption Using Nonlinear Seasonal Models – The Case of Hong Kong. – Energies, 2017, 10(7), 885, DOI: 10.3390/en10070885.
17. Хомутов С.О.,Серебряков Н.А. Применение сверточной нейронной сети для повышения точности краткосрочного прогнозирования электропотребления электротехнического комплекса районной электрической сети. – Актуальные вопросы энергетики, 2020, т. 2, № 1, с. 44–47.
18. Tavarov S.Sh., Sidorov A.I., Kalegina Y.V. Model and Algorithm of Electricity Consumption Management for Household Consumers in the Republic of Tajikistan. – Mathematical Modelling of Engineering Problems, 2020, vol. 7, No. 4, pp. 520–526, DOI:10.18280/mmep.070403.
19. Алексеева И.Ю., Ведерников А.С., Скрипачев М.О. Прогнозирование электропотребления с использованием метода искусственных нейронных сетей. – Вестник Самарского государственного технического университета. Серия: Технические науки, 2010, № 2 (27), с. 135–138.
20. Староверов Б.А., Гнатюк Б.А. Определение наиболее перспективных нейронных сетей и способов их обучения для прогнозирования электропотребления. – Вестник Ивановского государственного энергетического университета, 2015, № 6, с. 59–64.
21. Mokhov V.G., Tsimbol V.I. Electrical Energy Consumption Prediction of the Federal District of Russia on the Based of the Recurrent Neural Network. – Journal of Computational and Engineering Mathematics, 2018, vol. 5, No. 2, pp. 3–15.
22. Симонов Н., Ивенев Н. Опыт и перспективы применения искусственных нейронных сетей в электроэнергетике. – Электроэнергия. Передача и распределение, 2019, № S4 (15), с. 42–48.
23. Солуянов Ю.И. и др. Актуализация нормативных значений удельной электрической нагрузки многоквартирных домов в Республике Татарстан. – Электричество, 2021, № 6, с. 62–71.
#
1. Makoklyuev B.I., et al. Elektricheskie stantsii – in Russ. (Electrical power plants), 2018, No. 4, pp. 24–35.
2. Makoklyuev B.I., et al. Elektricheskie stantsii – in Russ. (Electrical power plants), 2019, No. 5, pp. 36–44.
3. Repkina N.G. Izvestiya vysshih uchebnyh zavedeniy. Elekt-romekhanika – in Russ. (News of Higher Educational Institutions. Electromechanics), 2015, No. 2, pp. 41–43.
4. Valeev G.S., Dzyuba M.A., Valeev R.G. Vestnik YuUrGU. Seriya Energetika – in Russ. (Bulletin of SUSU. Energy Series), 2016, vol. 16, No. 2, pp. 23–29.
5. Karpenko S.M., Karpenko N.V. Energobezopasnost' i energo-sberezhenie – in Russ. (Energy security and energy conservation), 2020, No. 1, pp. 14–17.
6. Karpenko S.M., Karpenko N.V. Energobezopasnost' i energo-sberezhenie – in Russ. (Energy security and energy conservation), 2020, No. 2, pp. 20–25.
7. Tavarov S.Sh. Energobezopasnost' i energosberezhenie – in Russ. (Energy security and energy conservation), 2021, No. 1, pp. 32–39.
8. Tavarov S.Sh. Promyshlennaya energetika – in Russ. (Industrial Power Engineering), 2019, No. 7, pp.19–22.
9. Tavarov S.Sh. Vestnik YuUrGU. Seriya Energetika – in Russ. (Bulletin of SUSU. Energy Series), 2020, vol. 20, No. 2. pp. 28–35.
10. Issi F., Kaplan O. The Determination of Load Profiles and Power Consumptions of Home Appliances. – Energies, 2018, 11(3), 607, DOI: 10.3390/en11030607.
11. Angrisani L., et al. Smart Power Meters in Augmented Reality Environment for Electricity Consumption Awareness. – Energies, 2018, 11(9), 2303, DOI:10.3390/en11092303.
12. Yan K., et al. Multi-Step Short-Term Power Consumption Forecasting with a Hybrid Deep Learning Strategy. – Energies, 2018, 11(11), 3089, DOI:10.3390/en11113089.
13. Vojtovic S., Stundziene A., Kontautiene R. The Impact of Socio-Economic Indicators on Sustainable Consumption of Domestic Electricity in Lithuania. – Sustainability, 2018, 10(2), 162, DOI: 10.3390/su10020162.
14. Ziel F. Load Nowcasting: Predicting Actuals with Limited Data. – Energies, 2020, 13(6), 1443, DOI: 10.3390/en13061443.
15. Naz A., et al. and Khursheed A. Short-Term Electric Load and Price Forecasting Using Enhanced Extreme Learning Machine Optimization in Smart Grids. – Energies, 2019, 12(5), 866, DOI: 10.3390/en12050866.
16. To W.M., et al. Modeling of Monthly Residential and Commercial Electricity Consumption Using Nonlinear Seasonal Mo-dels – The Case of Hong Kong. – Energies, 2017, 10(7), 885, DOI:10. 3390/en10070885.
17. Homutov S.O.,Serebryakov N.A. Aktual'nye voprosy energe-tiki – in Russ. (Current Energy Issues), 2020, vol. 2, No. 1, pp. 44–47.
18. Tavarov S.Sh., Sidorov A.I., Kalegina Y.V. Model and Algorithm of Electricity Consumption Management for Household Consumers in the Republic of Tajikistan. – Mathematical Modelling of Engineering Problems, 2020, vol. 7, No. 4, pp. 520–526, DOI:10.18280/mmep.070403.
19. Alekseeva I.YU., Vedernikov A.S., Skripachev М.О. Vestnik Samarskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya: Tekhnicheskie nauki – in Russ. (Bulletin of Samara State Technical University. Series: Technical Sciences), 2010, No. 2 (27), pp. 135–138.
20. Staroverov B.A., Gnatyuk B.А. Vestnik Ivanovskogo gosudarstvennogo energeticheskogo universiteta – in Russ.( Bulletin of the Ivanovo State Power Engineering University), 2015, No. 6, pp. 59–64.
21. Mokhov V.G., Tsimbol V.I. Electrical Energy Consumption Prediction of the Federal District of Russia on the Based of the Recurrent Neural Network. – Journal of Computational and Engineering Mathematics, 2018, vol. 5, No. 2, pp. 3–15.
22. Simonov N., Ivenev N. Elektroenergiya. Peredacha i raspredelenie – in Russ. (Electricity. Transmission and distribution), 2019, No. S4 (15), pp. 42–48.
23. Soluyanov Yu.I., et al. Elektrichestvo – in Russ. (Electricity), 2021, No. 6, pp. 62–71.
