Системы анализа и обработки данных

Повышение качества краткосрочного прогнозирования электропотребления группы точек поставки электроэнергии сельхозпроизводителей с помощью инструментов машинного обучения

Выпуск № 3 (76) Июль - Сентябрь 2019

Авторы:

Хомутов Станислав Олегович,

Серебряков Николай Александрович

DOI: http://dx.doi.org/10.17212/1814-1196-2019-3-149-168

Скачать полный текст

Аннотация
Авторы
Список литературы

Аннотация

В настоящее время проблема прогнозирования потребления электроэнергии стала значительно актуальнее. От точности краткосрочного прогноза электропотребления зависят как финансовые результаты участников оптового рынка электроэнергии и мощности, так и надежность функционирования электроэнергетической системы. Для прогнозирования временного ряда почасового потребления электроэнергии с высокой точностью необходимо учитывать множество влияющих факторов. Поэтому данная задача относится к слабо формализуемым. Современный уровень развития информационных технологий позволяет использовать искусственные нейронные сети (ИНС) для решения подобных задач.

Настоящая статья посвящена проблеме повышения качества краткосрочного прогнозирования почасового электропотребления группы точек поставки электроэнергии гарантирующего поставщика, включающих крупных сельхозпроизводителей, с помощью ИНС. Рассмотрены вопросы выбора парадигмы обучения, оптимальной архитектуры и алгоритма обучения нейронной сети. Определено оптимальное количество и размер скрытых слоев многослойного персептрона с помощью правила геометрической пирамиды. Исследована степень влияния скорости обучения и момента инерции на способность нейронной сети к поиску глобального минимума на поверхности ошибки в пространстве свободных параметров сети. Произведено теоретическое и практическое обоснование применения адаптивных в процессе обучения параметров скорости обучения и момента инерции. Рассмотрены основные техники борьбы с переобучением нейронных сетей. Проанализировано увеличение вычислительной эффективности ансамбля искусственных нейронных сетей по сравнению с единичной сетью большего размера. Рассмотрены вопросы кодировки факторного пространства, а также предварительной обработки и масштабирования исходных данных, предназначенных для обучения и тестирования нейронной сети. Рассмотрена практическая реализация ИНС различной архитектуры и конфигурации с помощью современных средств машинного обучения на языке программирования Python 3.6. Произведен сравнительный анализ точности прогнозирования почасовых объемов электропотребления группы точек поставки электроэнергии, полученного с помощью ИНС и метода экспертных оценок.

Ключевые слова: прогнозирование, гиперпараметры, оптовый рынок электроэнергии и мощности, электрическая нагрузка, факторы, группа точек поставки электроэнергии, искусственная нейронная сеть, парадигма обучения, алгоритм обучения, градиентный спуск, поверхность ошибки, глобальный минимум

Список литературы

1. Торопов А.С., Туликов А.Н. Прогнозирование почасового электропотребления региональной энергосистемы с использованием искусственных нейронных сетей // Вестник Иркутского государственного технического университета. – 2017. – Т. 21, № 5. – С. 143–151. – DOI: 10.21285/1814-3520-2017-5-143-151.

2. Доманов В.И., Билалова А.И. Прогнозирование объемов энергопотребления в зависимости от исходной информации // Вестник ЮУрГУ. Серия: Энергетика. – 2016. – Т. 16, № 2. – С. 59–65. – DOI: 10.14529/power160208.

3. A short-term electricity price forecasting scheme for power market / G. Gao, K. Lo, J.F Lu., F.L. Fan // World Journal of Engineering and Technology. – 2016. – Vol. 4. – P. 58–65.

4. Кирпичникова И.М., Саплин Л.А., Соломахо К.Л. Прогнозирование объемов потребления электроэнергии // Вестник ЮУрГУ. Серия: Энергетика. – 2014. – Т. 14, № 2. – С. 16–21.

5. Станкевич Т.С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения // Вестник Иркутского государственного технического университета. – 2018. – Т. 22, № 9. – С. 111–120. – DOI: 10.21285/1814-3520-2018-9-111-120.

6. Воевода А.А., Романников Д.О. Синтез нейронной сети для реализации рекуррентного метода наименьших квадратов // Научный вестник НГТУ. – 2018. – № 3 (72). – С. 33–42. – DOI: 10.17212/1814-1196-2018-3-33-42.

7. Ruzic S., Vuckovic A., Nikolic N. Weather sensitive method for short term load forecasting in electric power Utility of Serbia // IEEE Transactions on Power Systems. – 2003. – Vol. 18, N 4. – P. 1581–1586.

8. Hayes A. First links in the Markov chain // American Scientist. – 2013. – Vol. 101. – P. 92–97.

9. Николаева Ю.В. Метод генерации выходной выборки для задачи нейросетевой классификации рыночных ситуаций // Вестник Иркутского государственного технического университета. – 2017. – Т. 21, № 12. – С. 86–92. – DOI: 10.21285/1814-3520-2017-12-86-92.

10. Кориков А.М., Нгуен А.Т. Нейро-нечеткая классификация объектов и их состояний // Научный вестник НГТУ. – 2018. – № 3 (72). – С. 73–86. – DOI: 10.17212/1814-1196-2018-3-73-86.

11. Genco S., Yildiray P., Umran S. An artificial neural network model for Na/K geothermometer // Proceedings World Geothermal Congress. – Bali, Indonesia, 2010. – P. 1–10.

12. Kingma D.P., Ba L.J. ADAM: a method for stochastic optimization // 3rd International Conference for Learning Representations, San Diego, 2015. – Ithaca, NY: arXiv.org, 2015. – arXiv: 1412.6980.

13. Duchi J., Hazan E., Singer Y. Adaptive subgradient methods for online learning and stochastic optimization // Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2121–2159.

14. Ruder S. An overview of gradient descent optimization algorithms. – Ithaca, NY: arXiv.org, 2017. – arXiv: 1609.04747.

15. Dropout: a simple way to prevent neural networks from overfitting / N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov // Journal of Machine Learning Research. – 2014. – Vol. 15. – P. 1929–1958.

16. Li S., Wang P., Goel L. A novel wavelet-based ensemble method for short-term load forecasting with hybrid neural networks and feature selection // IEEE Transactions on Power Systems. – 2016. – Vol. 31, iss. 3. – P. 1788–1798.

17. Гергет О.М., Мещеряков Р.В. Применение информационных методов, нейронных сетей и генетического алгоритма для решения задачи выбора схемы лечения // Научный вестник НГТУ. – 2018. – № 3 (72). – С. 7–20. – DOI: 10.17212/1814-1196-2018-3-7-20.

18. Rajan D.V., Sourav M., Thakur S.S. An efficient approach for short–term load forecasting using historical data // International Journal of Engineering Research and Technology. – 2012. – Vol. 1, iss. 3. – P. 1–9.

19. Masood N.A., Ahsan Q. A methodology for identification of weather sensitive component of electrical load using empirical mode decomposition technique // Energy and Power Engineering. – 2013. – Vol. 5. – P. 293–300.

20. Карамов Д.Н., Наумов И.В., Пержабинский С.М. Математическое моделирование отказов элементов электрической сети (10 кв) автономных энергетических систем с возобновляемой распределенной генерацией // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2018. – Т. 329, № 7. – С. 116–130.

Для цитирования:

Хомутов С.О., Серебряков Н.А. Повышение качества краткосрочного прогнозирования электропотребления группы точек поставки электроэнергии сельхозпроизводителей с помощью инструментов машинного обучения // Научный вестник НГТУ. – 2019. – № 3 (76). – С. 149–168. – DOI: 10.17212/1814-1196-2019-3-149-168.

For citation:

Khomutov S.O., Serebryakov N.A. Povyshenie kachestva kratkosrochnogo prognozirovaniya elektropotrebleniya gruppy tochek postavki elektroenergii sel'khozproizvoditelei s pomoshch'yu instrumentov mashinnogo obucheniya [Increasing the quality of short-term load forecasting of the delivery point cluster of agricultural producers with a learning machine]. Nauchnyi vestnik Novosibirskogo gosudarstvennogo tekhnicheskogo universiteta – Science bulletin of the Novosibirsk state technical university, 2019, no. 3 (76), pp. 149–168. DOI: 10.17212/1814-1196-2019-3-149-168.

Просмотров: 2403

СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ