СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

ISSN (печатн.): 2782-2001          ISSN (онлайн): 2782-215X
English | Русский

Последний выпуск
№1(81) Январь - Март 2021

Использование искусственного интеллекта для прогнозирования электропотребления энергосбытовой компании

Выпуск № 4 (80) Октябрь - Декабрь 2020
Авторы:

Бершадский Илья Адольфович,
Джура Сергей Георгиевич,
Чурсинова Аурика Александровна
DOI: http://dx.doi.org/10.17212/1814-1196-2020-4-7-16
Аннотация

В настоящей работе проанализированы существующие подходы использования искусственного интеллекта в обучении нейронной сети с помощью приложения Нейросимулятор 5.0 для прогнозирования потребления электроэнергии по данным предыдущего периода, а также сделан вывод о целесообразности развития этого направления расчетов для прогнозирования и проектирования систем электроснабжения.



Статья посвящена проблеме выбора модели прогнозирования электропотребления при решении задачи оперативного суточного планирования поставок электроэнергии на оптовом рынке. Особую актуальность задача прогнозирования потребления электроэнергии приобрела после появления оптового рынка электроэнергии: занижение прогноза приводит к необходимости запуска дорогостоящих аварийных электростанций, а завышение – к увеличению издержек на поддержку в рабочем состоянии излишних мощностей.



Аргументируется выбор искусственных нейронных сетей для этой цели. Наиболее подходящей архитектурой искусственной нейронной сети для решения рассматриваемой нами задачи является многослойный перцептрон, содержащий несколько слоев нейронов: входной, один или несколько скрытых слоев и слой выходных нейронов. Передача информации, как правило, происходит в одном направлении – от входного слоя к выходному. 



Рассмотрен пример прогнозирования энергопотребления по результатам ближайших замеров во временной области и определена ошибка аппроксимации. Результаты аппроксимации и прогноза электропотребления показали, что среднеквадратичная относительная погрешность не превышала 6,32 %, но имеется выброс в одной точке до 34 %.



Резервом повышения точности прогноза является исследование влияния дополнительных факторов – температуры окружающего воздуха и фактора дня, учитывающего распределение нагрузки по дням недели.


Ключевые слова: искусственный интеллект, нейронные сети, перцептрон, электропотребление, прогнозирование, имитаторы нейронных сетей, функция активации, входной слой, погрешность прогноза

Список литературы

1. Интеллектуальная электроэнергетика: необходимость, концепция и путь реализации / Г.А. Саратикян, В.И. Финаев, Ю.И. Иванов, В.А. Черёмушкин // Известия ЮФУ. Технические науки. – 2012. – № 2 (127). – С. 165–172.



2. Национальная стратегия развития искусственного интеллекта на период до 2030 года // TADVISER: Государство. Бизнес. ИТ. – 2020. – URL: http://www.tadviser.ru/images/8/86/0001201910110003.pdf (дата обращения: 11.12.2020).



3. Алексеева И.Ю., Ведерников A.C., Скрипачев М.О. Прогнозирование электропотребления с использованием метода искусственных нейронных сетей // Вестник СамГТУ. Серия: Технические науки. – 2010. – № 2 (27). – С. 135–138.



4. Джура С.Г. Этические алгоритмы мироздания. – Saarbruken: Lambert Academic Publishing, 2014. – 660 с. – URL: http://www.roerich.com/iic/russian/ovs/dzhura_book_rus_2014_.pdf (дата обращения: 11.12.2020).



5. Bourguet R.E., Antsaklis P.J. Artificial neural networks in electric power industry: Technical report of the ISIS Group: ISIS-94-007. – University of Notre Dame, 1994, April.



6. Могиленко А.В. Искусственный интеллект: методы, технологии, применение в энергетике: аналитический обзор. – URL: https://in.minenergo.gov.ru/upload/iblock/2f9/2f9942ed69077878d3421e1ba259312c.pdf (дата обращения: 11.12.2020).



7. WIPO Technology Trends 2019: Artificial Intelligence. – Geneva: World Intellectual Property Organization, 2019. – URL: https://www.wipo.int/publications/en/details.jsp?id=4386 (accessed: 11.12.2020).



8. NeuroSolutions: website. – URL: http://www.neurosolutions.com/ (accessed: 11.12.2020).



9. Ясницкий Л.Н. Интеллектуальные системы. – М.: Лаборатория знаний, 2016. – 221 с.



10. Аль Зихери Б.М. Повышение точности кратковременного прогнозирования электрической нагрузки потребителей региона с учетом метафакторов на основе метода опорных векторов: дис. … канд. техн. наук. – Новочеркасск, 2015. – 182 с.



11. Соломахо К.Л. Применение метода главных компонент для прогнозирования объема электропотребления энергосбытовых предприятий: дис. … канд. техн. наук. – Челябинск, 2015. – 142 с.



12. Люгер Д.Ф. Искусственный интеллект: стратегии и методы решения сложных проблем: пер. с англ. – М.: Вильямс, 2005. – 864 с.



13. Соломкин А.В. Применение нейросетевых методов для прогнозирования потребления электроэнергии // Электроника и информационные технологии. – 2009. – № 2 (7). – С. 1–4.



14. Торопов А.С, Туликов А.Н. Прогнозирование почасового электропотребления региональной энергосистемы с использованием искусственных нейронных сетей // Вестник ИрГТУ. – 2017. – Т. 21, № 5. – С. 143–151.



15. Староверов Б.А., Гнатюк Б.А. Определение наиболее перспективных нейронных сетей и способов их обучения для прогнозирования электропотребления // Вестник Ивановского государственного энергетического университета. – 2015. – Вып. 6. – С. 59–64.

Для цитирования:

Бершадский И.А., Джура С.Г., Чурсинова А.А. Использование искусственного интеллекта для прогнозирования электропотребления энергосбытовой компании // Научный вестник НГТУ. – 2020. – № 4 (80). – С. 7–16. – DOI: 10.17212/1814-1196-2020-4-7-16.

 

For citation:

Bershadsky I.A., Dzhura S.G., Chursinova A.A. Ispol'zovanie iskusstvennogo intellekta dlya prognozirovaniya elektropotrebleniya energosbytovoi kompanii [The use of artificial intelligence to predict electric power consumption of a power supply company]. Nauchnyi vestnik Novosibirskogo gosudarstvennogo tekhnicheskogo universiteta = Science bulletin of the Novosibirsk state technical university, 2020, no. 4 (80), pp. 7–16. DOI: 10.17212/1814-1196-2020-4-7-16.

Просмотров: 186