ПРОГНОЗУВАННЯ ОБСЯГІВ ЕЛЕКТРОСПОЖИВАННЯ З ВИКОРИСТАННЯМ НЕЙРОМЕРЕЖЕВИХ ТЕХНОЛОГІЙ
DOI:
https://doi.org/10.31319/2519-8106.2(49)2023.292610Ключові слова:
рекурентна нейронна мережа, багатошаровий персептрон, штучна нейронна мережа, мережа Елмана, алгоритм зворотного поширення похибкиАнотація
Враховуючи зростання навантаження на енергетичні системи та зношеність інфраструктури самих мереж, перед сучасними дослідниками постало завдання навчитися ефективно управляти та розподіляти навантаження між споживачами у просторовому та тимчасовому контексті у новому енергетичному просторі. Потрібно створити нові системи управління, які в реальному часі будуть не тільки налаштовувати параметри окремих вузлів енергомережі, а й реорганізовувати її структуру на всіх рівнях, майже до зміни обсягів для самих споживачів. Для таких систем управління необхідний точний прогноз споживання енергії, щоб заздалегідь створити план перерозподілу навантаження. Найбільшу точність прогнозу дають системи, побудовані на основі штучного інтелекту. Точність прогнозу, заснованого на використанні нейронних мереж, залежить від наявних вихідних даних, що визначають архітектуру мережі, ступеня достовірності даних та необхідного періоду прогнозування.
В даній роботі розглянуто проблему погодинного прогнозування споживання електроенергії. На основі вхідних даних у вигляді часового ряду споживання електроенергії за певний період, здійснено короткострокове прогнозування за допомогою нейронної рекурентної мережі (RNN). Детально розглядається вибір архітектури RNN, кількості шарів, а також вибір функцій активації та алгоритмів оптимізації. Також обговорюється вибір гіперпараметрів, як-от швидкість навчання. Описується процес навчання та перевірки, включаючи поділ даних на навчальні, перевірочні та тестові набори. У ньому обговорюється використання відповідних показників для оцінки точності прогнозування за допомогою RNN.
Побудовано мережу і підібрано оптимальні параметри для її роботи. А також спроектовано UML діаграми, в яких чітко відображено, як саме повинна працювати система і яким вимогам повинна відповідати, розроблені сценарії роботи системи та виконано їх програмну реалізацію.
Представлені результати та оцінка ефективності моделі прогнозування споживання електроенергії на основі RNN. Це забезпечує аналіз точності та ефективності моделі при прогнозуванні споживання електроенергії для різних часових горизонтів. В рамках дослідження розглянуто проблему погодинного прогнозування споживання електроенергії. Представлено емпіричні результати дослідження, які демонструють ефективність рекурентних нейронних мереж в порівнянні із традиційними методами, такими як ARIMA та SV у прогнозуванні споживання електроенергії.
Посилання
Fan Z., Kulkarni P., Gormus S. (2013) Smart Grid Communications: Overview of Research Challenges, Solutions, and Standardization Activities. IEEE Communications Surveys & Tutorials. Vol. 15. № 1. P. 21–38. doi: 10.1109/SURV.2011.122211.00021.
Galli S., Scaglione A. and Wang Z. (2011) For the Grid and Through the Grid: The Role of Power Line Communications in the Smart Grid. Proceedings of the IEEE. Vol. 99. № 6. P. 998–1027. doi: 10.1109/JPROC.2011.2109670.
Mocanu E. (2017) Machine learning applied to smart grids. Eindhoven: Technische Universiteit Eindhoven. Volume 143.
Kuo P.H., Huang, C.J. (2018). A High Precision Artificial Neural Networks Model for Short-Term Energy Load Forecasting. Energies. Vol. 11. Issue 1. P. 213–226.
Ghayekhlooa M., Menhajab M.B., Ghofranic M. (2015). A hybrid short-term load forecasting with a new data preprocessing framework. Electric Power Systems Research. Vol. 119. P. 138–148.
Blinov I.V., Miroshnyk V.O., Shimanyuk P.V. (2019) Korotkostrokovii іnterval'nii prognoz sumarnogo vіdpusku elektroenergії virobnikami z vіdnovliuvanikh dzherel energії [Short-term interval forecast of total release of electricity by producers from renewable energy sources]. Pratsі іnstitutu elektrodinamіki NAN Ukraini [Proceedings of the Institute of Electrodynamics of the NAS of Ukraine]. Vol. 54. Р. 5–12. doi: 10.15407/publishing2019.54.005 [in Ukrainian].
Tishevich B.L. (2014) Zastosuvannia neironnikh merezh u suchasnikh metodakh prognozuvan-nia energospozhivannia [Application of neural networks in modern methods of forecasting energy consumption]. Vіsnik Natsіonal'nogo tekhnіchnogo unіversitetu Ukraini «Kiyvs'kii polіtekhnіchnii іnstitut». Serіia: Gіrnitstvo [Bulletin of the National Technical University of Ukraine «Kyiv Poly-technic Institute»]. Vol. 23. P. 66–72 [in Ukrainian].
Davidenko V.A., Davidenko L.V., Komenda N.V. (2016) Bagatofaktorne modeliuvannia elek-trospozhivannia v skladnikh virobnichikh sistemakh z vikoristanniam aparatu neironnikh merezh [Multifactor modeling of power consumption in complex production systems using the apparatus of neural networks]. Vіsnik Kharkіvs'kogo natsіonal'nogo tekhnіchnogo unіversitetu sіl's'kogo gospodarstva іmenі Petra Vasilenka. Serіia: Tekhnіchnі nauki [Bulletin of the Petro Vasylenko Kharkiv National Technical University of Agriculture. Series: Technical sciences.] Vol. 175.
P. 143–145 [in Ukrainian].
Rudenko O., Bezsonov O., Romanyk O. (2019) Neural network time series prediction based on multilayer perceptron. Development Management. Vol. 5, № 1. P. 23–34. doi: 10.21511/ dm.5(1).2019.03 [in Ukrainian].
Khan P.W., Byun Y.-C., Lee S.-J., Kang D.-H., Kang J.-Y., Park H.-S. (2020) Machine Learn-ing-Based Approach to Predict Energy Consumption of Renewable and Nonrenewable Power Sources. Energies. Vol. 13, № 18. P. 1–16. doi: 10.3390/en13184870.
Karpa D.M., Tsmots' І.G., Opotiak Yu.V. (2018) Neiromerezhevі zasobi prognozuvannia spozhivannia energoresursіv [Neural network means of forecasting the consumption of energy resources]. Naukovii vіsnik NLTU Ukraini [Scientific bulletin of UNFU]. Vol. 28, № 5. P.140–146. doi: 10.15421/40280529 [in Ukrainian].
Tzafestas S., Tzafestas E. (2001) Computational intelligence techniques for short-term electric load forecasting. Journal of Intelligent and Robotic Systems. № 31. P. 7–68.
[13] Mandic D.P., Chambers J.A. Recurrent Neural Networks for Prediction. Chichester: John Wiley&Sons. 2001. Volume 285.
Williams R.J., Zipser D.A. (1989) Learning Algorithm for Continually Running Fully Recurrent Neural Networks. Neural Computation. №1. P. 270–280.
Elman J.L. (1990) Finding structure in time. Cognitive Science. № 14. P. 179–211.
Fan Z., Kulkarni P., Gormus S. Smart Grid Communications: Overview of Research Challenges, Solutions, and Standardization Activities. IEEE Communications Surveys & Tuto-rials. 2013. Vol. 15. № 1. P. 21–38. doi: 10.1109/SURV.2011.122211.00021.
Galli S., Scaglione A. and Wang Z. For the Grid and Through the Grid: The Role of Power Line Communications in the Smart Grid. Proceedings of the IEEE. 2011.Vol. 99. № 6. P. 998–1027. doi: 10.1109/JPROC.2011.2109670.
Mocan E. Machine learning applied to smart grids. Eindhoven: Technische Universiteit Eindho-ven, 2017. Volume 143.
Kuo P.H., Huang, C.J. A High Precision Artificial Neural Networks Model for Short-Term Energy Load Forecasting. Energies. 2018. Vol. 11. Issue 1. P. 213–226.
Ghayekhlooa M., Menhajab M.B., Ghofranic M. A hybrid short-term load forecasting with a new data preprocessing framework. Electric Power Systems Research. 2015. Vol. 119. P. 138–148.
Блінов І.В., Мірошник В.О., Шиманюк П.В. Короткостроковий інтервальний прогноз сумарного відпуску електроенергії виробниками з відновлюваних джерел енергії. Праці інституту електродинаміки НАН України, 2019. Вип. 54. С. 5–12. Режим доступу: https://doi.org/10.15407/publishing2019.54.005.
Тишевич Б.Л. Застосування нейронних мереж у сучасних методах прогнозування енергос-поживання. Вісник Національного технічного університету України «Київський політехнічний інститут», 2014. Вип. 23. С. 66–72.
Давиденко В.А., Давиденко Л.В., Коменда Н.В. Багатофакторне моделювання електроспо-живання в складних виробничих системах з використанням апарату нейронних мереж. Вісник Харківського національного технічного університету сільського господарства імені Петра Василенка, 2016. Вип. 175. С. 143–145.
Rudenko O., Bezsonov O., Romanyk O. Neural network time series prediction based on multilayer perceptron. Development Management, 2019. Vol. 5, № 1. P. 23–34. Режим доступу: https://doi.org/10.21511/dm.5(1).2019.03.
Khan P.W., Byun Y.-C., Lee S.-J., Kang D.-H., Kang J.-Y., Park H.-S. Machine Learning-Based Approach to Predict Energy Consumption of Renewable and Nonrenewable Power Sources. Energies, 2020. Vol. 13, № 18. P. 1–16. doi: 10.3390/en13184870.
Карпа Д.М., Цмоць І.Г., Опотяк Ю.В. Нейромережеві засоби прогнозування споживання енергоресурсів. Науковий вісник НЛТУ України, 2018. Т. 28. No 5. С. 140–146. Режим доступу: https://doi.org/10.15421/40280529.
Tzafestas S., Tzafestas E. Computational intelligence techniques for short-term electric load forecasting. Journal of Intelligent and Robotic Systems, 2001. № 31. P. 7–68.
Mandic D.P., Chambers J.A. Recurrent Neural Networks for Prediction. Chichester: John Wi-ley&Sons. 2001. Volume 285.
Williams R.J., Zipser D. A Learning Algorithm for Continually Running Fully Recurrent Neural Networks. Neural Computation, 1989. № 1. P. 270–280.
Elman J.L. Finding structure in time. Cognitive Science, 1990. № 14. P. 179–211.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
a. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
b. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
c. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
