ПОСТРОЕНИЕ МОДЕЛИ И ОЦЕНКА ЕЕ РОБАСТНОСТИ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ДЛЯ ПОТРЕБИТЕЛЕЙ С АДДИТИВНЫМИ ПРОФИЛЯМИ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ
Аннотация
Рассматривается построение робастностой модели, оценка ее точности в задачах прогнози- рования электрической нагрузки с аддитивными профилями потребления. Проведено исследование влияния параметров нейросети (размер пакета данных; количество слоев нейросети; функции акти- вации нейронов; оптимизаторы) на погрешность прогнозирования электропотребления. Приведены графики сравнения профилей фактического и прогнозного потребления и отклонения прогноза для потребления электроэнергии выше среднего значения за рассматриваемый период. Подобраны оп- тимальные параметры прогностической нейросетевой модели в ручном режиме. Результат иссле- дования разновидностей генетических алгоритмов выявил оптимальный гибридный алгоритм обуче- ния нейросетевой модели основании на быстрой сходимости решения. Проведено тестирование созданного на языке “Python” алгоритма подбора гиперпараметров сети на данных об электропо- треблении с различными характерами потребления электроэнергии. Проведенное обучение и тести- рование генетического алгоритма подтвердило возможность получения прогнозов большей точно- сти и возможность автоматизации подбора оптимальных гиперпараметров. В задачах прогнозиро- вания электропотребления с использованием нейросетевой модели, независимо от способа создания структуры, подобрана оптимальная метрика. Выявлено, что для потребителей с аддитивными профилями потребления электроэнергии целесообразно использовать робастную функцию потерь Хьюбера, в то же время, для потребителей с цикличным или имеющим закономерности профиле потребления электроэнергии применение скользящего окна увеличивает ошибку, в отличии от адди- тивных потребителей. Показано, что применение генетического алгоритма значительно увеличива- ет точность прогнозирования благодаря индивидуальному подбору оптимальных параметров для конкретного потребителя. Разработана структурная схема интеллектуального устройства про- гнозирования режимов энергопотребления. Введена система помощи принятия решений, позволяю- щая реализовать планово-упреждающее управление, основываясь на данных, снимаемых со счетчика электроэнергии и полученных в результате работы нейросетевой модели прогнозирования. Система помощи принятия решений производит расчет отклонения прогнозных величин потребленной мощ- ности от фактических и как результат – выдает рекомендации диспетчеру распределительных энергосетей. На основании данных от системы помощи принятия решений оператор распредели- тельных энергосетей может принимать решение о заказе необходимого объема электроэнергии, получает возможность контролировать возможные всплески и снижения потребления электро- энергии у потребителя, ненормированную работу оборудования, а также дополнительно контроли- ровать адекватность работы нейросетевой модели
Список литературы
1. Постановление Правительства РФ от 9 сентября 2023 г. N 1473 "Об утверждении комплексной
государственной программы Российской Федерации "Энергосбережение и повышение энерге-
тической эффективности"// Размещен в СПС "Консультант Плюс". – https://base.garant.ru/
407632842/.
2. Полуянович Н.К. Монтаж, наладка, эксплуатация и ремонт систем электроснабжения промыш-
ленных предприятий. Сер. учебники для вузов. Специальная литература. – 3-е изд., стереотип-
ное. – СПб., 2017.
3. Родыгина С.В. Проектирование и эксплуатация систем электроснабжения. Передача, распреде-
ление, преобразование электрической энергии: учеб. пособие. – Новосибирск: Изд-воНГТУ,
2017. – 72 с.
4. Серебряков Н.А., Хомутов С.О. Анализ случайной составляющей временного ряда электриче-
ской нагрузки группы точек поставки электроэнергии сельхозпроизводителей // Вестник Ал-
тайского государственного аграрного университета. – 2019. – № 5 (175). – C. 153-158.
5. Полуянович Н.К., Дубяго М.Н. Оценка воздействующих факторов и прогнозирование электро-
потребления в региональной энергосистеме с учетом режима ее эксплуатации // Известия
ЮФУ. Технические науки. – 2022. – № 2 (226). – С. 31-46.
6. Рудаков Е., Саакян Ю., Нигматулин Б., Прохорова Н. Цена расточительности // Эксперт.
– Июнь 2008. – № 24.
7. Билалова А.И. Статистика потребления электроэнергии в г. Ульяновск // Вузовская наука в со-
временных условиях: Сб. материалов 48-й научно-технической конференции. – Ульяновск: Ул-
ГТУ, 2013. – С. 15-18.
8. 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.
9. Кудрин Б.И., Мозгалин А.В. Методика обеспечения почасового прогнозирования электропо-
требления предприятий с учетом погодных факторов // Вестник МЭИ. – 2007. – № 2. – С. 45-47.
10. Патент 115098 РФ: МПК G06N 5/00. Многослойная нейронная сеть / Белов К.Д.; заявитель и па-
тентообладатель: Белов К.Д. – №2011139784/08; заявл. 29.09.2011; опубл. 20.04.2012, Бюл. № 11.
11. Патент 169425 РФ: МПК G06Q 10/06, G06N 5/00. Устройство прогнозирования электропотреб-
ления на основе многослойной нейронной сети / Хамитов Р.Н.; заявитель и патентообладатель:
ФБГОУ ВО Омский государственный технический университет – 2016145339; заявл.
18.11.2016; опубл. 17.03.2016.
12. Патент 222420 РФ: МПК G06N 5/00, G06Q 10/06. Устройство мониторинга и прогнозирования
электропотребления в электроэнергетических системах на основе нейронных структур / Каче-
лаев О.В., Полуянович Н.К., Дубяго М.Н.; патентообладатель: Южный федеральный универси-
тет. 2023126166; заявл. 12 октября 2023; опубл. 25 декабря 2023 г.
13. Сивак М.А., Тимофеев В.С. Построение робастных нейронных сетей с различными функциями
потерь // Системы анализа и обработки данных. – 2021. – № 2 (82). – С. 67-82. – DOI:
10.17212/2782-2001-2021-2-67-82.
14. Haykin S. Neural Networks and Learning Machines. – 3rd ed. – Pearson Education, 2009. – 906 p.
15. Bishop C.M. Neural Networks for Pattern Recognition. – New York, US: Oxford University Press,
1995. – 502 p.
16. Brownlee J. A Gentle Introduction to the Rectified Linear Unit (ReLU). – 2019. – URL:
https://inlnk.ru/agw2E2 (visited on 02/19/2022).
17. GeeksforGeeks A computer science portal for geeks. – URL: https://www.geeksforgeeks.org/regressionmetrics/.
18. Сивак М.А Робастное обучение нейронных сетей с простой архитектурой для решения задач
классификации: дисс. … канд. наук: 05.13.17. – Новосибирск: НГТУ, 2022. – 111 с.
19. Дубяго М.Н., Полуянович Н.К. Совершенствование методов диагностики и прогнозирования
электроизоляционных материалов систем энергоснабжения: монография. – Ростов-на-Дону; Та-
ганрог: Изд-во ЮФУ, 2019. – 192 с.
20. Полуянович Н.К., Бурьков Д.В., Дубяго М.Н. Нейросетевой метод прогнозирования электропо-
требления и его инструментальная реализация: монография. – Ростов-на-Дону; Таганрог: Изд-
во ЮФУ, 2023. – 151 с.
21. Пальчевский Е.В. Методы нейросетевой обработки больших темпоральных данных для инфор-
мационной поддержки принятия управленческих решений (на примере электроэнергетики):
дисс. … канд. техн. наук: 2.3.1.. – Уфа: Уфимский университет науки и технологий, 2024.
