/Журнал «Промышленная Энергетика», 2011 - №3, стр. 26-29
Создание прогнозной модели электропотребления предприятия химической отрасли на основе искусственных нейронных сетей.
Воронов И. В., Политов Е. А., инженеры
ОАО «СО ЕЭС» ОДУ Сибири, г. Кемерово
Приведены особенности оптового рынка электроэнергии и мощности. Рассмотрены вопросы краткосрочного и долгосрочного прогнозирования электропотребления крупного многономенклатурного химического предприятия в условиях оптового рынка электроэнергии и мощности. Выполнены построение, обучение и проверка ряда необходимых для этого прогнозных моделей.
В настоящее время в России функционирует оптовый рынок ОРЭМ, на котором товаром являются электроэнергия и мощность. Его участники:
поставщики электрической энергии - организации, поставляющие электроэнергию и мощность на рынок;
покупатели электрической энергии - организации, покупающие электроэнергию для последующего использования или перепродажи ее на розничных рынках;
НП "Совет рынка", ОАО "АТС", ОАО "СО ЕЭС" - организации, осуществляющие инфраструктурные функции на ОРЭМ;
ОАО "ФСК ЕЭС" и прочие электросетевые организации, реализующие услуги по передаче и распределению электроэнергии.
К числу технологических процедур на оптовом рынке электроэнергии относятся прогнозирование предприятиями — участниками рынка своего планового почасового потребления и подача заявки на спрогнозированные объем электропотребления в ОАО "АТС" и ОАО "СО ЕЭС". Суммарная плата за потребленную электроэнергию для предприятия - участника рынка складывается из платы за фактически потребленный объем электроэнергии и платы за отклонение фактически потребленного ее объема от заявленного (спрогнозированного). Чем выше ошибка прогноза, тем больше отклонение фактически потребленного объема электроэнергии от заявленного (спрогнозированного) и тем больше дополнительные расходы предприятия на оплату электроэнергии. Таким образом, снижение ошибки прогноза позволит предприятию уменьшить дополнительную плату за электропотребление, вызванную неточностью прогнозирования.
Проблеме прогнозирования электропотребления посвящено множество работ отечественных [1-4] и зарубежных [5, б] исследователей, в которых предлагаются математико-статистические, вероятностные методы, методы регрессионного анализа и др. В [7-10] при прогнозировании электропотребления отмечаются хорошие прогнозные способности искусственных нейронных сетей (ИНС). Их существенным достоинством является способность динамически приспосабливаться к изменяющимся условиям, а значит, максимально соответствовать требованиям, предъявляемым рыночной экономикой к прогнозированию.
Построим две прогнозные модели электропотребления (1 и 2) одного из химических предприятий Сибири на основе ИНС: без использования параметров, характеризующих производство (объем, скорость производства продукции, количество работающих технологических линий, агрегатов), в качестве входных, и с их использованием, так как известно, что они оказывают существенное влияние на объем и характер изменения электропотребления промышленных предприятий [11]. Сравнив ошибки прогнозирования этих моделей, можно принять решение о целесообразности или нецелесообразности включения параметров, характеризующих производство, в прогнозную модель в качестве входных.
За основу для обеих прогнозных моделей выберем многослойный персептрон (искусственную нейронную сеть, имеющую довольно простую внутреннюю структуру, но в то же время достаточные для краткосрочного прогнозирования электропотребления точность и скорость), а для его обучения применим метод обратного распространения ошибок, наиболее подходящий для сети такого типа [12]. Обе прогнозные модели имеют единственный выходной параметр - почасовое электропотребление предприятия, следовательно, у ИНС будет один выходной нейрон. Количество входных нейронов определяется набором входных параметров прогнозной модели.
Таблица 1.
|
Модель |
Средняя ошибка прогнозирования, %, в 2009 г. |
||
|
Февраль |
Март |
Апрель |
|
|
1 |
1,064 |
0,335 |
1,525 |
|
2 |
0,401 |
0,289 |
0,833 |
Для вычисления оптимальных значений параметров, определяющих конфигурацию нейронной сети (таких, как число скрытых слоев, число нейронов в скрытом слое, крутизна характеристики активационной функции и количество эпох обучения) используем алгоритм генетического отбора. Общими входными параметрами в первой и второй прогнозных моделях являются час суток, тип дня (рабочий, выходной), температура наружного воздуха, °С. Во второй модели помимо указанных имеется еще один входной параметр - план производства продукции, т.
В качестве обучающих и проверочных множеств для обеих прогнозных моделей использовались данные за февраль, март и апрель 2009 г. Длительность обучающего множества составила 504 ч (3 недели), а проверочного множества - 24 ч (1 сутки). Плановые объемы производства рассматривались для каждого вида выпускаемой продукции.
В табл. 1 указаны средние ошибки прогноза для каждого проверочного множества. На рис. 1, а и б для сравнения приведены фактические и прогнозные значения электропотребления химического предприятия за 23.02.2009 г. и 25.03.2009 г. соответственно.
Не менее важную роль играет прогноз электропотребления на долгосрочный период. В соответствии с регламентами ОРЭМ предприятию при покупке требуется заявлять объемы электроэнергии и значение мощности на год вперед. Чем точнее окажутся эти заявки, тем меньше возникнет финансовых издержек из-за неточности прогнозирования.
Для построения модели долгосрочного прогноза электропотребления промышленного предприятия также применим искусственные нейронные сети. Использование метеорологических факторов в качестве входных параметров модели невозможно, так как не существует достоверных прогнозов метеоусловий на период больше 3 мес., поэтому наиболее значимыми при составлении модели будут план выработки продукции и средняя продолжительность светового дня. Шаг прогноза выберем равным 1 мес., размер обучающей выборки - 2 года, проверочной - первые 9 мес. 2009 г.
Рис. 1.
Проведем прогнозирование на основе нескольких моделей, отличающихся наличием в структуре ИНС обратных связей либо плана производства продукции или обоих элементов сразу. Саму ИНС можно представить:
простым полносвязным персептроном с одним выходом, характеризирующим электропотребление всего предприятия в целом;
выходами, соответствующими электропотреблению каждого из цехов предприятия в отдельности;
набором независимых персептронов по числу цехов предприятия;
набором связанных между собой персептронов (с настройкой связей в соответствии с существующими технологическими связями между цехами).
Рис. 2.
Пример иерархического построения структуры ИНС для прогноза электропотребления приведен на рис. 2. Связи w13 и w23 характеризуют влияние результатов работы цехов 1 и 2 на работу цеха 3, а электропотребление самих цехов определяется по двум точкам учета. При внесении в структуру сети таких связей следует принимать во внимание возможные временные задержки и в соответствии с ними вводить в состав сети соответствующие операторы задержек.
Таблица 2.
|
Структура |
Средняя ошибка долгосрочного прогноза, % |
|||
|
Простая сеть |
Обратная связь |
План производства |
План производства и обратная связь |
|
|
Единый персептрон с одним выходом |
6,8 |
5,2 |
5,6 |
5,5 |
|
Единый персептрон с несколькими выходами |
7,8 |
4,6 |
4,3 |
5,3 |
|
Отдельный персептрон на каждый цех |
8,1 |
7,6 |
3,1 |
3,1 |
|
Иерархическая структура ИНС |
8,1 |
8,5 |
3,1 |
2,7 |
Результаты расчета средней ошибки долгосрочного прогнозирования представлены в табл. 2. Анализируя их, можно сделать следующие выводы:
1) точность прогноза в большой степени зависит от набора входных параметров и сложности прогнозной модели;
2) введение плана производства продукции в качестве входного параметра позволяет значительно повысить точность прогноза;
3) использование обратной связи делает сеть более восприимчивой к самым последним изменениям прогнозируемой величины, но в то же время применение ее без дополнительных механизмов целесообразно только на простых моделях сети;
4) прогнозные модели на основе ИНС позволяют осуществлять краткосрочные и долгосрочные прогнозы электропотребления промышленных предприятий с небольшой ошибкой.
Список литературы
1. Авдеева Н. Л., Коган Ю. М., Романов А. Е. О прогнозах потребления электроэнергии в условиях рыночной экономики России. - Энергетик, 2003, №7.
2. Пути и результаты совершенствования методов прогнозирования электропотребления / А. В. Белан, В. И. Гордеев, А. В. Демура, И. И. Надтока. - Промышленная энергетика, 1993, №9-10.
3. Прогнозирование энергопотребления: современные подходы и пример исследования / Л. А. Большов, М. Ф. Каневский, Е. А. Савельева и др. - Изв. Академии наук. Энергетика, 2004, № 6.
4. Борцов Ю. А. Использование современных подходов и методов для прогнозирования электропотребления / Ю. А. Борцов, Н. Д. Поляхов, И. А. Приходько, Е. С. Анушина. - Электротехника, 2006, №8.
5. Бэнн Д. В., Фармер Е. Д. Сравнительные модели прогнозирования электрической нагрузки / Пер. с англ. - М.: Энергоатомиздат, 1987.
6. Makridakis S., Wheelwright S., Hyndman R. Forecasting: methods and applications. - N. Y.: John Wiley & Sons, 1998.
7. Демура А. В. Краткосрочное прогнозирование суточных графиков нагрузки на основе искусственных нейронных сетей. - Изв. вузов. Электромеханика, 1998, №2/3.
8. Курбацкий В. Г., Томин Н. В. Прогнозирование электрической нагрузки с использованием искусственных нейронных сетей. - Электрика, 2006, № 7.
9. Политов Е. А., Воронов И. В., Ефременко В. М. Выбор модели для долгосрочного прогнозирования электропотребления промышленного предприятия.- Вестник КузГТУ, 2006, № 6.
10. Воронов И. В., Политов Е. А., Ефременко В. М. Использование нейронной сети для краткосрочного прогнозирования электропотребления промышленного предприятия. - Вестник КузГТУ, 2006, № 6.
11. Копцев Л. А. Нормирование и прогнозирование потребления электроэнергии в зависимости от объемов производства. - Промышленная энергетика, 1996, №3.
12. Хайкин С. Нейронные сети: полный курс. 2-е изд. - М.: Издательский дом "Вильяме", 2006.