CC BY
52
УДК 612.31
ПРОГНОЗИРОВАНИЕ БЫТОВОЙ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ С ПРИМЕНЕНИЕМ НЕЙРОННЫХ СЕТЕЙ
Т. И. Чернышова, А. В. Кобелев, С. В. Кочергин, Н. М. Зяблов
PROGNOSIS OF ELECTRICITY LOAD USING NEURAL NETWORKS
T. I. Chernyshova, A. V. Kobelev, S. V. Kochergin, N. M. Zyablov
Аннотация. Актуальность и цели. Известно, что переход отечественной электроэнергетики на новое качество управления возможен путем формирования целостной многоуровневой системы управления с увеличением объемов автоматизации и повышением надежности всей системы. На современном этапе развития электроэнергетики прогнозирование электрической нагрузки является неотъемлемой частью системы управления. Установлено, что наибольшее распространение в прогнозировании электроэнергетической нагрузки находят методы, основанные на искусственных нейронных сетях (НС). Материалы и методы. В работе использованы методы математического моделирования, программное обеспечение MatLAB Simulink. Результаты. Проведены исследования по использованию НС для моделирования прогнозов изменения бытовой электрической нагрузки (жилого дома). В качестве массива информации использовались месячные данные потребления электрической энергии жилым домом за три года. Проведен анализ влияния различных функций активации НС на ошибку прогноза потребления бытовой электрической нагрузки. В качестве функций активации НС использовались сигмоидальная передаточная функция (logsig), гиперболический тангенс (tansig), линейная передаточная функция (purelin), линейная передаточная функция с насыщением и ступенчатая передаточная функция. Выводы. Установлено, что минимум ошибки прогнозирования бытовой электрической нагрузки показывает НС с функцией активации logsig в скрытом слое и purelin в выходном слое.
Ключевые слова: электроэнергетика, моделирование электрических сетей, нейронные сети, прогнозирование электрической нагрузки.
Abstract. Background. Improving the quality of the electric power industry control in the Russian Federation can be achieved by forming a multi-level management system, as well as an increase in the volume of automation and reliability of all components of the system. Currently, the electrical load predict is an essential part of management in the electro power sector. Greatest popularity has prediction methods based on synthetic neural networks. Materials and methods. We used the methods of mathematical modeling software MatLAB Simulink. Results. During of this work were conducted research of Neural Networks to predict of electric loads in a residential building. As the initial data is-used monthly data of energy consumption in the residential home for three years.We used the following activation function: sigmoid transfer function (logsig), the hyperbolic tangent (tansig), linear transfer function (purelin), linear transfer function with saturation and speed the transfer function. Conclusions. It is established that the minimum prediction error of home electrical load shows Neural Networks logsig activation function in the hidden layer and output layer with purelin activation function.
Key words: electro engineering, modelling of electric networks, neural networks, predict electrical load.
Введение
ЕЭС России является уникальным организационно-техническим объектом. Однако централизованная система организации и управления ЕЭС в условиях современной России нуждается в коренной модернизации. В последние десятилетия приходится говорить о неудовлетворительном состоянии технологического потенциала российской электроэнергетики. Для решения существующих проблем необходим переход отечественной электроэнергетики на новое качество управления путем формирования целостной многоуровневой системы управления с увеличением объемов автоматизации и повышением надежности всей системы, включая самые слабые и уязвимые звенья [1, 2].
Одним из направлений развития электроэнергетики России в современных условиях является задача развития распределенной энергетики с разработкой информационных систем, позволяющих осуществить интеграцию децентрализованных генерирующих мощностей в централизованную электрическую сеть. При этом можно выделить основные элементы будущей энергетики - Smart Grid: цифровые подстанции и активно-адаптивные электрические сети.
Прогнозирование энергопотребления является одним из значимых элементов Smart Grid. Особенностью электроэнергетики является отсутствие возможности запасать электрическую энергию в больших количествах. В этой связи в электроэнергетике все чаще начали применять технологии прогнозирования.
Существующие методы прогнозирования можно разделить на следующие: классические (аналитические, статистические, вероятностные) и интеллектуальные (экспертные системы, искусственные нейронные сети, клеточные автоматы, метод опорных векторов, метод группового учета аргументов, хаотические методы, метод информационный проходки). При этом недостатком классических методов является низкая точность, а также трудоемкость и сложность вычислений, так как необходимо получение наиболее полного описания всех параметров электроэнергетической системы, а также их влияния друг на друга. Однако интеллектуальные методы обладают рядом преимуществ - это более высокая точность вычисления прогнозных показателей, возможность использования неполных и искаженных данных, а также возможность учета дополнительных факторов.
В последнее время наибольшее распространение в прогнозировании потребления электрической энергии находят методы, основанные на искусственных нейронных сетях (НС). При выборе модели НС в решении задач прогнозирования необходимо учитывать ее размерность, а точнее, количество слоев и количество нейронов в слоях. Низкая точность расчетов связана с недостаточным размером сети, в то же время большая размерность увеличивает длительность обучения и повышает сложность решаемой задачи. В этой связи каждая конкретная задача решается экспериментальным путем, а критерием является погрешность прогноза [3].
Целью исследования является разработка модели НС, позволяющей осуществлять прогноз потребления электрической энергии бытовой электрической нагрузкой (жилым домом).
Результаты исследований и обсуждение
В качестве объекта исследования использовалась бытовая электрическая нагрузка жилого дома. Исследования по прогнозированию потребления электрической энергии проводились с использованием нескольких функций активации нейрона, таких как сигмоидальная передаточная функция (logsig), гиперболический тангенс (tansig), линейная передаточная функция (ригеНп), линейная передаточная функция с насыщением, ступенчатая передаточная функция (рис. 1).
г) д)
Рис. 1. Основные виды функции активации: а - сигмоидальная передаточная функция (logsig); б - гиперболический тангенс (tansig); в - линейная передаточная функция (ригеИп); г - линейная передаточная функция с насыщением; д - ступенчатая передаточная функция
Задача - проанализировать влияние различных функций активации НС на ошибку прогноза потребления электрической энергии.
В качестве выборки данных использовался массив месячных показаний за три года (рис. 2, табл. 1).
Месяц
Рис. 2. Данные о потреблении электрической энергии жилым домом за три года
Таблица 1
Исходные данные потребления электрической энергии
Месяц
Год Январь (кВт*ч) Февраль (кВт*ч) )ч X т & т ра М Апрель (кВт*ч) )ч X т & й а М )ч X т & ь н )ч X т & I Август (кВт*ч) Сентябрь (кВт*ч) Октябрь (кВт*ч) Ноябрь (кВт*ч) Декабрь (кВт*ч)
2012 63 59 61 52 42 2 30 48 0 9 57 59
2013 59 57 54 55 24 3 58 103 85 54 54 50
2014 53 62 52 60 10 3 60 80 103 0 51 53
Одной из решаемых задач в процессе создания и настройки искусственных НС является выбор функций активации нейронов в различных слоях исследуемой НС. Наиболее часто используемыми являются сигмоидаль-ные и линейные функции активации.
Сигмоидальная передаточная функция (logsig) или сигмоид - монотонно возрастающая, всюду дифференцируемая 8-образная нелинейная функция с насыщением. Сигмоид позволяет усиливать слабые сигналы и не насыщаться от сильных сигналов. Примером сигмоидальной функции активации может служить логистическая функция, задаваемая следующим выражением:
оит=-,
1 + ехр(-а7)
где а - параметр наклона сигмоидальной функции активации. Изменяя этот параметр, можно построить функции с различной крутизной.
Гиперболический тангенс (tansig) - разновидность сигмоидальной функции, область значений которой лежит в пределах [-1;1]. Описывается математическим выражением:
то график гиперболического тангенса отличается от логистической функции лишь масштабом осей.
РигеПп - разновидность линейных функций, чаще всего используется в качестве функции активации во входных или выходных нейронах.
Другая разновидность линейной функции активации - линейная передаточная функция с насыщением. Она обладает большим недостатком в виде невозможности дифференцирования на всей числовой оси, что сужает ее применение.
Для построения НС, которая будет решать задачу прогнозирования потребления электрической энергии, необходимо выбрать правильную конфигурацию слоев и типов функций активации в них. НС выбрана с обратным распространением ошибки как система с наиболее широким применением, при этом количество слоев - 2, в первом слое (скрытом) - 10 нейронов, во втором (выходном) - 2 нейрона. Функция активации подбиралась экспериментальным путем, при анализе результатов использовалось значение среднеквадратического отклонения. Подбор функции активации производился с сигмоидальных передаточных функций.
НС с функциями активации типа tansig в скрытом и выходном слоях показала следующие результаты исследований (рис. 3).
При моделировании потребления электрической энергии НС с функцией активации tansig в обоих слоях среднеквадратическое отклонение составило 32 %. Как видно на графике, система не смогла предсказать резкого роста электрической нагрузки, выдав в 8-9 месяцах некоторое усредненное значение. Такая система плохо подходит для текущего исследования, поскольку резкий рост и падение потребления электричества происходят достаточно часто.
НС с функциями активации типа logsig в скрытом слое и tansig в выходном показала следующие результаты исследований (рис. 4).
Л (Ах)
ехр (Ах)- ехр(-Ах)
(2)
ехр (Ах) + ехр(-Ах)
Поскольку справедливо выражение
(3)
Рис. 3. Результаты исследований НС с функциями активации типа tansig в скрытом и выходном слоях
Рис. 4. Результаты исследований НС с функциями активации типа logsig в скрытом слое и функции tansig в выходном слое
Моделирование НС с функцией активации logsig в скрытом слое и tan-sig в выходном показала среднеквадратическое отклонение прогноза 27 %. Численно результат лучше, но, судя по графику, система не смогла правильно установить взаимосвязь между входными и выходными данными. Вместо ожидаемого роста нагрузки в сентябре НС предсказала падение. Таким образом, НС не выставила правильные веса нейронов. Отсюда можно сделать вывод, что данная система плохо подходит для решения задачи прогнозирования электрической нагрузки.
НС с функциями активации типа logsig в скрытом и выходном слоях показала следующие результаты исследований (рис. 5).
Рис. 5. Результаты исследований НС с функциями активации типа logsig в скрытом
и выходном слоях
Моделирование системы с функциями активации logsig в обоих слоях показало крайне высокую погрешность прогноза. Среднеквадратиче-ское отклонение прогноза составило 34 %. На графике видно, что система неправильно настроила веса нейронов, причем процесс «создание НС -обучение - моделирование» был произведен несколько раз, но во всех случаях система показывала произвольные данные, мало похожие на реальные. Такая конфигурация системы совершенно не подходит для задачи прогнозирования.
Было также произведено моделирование системы с tansig функцией активации в скрытом слое и logsig в выходном, но значения электрической
нагрузки в результате моделирования были отрицательные, что явно является ошибкой. После этого был сделан вывод, что функция активации logsig не подходит для нейронов в выходном слое, но хорошо себя показывает в скрытом. Было принято решение в ходе дальнейшего исследования использовать в выходном слое линейную передаточную функцию.
НС с функциями активации типа logsig в скрытом слое и pureПn в выходном показала следующие результаты исследований (рис. 6).
Рис. 6. Результаты исследований НС с функциями активации типа logsig в скрытом слое и purelin в выходном
Моделирование НС с конфигурацией logsig - ригеНп дало достаточно достоверные данные. Система показала готовность к скачкам потребления электрической энергии. Среднеквадратическое отклонение прогноза составило 22 %, что является самым лучшим результатом из исследованных конфигураций НС. Причем при повторном цикле «создание - обучение - моделирование» система показала среднеквадратическое отклонение прогноза 19 %. Можно сделать вывод, что данная система подходит для решения задачи прогнозирования потребления электрической нагрузки.
На рис. 7 приведены сводные результаты анализа погрешностей прогноза исследованных НС.
Срецнеквалратнческое отклонен«?. %
100 90 80 70 60 50 40 30 20 10
О ■ о
Рис. 7. Погрешности прогноза исследованных НС Заключение
Таким образом, наиболее целесообразным для использования в решении задач прогнозирования потребления электрической энергии бытовой электрической нагрузкой является НС с функцией активации logsig в скрытом слое и purelin в выходном слое.
Библиографический список
1. Инновационное развитие электроэнергетики на основе технологий Smart Grid : учеб. пособие / сост. Н. В. Савина. - Благовещенск : Амурский гос. ун-т, 2014. - 136 с.
2. Чичев, С. И. Методология проектирования цифровой подстанции в формате новых технологий / С. И. Чичев, В. Ф. Калинин, Е. И. Глинкин. - М. : Спектр, 2014. - 228 с.
3. Кочергин, С. В. Нейронные сети и фрактальное моделирование электроэнергетических систем / С. В. Кочергин, А. В. Кобелев, Н. А. Хребтов // Fractal Simulation. - 2012. - № 1 (3). - С. 6-15.
Чернышова Татьяна Ивановна
доктор технических наук, профессор, Институт энергетики, приборостроения и радиоэлектроники, Тамбовский государственный технический университет E-mail: energo@mail.nnn.tstu.ru
Кобелев Александр Викторович
кандидат технических наук, заведующий кафедрой электроэнергетики, Тамбовский государственный технический университет E-mail: ee@mail.nnn.tstu.ru
Chernyshova Tatyana Ivanovna doctor of technical sciences, professor, Institute of power engineering, instrument making and radio electronics, Tambov State Technical University
Kobelev Alexander Victorovich
candidate of technical sciences,
head of sub-department of electrical power
engineering,
Tambov State Technical University
Кочергин Сергей Валерьевич
кандидат технических наук, доцент, кафедра электроэнергетики, Тамбовский государственный технический университет E-mail: skochergin77@gmail.com
Зяблов Никита Михайлович
студент,
Тамбовский государственный технический университет E-mail: vlladimirka@gmail.com
Kochergin Sergey Valeryevich candidate of technical sciences, associate professor, sub-department of electrical power engineering,
Tambov State Technical University
Zyablov Nikita Mikhailovich student,
Tambov State Technical University
УДК 612.31 Чернышова, Т. И.
Прогнозирование бытовой электрической нагрузки с применением нейронных сетей / Т. И. Чернышова, А. В. Кобелев, С. В. Кочергин, Н. М. Зяблов // Модели, системы, сети в экономике, технике, природе и обществе. - 2017. - № 1 (21). -С. 181-190.
