В статье автор пытается определить преимущества использования нейронных сетей в прогнозировании энергопотребления и цен на электроэнергию.
Ключевые слова: искусственная нейронная сеть, прогнозирование, электроэнергия, цена.
В условиях либерального рынка электроэнергии в России, участники рынка очень часто сталкиваются с проблемами создания рыночной стратегии и планирования потоков финансов. При таких условиях, задача прогнозирования цен на электроэнергию является одной из приоритетных для подавляющего большинства участников рынка. Для прогнозирования представляет интерес нерегулируемая часть цены, состоящая в общем случае из оптовой цены на электроэнергию и средневзвешенной цены на мощность на оптовом рынке.
Актуальность темы прогнозирования цен на электроэнергию обусловлена необходимостью наличия у хозяйствующих субъектов обоснованных знаний о перспективных уровнях цен в существующих условиях неопределенности и волатильности цен в целях снижения возможных рисков и повышения качества планирования своей работы [1, с.2]. К примеру, принимая во внимание почасовые значения цен на электроэнергию в будущем месяце, предприятие могло бы так перераспределить свои потребности, чтобы избежать излишних затрат в период высоких цен и в результате добиться экономии средств на энергоресурсы. Уменьшить ценовую неопределенность, опередить конкурентов в ценовой борьбе и как следствие увеличить прибыль — вот задачи, которые должен решать прогноз цены для предприятия.
Нейронные сети — очень гибкий и мощный механизм прогнозирования, позволяющий воспроизводить чрезвычайно сложные зависимости. На протяжении многих лет линейное моделирование было основным методом моделирования в большинстве областей, поскольку для него хорошо разработаны процедуры оптимизации. В задачах, где линейная аппроксимация неудовлетворительна, линейные модели работают плохо. Кроме того, нейронные сети справляются с «проклятием размерности», которое не позволяет моделировать линейные зависимости в случае большого числа переменных [2].
Нейронные сети в отличие от традиционных алгоритмов имеют возможность обучаться. Пользователь нейронной сети, например, при прогнозе цены на электроэнергию, подбирает данные о предельных уровнях нерегулируемых цен на электрическую энергию (мощность), поставляемую потребителям, и запускает алгоритм обучения, автоматически воспринимающий структуру данных, учитывающий сложные зависимости между входными и выходными данными и осуществляющий подбор «весов» сигналов так, чтобы на выходе значение максимально было приближено к фактическому. При этом от пользователя требуется набор знаний об отборе и подготовке данных, выборе нужной архитектуры сети и интерпретации результатов, однако уровень знаний, необходимый для успешного применения нейронных сетей, гораздо скромнее, чем при использовании традиционных методов статистики.
Важной особенностью нейронной сети, в отличие, например, от регрессионных статистических моделей, или часто используемых для прогноза моделей авторегрессий, является способность ассоциировать большой набор факторов с анализируемым параметром, что позволит учесть большое количество разнообразных входных параметров — исторические данные по потреблению электроэнергии и соответствующие исторические погодные условия, прогноз погоды, время суток, время года, тип дня и т. д. При этом функция влияния входного параметра на выходной результат может быть какой угодно сложной (нелинейной, нестационарной, …) и неизвестной формы. Кроме того, часть входных параметров модели является численными (исторические значения потребления электроэнергии, температура воздуха, время суток и т. п.), а часть — категориальными (время года, тип дня, тип облачности и другие). Возможно также неявное использование входных параметров. Например, через построение системы нейронной сети, каждый элемент которой обучен на определенный случай, например, для определенного типа дня или времени года. Общий вход системы нейронной сети (ворота) служит для направления данных на вход конкретной нейронной сети, предназначенной для соответствующей прогнозируемому случаю ситуации. При этом выбор нейронной сети определяется по специальному, неявно задаваемому параметру (или набору параметров) — например, тип дня. При использовании регрессионной модели большое число переменных может привести к ее несостоятельности, в то время как в анализе на базе нейронных сетей незначимые факторы попросту не будут учитываться в формировании выходного сигнала сети (их вес будет стремиться к нулевому значению) [1, c.6], [3,с.2].
Одну из ключевых ролей играет оперативность вычислений итоговых показателей прогнозируемых величин. За относительно небольшой интервал времени возможно получить большую таблицу любых статистических показателей, списки цен и энергопотребления в разрезах определенных единиц измерения времени. Скорость вычислений может зависеть от выбора вида нейросети, вида алгоритма оптимизации и объема обрабатываемых данных.
Таким образом, можно сделать вывод что использование нейронных сетей при прогнозах электропотребления и цен на электроэнергию имеет целый ряд преимуществ по сравнению со статистическими методами. К ним можно отнести оперативность вычислений, возможность обработки больших объемов данных, учет большого набора факторов при прогнозировании и игнорирование незначимых факторов.
Литература:
1. Золотова И. Ю., Дворкин В. В. Краткосрочное прогнозирование цен на российском оптовом рынке электроэнергии на основе нейронных сетей. Проблемы прогнозирования, № 6, 2017.
2. Нейронные сети http://statsoft.ru/home/textbook/modules/stneunet.html
3. Соломкин А. В. Применение нейросетевых методов для прогнозирования потребления электроэнергии, 2009
