Алгоритм создания модели краткосрочного прогнозирования энергопотребления на основе нейронной сети в Matlab

В статье авторы поэтапно создают прогнозную модель и анализируют ее точность и адекватность.

Ключевые слова: прогнозирование, нейронные сети, рынок электроэнергии, планирование энергоресурсов, моделирование.

В основе рационального ведения энергетического хозяйства лежит планирование энергоресурсов. Грамотное планирование энергопотребления отдельных предприятий позволяет отследить перспективу развития топливно-энергетического комплекса в масштабах государства.

С целью стимулирования потребителей рынка электроэнергии Правительство Республики Казахстан запланировало запуск балансирующего рынка электрической энергии (далее БРЭ). Его суть заключена в механизме ценорегулирования: потребитель ежедневно заявляет плановое почасовое потребление, а системный оператор отслеживает отклонения фактического потребления от заявленного. Чем больше отклонение, тем дороже обойдется потребителю перерасходованная электроэнергия, и, наоборот, чем точнее потребитель был в заявке по плановому потреблению, тем меньше ему придется заплатить. В этой связи, потребителям электроэнергии необходимо выбрать методику прогнозирования энергопотребления на своих предприятиях, обучить сотрудников и внедрить в производство. Особенно проблема коснется энергоемкие предприятия металлургии, машиностроения, нефтехимии.

Одним из зарекомендовавших себя методов прогнозирования на сегодняшний день являются экспертные системы на базе нейронных сетей по алгоритму обратного распространения ошибки (back-propagation algorithm). Рассмотрим их структуру на рисунке 1.

Рис. 1. Структура многослойного персептрона с двумя скрытыми слоями [1, с. 223]

Данный алгоритм является частным случаем алгоритма минимизации среднеквадратичной ошибки. Нейронные сети обучаются с помощью уточнения весовых коэффициентов своих связей слой за слоем: на входной слой (input layer) подаются исходные данные, далее происходят вычисления в одном из нескольких скрытых слоев (hidden layer) и на выходном слое (output layer) получаются прогнозные данные (рисунок 1). Этот процесс управляется ошибкой — разностью между правильным ответом, предоставляемым тренировочными данными, и фактическим выходным значением [2]. Сеть с подобной структурой получила название многослойный персептрон (multilayer perceptron).

Построение прогноза проводится в четыре этапа.

Этап 1 — Загрузка исходных данных. В качестве исходных данных было взято почасовое энергопотребление за два рабочих дня 30, 31 декабря 2019 года [3]. В рабочей области вызывается окно создания нейронной сети командой nntool. Рассмотрим окно создания нейронной сети на рисунке 2.

Рис. 2. Окно создания нейронной сети

Для работы на БРЭ необходимы краткосрочные прогнозы, интервал дискретизации равен одному часу. Для обучения достаточны данные по почасовому потреблению за двое предыдущих суток.

Этап 2. Настройка и выбор параметров нейронной сети. Рассмотрим окно настройки сети на рисунке 3.

Рис. 3. Окно создания и настройки нейронной сети

Нейроны активируются через сигмоидальную функцию, формула которой равна:

Этап 3. Обучение и тренировка нейронной сети. Обучение проходит по алгоритму Левенберга — Марквардта, изображенному на рисунке 4.

Рис. 4. Окно тренировки сети

Рис. 5. Профили фактического и заявленного энергопотребления

Чтобы визуально интерпретировать результаты, необходимо построить графики прогнозных и фактических величин, ошибка равна 4,55 %.

Таким образом, однофакторная модель на основе нейронная сети по алгоритму Левенберга — Марквадта и механизму обратного распространения ошибки дала точность 95,45 %.

Литература:

1. Хайкин. С. Нейронные сети. Полный курс. — М.: Вильямс, 2006.
2. Рашид Т. Создаем нейронную сеть. — СПб.: Альфа-книга, 2017.
3. Соловьева И. А., Дзюба А. П. Прогнозирование электропотребления с учетом факторов технологической и рыночной среды. –– Екатеринбург: Научный диалог, 2013.