Краткосрочное прогнозирование потребления электроэнергии с использованием нейронной сети

 

Авторы

Грицай Александр, Начальник департамента информационных технологий ОАО "Омская ЭСК"

Гаак Антон, Начальник отдела анализа, моделирования и развития оптового рынка ОАО "ТГК-11"

 

    В настоящее время нейронные сети получили широкое распространение во многих сферах деятельности и в прогнозировании временных рядов в том числе. В ряде публикаций уже рассматривались методы построения долгосрочных прогнозов потребления электроэнергии и прогнозирование цен оптового рынка электроэнергии в двух ценовых зонах1,2.
    В условиях функционирования оптового рынка электроэнергии и мощности (ОРЭМ) для энергосбытовых компаний важно с максимальной точностью прогнозировать объемы потребления электроэнергии. В противном случае компания несет дополнительные финансовые затраты, перекладываемые на конечного потребителя, теряя за счет этого свою привлекательность на рынке. В данной ситуации необходим прогноз "на сутки вперед" в разрезе часовых (получасовых) интервалов. Точность напрямую зависит от методик расчета, позволяющих минимизировать покупку/продажу энергии в рамках балансирующего рынка.
    В статье описана методика прогнозирования, c помощью которой удалось довольно точно предсказать потребление электроэнергии на "сутки вперед". Разница отклонений составила " 7 %.
    Для краткосрочного прогнозирования использовалась трехслойная нейронная сеть, входной слой которой содержит 7 нейронов, скрытый - 5, выходной слой - 1. Передаточная функция, реализуемая каждым из них, - сигмоид. Все слои плотно соединены между собой. В построении "архитектуры" сети использован критерий "оптимальности"3.
    При обучении сети на вход подавались следующие параметры: идентификатор часа, для которого следует спрогнозировать объем потребления электроэнергии, порядковый день месяца, месяц (от 1 до 12), среднедневная температура, день недели (от 1 до 7), признак выходного дня (1 - выходной день, 0 - рабочий день) и объем потребления за позапрошлый день. Для обучения использовался один из самых распространенных алгоритмов - "back propagation" (обратного распространения ошибки)4,5.
    Нейронная сеть создавалась с помощью нейроимитатора Joone. Данное программное обеспечение распространяется свободно под конвекцией LGPL, реализовано оно на базе языка Java, позволяет моделировать нейронные сети, обучать их и тестировать. Кроме того, есть возможность моделировать сеть "на ходу", отдельно применяя при этом "Joone engine" - набор классов для внедрения программы на языке Java.
    Рассмотрим построение математической модели более подробно. Для прогнозирования выборочно использовались двухгодичные статистические данные потребления электроэнергии (за 2004 г.) абонентов ОАО "Омская энергосбытовая компания", которые были представлены конкретно по каждому дню в следующем формате:
    - часовой (получасовой) интервал;
    - порядковый день месяца;
    - порядковый номер месяца в году;
    - среднесуточная температура;
    - порядковый номер дня в неделе;
    - признак выходного дня;
    - объем потребления за прошедшие сутки.
    Таким образом, прогнозируемый объем потребления электроэнергии есть функция от таких переменных:

    V2ээ (t) = {M, N, Тср, n, h, V1ээ},
    где:
    V2ээ - объем, который необходимо спрогнозировать в формате X-1 ("на сутки вперед") потребления электроэнергии, МВт;
    t - получасовой интервал времени (поскольку прогнозирование осуществляется дискретными отрезками времени - 30 мин., суточная обучающая выборка содержит 48 примеров: один соответствует интервалу от 30 мин. до 1 час.);
    M - порядковый номер месяца в году (данный параметр необходим для учета климатических и сезонных особенностей);
    N - порядковый день месяца (для отслеживания суточной динамики потребления энергии);
    Тср - среднесуточная температура окружающего воздуха (этот параметр является важнейшим, так как непосредственно от него зависит потребление электрической энергии);
    n - порядковый номер дня в неделе; всего параметр n"=7 (он нужен для учета особенностей потребления электроэнергии в течение недели);
    h - признак, указывающий на выходной день, или рабочий (при параметре h=1 - выходной, а при h=0 - рабочий). Как известно, динамика потребления электроэнергии имеет значительные различия между выходным и рабочим днями.
    V1ээ - объем потребленной энергии за прошлые сутки, (аналогичный текущему временному периоду, МВт).

    Упрощенная схема модели нейронной сети представлена на рисунке 1.
    Принцип предлагаемой методики краткосрочного прогноза заключается в формировании обучающей выборки на основе известных данных потребления текущего года и предшествующих лет, обучив сеть которой, можно бы было получить корректный прогноз. Количество выборочных данных S определяется по формуле:

    S = 30Mt1*48+30Mt2*Тс,
    где:
    Mt1 - выборка из 30 дней до дня, подлежащего прогнозированию, текущего года и Mt2 - выборка 30 дней предыдущего года после прогнозируемого дня, включая аналогичный ему в прошлом году. Необходимое количество дней (30) было найдено эмпирически; при количестве дней, отличающихся от этой цифры, точность прогноза падает;
    Тс - количество дискретных равных интервалов, на которые разбиваются 24 часа (в нашем случае - 30 мин.). Формат предоставления данных показан в таблице 1, где отражен набор 6-ти строк данных из 2 896.

    На рисунке 2 приведена структура нейронной сети, построенная на базе нейроимитаторов Joone, InputLayer1, InputLayer2, компоненты которых обеспечивают доступ к обучающей и контрольной выборкам.
    Layer3, Layer4, Layer5 - входной, скрытый и выходной слои нейронной сети. Входной слой содержит 7 нейронов, скрытый - 5, выходной - 1. Общее количество слоев в сети - 3.
    Teacher - компонент, реализующий обучение сети.
    Сhart - компонент, отвечающий за визуализацию ошибки при обучении нейронной сети.
    Normalizer (InputPlugin 6, InputPlugin 7) - компонент, нормализующий данные в интервал от 0 до 1.
    Рассмотрим работу математической модели для прогнозирования потребления региона на 1 мая 2005 г. При этом обучающая выборка сформирована на основе данных периодов 1-30 апреля 2005 г. и 1-30 мая 2004 г. Количество примеров в обучающей выборке - 2 896. Количество эпох обучения - 10 тысяч. Норма обучения - 0.8 (коэффициент, от которого зависит величина изменения веса). По окончании завершения среднеквадратическая ошибка d "- добавила символьное обозначение ошибки на наборе данных составила 1,8*10-4.
    График прогнозных данных на 1 февраля (рабочий день) и 1 мая (выходной день) представлен на рисунках 3,4. На оси абсцисс обозначены получасовые интервалы времени, на оси ординат - объем энергии (в единицах измерения МВт/час.). Среднее отклонение прогнозных данных от реального потребления в данном примере - от 1,4 в рабочий день и до 3,8 % в выходной. Максимальное отклонение по часам составило 3,0 % в выходной день и до 6,6 % в рабочий.
    По сравнению с методом "среднего скользящего", который дает в среднем отклонение 10-15 %, точность достаточно высокая. Данную модель можно использовать при прогнозировании объемов потребления не только в интервале X-1, но и в - X-2.
    При использовании данной модели в режиме X-2 вместо переменной V1ээ подается объем потребления энергии двухсуточной давности. Соответственно, при формировании обучающей выборки вместо значения V2ээ следует применить значение потребления электроэнергии регионом на "послезавтра".
    В целях более правильного прогнозирования потребления электроэнергии данную методику можно применять не только для энергосбытовых компаний, но и для организаций, являющихся субъектами ОРЭ. Для повышения точности очень важно учитывать в модели дополнительные параметры, такие как: освещенность и данные погоды на прогнозируемый день.

    Николай Бродский
    ведущий специалист отдела проектирования ЗАО НПП "ЭнергопромСервис" (ЭНПРО)

    В условиях рынка электроэнергии задача адекватного прогнозирования потребления, безусловно, актуальна для любой энергосбытовой компании. Разумеется, как и в любом случае прогнозирования, краткосрочный прогноз может быть сформулирован наиболее точно и с большей вероятностью будет подтвержден эмпирическими данными. Относительно прогнозирования потребления электроэнергии в рамках рынка "на сутки вперед" существует немного параметров, влияющих на потребление.
    Авторы статьи справедливо указывают на параметры времени (месяц, сутки, получасовой интервал, номер дня недели и признак выходного дня), добавляя к ним параметр среднесуточной температуры и объем потребленный накануне. Представленная в статье модель вполне отвечает задачам краткосрочного прогнозирования и может быть модифицирована исходя из конкретных условий ее применения (для разных типов потребителей могут добавляться свои переменные). Несколько натянутым представляется "использование нейронной сети", когда речь идет об экстраполяции эмпирических данных согласно изменяемым параметрам.