Содержание к диссертации
Введение
1. Прогнозирование электропотребления промышленных предприятий в условиях оптового рынка электроэнергии и мощности 10
1.1 Необходимость повышения точности прогнозирования электропотребления для промышленных предприятий 10
1.2 Существующие подходы к прогнозированию электропотребления промышленных предприятий 15
1.3 Современные средства прогнозирования электропотребления 17
1.3.1 Программный комплекс «Созвездие» 19
1.3.2. Решения по прогнозу потребления на базе платформы «Deductor Studio» 20
1.3.3. Программные продукты ООО НПП «ВНИКО» 20
1.3.4. Программный комплекс «Энергостат» 21
1.4 Анализ существующих систем прогнозирования электропотребления промышленных предприятий 22
1.5 Выводы 23
2. Выбор метода прогноза для построения прогнозной модели электропотребления промышленного предприятия 25
2.1. Методы прогнозирования 25
2.1.1. Понятие прогнозной модели 25
2.1.2. Классификация методов прогнозирования 29
2.2. Обзор методов прогнозирования электропотребления 32
2.2.1. Основные методы прогнозирования временных рядов 32
2.2.2 Прогнозная экстраполяция 33
2.2.3. Корреляционный и регрессионный анализ 34
2.2.4. Прогнозирование на базе ARIMA моделей 36
2.2.5. Адаптивные методы прогнозирования 37
2.2.6 Прогнозирование с использованием искусственных нейронных сетей 38
2.2.7. Прогнозирование с использованием гибридных систем 44
2.3. Оценка качества прогноза и прогнозной модели 49
2.4. Выбор метода для краткосрочного прогнозирования электропотребления промышленного предприятия 50
2.5. Выводы 56
3. Построение прогнозной модели электропотребления промышленного предприятия на основе искусственной нейронной сети 57
3.1. Основные принципы построения прогнозной модели электропотребления промышленного предприятия на основе искусственной нейронной сети 57
3.2. Анализ параметров, влияющих на электропотребление предприятия, на различных уровнях его системы электроснабжения 59
3.3. Методика выбора параметров, влияющих на электропотребление промышленного предприятия на основе метода экспертных оценок 72
3.4. Алгоритм построения внутренней структуры прогнозной модели электропотребления промышленного предприятия 75
3.5. Выводы 77
4. Определение закономерностей и построение прогнозной модели электропотребления КОАО «Азот» 79
4.1. Структура электропотребления КОАО «Азот» 79
4.2. Построение прогнозной модели электропотребления КОАО «Азот» на основе ИНС с применением генетических алгоритмов
4.2.1. Выбор конфигурации ИНС 84
4.2.2. Формирование обучающего и проверочного множества входных и выходных данных 90
4.2.3. Формирование, конфигурирование, обучение и проверка ИНС на обучающем и тестовом множествах входных и выходных данных 93
4.2.4. Оценка качества полученной прогнозной модели «А» 103
4.3. Выявление параметров, от которых зависит электропотребление КОАО «Азот» с помощью метода экспертных оценок 106
4.4. Построение прогнозной модели электропотребления КОАО «Азот» с учетом результата экспертной оценки параметров, от которых зависит электропотребление КОАО «Азот» 110
4.5. Сравнение полученных прогнозных моделей, оценка их качества, рекомендации по повышению точности прогноза 121
4.6 Оценка ожидаемого экономической эффекта от снижения ошибки прогноза, при использовании созданных прогнозных моделей 123
4.7. Выводы 124
Заключение 126
Список литературы 128
Приложение 1 147
Приложение 2 149
- Существующие подходы к прогнозированию электропотребления промышленных предприятий
- Прогнозирование с использованием искусственных нейронных сетей
- Анализ параметров, влияющих на электропотребление предприятия, на различных уровнях его системы электроснабжения
- Выявление параметров, от которых зависит электропотребление КОАО «Азот» с помощью метода экспертных оценок
Введение к работе
Актуальность работы. Прогнозирование величины электропотребления промышленного предприятия является важной научно-технической задачей. Необходимость точного прогнозирования электропотребления обусловлена технологическими и экономическими причинами.
У крупных энергоемких производств доля платы за электроэнергию в себестоимости продукции может достигать десятков процентов, а в условиях рыночной экономики себестоимость продукции предприятия будет определять его конкурентоспособность. В настоящее время большинство крупных промышленных предприятий России покупает электроэнергию на оптовом рынке электроэнергии и мощности. Плата за электроэнергию для таких предприятий складывается из платы за фактический объем потребленной электроэнергии и платы за отклонение объема фактически потребленной электроэнергии от планового объема потребления. Чем больше отклонения фактических объемов электропотребления от заявленных, тем больше дополнительных расходов на электроэнергию несет предприятие.
В настоящее время прогнозирование электропотребления на большинстве промышленных предприятий производится на основе метода экспертных оценок, который в большинстве случаев не может обеспечить требуемую точность прогноза.
Для более точного прогнозирования электропотребления необходимо разработать прогнозную модель, основанную на зависимостях изменения электропотребления предприятия в реальных условиях эксплуатации.
Цель работы: повышение точности прогнозирования электропотребления промышленного предприятия, путем создания прогнозной модели электропотребления, учитывающей его зависимость от влияющих факторов.
Идея работы заключается в комплексном использовании искусственных нейронных сетей, генетических алгоритмов и метода экспертных оценок для разработки прогнозной модели электропотребления промышленного предприятия, учитывающей совокупность влияющих факторов.
Задачи исследований:
Выявить основные требования, предъявляемые к прогнозу величины электропотребления промышленного предприятия, покупающего электроэнергию на оптовом рынке электроэнергии и мощности.
Сравнить существующие методы прогнозирования электропотребления промышленных предприятий и выбрать оптимальный метод для прогнозирования электропотребления в условиях работы предприятия на оптовом рынке электроэнергии и мощности.
Разработать методику создания прогнозной модели электропотребления промышленного предприятия для выбранного метода прогноза.
Разработать методику оценки влияния параметров окружающей среды и производственных параметров на электропотребление промышленного
предприятия с использованием метода экспертных оценок для определения набора входных параметров прогнозной модели.
Установить зависимость электропотребления многономенклатурного промышленного предприятия от влияющих на него производственных параметров и параметров окружающей среды.
Создать с помощью разработанных методик и полученных зависимостей прогнозную модель электропотребления, учитывающую влияние на электропотребление влияющих факторов.
Проверить и оценить качество работы полученной прогнозной модели путем сравнения фактических и прогнозных значений электропотребления многономенклатурного предприятия.
Основные научные положения, выносимые на защиту:
Для построения прогнозной модели электропотребления промышленного предприятия возможно комплексное использование искусственной нейронной сети, генетических алгоритмов, используемых для определения внутренней конфигурации нейронной сети, и экспертной оценки системы электроснабжения промышленного предприятия, используемой для выбора оптимального набора входных параметров нейронной сети.
Использование разработанной прогнозной модели электропотребления позволяет значительно повысить точность прогноза за счет использования зависимостей электропотребления от влияющих факторов, полученных в процессе обучения искусственной нейронной сети.
Научная новизна работы заключается в следующем:
Разработана методика определения зависимостей электропотребления промышленного предприятия от влияющих на него параметров с помощью искусственной нейронной сети, отличающаяся комплексным использованием генетических алгоритмов для определения внутренней конфигурации нейронной сети и экспертной оценки системы электроснабжения промышленного предприятия для выбора набора входных параметров нейронной сети.
Разработана прогнозная модель электропотребления промышленного предприятия, отличающаяся тем, что в качестве входных параметров модели используются объемы выпуска продукции предприятия.
Разработана методика по осуществлению прогноза на промышленных предприятиях, покупающих электроэнергию на оптовом рынке электроэнергии и мощности, отличающаяся последовательным использованием двух прогнозных моделей для предварительного и уточняющего прогнозирования.
Методы исследования. Разработки и исследования проводились на основе теории системного анализа, теории математического моделирования, теории искусственных нейронных сетей, генетических алгоритмов отбора и нечеткой логики, метода экспертных оценок, компьютерного моделирования.
Достоверность научных положений и выводов подтверждается применением современных математических методов прогнозирования и экспериментальной проверкой теоретических выводов путем разработки прогноз-
ной модели электропотребления КОАО «Азот», на основании фактических данных об объемах электропотребления, полученных в процессе работы предприятия при помощи точных измерительных приборов и данных о производстве продукции.
Практическая ценность работы состоит в том, что полученные теоретические и практические результаты могут быть использованы:
для снижения величины финансовых издержек предприятий, возникающих при отклонении фактических объемов электропотребления от объемов, заявленных к покупке на рынке электроэнергии, путем использования прогнозных моделей электропотребления предприятий с учетом индивидуальных особенностей каждого предприятия;
для проведения на предприятии организационных мероприятий в части планирования и учета производственной деятельности, позволяющих снизить величину ошибки при прогнозировании электропотребления.
Реализация результатов работы. Научные и практические результаты работы приняты к использованию в Управлении главного энергетика КОАО «Азот» в качестве дополнения к существующим методам прогнозирования почасовых объемов электропотребления.
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на I Всероссийской научно-технической конференции «Современные пути развития машиностроения и автотранспорта Кузбасса» (г. Кемерово, 2007 г.); VII Международной научно-практической конференции «Современные энергетические системы и комплексы и управление ими» (г. Новочеркасск, 2007 г.); Третьей научно-технической конференции ОАО «НТЦ Электроэнергетики» «Разработки молодых специалистов в области электроэнергетики - 2008» (г. Москва, 2008 г.).
Публикации. По теме диссертации опубликовано 7 печатных работ, из них в рекомендуемых ВАК изданиях - 1.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка используемой литературы из 147 наименований, двух приложений и содержит 153 страницы текста, 22 таблицы и 36 рисунков.
Существующие подходы к прогнозированию электропотребления промышленных предприятий
Проблеме прогнозирования электропотребления посвящены множество работ отечественных [1, 2, 6, 9, 13, 15, 18, 19, 27, 59] и зарубежных [21, 81, 144] ученых и исследователей. При этом подходы, используемые при прогнозировании электропотребления энергосистем [100, 137], как правило, отличаются от подходов к прогнозированию электропотребления промышленных предприятий только набором используемых входных параметров при общем единстве используемых методов прогнозирования [97, 117, 129].
В качестве методов прогнозирования электропотребления в этих и других работах предлагаются математико-статистические, вероятностные методы, методы регрессионного анализа, методы, основанные на искусственных нейронных сетях и др.
Некоторые исследования учитывают современную структуру рыночной экономики и присущие ей особенности как один из влияющих на прогнозирование электропотребления факторов [26, 60]. В свою очередь, само электропотребление предприятия и величина ошибки его прогноза рассматриваются в виде рыночных рисков предприятия [98].
Еще один подход к прогнозированию основан на представлении промышленного предприятия в виде техноценоза, одним из параметров которого является электропотребление [36, 39, 42, 78, 125].
Применение вышеперечисленных методов вкупе с современными электронно-вычислительными комплексами позволяет создавать математические модели электропотребления промышленного предприятия [44, 65, 107, 108, 113, 121, 124, 126]. Данные прогнозные модели отличаются друг от друга набором входных параметров и методами прогнозирования. Следует отметить, что параметры производства (объем, скорость производства продукции, количество работающих технологических линий, агрегатов), оказывающие существенное влияние на величину и характер изменения электропотребления промышленных предприятий [53, 56, 116, 118], практически не используются в качестве входных для прогнозных моделей. Достаточно часто при прогнозировании электропотребления крупных, многономенклатурных предприятий применяют предварительно рассчитанные нормы удельного потребления электроэнергии на единицу продукции [96, 99, 123, 132]. Однако такой подход к прогнозированию лишен гибкости и связан с обработкой больших объемов информации для вычисления норм электропотребления. При этом любые значительные изменения в технологическом процессе, его модернизация, приведут к снижению достоверности норм электропотребления и потребуют их пересчета.
Многие исследователи в своих работах [47, 88, 94, 135] отмечают хорошие прогнозные способности искусственных нейронных сетей при прогнозировании электропотребления. Существенным достоинством нейронных сетей является их способность динамически подстраиваться к изменяющимся условиям, а значит максимально соответствовать требованиям, предъявляемым к прогнозированию рыночной экономикой. При этом отмечается объективная сложность определения оптимальной конфигурации и оптимального набора входных параметров нейронной сети. Кроме того, большинство вышеперечисленных публикаций лишь обосновывает возможность прогнозирования электропотребления с помощью нейронных сетей [47, 88, 135], не представляя каких либо практических рекомендаций или методик по формированию на их основе действующих прогнозных моделей.
Запуск и развитие оптового рынка электроэнергии послужил мощным стимулом для разработки различных программно-аппаратных комплексов (ПАК), предназначенных для прогнозирования электропотребления предприятий [40, 43, 127]. Требования, предъявляемые к данным ПАК, определяются действующими правилами оптового рынка электроэнергии. ПАК должен обеспечивать возможность прогнозирования почасового потребления электрической энергии, как минимум, на сутки вперед. Кроме того, данный ПАК должен обладать совместимостью с информационными системами, применяющимися на предприятии: системой коммерческого учета электроэнергии (АИИС КУЭ), системой автоматизированного управления технологическим процессом (АСУ ТП). Такая совместимость не только позволяет интегрировать систему прогноза электропотребления с другими информационными системами предприятия, но и упрощает и автоматизирует процесс прогнозирования (получение исходных данных для прогноза и т.п.).
Сформулируем основные требования к программному обеспечению для прогнозирования электропотребления промышленных предприятий для работы на ОРЭМ: 1. Автоматизация процесса прогнозирования электропотребления предприятия. 2. Использование в качестве входных для прогнозирования параметров, определяемых технологическими процессами производства продукции предприятия. 3. Возможность взаимодействия с АИИС КУЭ и АСУ ТП предприятия. 4. Точность прогнозирования, оптимальная с точки зрения соотношения затрат на программное обеспечение и издержек, связанных с оплатой отклонений прогнозного значения потребления электроэнергии от фактического. Рассмотрим ряд существующих ПАК, предлагаемых различными фирмами-разработчиками для прогнозирования электропотребления предприятий-участников ОРЭМ. 1.3.1 Программный комплекс «Созвездие» Компания ООО «Созвездие энергетических решений» разработало программный комплекс «Созвездие» [71], который решает задачи: 1. Автоматизации процесса работы компании на РСВ и БР (подготовка и подача заявок на торги, участие в торгах, обработка и анализ результатов торгов, мониторинг индикаторов рынков). 2. Централизованного ввода и хранения информации о договорах различных секторов рынка и договоров оказания услуг инфраструктурных организаций. 3. Ведения хранилища аналитических показателей работы оптового рынка в целом и собственных показателей работы в частности. 4. Интеграции со смежными системами, предназначенными для сбора оперативной технологической и финансовой информации. 5. Оперативного и автоматического формирования необходимой отчетности. 6. Снижения доли ручного труда при формировании отчетов. 7. Автоматического выполнения основных расчетов.
Прогнозирование с использованием искусственных нейронных сетей
Искусственные нейронные сети (ИНС) представляют собой технологию, уходящую корнями во множество дисциплин: нейрофизиологию, математику, статистику, физику, компьютерные науки и технику. Она находят свое применение в таких разнородных областях, как моделирование, анализ временных рядов, распознавание образов, обработка сигналов и управление благодаря одному важному свойству - способности обучаться на основе данных при участии учителя или без его вмешательства.
В настоящее время известно множество видов ИНС, каждый из которых имеет свои характерные особенности и оптимален для решения тех или иных задач [61-63, 77].
Все ИНС являются совокупностью двух типов элементов — нейронов и связей между ними. Нейроны представляют собой простые процессоры (обрабатывающие элементы сети), вычислительные возможности которых ограничиваются некоторым правилом комбинирования входных сигналов и правилом активации, позволяющим вычислить выходной сигнал по совокупности входных сигналов. Выходной сигнал элемента посылается другим элементам по взвешенным связям, с каждой из которых связан весовой коэффициент, или вес. В зависимости от его значения передаваемый сигнал или усиливается, или подавляется [66]. 1. Набор синапсов (или связей), каждый из которых характеризуется своим весом (или силой). В частности сигнал Xj на входе си-напсау, связанного с нейроном к, умножается на вес cokj 2. Сумматор складывает входные сигналы, взвешенные относительно соответствующих синапсов нейрона. 3. Функция активации ограничивает амплитуду выходного сигнала нейронов. Обычно нормализованный диапазон выхода нейрона лежит в интервале [0,1] или [-1,1]. В модель нейрона также включен пороговый элемент Ък- Эта величина отражает увеличение или уменьшение входного сигнала, подаваемого на функцию активации. Величина Vk, получаемая на выходе сумматора, называется потенциал активации либо индуцированное локальное поле. В математическом представлении модель нейрона описывается следующей парой уравнений: где х/, Х2, ..., хт — входные сигналы; сокі, сок2 сс кт - синаптические веса нейрона к; ик - линейная комбинация входных воздействий; Ък -порог; (p(iik+bk) - функция активации; ук — выходной сигнал нейрона. Сумма взвешенных входных сигналов и порога называется локальным индуцированным полем нейрона: vk =uk+bu Функция активации p(v) определяет величину выходного сигнала нейрона в зависимости от индуцированного локального поля v. Обычно выделяют три основных типа функции активации [131]: 1. Функция единичного скачка, или пороговая функция, описывается следующим выражением: 40 нейроны, которые выводят во внешнюю среду результаты вычислений; скрытые нейроны, которые предназначены для трансформации сигналов. На сегодняшний день известны и широко применяются для решения различных задач несколько различных типов ИНС: многослойный персептрон, сети на основе радиальных базисных функций, карты самоорганизации, рекуррентные нейронные сети. Многослойный персептрон состоит из множества сенсорных элементов (входных нейронов), образующих входной слой; одного или нескольких скрытых слоев вычислительных нейронов и одного выходного слоя нейронов. Многослойные персептроны имеют три отличительных признака: — каждый нейрон имеет гладкую (всюду дифференцируемую) нелинейную функцию активации (как правило, сигмоидальную); — сеть содержит один или несколько слоев скрытых нейронов, не являющихся частью входа или выхода сети; — сеть обладает высокой степенью связности, реализуемой посредством синаптических соединений. Комбинация всех этих свойств наряду со способностью к обучению на собственном опыте обеспечивает высокую вычислитель- ную мощность многослойного персептрона. Установлено, что многослойный персептрон имеет достаточную точность и скорость для прогнозирования электропотребления промышленных предприятий [27]. Самым важным свойством нейронных сетей является их способность обучаться на основе данных окружающей среды, и в результате обучения повышать точность вычислений. Повышение точности происходит со временем в соответствии с определенными правилами. Обучение нейронной сети происходит посредством интерактивного процесса корректировки синаптических весов и порогов. В идеальном случае нейронная сеть получает знания об окружающей среде на каждой итерации процесса обучения, который предполагает следующую последовательность событий: - в нейронную сеть поступают сигналы из внешней среды; - в результате этого изменяются свободные параметры нейронной сети; - после изменения внутренней структуры нейронная сеть отвечает на возбуждения уже иным образом. Для различных видов архитектуры ИНС применяются те или иные алгоритмы обучения (обратного распространения ошибок, модельной «закалки» и т. д.). Между собой алгоритмы обучения отличаются способом настройки синаптических весов нейронов. Можно выделить ряд преимуществ нейронной сети при использовании их для построения прогнозных моделей электропотребления промышленных предприятий [27]: 1. Нелинейность - позволяет устанавливать сложные зависимости электропотребления от входных данных, что обеспечивает меньшую ошибку прогноза по сравнению с остальными методами.
Анализ параметров, влияющих на электропотребление предприятия, на различных уровнях его системы электроснабжения
Система электроснабжения промышленного предприятия представляет собой совокупность электроустановок, предназначенных для обеспечения потребителей предприятия электрическим током, объединенных общим режимом работы. Режим работы системы электроснабжения характеризуется радом параметров: 1. Активной, реактивной мощностью и электропотреблением электроприемников. 2. Напряжением в узлах. 3. Токами в линиях. 4. Потерями в линиях. 5. Показателями качества электроэнергии. При этом основными, базовыми параметрами режима работы системы электроснабжения являются потребляемая мощность и электроэнергия. В зависимости от потребляемой мощности в узлах системы будут изменяться напряжения, а в линиях - токи. Величина электропотребления предприятия складывается из величин электропотребления w, всех N работающих в данный момент времени электроприемников и потерь электроэнергии AW в элементах сети. Потери электроэнергии, в свою очередь, в основных элементах систем электроснабжения: линиях и трансформаторах, будут зависеть от электротехнических параметров самих этих элементов (их активного и реактивного сопротивлений) и протекающей по ним энергии: В процессе работы системы электроснабжения, сопротивления ее элементов можно считать практически постоянными. Таким образом, изменение текущей величины потерь мощности в сети предприятия будет происходить за счет изменения суммарной мощности электроприемников при их включении, отключении или изменении режима работы. Электропотребление Wj каждого электроприемника, или группы электроприемников, в свою очередь, можно записать в следующем виде: где Xi, Х2, ..., Хп - параметры, оказывающие влияние на электропотребление. Количество электроприемников (прежде всего асинхронных и синхронных двигателей) на предприятии может достигать сотен и тысяч. Для каждого электроприемника параметры, оказывающие влияние на его электропотребление, могут быть различны. Построение прогнозной модели электропотребления предприятия, учитывающей параметры, влияющие на электропотребление каждого электроприемника, не представляется возможным, ввиду большого количества взаимозависимых входных параметров в такой модели. Наиболее оптимальным представляется объединение электроприемников в группы по каким-либо признакам (технологическим, электрическим), с последующим выявлением параметров, влияющих на электропотребление каждой группы. В свою очередь, совокупность влияющих параметров каждой группы электроприемников будет являться набором входных параметров для прогнозной модели электропотребления предприятия в целом.
В общем случае все электроприемники по их назначению можно разделить на две группы: 1. Основные - участвующие в основном производственном процессе предприятия. К таким электроприемникам относятся электротехнологические установки (электротермические и сварочные аппараты, электролизные ванны), привод компрессоров, насосов и центрифуг, привод конвейеров и других транспортных машин, металлорежущие, деревообрабатывающие и другие станки и т. п. 2. Вспомогательные - не участвующие в основном производственном процессе предприятия. К таким электроприемникам относятся электроприемники, участвующие в создании и поддержании микроклимата предприятия (устройства вентиляции и кондиционирования воздуха, воздухонагревательные приборы), осветительные установки и электроприемники работающие на санитарно-технические нужды предприятия (насосы холодного и горячего водоснабжения, канализации отходов и т. п.). В свою очередь электроприемники основной группы можно сгруппировать по принадлежности к тому или иному участку, цеху, производственной линии. Для выявления параметров, влияющих на величину электропотребления электроприемников каждой из этих групп, рассмотрим типовую схему электроснабжения промышленного предприятия, приведенную на рис. 3.3. Для каждого уровня системы электроснабжения предприятия можно выделить ряд параметров, влияющих на величину электропотребления основных и вспомогательных электроприемников на данном уровне. При отборе влияющих параметров основным критерием отбора является возможность получения обоснованных величин этих параметров на весь прогнозный интервал. В случае невозможности получения достоверных значений параметра, пусть и оказывающего влияние на электропотребление на каком-то из уровней системы электроснабжения, такой параметр в качестве входного для прогнозной модели не может быть использован.
Выявление параметров, от которых зависит электропотребление КОАО «Азот» с помощью метода экспертных оценок
Для построения и проверки прогнозной модели электропотребления КОАО «Азот» автором было разработано программное обеспечение (далее - ПО) «NeuroStorm». Данное ПО позволяет создавать ИНС заданной конфигурации (количество входных и выходных нейронов, количество скрытых слоев, количество нейронов в скрытом слое и т.д.), обучать созданную ИНС методом обратного распространения ошибок на обучающем множестве и проверять прогнозные способности ИНС на тестовом множестве. Кроме того, ПО «NeuroStorm» позволяет генерировать семейство ИНС с характеристиками, полученными случайным образом, а затем, при помощи генетического алгоритма, путем отбора лучших сетей и последующего скрещивания их друг с другом получать ИНС с наиболее подходящими свойствами (количество входных и выходных нейронов, количество скрытых слоев, количество нейронов в скрытом слое и т.д.) для решения конкретной задачи - прогнозирования выходной величины.
В данном разделе представлена прогнозная модель электропотребления КОАО «Азот» на ИНС, сконфигурированная на основе генетического отбора, где в качестве входных параметров использовался набор универсальных для прогнозирования параметров, рекомендуемых различными исследованиями [84, 135]. Данную прогнозную модель назовем модель «А».
Для построения прогнозной модели электропотребления КОАО «Азот» необходимо выбрать тип ИНС, которая будет лежать в основе прогнозной модели, метод обучения ИНС, определить входные и выходные параметры сети, и сформировать обучающее и тестовое множества исходных данных.
Из существующих типов ИНС выбираем многослойный персеп-трон, обладающий достаточно простой внутренней структурой, но в тоже время имеющий достаточную точность и скорость для прогнозирования временных рядов. В качестве метода обучения для многослойного персептрона выбираем метод обратного распространения ошибок, как наиболее подходящий для такого типа сети [30].
Единственным выходным параметров прогнозной модели является величина почасового электропотребления КОАО «Азот», следовательно, ИНС имеет один выходной нейрон. Количество входных нейронов определяется набором параметров, которые влияют на электропотребление предприятия. Проведенный анализ исследований [7, 23, 73, 83, 84, 91], посвященных определению параметров, влияющих на электропотребление предприятия, позволил сделать вывод, что влияющими на электропотребление предприятия параметрами (в самом общем случае) являются час суток (с 1-го по 24-й), тип дня (рабочий, выходной), температура окружающей среды. Для того чтобы прогнозная модель смогла учесть краткосрочные тенденции изменения электропотребления при прогнозировании почасового электропотребления на час Н, в качестве входного параметра принимается значение электропотребления за предыдущий час - Н-1. Таким образом, функция электропотребления предприятия в модели «А» примет следующий вид: где Wh - электропотребление в час суток h, d - тип дня недели, /д -температура окружающего воздуха в час h, Wh-i — электропотребление за предыдущий час h-І. В приведенном выше наборе параметров ряд параметров (час суток, тип дня) являются дискретными, а часть (значения температуры и электропотребления) - непрерывными. В ПО «NeuroStorm» для представления непрерывных параметров в качестве входных параметров ИНС используется один нейрон, с указанием диапазона возможных значений величины, а для представления дискретных параметров - число нейронов равно количеству значений дискретной величины, а значение входного параметра может быть равно 0 или 1. Например, 24 часа в сутках - 24 входных нейрона. Для первого часа суток значение входной величины первого нейрона будет равно 1, остальных нейронов - 0. Для второго часа значение входной величины второго нейрона будет равно 1, остальных нейронов - 0 и т. д. Таким образом, для представления часа суток понадобиться 24 входных нейрона. Разные исследователи [20, 86, 93, 119] выделяют несколько возможных типов дней недели, например: 1. «Понедельник», «Рабочий день», «Пятница», «Выходной день», «Праздничный день». 2. «Понедельник», «Рабочий день», «Пятница», «Выходной день». Анализ вышеприведенных исследований показал, что существующие подходы к классификации дней недели по типу имеют общий существенный недостаток. Этим недостатком является то, что в случае переноса выходного дня на рабочий день при выпадении праздничного дня на выходной день указанные типы дней недели могут не совпадать с реально существующими. Например, понедельник может быть выходным днем, выходной день (воскресенье) -праздничным и т. п. Этого недостатка лишена предлагаемая нами ниже классификация дней недели по типу: 1. «Первый рабочий день» (ПРД) - первый рабочий день после выходного или праздничного дня. 2. «Последний рабочий день» (ВРД) - последний рабочий день перед выходным или праздничным днем. 3. «Рабочий день» (РД) - все дни между первым и последним рабочим днями. 4. «Выходной день» (ВД) - выходной или праздничный день. Входная величина «тип дня» является дискретной, количество состояний данной величины равно четырем, следовательно, для представления данной величины в качестве входной для ИНС потребуется четыре входных нейрона. Для непрерывных величин в целях повышения точности прогноза при настройке ИНС в ПО «NeuroStorm» необходимо указывать их возможные минимальное и максимальное значение.
Похожие диссертации на Прогнозирование электропотребления промышленных предприятий с помощью искусственных нейронных сетей
