автореферат диссертации по энергетике, 05.14.02, диссертация на тему:Повышение точности краткосрочного прогнозирования электрической нагрузки потребителей региона с учетом метеофакторов на основе метода опорных векторов

На правах рукописи

АЛЬ ЗИХЕРИ Баласим Мохаммед

ПОВЫШЕНИЕ ТОЧНОСТИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ ПОТРЕБИТЕЛЕЙ РЕГИОНА С УЧЕТОМ МЩТЮФАКТОРОВ НА ОСНОВЕ МЕТОДА ОПОРНЫХ ВЕКТОРОВ

Специальность 05.14.02 — «Электрические станции и электроэнергетические

системы»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

2 7 МАЙ 2015

Новочеркасск - 2015

005569419

005569419

Работа выполнена в ФГБОУ ВПО «Южно-Российский государственный политехнический университет (НПИ) им. М.И. Платова» на кафедре «Электроснабжение промышленных предприятий и городов»

Научный руководитель НАДТОКА Иван Иванович, доктор

технических наук, профессор

Официальные оппоненты: КУЗНЕЦОВ Анатолий Викторович

доктор технических наук, профессор заведующий кафедрой Электроснабжение ФГБОУ ВПО УлГТУ, г Ульяновск

ВЕДЕРНИКОВ Александр Сергеевич кандидат технических наук, доцент заведующий кафедой Электрические станции ФГБОУ ВПО СамГТУ, г. Самара

Ведущая организация ФГБОУ ВПО «Национальный исследовательский

университет МЭИ», г. Москва

Защита диссертации состоится «06 » июля 2015 г. в 10 час. 00 мин. на заседании диссертационного совета Д 212.304.01 при федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова» в аудитории 149 главного корпуса по адресу: 346428, г. Новочеркасск Ростовской области, ул. Просвещения, 132.

С диссертацией можно ознакомиться в библиотеке федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова». Автореферат диссертации размещен на официальных сайтах ВАК www.ed.gov.ru и ФГБОУ ВПО «ЮРГПУ (НПИ) им. М.И. Платова» www.npi-tu.rii.

Автореферат разослан « 7» мая 2015 г.

Отзыв на автореферат (в двух экземплярах, заверенных печатью) прошу направлять по адресу: 346428, г. Новочеркасск Ростовской области, ул. Просвещения, 132, Ученый совет ФГБОУ ВПО «ЮРГПУ(НПИ) им. М.И. Платова», ученому секретарю.

Ученый секретарь диссертационного совета Д.212.304.01,

к.т.н., доцент

Бурцев Ю.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы диссертации и степень ее разработанности. Прогнозирование составляет неотъемлемую часть любой сферы деятельности человека. И энергетика не является исключением. Для повышения эффективности и устойчивости процесса автоматизированного управления электроэнергетическими системами (ЭЭС) система управления должна содержать в себе подсистему прогнозирования временных рядов, в частности, прогнозирования потребления электроэнергии. Прогнозы потребления составляют основную исходную информацию для принятия решений в процессе планирования оптимальных режимов работы и развития ЭЭС. При этом наиболее высокие требования предъявляются к точности краткосрочных (сутки-неделя-месяц) и оперативных (в пределах текущих суток) прогнозов, поскольку именно они определяют управление текущим режимом работы ЭЭС. В качестве основных задач, решаемых на основе полученных прогнозов электропотребления (ЭП), можно выделить следующие: 1) планирование развития генерирующих мощностей и электрических сетей ЭЭС; 2) планирование тарифов; 3) планирование загрузки электростанций на следующие сутки, выработки энергии и мощности, потребности в топливе; 4) планирование ремонтов основного оборудования электрических станций и сетей. Требованию высокой точности прогноза электропотребления противостоит сложное нестационарное поведение временных рядов, описывающих потребление. Большое количество факторов, влияющих на уровень потребления как систематического, так и случайного характера, непрерывное изменение требований энергорынка, а также развитие самих ЭЭС делают задачу повышения точности прогнозирования электропотребления еще более сложной. Следовательно, эта задача требует решения в условиях неопределенности.

Прогнозирование ЭП при помощи таких современных технологий как искусственные нейронные сети, нечеткая логика, опорные векторы, и.т.д. и их композиции составляют один из наиболее активно развивающихся предметов исследований в энергетике. Прежде всего, это связано с тем, что данные структуры являются универсальными аппроксиматорами и способны моделировать сложные нелинейные зависимости, что гарантирует возможность успешного прогнозирования. Комбинирование и модификации интеллектуальных вычислительных технологий дают широкие возможности для эффективного решения задачи повышения точности краткосрочных и оперативных прогнозов электропотребления.

Вопросами разработки прогнозирующих систем ЭП с середины прошлого века занимаются во многих странах Европы, Азии и Северной Америки, а также в ведущих вузах России, осуществляющих подготовку специалистов для энергетической отрасли: НИУ МЭИ, СамГТУ, СПбГЭУ (ЛЭТИ), ЮРГПУ (НПИ) и др.

Решению различных вопросов моделирования и прогнозирования процессов электропотребления в системах электроснабжения и электроэнергетических системах посвящены работы российских и зарубежных авторов: Васильева И.Е., Гамма А.З., Гордеева В.И., Гросса Дж., Гурского С.К.,. Доброжано-

ва В.И, Жежеленко И.В., Каялова Г.М., Кудрина Б.И., Курбацкого В.Г., Куренного Э.Г., Лещинской Т.Б., Макоклюева Б.И., Надтоки И.И., Осовского A.C., Седова А.В, Степанова В.П., Goliana F.D., Bunn D.W., Farmer E.D., Ackerman G.B., Gupta P.C., Baker A.B., Chen M.S., Fan J.Y. Yang H.T., Huang C.M. и др.

На настоящий момент существуют целый ряд прогнозных моделей и программных комплексов отечественных и зарубежнных разработчиков, которые позволяют выполнять прогнозирование электропотребления с требуемой для пользователей точностью, но в ряде случаев, в частности, при диспетчерском управлении в энергосистемах, результаты по точности краткосрочного и оперативного прогнозирования не всегда удовлетворяют возрастающим требованиям. Поэтому задача повышения точности прогнозирования электропотребления остается актуальной.

Целью работы является повышение точности краткосрочного прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений с учетом температуры воздуха и естественной освещенности.

Для достижения поставленной цели в данной работе ставятся и решаются следующие задачи:

1 Классификация и анализ современных математических подходов к прогнозированию электропотребления и выявление наиболее перспективных направлений улучшения качества и надежности прогнозов;

2 Исследование влияния температуры воздуха и естественной освещенности на величину ЭП;

3 Выполнение сравнительного анализа следующих методов и прогнозных моделей краткосрочного прогнозирования:

- нейросетевая модель (ИНС) с использованием эволюционных алгоритмов;

- нейро - нечеткая модель (ANFIS);

- регресионная модель на основе метода опорных векторов (SVM);

- регресионная модель на основе метода опорных векторов с использованием алгоритма роя частиц.

4 Построение системы прогнозирования электропотребления в среде Matlab по результатам исследований;

5 Исследование прогнозных моделей на реальных данных по ЭП и метеофакторам, а также сравнительная оценка качества прогнозирования.

6 Тестирование моделей прогнозирования на временных рядах освещенности, температуры воздуха и фактических данных электропотребления.

7 Разработка программы краткосрочного прогнозирования электропотребления для регионального диспетчерского управления.

Методология и методы исследования. При решении поставленных задач использовались методы теории нестационарных случайных процессов, методы нейронных сетей, адаптивных нейро-нечетких сетей и метод опорных векторов с использованием алгоритмов роя частиц и самоорганизующихся карт. Экспериментальные исследования и тестирование модели на основе опорных векторов проводилось с помощью программы «Прогноз ЭТО PSO SVM», реализованной в программном комплексе MATLAB.

Научная новизна работы заключается в следующем:

1. Разработана модель для краткосрочного прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений, основанная на методе опорных векторов и алгоритме роя частиц, отличающаяся тем, что в ней в качестве одного из влияющих факторов учитываются значения естественной освещенности, что позволяет повысить точность моделирования и прогнозирования.

2. Впервые реализован алгоритм роя частиц, для оптимизации параметров регрессионной модели опорных векторов, в который в качестве влияющих факторов учитываются одновременно температура воздуха и освещенность.

3. Показано на основе исследования двух наиболее эффективных и перспективных прогнозных моделей (нейро-нечеткой сети и метода опорных векторов), что регрессионная модель опорных векторов обладает наилучшими аппроксимирующими свойствами в пространстве переменных: мощность энергосистемы, температура воздуха и естественная освещенность.

Теоретическая значимость результатов диссертационной работы заключается в разработанной модели на основе метода опорных векторов с использованием алгоритма роя частиц для оптимизации параметров модели. Метод позволяет повысить точность установления нелинейных зависимостей между потреблением электроэнергии, температурой воздуха и естественной освещенностью.

Практическая значимость Разработанная модель может быть использована для прогнозирования электропотребления в региональных диспетчерских управлениях - филиалах ОАО «Системный оператор единой энергетической системы», оптовых генерирующих компаниях и территориальных генерирующих компаниях, региональных сетевых и энергосбытовых компаниях, а также в диспетчерских управлениях отдельных предприятий, которые являются членами оптового или розничного рынков электроэнергии и мощности. Разработана в среде МаИ.аЬ программа для ЭВМ краткосрочного прогнозирования электропотребления для Ростовского регионального диспетчерского управления на основе метода опорных векторов.

Внедрение результатов. Полученные результаты работы:

- включены в отчет о научно-исследовательской работе, выполненной ООО НПП «ВНИКО» по заказу филиала ОАО «СО ЕЭС» Московское РДУ в 2011-2013 гг.;

- используется в учебном процессе ЮРГПУ(НПИ) при проведении лекционных, практических и семинарских занятий при подготовке магистров по направлению «Электроэнергетика и электротехника».

Основные положения, выносимые на защиту: 1. Прогнозная модель электропотребления на основе метода опорных векторов с использованием алгоритма роя частиц с учетом температуры воздуха и естественной освещенности для Филиала ОАО "СО ЕЭС" Региональное диспетчерское управление энергосистемами Ростовской области и республики Калмыкия (Ростовское РДУ).

2. Использование алгоритма роя частиц для оптимизации параметров

регрессионной модели опорных векторов при учете факторов температуры воздуха и освещности, влияющих на электропотребление.

3. Результаты сравнительного анализа трёх типов моделей: ИНС, ANFIS, SVM при оптимизации их параметров методами самооргнизующихся карт и роя частиц с позиции точности краткосрочного прогнозирования электропотребления в различные сезоны года, типы дней и зоны суточного графика с учетом температуры воздуха и освещенности.

Достоверность полученных результатов. Достоверность научных положений и результатов, сформулированных в диссертации, подтверждается корректным использованием методов математического моделирования и прогнозирования временных рядов, статистического и регрессионного анализа, искусственных нейронных сетей, теории опорных векторов, методов эволюционного моделирования, а также результатами компьютерного моделирования. Модель апробирована с использованием фактических данных ЭП и метеорологических данных за период с 2009 г. по 2012 г. Ростовского РДУ, полученных с помощью сертифицированных средств телемеханики и АСКУЭ оперативного измерительного комплекса.

Апробация работы. Основные положения диссертационной работы докладывались, обсуждались и получили положительную оценку на XXXIV, XXXV и XXXVI сессиях всероссийского научного семинара АН РФ «Кибернетика электрических систем» (ЮРГПУ (НПИ), г. Новочеркасск) в 2012, 2013 и 2014 годах; на XI и XII международных научно-практических конференциях «Современные энергетические системы и комплексы и управление ими» (ЮР-ГПУ(НПИ), г. Новочеркасск) в 2013 и 2014 годах; на XIV международной научно-практической конференции «Компьютерные технологии в науке производстве, социальных и экономических процессах» (ЮРГПУ (НПИ), г.Новочеркасск) в 2014 г.; на XIII международной научно-практической конференции «Методы и алгоритмы прикладной математики в технике, медицине и экономике» (ЮРГПУ (НПИ), г. Новочеркасск) в 2013 г.; на региональной научно-практической конференции студентов, аспирантов и молодых ученых вузов Ростовской области «Студенческая научная весна-2012» (ЮРГПУ(НПИ), г. Новочеркасск).

Результаты работы докладывались на IV-й и V-й международных конференциях «Электроэнергетика глазами молодёжи» в ЮРГПУ (НПИ), г.Новочеркасск, 14-18 октября 2013 г. и в Томском политехническом университете, г. Томск, 10-14 ноября 2014г.

Доклад по теме работы участвовал в конкурсе и получил диплом победителя в молодежной программе «Инвестируя в будущее» ежегодной выставки и конференции Russia Power, г. Москва 4-6 марта 2014г.

Публикации. Основные результаты диссертационной работы опубликованы в 11 печатных работах, в том числе 2 в изданиях,

рекомендуемых ВАК, 2 - в тезисах докладов, 7 докладов на международных и межрегиональных научных конференциях. Подана заявка на официальную регистрацию программы «Прогноз ЭТО РБО БУМ».

Структура н объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы из 146 наименований отечественных и зарубежных авторов, 8 приложений, представленных на 50 страницах. Основная часть работы изложена на 131 страницах машинописного текста, включая 5 таблиц и 37 иллюстраций.

Соответствие шифру специальности. Диссертационная работа соответствует шифру специальности 05.14.02 - «Электрические станции и электроэнергетические системы» по следующим областям исследований:

-п. 6 «Разработка методов математического и физического моделирования в электроэнергетике»;

- п. 13 «Разработка методов использования ЭВМ для решения задач в электроэнергетике».

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность проблемы повышения точности прогнозирования ЭП на территориях операционных зон РДУ. Формулируются цели и задачи исследования. Приведены основные положения, выносимые на защиту. Показана практическая ценность и область применения результатов работы.

В первой главе Выполнен аналитический обзор современных методов и математических моделей прогнозирования временных рядов электропотребления. В первую очередь рассмотрены те, в которых предусмотрен учет метеорологических факторов и возможность учета нелинейных взаимосвязей между электропотреблением и влияющими факторами. Отмечается, что всё большую значимость приобретают модели, основанные на методах теории искусственного интеллекта: искусственные нейронные сети, нейро-нечеткие сети, опорные векторные машины а также модели с использованием эволюционных алгоритмов, таких как рой частиц, генетический алгоритм и др.

По результатам обзора литературных источников обоснован выбор следующих типов моделей для решения задачи краткосрочного прогнозировании ЭП в операционной зоне РДУ: нейронная сеть, нейро-нечеткая сеть, регрессионная модель опорных векторов с использованием алгоритма роя частиц.

Во второй главе проводится комплексный анализ факторов, влияющих на ЭП на территории Ростовского РДУ. Анализ выполнен на архивных данных временных рядов ЭП, температуры воздуха и естественной освещенности Ростовского РДУ за период за период с 1 июня 2009г. по 26 января 2012г.

На различных временных интервалах исследованы взаимосвязи между ЭП и такими влияющими факторами как температура, освещенность и сезон года.

Рассмотрены временные ряды ЭП как основного объекта исследований в данной работе. Из наблюдений суточных кривых электрической нагрузки Р(0 видно, что существуют определенные закономерности изменения нагрузки в различные часы суток. На рис. 1. показаны типичные кривые нагрузки в летние дни по данным Ростовского регионального диспетчерского управления

за одну неделю (с понедельника по воскресенье) в июне 2009 года, с интервалом дискретизации 1 час.

I, час суток

Рисунок 1. Профили суточных графиков часовой нагрузки Ростовского РДУ за период с 15 по 22 июня 2009 года.

Обычно нагрузка низкая и стабильная с 2:00 до 6:00 (ночной провал); затем она поднимается с 6:00 до 10:00 (утренний максим), а далее становится относительно неизменной до 17:00, после чего снижается постепенно до 19:00; после этого она снова поднимается до 22:00 (вечерний максимум); после 22:00 она снова снижается. В выходные дни или праздники нагрузка ниже чем в будние дни, в связи с уменьшением нагрузки промышленных предприятий.

Кроме суточной цикличности наблюдается цикличность в течение недели и годовая повторяемость графика Р(£).

Временной ряд электропотребления территории операционной зоны Ростовского РДУ в работе рассматривается как сумма трех компонент: тренд, сезонная компонента и случайная компонента.

Временной ряд ЭП течение года, имеет общую трендовую составляющую, связанную ростом (снижением) годового электропотребления и сезонные колебания (рисунок 2).

РДУ в период с 01.01.2009 г. по 31.12.2011 г. На рисунке 3 представлены временные ряды среднесуточных значений мощности ЭП (левая ось ординат) и среднесуточных значений температуры воздуха (правая ось ординат) в течение года.

1 31 61 91 121 151 181 211 241 271 301 331 361

_ номер суток

|-MQLL^ocTb « температура _

Рисунок 3 - Среднесуточное электропотребление Ростовского РДУ и среднесуточная температура воздуха с 01.09.2010 г. по 31.08.2011 г.

Зависимость среднесуточной мощности ЭП от среднесуточной температуры воздуха изображена на рисунке 4. Точки этой зависимости характеризуют период с 1 сентября 2010 г. по 31 августа 2011 г. на территории Ростовского РДУ. Они аппроксимированы полиномом 5-ой степени.

Коэффициент детерминации имеет достаточно высокое значение, Я"=0.8458, что указывает на наличие взаимосвязи между ЭП и температурой воздуха.

Рисунок 4 - Зависимость среднесуточной мощности от среднесуточной температуры с 01.09.2010 г. по 31.08.2011 г. для Ростовского РДУ.

Влияние температуры воздуха на электропотребление имеет более определенный характер, чем облачность и освещенность. На рисунке 5 представлен пример зависимости среднесуточной мощности от среднесуточной освещенности для операционной зоны Ростовского РДУ в течение 2011 года. Коэффицен-ты детерминации, как для линейной Я2 = 0.389, так и нелинейной Я2 = 0.354 моделей свидетельствуют о слабых корреляционных связях.

Р(0 = -2Е-241в + 2Е-19^ - 1Е-1414 + 2Е-1№3 - ЗЕ-ОП2 - 0.01741 + 2056.4

0 10000 20000 30000 40000 50000 60000

Среднесуточная освещенность, ЛЮКС

Рис. 5 Зависимость среднесуточного электропотребления от среднесуточной освещенности для Ростовского РДУ за 2011 год.

Разделение годовой выборки на сезоны года приводит к повышению коэффициентов детерминации линейной и нелинейной моделей, причем, как это видно из рисунка 6, существенно увеличение коэффициента для нелинейной модели.

2600 i- 2400

CD

5

S 2200 u

| 2000

0

| 1800 СП

1

5 1600

§ 1400 #

о 1200

P(t) = -2E-23t° + 3E-18t5 - 2Е-13t4 + 4E-09tJ - 4E-05t^ + 0.1579t + 1927.2 R2 .= n fi??R

♦

♦ ♦

7 * * ••'•.ч^..,.

J ♦ Г7Г7 ♦

I P(t)= -0.0143t + 2153.5

4500 9000 13500 18000 22500 27000 31500 36000 40500 45000 49500 Среднесуточная освещенность, ЛЮКС

Рис. 6 Зависимость среднесуточного мощности от среднесуточной освещенности для Ростовского РДУ в течение осени 2011 года

Характер распределения точек среднесуточной мощности в зависимости от освещенности показывает, что электропотребление имеет значительный разброс точек относительно кривых линейной и нелинейной регрессии.

В третьей главе описана модель искусственной нейронной сети (ИНС), которая разработана для решения задачи прогнозирования ЭП в операционных зонах РДУ.

Количество нейронов входного слоя соответствовало количеству учитываемых факторов. Входной и скрытый слои нейронов содержат по одному дополнительному нейрону, значения функции активации которых всегда равно единице. Введение этих нейронов привело к сокращению времени обучения. На первоначальном этапе была исследовался модель ИНС для прогнозирования электрической нагрузки на один день вперед, которая имела следующие параметры:

• количество входных переменных: 24 значения графика фактической мощности P(t); 24 значения графика фактической температуры 0(0, 24 значения графика фактической освещенности E(t) в предыдущую сутки; 24 значения прогнозного суточного графика температуры 0(t), 24 значения прогнозного суточного графика освещенности E(t);

• количество выходных переменных: 24 точки прогнозного суточного графики P(t) .

Фактические нагрузки для каждого временного интервала даже в течение одного и того же дня от недели к неделе не совпадают из-за праздников, особых дней, и пр. Поэтому было принято решение использовать метод самоорганизующихся карт (SOM) для кластеризации архивных данных с целью повышения точности прогнозирования особенно выходных и нерегулярных праздничных дней.

SOM была обучена с помощью алгоритма пошагового обучения в произвольном порядке. В результате данные обучающей выборки были

разделены на четыре кластера с высокой степенью корреляции данных внутри каждого кластера.

По завершении кластеризации выполняется прогнозирование электрической нагрузки на следующий день с помощью нейронной сети. Для четырех кластеров исходных данных были построены четыре ИНС, как показано на рисунке 7.

Рис. 7 Модель нейронной сети, основанная на кластеризации SOM

Для получения оптимальной по структуре и параметрам нейронной сети с целью прогнозирования электрической нагрузки на один день вперед в работе использовалась также оптимизация модели ИНС по алгоритму роя частиц (РЧ) (модель ИНС-РЧ).

Построение нейросетевой модели ИНС-SOM в среде MatLab выполнялось с помощью функции (net = newp(P(t), 6(0, ff(t),'purelin')); где входные векторы это P(t), 0(f), £■(£). Для реализации кластеризации по алгоритму SOM использовалась функция ( net = selforgmap([2 2])), где [2 2] означает, что входные данные разделяются на четыре кластера.

Инициация популяции роя частиц выполнялась с помощью функции [ParSwarm,OptSwarm]=InitSwarm(SwarmSize,ParticleSize,ParticleScope); оптимизация параметров С и о - с помощью функции

[ParSwarm,OptSwarm] = BaseStepPso(ParSwarm, OptSwarm, ParticleScope, MaxW, MinW, LoopC, CurCount).

Относительная ошибка прогнозирования принята в соответствии с методикой расчета, утвержденной Распоряжением № 132 от 14.04.2011 г. Оперативного штаба по совершенствованию конкурентного балансирующего рынка ОАО «СО-ЕЭС». Её значение вычислялось по формуле:

I прогн факт!

МАРЕ = ^. 5Я=11 ц " 1 ■ 100% (1)

i.k

f.прогн пфакт 1

\,к ' и,к ~ прогнозное и фактическое значения мощности для /-го часа прогнозируемых суток; N - количество суток.

Результаты анализа погрешностей прогнозирования трех исследованных вариантов нейросетевых моделей представлены в таблице 1.

Таблица 1 Эффективность моделей ИНС, ИНС-БОМ, ИНС-РЧ

ИНС ИНС-SOM ИНС-РЧ

МАРЕ % 5,5-9,0 4,5 - 6,3 3,5-5,0

В четвертой главе описаны результаты разработки и тестирования двух прогнозных моделей, первая из которых построена на адаптивной нейро-нечеткой сети ANFIS, а вторая - на методе опорных векторных машин SVM. Используемая в данной работе нейро-нечеткая система представляет собой комбинацию, состоящую из нейронной сети и алгоритмов нечеткой логики, в которой нейронная сеть используется для определения параметров нечеткой системы. В данной работе используется нечеткая модель первого порядка Така-ги-Сугено с двумя входами и одним выходом и с двумя функциями принадлежности для каждого входа. Модель состит из пяти слоев: Каждый узел первого слоя является адаптивным входом. Каждый узел второго слоя является фиксированным узлом, перемножающим входные сигналы и выходной сигнал. Выходное значение каждого узла представляет собой вес некоторого правила. Каждый i-й узел третого слоя определяет отношение веса i-ro правила к сумме весов всех правил. Выходные сигналы 3-го слоя являются нормализованными весами. Узел i четвертого слоя рассчитывает вклад одного нечеткого i-ro правила в выход сети. Единственный узел пятого слоя является фиксированным узлом, в котором вычисляется полное выходное значение адаптивной сети как сумма всех входных сигналов.

Для построения нейро-нечеткой сети ANFIS-модели в среде MatLab использовалась функция (out_fis = anfis((P(t), 6(t), E(t),in_fis, epoch n)). Пример результатов прогнозирования электропотребления с помощью ANFIS-модели показан на рис. 8.

Теория опорных векторных машин, разработанная В. Н. Вапником в 1995г. используется в данной работе для построения нелинейной регрессионной модели электропотребления с учетом температуры воздуха и освещенности. Для построения прогнозной модели используется предложенная J. Suykens и др. модификация метода SVM с использованием метода наименьших квадратов LS-SVM, которая является расширением стандартного метода SVM. Метод LS-SVM в работе адаптирован к данным электропотребления P(t) и метеофакторам 0(t) и E(t) по территории операционной зоны Ростовского РДУ.

В работе используется следующее выражениие для регрессионной модели прогнозирования на основе метода опорных векторов SVM:

т

рм = ^а1К(х„х) + Ь, / = 1.....m (2)

;=i

где х - т: мерный вектор исходных данных: электропотребление P(t), температура 0(t) и освещенность F(t); xi - m-мерный вектор координат центра рассеяния;а,,Ъ - линейные коэффициенты; К(х,,х ) - функция ядра, которая

выполняет нелинейное отображение входного пространства исходных данных (электропотребления, метеофакторы и др.) в пространство признаков более высокой размерности.

АОТК-модели

В данной работе в качестве функции ядра в регрессионной модели 8УМ (2) используется радиально-базисная функция следующего вида:

А:(х,х;) = ехр(-||х-х,.||2/сг2); (3)

где: а- стандартизированный параметр, определяющий разброс функции вокруг центральной точких,; Ц*, — - норма векторах,. — х , которая определяет расстояние между х1 и х.

Значения вектора коэффициентов Ъ в формуле (2) рассчитываются по формуле:

т

£ = ^ - Xа1К(х1, х) а. е (0) С) (4)

Выбор параметров Си С в методе БУМ основывается на результатах опыта. В данной работе первоначально эмпирически получены наилучшие по точности прогнозирования результаты при С = 30, сг =2, соответственно.

Затем был использован алгоритм роя частиц для оптимизации модели БУМ для Ростовского РДУ, при котором параметры функции ядра и параметры регуляризации выбирались из диапазона С= [0,1+150], сг = [0, 1+10]. В результате были получены наилучшие по точности прогнозирования значения С и СГ , которые приведены в таблице 2.

Таблица 2. Значения Си С после оптимизации

Время года лето зима осень весна

С 15,0 140.1 35.3 150,0

О 3,9 10,0 7,7 2.4

Блок-схема процесса оптимизации параметров модели SVM и прогнозирования электропотребления показана на рис 9. Результат прогнозирования электропотребления с помощью модели SVM и SVM с РЧ показан на рис. 8.

С

Начало

j

Ф

Оптимальные значения параметров опорных векторов (С,а)

Прогноз по SVM

Конец

j

Рис. 9. Блок-схема процесса оптимизации параметров модели SVM и прогнозирования электропотребления.

SVM с РЧ.

Входные данные содержат архивные данные нагрузки, значение типа дня, максимальные, минимальные и средние значения температуры и освещенности за сутки, а также прогнозные значения температуры и освещенности. Выход представляет значение нагрузки в точке прогнозирования.

Выборка исходных за год по Ростовскому РДУ разбивается на четыре выборки по сезонам года: весна, лето, осень , зима. Данные за 2009-2011 годы рассматривались как обучающая выборка.

Таблица 3. Значения ошибки прогнозирования электропотребления исследованных в моделей А№18 и 8УМ для операционной зоны Ростовского РДУ в сентябре 2011г.__

Дата Ошибка прогнозирования, МАРЕ для прогнозных моделей %

ANFIS SVM SVM с РЧ

06/11/2011 4.8 3.8 2.5

26/11/2011 4 3 1.8

30/11/2011 3 1.6 1

Средние значения за ноябрь 2011г. 3.3 2.5 2

Для построения модели SVM и оптимизации параметров с помощью алгоритма РЧ в среде MatLab использовались следующие функции: [a,fval]=quadprog(P(t), 6(t), E(t),f,Aeq,beq,option) - функция для получения коэффициентов Лагранжа а,. Инициация популяции роя частиц и оптимизация параметров модели выполнялась с помощью функций, которые использовались для модели ИНС.

В заключении приводятся основные выводы и результаты работы.

В приложениях представлены листинги основных модулей программы; копии актов о внедрении результатов работы и дипломы по результатам участия в конференциях.

ЗАКЛЮЧЕНИЕ

В диссертационной работе выполнен комплекс исследований по повышению точности краткосрочного прогнозирования электропотребления для территорий операционных зон региональных диспетчерских управлений с учетом температуры воздуха и естественной освещенности.

Основные результаты работы заключаются в нижеследующем.

1. Разработана модель для краткосрочного прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений, основанная на методе опорных векторов и алгоритме роя частиц, отличающаяся тем, что в ней в качестве одного из влияющих факторов учитываются значения естественной освещенности, что позволяет повысить точность моделирования и прогнозирования.

2. Исследования моделей нейронной сети, нейро-нечеткой сети и регрессионной модели на основе опорных векторов показали, что наилучшими аппроксимирующими свойствами при решении задачи краткосрочного прогнозирования электропотребления с учетом температуры воздуха и естественной освещенности для филиалов ОАО «СО ЕЭС» - региональных диспетчерских управлений обладает регрессионная модель на основе теории опорных векторов.

3. Совершенствование методов краткосрочного прогнозирования электропотребления с учетом влияющих на него факторов развивается в направления создания комбинированных моделей, использующих такие методы и модели как нейронные сети, нечеткие алгоритмы и методы опорных векторных машин с использованием эволюционных алгоритмов для оптимизации параметров моделей.

4. Значительная доля прогнозных моделей, опубликованных в работах по прогнозированию электропотребления с учетом метеофакторов, учитывает лишь один влияющий фактор - температуру воздуха. Известны разработки прогнозных моделей, позволяющих учитывать облачность, скорость ветра, солнечную радиацию и влажность. Работы, в которых в качестве второго основного фактора, влияющего на электропотребление, учитываются инструментальные данные фактической освещенности, ведутся лишь в России.

5. Регрессионная модель БУМ-РЧ дает наилучшие результаты при прогнозировании утренних и вечерних максимумов, а также имеет минимальную погрешность при прогнозировании суточных графиков выходных и нерегулярных дней по сравнению с моделями ИНС и А№15.

6. Исследованные в работе, прогнозные модели, показывающие положительные результаты при апостериорном прогнозировании в некоторых случаях

дают неудовлетворительные для практики результаты при реальном прогнозировании, особенно при наличии погрешностей в прогнозах метеофакторов. Для устранения указанных недостатков необходима дополнительная адаптация разрабатываемых моделей к реальным условиям прогнозирования.

7. В работе показано, что использование алгоритма роя частиц при выборе количества нейронов в скрытом слое, а также кластеризация данных с помощью метода самоорганизующихся карт перед вводом их в нейронную сеть снижают погрешность прогнозирования модели ИНС, построенной с помощью стандартных функций MatLab. Однако это не позволило достичь требуемых результатов по точности прогнозирования и превзойти по этому показателю разработанные ранее для Ростовского РДУ нейросетевые модели Демуры A.B. и Губского С.О., которые имеют погрешности в диапазоне [3,0 % - 4.8%]. Предложенные в работе модели ANFIS и SVM имеют следующие погрешности: ANFIS - [ 2.2% - 4.2 %]; SVM - [ 1.3% - 3.2% ] и SVM-РЧ - [1% - 2.5%].

8. Кластеризация исходных данных по четырем сезонам года повышает точность прогнозирования, но имеет недостаток, связанный с увеличением погрешности моделирования и прогнозирования электропотребления в начале и конце сезонов. Более точные результаты могут быть получены, если перейти от фиксированных по времени интервалов обучающей выборки к "скользящему интервалу", ширина которого определяется радиусом обучающей окрестности.

10. Разработана программа краткосрочного прогнозирования электропотребления для региональных диспетчерских управлений на основе метода SVM с использованием алгоритма роя частиц «Прогноз ЭТО PSO SVM», на которую подана заявка на официальную регистрацию.

11. Результаты данной работы предлагается использовать при модернизации программного обеспечения краткосрочного прогнозирования электропотребления в Ростовском РДУ и могут быть рекомендованы к применению для других филиалов ОАО «СО ЕЭС» - региональных диспетчерских управлений, с соответствующей адаптацией прогнозных моделей.

К перспективам дальнейшей разработки темы можно отнести следующие направления:

- поиск методов сокращения времени обучения моделей и прогнозирования электропотребления;

- использование метода SVM-РЧ для оперативного прогноза электропотребления;

- исследование прогнозной модели SVM-РЧ с использованием "скользящего интервала" обучающей выборки.

СПИСОК РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

в изданиях, включенных в список ВАК:

1 Надтока И.И. Краткосрочное прогнозирование электропотребления региона с учетом метеофакторов на основе метода опорных векторов и алгоритма роя частиц / И.И. Надтока, Б.М. Аль Зихери // Изв. вузов. Электромеханика. 2014 -№3,- с. 44-48.

2 Надтока И.И. Краткосрочное прогнозирование электропотребления с помощью метода наименьших квадратов опорных векторов (LS-SVM) / И.И.Надтока, Б.М. Аль Зихери // Современные проблемы науки и образования [Электронный ресурс].- 2013, № 6. Режим доступа: http:/Avww.science-education. ru/l 13-11213.

в прочих работах по теме диссертации:

3 Надтока И.И. Байесовская нейросетевая модель для краткосрочного прогнозирования электропотребления региона/ И.И. Надтока, Б.М. Аль Зихери// Студенческая научная весна-2011: материалы региональной научно-практической конференции студентов, аспирантов и молодых ученых вузов Ростовской области/ Юж.-Рос. гос. политехи, ун-т. (НПИ) имени М.И. Платова-Новочеркасск: 2012.-е. 136-137.

4 Надтока И.И. Адаптивная нейросетевая модель для краткосрочного прогнозирования электропотребления региона / И.И. Надтока, Б.М. Аль Зихери // кибернетика электрических систем: сборник тезисов и статей всероссийской молодежной научной школы // Юж.-Рос. гос. политехи, ун-т. (НПИ),- Новочеркасск: ЛИК, 2012,- с.18-21.

5 Nadtoka I.I. Short term load forecasting by using MLPNN trained by self organizing method / I.I. Nadtoka, B.M. Al-Zihery // Международная научно-практическая конференция, Методы и алгоритмы прикладной математики в технике, медицине и экономике: материалы XIII международной науч.-практ. конф., г.Новочеркасск, 12 марта 2013 / Юж.-Рос. гос. политехи, ун-т. (НПИ) имени М.И. Платова- Новочеркасск: 2013- с.61-66.

6 Al-Zihery B.M. Electric load short-term forecasting: literature survey and classification of methods// Современные энергетические системы и комплексы и управление ими: материалы XI международной науч.-практ. конф., г.Новочеркасск, 24 июня 2013 // Юж.-Рос. гос. политехи, ун-т. (НПИ) имени М.И. Платова- Новочеркасск: 2013- с.28-34.

7 Надтока И.И. Краткосрочное прогнозирование нагрузки на основе нейронной сети с использованием метода роя частиц/ И.И. Надтока, Б.М. Аль Зихери // Современные энергетические системы и комплексы и управление ими: материалы XI международной науч.-практ. конф., г.Новочеркасск, 24 июня 2013 // Юж.-Рос. гос. политехи, ун-т. (НПИ) имени М.И. Платова- Новочеркасск: 2013-с.34-38.

8 Надтока И.И. Краткосрочное прогнозирование электропотребления с помощью метода наименьших квадратов опорных векторов / И.И. Надтока, Б.М. Аль Зихери // Электроэнергетика глазами молодежи: научные труды меж-

дународной научно-технической конференции: сборник статей / Юж.-Рос. гос. политехи, ун-т. (НПИ) имени М.И. Платова- Новочеркасск: 2013- с.190-194.

9 Надтока И.И. Краткосрочное прогнозирование нагрузки с учетом метеофакторов на основе теории опорных векторов и алгоритма роя частиц / И.И. Надтока, Б.М. Лль Зихери // Компьютерные технологии в науке производстве, социальных и экономических процессах: материалы XIV международной науч.-практ. конф., г. Новочеркасск, 12 декабря 2014 г. / Юж.-Рос. гос. политехи. ун-т. (НПИ) имени М.И. Платова- Новочеркасск: 2014- с.93-98.

10 Надтока И.И. Краткосрочное прогнозирование нагрузки с учетом метеофакторов па основе адаптивной нейро-нечеткой сети / И.И. Надтока, Б.М. Аль Зихери // Современные энергетические системы и комплексы и управление ими: материалы XII международной науч.-практ. конф., г. Новочеркасск, 25 июня 2014 // Юж.-Рос. гос. политехи, ун-т. (НПИ) имени М.И. Платова- Новочеркасск: 2014 - с.49-55.

11 Аль Зихери Б.М. Краткосрочное прогнозирование электропотребления на основе адаптивной нейро- нечеткой сети / Б.М. Аль Зихери, И.И. Надтока, A.B. Ерашов, A.A. Тимусь // Электроэнергетика глазами молодежи: научные труды международной научно-технической конференции: сборник статей // Томский политехи, ун-т., г. Томск: 2014-с.164-167.

Вклад автора в результаты работ, опубликованных в соавторстве, заключаются в разработке и тестировании прогнозных моделей и выполнении примеров прогнозирования [1-^- 5, 7-5-10]; разработке и тестировании модели [11].

Аль Зихери Баласим Мохаммед

ПОВЫШЕНИЕ ТОЧНОСТИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ ПОТРЕБИТЕЛЕЙ РЕГИОНА С УЧЕТОМ МЕТЕОФАКТОРОВ НА ОСНОВЕ МЕТОДА ОПОРНЫХ ВЕКТОРОВ

Автореферат

Подписало в печать 06.05.2015 Формат 60x84 '/к,. Бумага офсетная. Печать цифровая. Усл. иеч. л. 1,0. Тираж 100 экз. Заказ № 46-0655.

Отпечатано в издательстве ИД «Политехник» 346428. г. Новочеркасск, ул. Первомайская, 166 idp-npifflmail.ru