4. Прогнозные модели, основанные на методах искусственного интеллекта. (3 часа).

4.1. Моделирование и прогнозирование электропотребления на основе искусственных нейронных сетей

Модели искусственных нейронных сетей, применяемые для создания многофакторных моделей электропотребления, основываются на методе потенциальных функций, который применяется в задачах распознавания образов и их автоматической классификации.

В электроэнергетике используется перцептронная реализация метода потенциальных функций. На основе моделей многослойного перцептрона и искусственной нейронной сети решены задачи классификации суточных гра­фиков нагрузки и их краткосрочного прогнозирования на срок от одних до десяти суток и моделирования электропотребления промышленного предприятия.

Для прогнозирования электропотребления в настоящее время используются методы, сочетающие различные направления искусственного интеллекта: искусственные нейронные сети; нейро-нечеткие сети; генетические алгоритмы для обучения нейронных сетей и др.. Наиболее развитым направлением является применение для моделирования и прогнозирования электропотребления различных моделей искусственных нейронных сетей [2, 14, 42, 48, 52, 54]. Нейронные сети могут отличаться по структуре, свойствам нейронов, способам обучения [11].

Достоинствами модели нейронной сети типа "многослойный перцептрон" являются возможность использования ее в случаях, когда существенно затруднено описание статистических закономерностей традиционными методами, а также способность выявлять взаимозависимости входных величин, т.е. на вход можно подавать коррелированные влияющие факторы[14].

Нейронная сеть "многослойный перцептрон" состоит из входного, выходного и одного или нескольких промежуточных слоев нейронов.

Любой нейрон связан со всеми нейронами предыдущего и следующего слоев. Эти связи характеризуются весами w . Внутри слоя нейроны не имеют связи друг с другом. Все нейроны идентичны и выполняют суммирование входных сигналов x , умноженных на определенные веса w . Затем выполняется преобразование результата суммирования в соответствии с передаточной функцией f( x) , т.е. сигнал на выходе нейрона ν равен

, ( 3.5 )

где , n - количество входов нейрона.

Перед использованием нейронной сети для прогнозирования ее необходимо обучить статистическим закономерностям, содержащимся в предыстории, с помощью итерационного процесса изменения весовых коэффициентов связи между нейронами: подавая на входные нейроны значения влияющих факторов (входной вектор X) сравнивать выходы нейронов последнего слоя (выходной вектор V) с желаемым выходным вектором (фактическими значениями из предыстории, соответствующими входному вектору X) и добиваться наилучшего приближения, изменяя значения весовых коэффициентов. Для обучения используется алгоритм обратного распространения ошибки [53]. Для ускорения обучения в некоторых случаях возможно упрощение передаточных функций входных нейронов и вместо ( 3.5 ) принимается f() =  = x , что приводит к существенному сокращению количества итераций.

4.2 Прогнозная нейронная модель электропотребления с учетом метеофакторов

Многофакторная модель прогнозирования построена на базе искусственной нейронной сети с учетом опыта, накопленного при моделировании и прогнозировании электропотребления ОАО «Ростовэнерго» [8, 13, 43].

Рис. 4.1 Структура нейронной сети для прогнозирования суточных графиков электропотребления

Предлагаемая в [54] нейронная сеть описывает закономерности изменения нагрузки в зависимости от часа суток, дня недели, месяца и метеорологических условий. Такая нейронная сеть имеет множество входов и один выход. В данной работе предлагается нейронная сеть, имеющая 24 выходных нейрона (по количеству часов в сутках), нейроны в промежуточном слое и 51 входной нейрон (рис.3.2). Рассмотрим подробнее назначение ее входных нейронов.

Один входной нейрон служит для учета сложившегося уровня текущего потребления электроэнергии. Для отстройки от недельной неравномерности на вход этого нейрона (x₁) подается среднее потребление электроэнергии в энергосистеме за предыдущие пять рабочих дней.

Другие два нейрона (2-й и 3-й) используются для учета температуры воздуха в прогнозируемый и предыдущий дни (x₂ и x₃).

Для учета сезонности используются 36 нейронов (входы x₄ - x₃₉ по количеству декад в году), а для учета типа суток - 10 нейронов (7 дней недели, праздничные, предпраздничные и послепраздничные дни, входы x₄₀ - x₄₉). Один нейрон служит для учета летнего времени (x₅₀).

Для учета естественной освещенности в данную модель добавлен еще один нейрон, на вход которого подаются числа (x₅₁), соответствующие различной облачности («ясно», «малооблачно», «облачно», «пасмурно с просветами», «пасмурно»).

Описанная модель без учета освещенности используется в программе краткосрочного прогнозирования электропотребления, эксплуатируемой в ОАО «Ростовэнерго с 1997 года.