Вы находитесь на странице: 1из 6

Технические науки

УДК 621.311:519.8

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ НА ОСНОВЕ НЕЧЕТКОЙ


НЕЙРОННОЙ СЕТИ И ЕЕ СРАВНЕНИЕ С ДРУГИМИ МЕТОДАМИ
В.З. Манусов, Е.В. Бирюков
Новосибирский государственный технический университет
E-mail: biruikov_e@rambler.ru
Показано сравнение как ранее предложенных, так и вновь разрабатываемых методов краткосрочного прогнозирования элек-
трической нагрузки: регрессионного анализа, нейронных сетей, нечетких нейронных сетей. Сравнение подходов основывается
на решении задачи суточного прогнозирования величины электрической нагрузки. Основной целью сопоставительного анализа
методов прогнозирования является выявление наиболее оптимального подхода к прогнозированию электрической нагрузки с
точки зрения точности и работоспособности при неполной входной информации.

Введение 1. Общая характеристика состояния проблемы


прогнозирования и пути ее решения
Прогнозирование электрической нагрузки
обеспечивает основную исходную информацию Для того чтобы управлять какой-либо системой
для принятия решений при управлении электро- или объектом, необходимо предвидеть. При упра-
энергетическими системами в процессе планиро- влении электроэнергетическими системами одним
вания их нормальных электрических режимов. На из инструментов предвидения для принятия упра-
основе прогнозирования нагрузок рассчитываются вленческих решений является прогнозирование
исходные и оптимальные режимы электроэнерге- электрической нагрузки. Прогнозирование нагруз-
тических системам, оценивается их надежность, ки играет важную роль в управлении мощными
экономичность, качество электроэнергии и т. п. энергосистемами.
Большинство алгоритмов прогнозирования До настоящего времени разработано большое
электрической нагрузки, разработанных в электро- количество методов и моделей прогнозирования
энергетике, представляют собой комбинацию раз- электрической нагрузки энергосистем. Анализ раз-
личных статистических процедур. Существуют ме- работанных методов прогнозирования показал, что
тоды прогнозирования, в которых производится практическое применение их связано с определен-
выделение так называемой базовой составляющей ными трудностями. Одни методы приводят к зна-
в изменениях нагрузки. Кроме этого есть методы, в чительным погрешностям в оценке прогнозируе-
которых изменения нагрузки рассматриваются как мых величин, другие из-за сложности математиче-
случайный процесс. Однако точное моделирование ского аппарата не получили широкого применения
является затруднительным из-за нелинейных и для решения практических задач электроэнергети-
сложных отношений между нагрузкой и фактора- ки. Поэтому проблема разработки методики прог-
ми, от которых она зависит. Помимо этого нужно нозирования нагрузки весьма актуальна.
заметить, что существующие методы прогнозиро- Среди ранее разработанных методов прогнози-
вания электрической нагрузки не могут работать с рования можно выделить следующие подходы:
«зашумленными» или неполными данными, в то
время как в реальной жизни зачастую приходится Авторегрессия. Может быть применена следую-
иметь дело именно с такой информацией. Поэтому щая форма авторегрессионной модели
4
необходимы новые подходы, методы для прогнози-
рования электрической нагрузки, которые бы мо-
L(t , d ) ¦ D L (t, d ),
k 1
k k

гли учитывать данные различного рода, умели ра-


ботать с неточными, неполными входными данны- где Dk – линейные веса, обеспечивающие опти-
ми. Одним из таких новых, развивающихся подхо- мальную комбинацию четырех отдельных прогно-
дов является метод, основанный на нечеткой логи- зов; L1(t,d) – прогноз L(t,d) на основе авторегресси-
ке и нейронных сетях, получивший название не- онной модели первого порядка с задержкой 1 ч;
четкие нейронные сети. Такой метод может ис- L2(t,d), L3(t,d), L4(t,d) – то же с задержкой одни сут-
пользовать заранее известную информацию, об- ки, неделя и год соответственно.
учаться, приобретать новые знания, прогнозиро- Среднеквадратичные ошибки суточного прог-
вать, выполнять классификацию образов и кроме нозирования электрической нагрузки на основе
этого нечеткие нейронные сети являются достаточ- данного подхода, по данным [1], не превышают 4 %.
но наглядными для пользователя. В свою очередь, Обобщенное экспоненциальное сглаживание.
так же как и при классификации образов, предска- Обобщенный метод экспоненциального сглажива-
зание электрической нагрузки базируется на учете ния может быть применен для прогнозирования
свойств прогнозируемого процесса. суммарных часовых нагрузок:

153
Известия Томского политехнического университета. 2006. Т. 309. № 6

L(t ) aT f (t )  H (t ). системы нечеткого вывода и производить в ней


необходимые изменения.
где aТ – это транспонированный вектор экспонен-
циально сглаженных весов; f(t) – вектор сглажи- Резюмируя выше сказанное можно заметить, что
вающих функций. искусственные нейронные сети и системы с нечет-
кой логикой эквивалентны друг другу. Это сообра-
Сглаживающие функции представляют собой жение легло в основу аппарата нечетких нейронных
разложения в ряд Фурье на периоде одной недели [2]. сетей. Основная идея нечетких нейронных сетей за-
Однако помимо выше упомянутых методов ключается в том, что используется существующая
прогнозирования нагрузки, в настоящее время выборка данных для определения параметров функ-
применяется новый подход, основанный на нечет- ций принадлежности, которые лучше всего соответ-
кой логике и нейронных сетях, который вобрал в ствуют некоторой системе логического вывода, то
себя свойства присущие этим направлениям. есть выводы делаются на основе аппарата нечеткой
логики. А для нахождения параметров функций
2. Основные положения искусственных нейронных принадлежности используются алгоритмы обучения
сетей и нечетких нейронных сетей нейронных сетей. Такие системы могут использо-
вать заранее известную информацию, обучаться,
Искусственные нейронные сети – это устрой- приобретать новые знания, прогнозировать времен-
ства, основанные на параллельной обработки ин- ные ряды, и кроме этого они являются вполне на-
формации всеми звеньями. Они обладают способ- глядными для пользователя [5]. Процесс прогнози-
ностью к обучению и обобщению накопленных зна- рования нагрузки может состоять из следующих эта-
ний. Нейронным сетям присущи черты искусствен- пов: подбор архитектуры нечеткой нейронной сети;
ного интеллекта. Натренированная на ограничен- выбор обучающих и тестовых данных; тренинг сети;
ном множестве данных сеть способна обобщать по- тестирование сети на контрольном множестве дан-
лученную информацию и показывать хорошие ре- ных; использование сети в качестве средства прог-
зультаты на данных, не использовавшихся в процес- нозирования; возможное дообучение.
се обучения. К выполняемым нейронными сетями
функциям относятся аппроксимация, классифика-
3. Сравнительный анализ методов прогнозирования
ция, прогнозирование, оценивание [3]. Предпочте-
электрической нагрузки энергосистем
ние их традиционным моделям обусловлено тем,
что при этом не требуется построения модели Случайный, вероятностный характер измене-
объекта, не теряется работоспособность при непол- ний нагрузки энергосистемы является одной из су-
ной входной информации. Однако нейронные сети щественных особенностей процесса. Вследствие
все же обладают недостатками. Известно, что ней- наличия случайной составляющей, естественного
ронные сети автоматически могут приобретать, на- роста нагрузки и влияния различных факторов,
капливать знания. Но сам процесс их обучения про- строгой периодичности в графиках нагрузки нет.
исходит достаточно медленно, а последующий ана- Ранее предложенные многочисленные методы
лиз уже обученной нейронной сети является слож- прогнозирования электрической нагрузки на прак-
ным. Многие из этих недостатков могут быть разре- тике сталкиваются с определенными трудностями.
шены с помощью систем с нечеткой логикой. Вследствие чего появляются новые методы для
Нечеткое множество – это такое множество, прогнозирования нагрузки: нейронные сети и не-
которое содержит совокупность элементов произ- четкие нейронные сети. Эти новые подходы заслу-
вольной природы. Причем относительно этих эл- живают определенного внимания. Причем с прак-
ементов нельзя с полной определенностью сказать тической точки зрения важными являются вопросы
– принадлежит или не принадлежит тот или иной точности прогнозирования предлагаемых методов.
элемент рассматриваемой совокупности данному В связи с этим в настоящей работе выполняется
множеству. Именно нечеткое управление оказыва- сравнение и поиск наиболее точной модели прог-
ется наиболее полезным, в том случае если техно- нозирования среди ранее предложенных и новых
логические процессы являются слишком сложны- моделей. Производится сравнение следующих ме-
ми для анализа с помощью общепринятых количе- тодов прогнозирования нагрузки: регрессионные
ственных методов или когда исходная информация модели; нейронные сети; нечеткие нейронные сети.
интерпретируется неточно, неопределенно. Нечет- Сравнение данных подходов основывается на
кая логика, на которой основано нечеткое управле- решении задачи суточного прогнозирования вели-
ние, ближе по духу к человеческому мышлению и чины электрической нагрузки. Основными крите-
естественным языкам. Следует отметить, что си- риями сравнения этих методов являются наимень-
стемы, в которых применяется нечеткая логика, шая ошибка прогнозирования (точность), работос-
позволяют решать задачи принятия решений, рас- пособность при неполной входной информации,
познавания образов, классификации данных и устойчивость к помехам (другими словами устой-
многие другие [4]. Однако они не могут автомати- чивость к искаженной, неточной информации). В
чески обучаться и приобретать новые знания. Для качестве исходных данных используется архив
пользователя такие системы являются удобными ежедневных параметров вырабатываемой электро-
еще и тем, что они позволяют ему видеть структуру энергии, перетоков активной мощности и темпера-

154
Технические науки

туры окружающей среды по энергообъединению в ошибки; функция создания сети Элмана; функция
целом за зимний период. Следует заметить, что создания «классической» многослойной нейрон-
входные параметры задавались интервально, то ной сети с обучением по методу обратного распро-
есть для каждого из них указывались минимальные странения ошибки [6]. Одновременно с этим рас-
и максимальные значения. Прогнозирование элек- сматривались различные функции активации: по-
трической нагрузки выполнялось отдельно для ра- лулинейная с насыщением; логистическая; сигмо-
бочих дней и отдельно для выходных дней. идальная (гиперболический тангенс). На основе
Регрессионная модель для прогнозирования минимума ошибки обучения, времени обучения и
электрической нагрузки в рабочие дни может быть минимальной ошибки прогнозирования была вы-
записана следующим образом брана наилучшая нейронная сеть, которая создана
Y 721, 2451  0,3609 X 1 0,3125 X 2 
с помощью функции создания разновидности мно-
гослойной нейронной сети с обратным распро-
4,6847 X 3  0,1928 X 4  2,3710 X 5  1,7592 X , (1) странением ошибки и логистической функции ак-
где X1 и X2 – минимальное и максимальное значения тивации. Предложенная нейронная сеть является
вырабатываемой электроэнергии; X3 и X4 – мини- оптимальной для прогнозирования электрической
мальное и максимальное значения температуры нагрузки как в рабочие, так и в выходные дни.
окружающей среды; X5 и X6 – минимальное и макси-
мальное значения перетоков активной мощности.
Далее эта модель была протестирована на до-
полнительной выборке данных. По результатам те-
стирования найдены ошибки прогнозирования
данной моделью, которые графически представле-
ны на рис. 1. Здесь по оси абсцисс откладывается
точка опыта, то есть номер выборки из общей сово-
купности тестовых данных для рабочих дней. По
оси ординат откладываются значения ошибок для
каждого номера выборки. Средняя ошибка прог-
нозирования этой модели составляет 3,5 %.
Подобно модели для рабочих дней построена
регрессионная модель для прогнозирования элек-
трической нагрузки в выходные дни
Y 94,707  0,7462 X 1 0, 2194 X 2 
3,0953 X 3  2, 4862 X 4  0,7044 X 5  0, 2270 X 6. (2)
В дальнейшем эта модель тестировалась на допол-
нительной выборке, характерной для выходных дней.
По результатам тестирования рассчитаны ошибки
прогнозирования электрической нагрузки созданной
регрессионной модели, рис. 1. Средняя ошибка прог-
нозирования электрической нагрузки регрессионной
моделью для выходных дней составляет 3 %.
Роль нейронной сети при решении задач прог-
нозирования состоит в предсказании будущей ре-
акции системы по ее предшествующему поведе-
нию. Обладая исходной информацией о значениях
переменной x в моменты времени, предшествую-
щие прогнозированию, нейронная сеть вырабаты- Рис. 1. Ошибка прогнозирования регрессионной модели
вает решение, каким будет наиболее вероятное для рабочих (вверху) и выходных (внизу) дней
значение прогнозируемого параметра в момент
времени t. Причем процесс прогнозирования, то Нейронная сеть для прогнозирования электри-
есть функционирования нейронной сети, происхо- ческой нагрузки в рабочие дни создана на основе
дит достаточно быстро. Решение задачи прогнози- исходных данных, характерных для этого типа
рования электрической нагрузки на основе ней- дней. Далее сеть тестировалась на дополнительной
ронных сетей реализуются с помощью пакета рас- выборке данных. На основе сравнения фактиче-
ширения Neural Networks Toolbox (Нейронные се- ских значений и значений на выходе нейронной
ти) системы MATLAB. При разработке нейронных сети, рассчитаны ошибки прогнозирования на-
сетей для прогнозирования нагрузки применялись грузки нейронной сети для рабочих дней, предста-
различные функции создания нейронных сетей: вленные на рис. 2. Средняя ошибка прогнозирова-
функция создания разновидности многослойной ния электрической нагрузки данной нейронной
нейронной сети с обратным распространением сетью составляет 2,9 %.

155
Известия Томского политехнического университета. 2006. Т. 309. № 6

Та же самая архитектура нейронной сети при- торой реализуется алгоритм Сугено. Это связано с
менена для прогнозирования электрической на- тем, что нечеткая нейронная сеть с алгоритмом Су-
грузки в выходные дни. Выборка исходной инфор- гено имеет меньшую ошибку обучения и ошибку
мации характерна для выходных дней. По результа- прогнозирования. Далее для прогнозирования
там тестирования на дополнительной выборке дан- электрической нагрузки, как в рабочие, так и в вы-
ных и сравнения фактических значений и значе- ходные дни разрабатывались нечеткие нейронные
ний на выходе нейронной сети, рассчитаны ошиб- сети с алгоритмом Сугено.
ки прогнозирования, рис. 2. Средняя ошибка прог- Нечеткая нейронная сеть для суточного прог-
нозирования электрической нагрузки этой ней- нозирования электрической нагрузки в рабочие
ронной сетью составляет 2,1 %. дни создана с применением данных, характерных
для рабочих дней. Структура такой сети предста-
влена на рис. 3.

Рис. 3. Структура сгенерированной нечеткой нейронной сети

В этой нечеткой нейронной сети для каждой


входной переменной выбрано две функции при-
надлежности. Каждая их этих функций принад-
лежности является трапециидальной. Для выход-
ного параметра был выбран тип постоянной функ-
ции принадлежности. Выбор типа и количества
функций принадлежности осуществлялся на осно-
вании минимальной ошибки обучения. Нечеткая
нейронная сеть далее тестировалась на дополни-
тельной выборке данных. По результатам сравне-
ния фактических значений и значений выхода не-
четкой нейронной сети рассчитывались ошибки
прогнозирования, которые графически предста-
Рис. 2. Ошибка прогнозирования нейронной сетью для ра- влены на рис. 4.
бочих (вверху) и выходных (внизу) дней Средняя ошибка прогнозирования электриче-
ской нагрузки, сгенерированной нечеткой нейрон-
Нечеткая нейронная сеть является одной из ви- ной сети для рабочих дней, составляет 2,5 %.
дов систем искусственного интеллекта, которая
объединяет в себе основные свойства присущие Нечеткая нейронная сеть для суточного прог-
нейронным сетям и системам с нечеткой логикой. нозирования электрической нагрузки в выходные
Практическая реализация нечетких нейронных се- дни создана с учетом исходных данных, характер-
тей для решения задачи суточного прогнозирова- ных для выходных дней. Структура созданной не-
ния электрической нагрузки выполняется в пакете четкой нейронной сети аналогична структуре сети,
Fuzzy Logic Toolbox (Нечеткая логика) системы созданной для прогнозирования нагрузки в рабо-
MATLAB. В этом пакете нечеткие нейронные сети чие дни (рис. 3). В сети для выходных дней также
реализованы в форме так называемой адаптивной выбрано две функции принадлежности для каждой
системы нейро-нечеткого вывода ANFIS [7]. При входной переменной. Каждая их этих функций
разработке нечеткой нейронной сети для прогно- принадлежности является треугольной. Для выход-
зирования нагрузки применялись два наиболее ного параметра был выбран тип постоянной функ-
распространенных и чаще всего применяемых на ции принадлежности. Выбор типа и количества
практике алгоритма нечеткого вывода: алгоритм функций принадлежности также осуществлялся на
Мамдани и алгоритм Сугено. На основе тестирова- основании минимальной ошибки обучения. Не-
ния сетей, созданных с применением этих алгорит- четкая нейронная сеть далее тестировалась на до-
мов была выбрана нечеткая нейронная сеть, в ко- полнительной выборке данных и результаты срав-
нения фактических значений и значений выхода

156
Технические науки

нечеткой нейронной сети представлены на рис. 4. благодаря тому, что в нечетких нейронных сетях
Средняя ошибка прогнозирования электрической объединены основные свойства нейронных сетей и
нагрузки созданной нечеткой нейронной сети для систем нечеткого вывода. Таким образом, можно
выходных дней составляет 1,5 %. сказать, что проверка построенной модели нечет-
кой нейронной сети показывает достаточно высо-
кую степень ее адекватности реальным исходным
данным, что позволяет сделать вывод о возможно-
сти ее практического использования для прогнози-
рования электрической нагрузки.

Таблица. Средние ошибки прогнозирования, %


Средняя ошибка прогно- Регрессион- Нейрон- Нечеткая ней-
зирования эл. нагрузки ная модель ная сеть ронная сеть
Для рабочих дней 3,5 2,9 2,5
Для выходных дней 3,0 2,1 1,5

Рис. 4. Ошибка прогнозирования нечеткой нейронной сетью


для рабочих (вверху) и выходных (внизу) дней

На основе приведенных выше ошибок прогно-


зирования по каждому из методов, можно сказать,
что точности прогнозирования у каждого метода
существенно различаются. Ниже графически пред-
ставлено сравнение ошибок прогнозирования
электрической нагрузки каждого метода для рабо-
чих дней и выходных дней. Из рис. 5, отражающе-
го сопоставление ошибок прогнозирования каждо-
го метода для рабочих дней, видно, что регрессион-
ная модель имеет большое число выбросов и соот- Рис. 5. Сравнение моделей прогнозирования для рабочих
ветственно большую ошибку прогнозирования. (вверху) и выходных (внизу) дней
Нечеткая нейронная сеть в этом случае дает наиме-
ньшую ошибку. Аналогичным образом из рис. 5 Заключение
можно сделать вывод, что регрессионная модель
обладает большей ошибкой, а нечеткая нейронная Современные требования практики к точности
сеть также позволяет выполнить прогнозирование прогнозных расчетов приводят к тому, что ранее
с большей точностью, т. е. дает минимальную разработанные методы не всегда обеспечивают тре-
ошибку. В таблице представлены средние ошибки буемую точность результатов. Поэтому в настоящее
прогнозирования каждого метода для рабочих и время предлагаются, разрабатываются, внедряются
выходных дней. новые подходы к прогнозированию электрической
Из таблицы видно, что нечеткие нейронные се- нагрузки. К таким новым методам относятся ней-
ти позволяют провести прогнозирование электри- ронные сети и нечеткие нейронные сети.
ческой нагрузки с более высокой точностью, при- В настоящей работе выполнено сравнение сле-
чем как для рабочих дней, так и для выходных дующих методов: регрессионный анализ, нейрон-
дней. Такая точность прогнозирования достигается ные сети, нечеткие нейронные сети. Сравнение

157
Известия Томского политехнического университета. 2006. Т. 309. № 6

данных подходов основывалось на решении задачи ходных дней. Для нейронной сети средняя ошибка
суточного прогнозирования величины электриче- прогнозирования составила 2,9 % – рабочие дни и
ской нагрузки (отдельно для рабочих и выходных 2,1 % – выходные дни.
дней). В итоге выявлено, что метод, основанный на Таким образом, полученные результаты говорят
нечеткой нейронной сети, является наилучшим с о применимости методов искусственного интел-
точки зрения точности прогнозирования. Средняя лекта (нечеткие нейронные сети) для прогнозиро-
ошибка прогнозирования этого метода для рабочих вания электрической нагрузки. Поэтому дальней-
дней составила 2,5 %, а для выходных дней – 1,5 %. шие исследования нечетких нейронных сетей яв-
Наибольшей ошибкой прогнозирования среди ляются необходимыми и могут быть связаны с бо-
сравниваемых методов обладает регрессионный лее точной и тонкой настройкой структуры сети,
анализ, – 3,5 % для рабочих дней и 3,0 % для вы- изменением числа входных переменных.

СПИСОК ЛИТЕРАТУРЫ 4. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и ис-
1. Автоматизация диспетчерского управления в электроэнерге- кусственные нейронные сети. – М.: Изд-во физ.-мат. лит-ры,
тике / Под общей ред. Ю.Н. Руденко и В.А. Семенова. – М.: 2001. – 224 с.
Изд-во МЭИ, 2000. – 648 c. 5. Круглов В.В., Борисов В.В. Гибридные нейронные сети. –
2. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирова- Смоленск: Русич, 2001. – 224 с.
ния электрической нагрузки: Пер. с англ. – М.: Энергоатомиз- 6. Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6 /
дат, 1987. – 200 c. Под общ. ред. к.т.н. В.Г. Потемкина. – М.: ДИАЛОГ-МИФИ,
3. Осовский С. Нейронные сети для обработки информации. – 2002. – 496 с.
М.: Финансы и статистика, 2002. – 344 с. 7. Леоненков А.В. Нечеткое моделирование в среде MATLAB и
fuzzy TECH. – СПб.: БХВ-Петербург, 2003. – 736 с.

УДК 681.3.06

Вам также может понравиться