ВЫБОР ОПТИМАЛЬНОЙ АРХИТЕКТУРЫ И КОНФИГУРАЦИИ НЕЙРОСЕТИ В ЗАДАЧАХ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ ГАРАНТИРУЮЩЕГО ПОСТАВЩИКА ЭЛЕКТРОЭНЕРГИИ
Ключевые слова:
группа точек поставки, краткосрочное прогнозирование электропотребления, искусственная нейронная сеть, стохастическая оптимизация, алгоритм обучения, гиперпараметр, ошибка прогнозирования, кривые обученияАннотация
Покупка электроэнергии на оптовом рынке электроэнергии и мощности (ОРЭМ) предполагает краткосрочное прогнозирование собственного почасового электропотребления. Результаты данного прогноза используются организациями инфраструктуры ОРЭМ для построения торгового и диспетчерского графика выработки и потребления электроэнергии. Ошибки прогнозирования, как правило, приводят ухудшению технологических и экономических показателей функционирования энергосистемы за счет необоснованного изменения режима работы генерирующего оборудования, а также за счет выбора неоптимальной схемы электрических сетей. Данная статья посвящена вопросам повышения точности краткосрочного прогнозирования почасового электропотребления (short-term load forecasting – STLF) группы точек поставки гарантирующего поставщика (ГТП ГП) с помощью инструментов искусственных нейронных сетей. Важнейшим условием достижения высокой точности STLF является выбор оптимальной архитектуры и конфигурации прогнозной нейросетевой модели. Произведен анализ эффективности применения стохастического градиентного спуска, а также его современных модификаций для оптимизации функции энергии ошибки нейронной сети. Установлено, что современные инструменты глубокого машинного обучения, например алгоритм HyperBand, позволяют автоматизировать процесс оптимизации гиперпараметров нейросетевой модели. С помощью алгоритма HyperBand подобраны оптимальные значения гиперпараметров для многослойного персептрона, одномерной и двухмерной сверточных нейросетей, рекуррентной нейросети, а также ансамбля, состоящего из вышеперечисленных нейросетей. Применение разработанного ансамблевого нейросетевого алгоритма при краткосрочном прогнозировании почасового электропотребления ГТП ГП позволило снизить среднюю ошибку на тестовых данных на 1,99 % относительно ошибки прогноза, полученного с помощью многослойного персептрона. Относительно фактических данных ансамбль нейросетей продемонстрировал среднегодовую ошибку прогнозирования величиной 2,45 %, что на 0,14 % ниже ошибки прогноза, полученного с помощью метода экспертных оценок. Произведена оценка ожидаемого годового экономического эффекта от увеличения точности краткосрочного прогнозирования электропотребления, которая составила 256 865,8 руб.
Библиографические ссылки
Доманов, В.И. Прогнозирование объемов энергопотребления в зависимости от исходной информации / В.И. Доманов, А.И. Билалова. – Текст: непосредственный // Вестник ЮУрГУ. Серия "Энергетика". – 2016. – Т. 16, № 2. – С. 59–65. / Domanov, V.I. Forecasting the volume of energy consumption depending on the initial information / V.I. Domanov, A.I. Bilalova. - Text: immediate // Bulletin of SUSU. The series "Energy". - 2016. - Vol. 16, No. 2. - P. 59-65.
Optimal deep learning LSTM model for electric load forecasting using feature selection and genetic algorithm: comparison with machine learning approaches. / S. Bouktif, A. Fiaz, A. Ouni, M. Serhani. – Text: immediate // Energies. – 2018. – Vol. 11. – P. 1–20.
Zheng, Н. Short-term load forecasting using EMD-LSTM neural networks with a XGBOOSt algorithm for feature importance evaluation / Н. Zheng, J. Yuan, L. Chen. – Text: immediate // Energies. – 2017. – Vol. 10. – P. 1–20.
Серебряков, Н.А. Анализ факторов, влияющих на совокупное электропотребление гарантирующего поставщика / Н.А. Серебряков. – Текст: непосредственный // Вестник Иркутского государственного технического университета. – 2020. – Т. 24, № 2. – С. 366–381. / Serebryakov, N.A. Analysis of factors affecting the total electricity consumption of the guaranteeing supplier / N.A. Serebryakov. - Text: immediate // Bulletin of Irkutsk State Technical University. - 2020. - Vol. 24, No. 2. - P. 366-381.
Манусов, В.З. Краткосрочное прогнозирование электрической нагрузки на основе нечеткой нейронной сети и ее сравнение с другими методами / В.З. Манусов, Е.В. Бирюков. – Текст: непосредственный // Известия Томского политехнического университета. – 2006. – Т. 309, № 6. – C. 153–158. / Manusov, V.Z. Short-term prediction of electrical load based on a fuzzy neural network and its comparison with other methods / V.Z. Manusov, E.V. Biryukov. - Text: immediate // Proceedings of Tomsk Polytechnic University. - 2006. - Vol. 309, No. 6. - P. 153-158.
Станкевич, Т.С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения / Т.С. Станкевич. – Текст: непосредственный // Вестник Иркутского государственного технического университета. – 2018. – Т. 22, № 9. – С. 111–120. / Stankevich, T.S. Development of a method for operational forecasting of the dynamics of forest fire development through artificial intelligence and deep machine learning / T.S. Stankevich. - Text: immediate // Bulletin of Irkutsk State Technical University. - 2018. - Vol. 22, No. 9. - P. 111-120.
Masood, N.A. Methodology for identification of weather sensitive component of electrical load using empirical mode decomposition technique / N.A. Masood, Q.A. Ahsan. – Text: immediate // Energy and Power Engineering. – 2013. – Vol. 5. – P. 293–300.
Хомутов, С.О. Создание нейросетевой математической модели краткосрочного прогнозирования электропотребления электротехнического комплекса участка районных электрических сетей 6–35 кВ / С.О. Хомутов, Н.А. Серебряков. – Текст: непосредственный // Транспортные системы и технологии. – 2020. – Т. 6, № 1. – С. 80–91. / Khomutov, S.O. Creation of a neural network mathematical model for short-term forecasting of electrical consumption of an electrical complex of a section of district electrical networks 6-35 kV / S.O. Khomutov, N.A. Serebryakov. - Text: immediate // Transport systems and technologies. - 2020. - Vol. 6, No. 1. - P. 80-91.
Bengio, Y. Learning long-term dependencies with gradient descent is difficult / Y. Bengio, P. Simard, P. Frasconi. – Text: immediate // IEEE Transactions on Neural Networks. – 1994. – Vol. 5. – P. 157–166.
Kingma, D.P. ADAM: a method for stochastic optimization / D.P Kingma. – Text: electronic. – URL: https://arxiv.org/pdf/1412.6980.pdf (accessed: 30.01.2017)
Воевода, А.А. Синтез нейронной сети для реализации рекуррентного метода наименьших квадратов / А.А Воевода, Д.О. Романников. – Текст: непосредственный // Научный вестник НГТУ. – 2018. – № 3 (72). – С. 33–42. / Voevoda, A.A. Neural network synthesis for the implementation of the recurrent least squares method / A.A. Voevoda, D.O. Romannikov. - Text: immediate // Scientific Bulletin of NSTU. - 2018. - No. 3 (72). - P. 33-42.
Li, L. Hyperband: A Novel Bandit-Based Approach to Hyperparameter Optimization / L. Li. – Text: electronic. – URL: https://arxiv.org/pdf/1603.06560.pdf (accessed: 18.06.2018).
Wang, Z. A review of artificial intelligence based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models / Z. Wang, R. Srinivasan. – Text: immediate // Renewable and Sustainable Energy Reviews. – 2017. – Vol. 75. – P. 796–808.
Жуков, А.В. Модификация алгоритма случайного леса для классификации нестационарных потоковых данных / А.В. Жуков, Д.Н. Сидоров. – Текст: непосредственный // Вестник ЮУрГУ. Серия "Математическое моделирование и программирование". – 2016. – T. 9, № 4. – C. 86–95. / Zhukov, A.V. Modification of random forest based approach for streaming data with concept drift / A.V. Zhukov, D.N. Sidorov. - Text: immediate // Bulletin of the South Ural State University. Ser. Mathematical Modelling, Programming & Computer Software. - 2016. - Vol. 9, No. 4. - P. 86-95.
Dropout: a simple way to prevent neural networks from overfitting / N. Srivastava, G. Hinton, A. Krizhevsky [et al.]. – Text: immediate // Journal of Machine Learning Research. – 2014. – Vol. 15. – P. 1929–1958.
Iofee S. Batch Normalization: Accelerating deep network training by reducing internal covariate shift / S. Iofee. – Text: electronic. – URL: https://arxiv.org/pdf/1502.03167.pdf (accessed: 02.03.2015).
