Короткотермінове прогнозування процесів споживання електричної енергії на основі нейронних мереж з неітераційним навчанням

Размещено на http://www.allbest.ru/

Міністерство освіти і науки України

Національний університет “Львівська політехніка”

01.05.04 - Системний аналіз і теорія оптимальних рішень

УДК 681.3: 004.89

дисертації на здобуття наукового ступеня кандидата технічних наук

Автореферат

КОРОТКОТЕРМІНОВЕ ПРОГНОЗУВАННЯ ПРОЦЕСІВ СПОЖИВАННЯ ЕЛЕКТРИЧНОЇ ЕНЕРГІЇ НА ОСНОВІ НЕЙРОННИХ МЕРЕЖ З НЕІТЕРАЦІЙНИМ НАВЧАННЯМ

ПАВЛЮК ОЛЕНА МИКОЛАЇВНА

Львів - 2005

Дисертацією є рукопис.

Робота виконана у Національному університеті "Львівська політехніка"

Науковий керівник: доктор технічних наук, професор Ткаченко Роман Олексійович, професор кафедри "Автоматизованих систем управління" Національного університету "Львівська політехніка"

Офіційні опоненти: доктор технічних наук, професор Сеньківський Всеволод Миколайович, Українська академія друкарства завідувач кафедри „Прикладної математики та комп'ютерних інформаційних систем”

кандидат технічних наук, старший науковий співробітник Олексів Богдан Ярославович, Західноукраїнський інститут інформаційних технологій та управління при Донецькому університеті управління завідувач кафедри „Комп'ютерних систем і мереж”

Провідна установа: Інститут кібернетики ім. В. М. Глушкова відділ методів системного моделювання Національної Академії Наук України, м. Київ

Захист відбудеться 09.11.2005 р. о 16 год. на засіданні спеціалізованої вченої ради К 35.052.14 у Національному університеті “Львівська політехніка” (79013, м. Львів-13, вул. С. Бандери, 12)

З дисертацією можна ознайомитись у бібліотеці Національного університету "Львівська політехніка" (79013, м. Львів, вул. Професорська, 1).

Автореферат розісланий 07.10.2005 р.

Вчений секретар спеціалізованої вченої ради К 35.052.14, кандидат технічних наук, доцент Батюк А. Є.

1. ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Ефективність управління у ринкових умовах для більшості українських підприємств стала однією з умов їх успішного функціонування. Прийняття ефективних рішень неможливе без уміння передбачати майбутній імовірний стан підприємства і середовища, у якому воно існує, вчасно попереджати можливі збої і зриви в його роботі і т.д. Визначний вклад у створення та розвиток методології системного аналізу і теорії прийняття оптимальних рішень внесли відомі вчені й дослідники: Р. Акофф, С. Бір, М. Блауберг, К. Боулдінг, Н. Вінер, Р. Кларк, Р. Маккін, Р. Макол, М. Mecapoвич, С. Оптнеp, Д. Елліс, Ф. Емері, Р. Ешбі, А. Уємов, Ю. Урманцев, Е. Хаднет, А. Холл, Е. Юдін та ін.

В галузі електроенергетики функціонування електроенергетичних систем можливе лише за умов дотримання неперервності та нероздільності єдинопов'язаного технологічного процесу “виробництва - пересилання - використання“ електричної енергії (ЕЕ). Однак, ефективне регулювання виробництва ЕЕ та економне використання енергоресурсів можливе на підставі прогнозів її споживання.

Для реалізації коротко-, середньо- і довготривалих прогнозів часових послідовностей в галузі електроенергетики на даний час прийнято використовувати статистичні методи, зокрема, дисперсійний, коваріаційний аналізи, кореляційні методи, регресію, факторний аналіз. Більшості переліченим підходам властиві серйозні недоліки: формули залежностей одних факторів від інших є занадто загрубленими; складно сформувати критерії достатньої і необхідної кількості факторів; через невизначеності у вхідних даних важко побудувати точну модель; складність процесу не дозволяє синтезувати математичну модель із достатньою кількістю параметрів корекції. Отже, для застосування на практиці, перераховані вище статистичні методи виявляються малоефективними.

Останнім часом, крім апробованих засобів передбачення процесів в галузі електроенергетики, все більшого застосування набувають методи штучного інтелекту, зокрема, штучні нейронні мережі (ШНМ). Відновлення інтересу до ШНМ розпочалося у 1982 році і було обумовлене створенням нових нейропарадигм. Одночасно відбулися перші спроби їх ефективного використання в електроенергетичній галузі, зокрема, для прогнозування часових послідовностей, обробки сигналів, кластеризації, апроксимації, оптимізації, а також у відповідних експертних системах. Однак, особливості існуючих нейромережних засобів на основі методів ітераційного навчання помітно скорочують можливості побудови ефективних інформаційно-аналітичних систем (ІАС) для складних об'єктів розподілу та споживання ЕЕ за рахунок існування очевидних проблем відбору первинних даних. Досвід застосування для вказаної мети ШНМ на основі нової моделі „функціонал на множині табличних функцій” (ФМТФ) з неітераційним навчанням є доволі обмеженим. Тобто, практично відсутні розробки прогнозуючих систем на базі нових ефективних нейропарадигм, зокрема, з неітераційним навчанням, для здійснення прогнозів споживання ЕЕ. Відсутній системний аналіз технологій отримання та верифікації первинної інформації, а також не вивчені можливості застосування таких систем. Все це дає підставу стверджувати про актуальність та важливість обраного в дисертації напрямку досліджень.

Зв'язок роботи з науковими програмами, планами, темами. Робота виконана в рамках держбюджетних тем: ОК-2004-12/1-ДНДІП-ЦЕНТР „Розробка базових компонентів імунно-нейронних технологій обробки зображень” протягом 2004 р. (розробка нової архітектури неітераційного комплексу на нейромоделі ФМТФ, з використанням методу „ найближчих сусідів”) та 0105U000601 "Нейромережеві ситуаційні карти особливостей для візуалізації режимів в електроенергетичних системах енергопостачальних компаній" 2005-2006 рр. (розробка програмних модулів вдосконаленої методики попередньої обробки вхідної інформації та застосування і обґрунтовання методу „околу точки”), в яких автор був виконавцем. Наведені науково-дослідні проекти виконувались у ДНДІ інформаційної інфраструктури НАН України та Національному університеті „Львівська політехніка”.

Мета та задачі дослідження. Метою дисертаційної роботи є аналіз існуючих та розробка вдосконалених моделей і методів прогнозування часових послідовностей на основі застосування нейромоделі багатошарових перцептронів з неітераційним навчанням як основи системного аналізу процесів споживання ЕЕ.

Для досягнення поставленої мети у роботі розв'язані такі задачі:

проведено аналіз існуючих методів прогнозування в електроенергетиці, проаналізовано їх можливості, переваги і недоліки;

обґрунтовано вибір методики оцінювання впливу точності прогнозу процесів споживання ЕЕ на ефективність функціонування електроенергетичних систем (ЕЕС);

розвинено статистичні та нейромережні методи верифікації вхідних даних, що адаптовані до здійснення прогнозів споживання ЕЕ;

вдосконалено методи розширення розмірності простору вхідних даних для застосування їх в ШНМ з неітераційним навчанням;

виконано експерименти по передбаченню і прогнозуванню нестаціонарних процесів на неітераційних нейромережах з перенавчанням, оцінено властивості такого підходу;

розроблено пакет програм верифікації і доповнення вхідної інформації для прогнозування нестаціонарних процесів на основі нейромережі „функціонал на множині табличних функцій”;

розроблено практичні рекомендації щодо застосування ІАС „Прогноз” для забезпечення ефективного розв'язування задач передбачення та прогнозування в галузі електроенергетики.

Об'єкт дослідження. Процеси в електроенергетичних мережах розподілу ЕЕ.

Предмет дослідження. Нейромережні методи, моделі та інформаційні технології прогнозування процесів споживання ЕЕ.

Методи дослідження. Методи системного, структурного та функціонального аналізу для розробки архітектури і програмної реалізації ІАС „Прогноз” з метою оптимізації прийняття рішень диспетчера; методи теорії ШНМ для верифікації вхідної інформації, прогнозування процесів споживання ЕЕ, передбачення і прогнозування нестаціонарних процесів на ШНМ з неітераційним навчанням та перенавчанням; статистичні методи верифікації вхідної інформації.

Наукова новизна одержаних результатів полягає в наступному:

вдосконалено методику попередньої обробки вхідної інформації для задач прогнозування в галузі електроенергетики, яка полягає у виявленні і заміні втрачених та частково суперечливих даних на основі застосування статистичних методів з метою підвищення точності прогнозування за допомогою штучних нейронних мереж з неітераційним навчанням;

застосовано та обґрунтовано метод „околу точки” для побудови комітету прогнозуючих нейромереж, що навчаються в умовах скорочених вибірок;

розроблено та обґрунтовано метод побудови та застосування нейромережних інформаційних моделей на основі принципу „ найближчих сусідів”, що забезпечує розширення розмірності простору вхідних даних для лінеаризації задач прогнозування;

вдосконалено та досліджено архітектуру прогнозуючої ШНМ ФМТФ з розширенням кількості входів для покращення узагальнюючих властивостей;

адаптовано та розвинено методику системного аналізу побудови ІАС до задач прогнозу споживання ЕЕ на основі застосування нейромережних засобів моделювання та прогнозування.

Практичне значення одержаних результатів та їх впровадження:

вдосконалена методика попередньої обробки вхідної інформації виявляє й усуває 90-98% втрачених даних та додатково забезпечує умови для здійснення прогнозу статистичними і нейромережними методами прогнозування із вищою точністю;

застосування та обґрунтування методу „околу точки” забезпечило отримання кращої якості коротко- та середньотермінового нейромережного прогнозу шляхом розширення у два рази вимірності простору вхідних даних;

розроблення та обґрунтування методу побудови та застосування нейромережних інформаційних моделей на основі принципу „ найближчих сусідів” для нейромоделі типу „функціонал на множині табличних функцій”, дозволило штучно розширити простір реалізацій, забезпечило покращення точності короткотермінового прогнозу на 2-5% і одночасно здійснило кластеризацію вхідних даних;

вдосконалення та дослідження архітектури прогнозуючої ШНМ ФМТФ з розширенням кількості входів на основі фазифікації вхідних даних дозволило використовувати скорочені навчальні вибірки в темпі їх надходження, причому отримані дані стають зведеними до діапазону ;

адаптування та розвиток методики системного аналізу побудови ІАС до задач прогнозу споживання ЕЕ на основі застосування нейромережних засобів моделювання та прогнозування дозволило підвищити точність короткотермінового нейромережного прогнозу на 30-50%, середньотермінового на 20-30%, й ефективно використовувати її в задачах “реального часу”.

Розроблені методи і методики підвищення точності короткотермінових прогнозів споживання ЕЕ використано при програмній реалізації модулів попередньої обробки даних у рамках держбюджетних тем: „Розробка базових компонентів імунно-нейронних технологій обробки зображень” та "Нейромережеві ситуаційні карти особливостей для візуалізації режимів в електроенергетичних системах енергопостачальних компаній", які виявляють і усувають 90-98% втрачених і частково суперечливих даних і додатково створюють умови для здійснення високоточного прогнозу статистичними і нейромережними методами прогнозування; у ВАТ “Львівобленерго” як окремі функціональні блоки експлуатаційно-дослідного варіанту оперативно-інформаційного керуючого комплексу підсистеми оперативно-диспетчерського керування режимами споживання електричної енергії знайшли практичне застосування і впровадження, розроблені програмні модулі верифікації вхідної інформації (в ролі експлуатаційно-дослідного варіанту); в навчальному процесі при проведенні лабораторних робіт з курсів "Основи системного аналізу об'єктів і процесів комп'ютеризації" і "Нейронні мережі та елементи адаптивних систем" на кафедрі “Автоматизовані системи управління” Національного університету "Львівська політехніка".

Особистий внесок здобувача. У працях, написаних у співавторстві дисертанту належать: [2] - вдосконалення архітектури ШНМ ФМТФ на основі алгоритму фазифікації вхідних даних; [3] - розробка та обґрунтування методу побудови та застосування нейромережних інформаційних моделей на основі принципу „ найближчих сусідів” для лінеаризації задач прогнозування; [4, 5] - розробка методів навчання нейромереж з неітераційним навчанням для здійснення передбачення нестаціонарних процесів; [6] - співрозробка моделі оцінювання стану електричних мереж електроенергетичних систем; [7, 8]- покращення існуючих нейромережних методів короткотермінового прогнозування чисел Вольфа. Одноособові статті [1, 9, 10] - застосування та обґрунтування методу „околу точки”, побудова інформаційної моделі прогнозування добового споживання електричної енергії.

Апробація роботи. Основні положення і результати дисертаційних досліджень доповідались, обговорювались і отримали схвалення на науково-технічних конференціях та семінарах: 60-та студентська науково-технічна конференція Національного університету „Львівська політехніка”, Львів, 2002р.; відкриті науково-технічні конференції молодих науковців і спеціалістів Фізико-механічного інституту ім. Карпенка НАН України, Львів, 2002 і 2003 р.; наукові семінари кафедри „Автоматизованих систем управління” Національного університету “Львівська політехніка”, 2002-2005 рр.

Публікації. Основний зміст дисертаційної роботи викладено в 10 друкованих працях, серед них 7 у фахових наукових виданнях (1 із них одноосібна), 3 у збірниках науково-технічних конференцій (2 із них одноосібні).

Структура та обсяг дисертації. Дисертаційна робота складається зі вступу, п'яти розділів, 6 додатків, висновків, списку використаних джерел зі 153 найменувань. Обсяг дисертації складає 171 сторінку, основна частина викладена на 126 сторінках. Робота ілюструється 45 рисунками і 9 таблицями.

2. ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі наведено загальну характеристику роботи, обґрунтовано її актуальність, сформульовано мету та основні задачі досліджень, визначено основні методи оптимального розв'язання сформульованих задач за критеріями точності й швидкості отримання результатів, визначено наукову новизну роботи і практичну цінність отриманих результатів.

В першому розділі наведено огляд відомих підходів до здійснення прогнозування нестаціонарних процесів в галузі електроенергетики та проведено аналіз сучасних методів і засобів здійснення коротко- та середньотермінових прогнозів у галузі електроенергетики.

Показано, що прийняття оптимальних рішень на керування узагальненими динамічними системами, які є сукупністю складних взаємопов'язаних об'єктів і процесів, що функціонують в умовах суперечливості цілей та інших видів невизначеностей, можливе на засадах системного аналізу. Проаналізовано функціональну схему оптового ринку ЕЕ України після демонополізації та реорганізації виробничих енергетичних об'єднань. Визначено основні функціональні потреби електроенергетичних компаній, для яких розв'язувалась поставлена задача прогнозування споживання ЕЕ.

Здійснено важливі первинні етапи системного аналізу, зокрема, визначення об'єкта дослідження, структури досліджуваної системи і порівняльний аналіз математичних та індуктивних моделей, які використовують для здійснення прогнозів в електроенергетичних мережах, а також постановка завдань, які підлягають розв'язку в даній роботі. Побудовано класифікаційну таблицю видів прогнозів споживання.

На підставі проведеного системного аналізу проаналізовано особливості застосування існуючих методів прогнозування споживання ЕЕ з врахуванням неповних і частково суперечливих вхідних даних, а саме статистичних та нейромережних. Показано переваги використання нейронних мереж, зокрема, ФМТФ для розв'язання задачі прогнозування споживання ЕЕ в режимах реального часу чи на вимогу ("on-line", або "on-demand").

У другому розділі проаналізовано питання збору та вдосконалення методів верифікації даних телеметрії в електроенергетичних мережах. Проаналізовано на основі системного підходу існуючий склад i структуру комплексу технічних засобів автоматизованих систем управління технологічним процесом ВАТ "Львівобленерго". Встановлено, що особливістю роботи телемеханічних систем є забезпечення керування і контролю в режимі реального часу, тобто узгоджено з плинним керованим технологічним процесом. По каналах зв'язку (КЗ) телеметрична інформація передається на сервер, де й зберігається в базі даних (БД). Оскільки обсяг інформації, що поступає на сервер БД є значним, то здійснюється її щодобова архівація.

Показано, що для розв'язку задач прогнозування споживання ЕЕ необхідно враховувати особливості інформаційної бази, зібраної з енергооб'єктів за допомогою засобів телемеханіки (ТМ). Відомі методики прогнозування працюють на основі обробки цих статистичних даних, шляхом виявлення в них залежностей (лінійного тренду і циклічних складових). Значну роль в здійсненні якісного прогнозу для прикладних задач в електроенергетиці відіграють достовірні статистичні дані, висока якість яких забезпечується за рахунок: наявності на енергооб'єктах надійних засобів ТМ; стабільної роботи КЗ; безвідмовної роботи сервера БД. Невиконання деяких із цих умов спричиняє часткову втрату та суперечливість статистичних даних.

Запропоновано і реалізовано методику виявлення втрачених даних із врахуванням добового ходу регулярної складової часового ряду процесу споживання ЕЕ, в основу якої покладену адитивну модель сигналу. За гістограмою й оцінкою розподілу густини імовірності центрованого сигналу, виявляємо втрачені дані вважаючи їх мінімально імовірними. У випадках коротких реалізацій (менших або рівних періоду сигналу) запропоновано використати метод, який базується на квазістаціонарній адитивній моделі процесу споживання ЕЕ.

Доведено ефективність та показано межі використання статистичних методів для усунення шумової складової сигналу. Побудовано алгоритми з використанням згладжувальних фільтрів: ковзного середнього, Фільтра Хемінга з вікном Ганна, ковзної медіани, сплайн інтерполяції, полінома Лагранжа. Найбільш точними методами із найменшою дисперсією в задачах прогнозування споживання ЕЕ виявилися ті методи, що використовують ковзне середнє і ковзну медіану.

Застосовано та обґрунтовано два нейромережні методи верифікації вхідних даних для сигналу малої розмірності. Перший метод "околу точки" базується на основі принципу "найближчого сусіда". Щоб здійснити прогноз споживання ЕЕ методом “околу точки” необхідно створити комітет ШНМ ФМТФ, причому їх число дорівнює кількості прогнозованих точок. Для навчання ШНМ ФМТФ використовують не всю передісторію процесу, а лише найближчий окіл точки з передісторії (Рис. 2) за критерієм мінімальної Евклідової відстані. Завдяки цьому ми врахуємо критерій старіння даних, відфільтруємо втрачені дані і розширимо кількість входів ШНМ ФМТФ.

Другий метод " найближчих сусідів", побудований на основі методу "околу точки" і вимагає архітектурної модифікації ШНМ ФМТФ шляхом введення додаткових входів, які дозволяють збільшити простір вхідних даних. Особливістю методу “ найближчих сусідів” є те, що на вхід ШНМ ФМТФ будемо подавати не лише вектор ( _ деяка множина опірних точок), а весь кластер , ( _ множина вхідних векторів отримана методом “ найближчих сусідів”). В режимі навчання для кожної опорної точки , ( _ множина елементів тренувальної вибірки ), виберемо підмножину найближчих точок:

, . (1)

В режимі прогнозування нейромережі, для кожної опорної точки , де _ множина прогнозованих елементів, , виберемо підмножину найближчих точок: , Відстань між двома векторами вхідних параметрів , обчислюємо за допомогою Евклідової метрики.

В третьому розділі запропоновано модифікації методів прогнозування часових послідовностей на основі застосування ШНМ ФМТФ. На прикладах доведено ефективність використання методу занурення для здійснення прогнозів в умовах неповноти вибірок.

Розроблено (рис.4) узагальнену блок-схему алгоритму прогнозування часових послідовностей, яка побудована на основі взаємного доповнення статистичних і нейромережних методів передбачення часових рядів. На прикладах доведено ефективність поєднання методів прямого передбачення і часових вікон із кодуванням вхідної інформації, що в свою чергу підвищує точність нейромережних прогнозів.

Вдосконалено архітектуру прогнозуючої штучної нейронної мережі типу „функціонал на множині табличних функцій” з розширенням кількості входів на основі фазифікації вхідних даних. Нехай задано часовий ряд відліками процесу , , ... , в дискретні моменти часу методом „часових вікон”. Сформуємо матрицю реалізацій , де _ реалізації, або рядки; _ компоненти, або стовпці, лише за вхідними значеннями часового вікна ШНМ ФМТФ.

, (2)

Основна ідея методу фазифікації полягає у перетворенні масиву в масив , , і відповідно збільшенні кількості входів ШНМ ФМТФ. Введемо змінну _ число ділянок по найдовшій компоненті, при , , . Нехай кількість входів ШНМ ФМТФ дорівнює , тоді на -тий вхід подаватимуться точки сигналу з номерами

, (3)

де _ біжучий номер точки .

Особливістю методу фазифікації даних вхідного часового вікна є те що отримані дані стають зведеними до діапазону . Завдяки використанню моделі ШНМ ФМТФ, запропонований метод прогнозування, окрім підвищення точності, дозволяє обробляти невеликі навчальні вибірки, причому в темпі її надходження.

У четвертому розділі на основі системного аналізу особливостей коротко- та середньотермінового прогнозування часових рядів розроблено, програмно реалізовано і протестовано на реальних технологічних даних інформаційно-аналітичну систему (ІАС) "Прогноз". Основні блоки ІАС “Прогноз” розроблялися на основі системного підходу, в основу якого покладено принцип цілісності, що набуло нових якостей по відношенню до властивостей його складових елементів. У процесі виконання науково-практичних завдань дисертаційної роботи для розробки програмної реалізації ІАС „Прогноз” було вибрано мову високого рівня програмування (4 GL) Delphi 7. Глобальною ціллю ставилась розробка простої, надійної в експлуатації дорадчої диспетчерської системи нейромережного прогнозування споживання ЕЕ із можливістю попередньої обробки даних в режимі реального часу. На рис.5 показано дерево цілей ІАС “Прогноз”.

Програма ІАС „Прогноз” може виконуватись на персональному комп'ютері з процесором не нижче Pentium II або сумісному в операційному середовищі Windows 98/2000/XP. Для нормального функціонування програми необхідно не менше 128 MB оперативної пам'яті і не менше 100 MB вільного дискового простору. Для інсталяції програми необхідно 1.5 МВ вільного місця на жорсткому диску. штучний нейронний мережа енергія

ІАС „Прогноз” складається із логічно пов'язаних і логічно взаємодіючих трьох блоків попередньої обробки та нейромережного навчання й прогнозування. У блоці попередньої обробки даних реалізовані методи статистичної фільтрації даних: ковзного середнього, фільтром Хемінга, когерентного усереднення, медіанної фільтрації; а також статистичної інтерполяції і апроксимації даних: поліномом Лагранжа і сплайном. У цьому ж блоці здійснюється маштабування даних (зведення до діапазону , або ). В основу блоку навчання покладена програмна реалізація тришарової нейромережі на основі нейромоделі ФМТФ з впорядкованими латеральними зв'язками між нейронами прихованого прошарку із мінімальною кількістю параметрів налаштування. Блок прогнозування ШНМ ФМТФ в першу чергу призначений для диспетчера, який за лічені секунди може спрогнозувати необхідну часову послідовність.

У цьому ж розділі описано методику побудови прогнозів за допомогою дорадчої ІАС "Прогноз". Показані її функціональні можливості: табличне і графічне співставлення прогнозу і спостереження, обчислення дисперсії, мінімального і максимального відхилень прогнозу і спостереження. Особливістю даної програми є дружній інтерфейс, мінімальна кількість параметрів налаштування, велика швидкість роботи із забезпеченням задовільної точності прогнозів.

В п'ятому розділі представлено результати застосування ІАС "Прогноз" в мережах енергоспоживання ВАТ "Львівобленерго". Наведено результати оперативного прогнозування споживання ЕЕ на довгих часових послідовностях без/з частково втраченими та суперечливими даними. Результати проведених тестових досліджень ІАС “Прогноз” на основі даних ВАТ “Львівобленерго” за 2002-2005 рр. підтвердили можливість здійснення короткотермінового прогнозування споживання електроенергії із похибкою в межах 3-10 %. На рис. 7 наведено приклад оперативного прогнозування споживання ЕЕ із частково втраченими та суперечливими даними.

Здійснено прогнозування чинників, що впливають на процеси енергоспоживання, таких як індекси сонячної активності, зокрема, числа Вольфа.

Використання нейромережної технології, що включає надійні неітераційні парадигми навчання без обмеження на розмірність задач і можливості адаптації до них ШНМ дозволяє комплексно проводити обробку великих обсягів інформативно-споріднених даних в реальному часі, тобто розв'язувати й такі фундаментальні і практичні задачі сонячно-земної фізики, для вирішення яких до сьогоднішнього дня не було відповідних засобів.

ОСНОВНІ РЕЗУЛЬТАТИ ТА ВИСНОВКИ

В дисертаційній роботі розв'язано актуальну наукову задачу системного аналізу енергопостачальних компаній _ короткотермінове прогнозування процесів споживання ЕЕ із застосуванням нейронних мереж з неітераційним навчанням, а також розроблено методику побудови прогнозуючих ІАС для енергопостачальних компаній України, при цьому отримані такі основні результати.

1. На основі здійсненого аналізу встановлено, що особливістю процесу споживання ЕЕ, представленого послідовністю часових відліків, є часткова втрата, спотворення і суперечливість даних, що його описують, та явище старіння інформації.

2. Вдосконалено та експериментально досліджено методику попередньої обробки вхідної інформації, яка виявляє й усуває 90-98% спотворених і частково суперечливих даних, а також додатково забезпечує умови для здійснення прогнозу статистичними і нейромережними методами прогнозування із вищою точністю.

3. Застосовано і обґрунтовано метод „околу точки” на основі принципу "найближчого сусіда", який забезпечує розширення вимірності простору вхідних даних у два рази, що покращує якість коротко- та середньотермінового нейромережного прогнозу на 2-3%.

4. Розроблено метод побудови та застосування нейромережних інформаційних моделей на основі принципу „ найближчих сусідів” для нейромоделі типу „функціонал на множині табличних функцій”, який дозволив штучно розширити простір реалізацій і забезпечив покращення точності короткотермінового прогнозу на 2-5%.

5. Вдосконалено архітектуру прогнозуючої штучної нейронної мережі типу „функціонал на множині табличних функцій” з розширенням кількості входів на основі фазифікації вхідних даних, що дозволило використовувати скорочені навчальні вибірки в темпі їх надходження і підвищило точність коротко- та середньотермінових прогнозів на 2-4%.

6. Адаптовано методику системного аналізу побудови ІАС до задач прогнозу споживання ЕЕ на основі застосування нейромережних засобів моделювання та прогнозування, що дозволило підвищити точність короткотермінового нейромережного прогнозу на 30-50%, середньотермінового на 20-30%, та ефективно використовувати її в задачах “реального часу”.

7. Створено програмну ІАС “Прогноз” і застосовано її в енергопостачальній компанії ВАТ „Львівобленерго”, що забезпечило підвищення ефективності управлінських рішень диспетчера за рахунок можливості опрацювання і представлення прогнозів споживання ЕЕ в режимі реального часу.

Розроблені програмні модулі верифікації вхідної інформації знайшли практичне застосування й впроваджені у ВАТ “Львівобленерго” як окремі функціональні блоки експлуатаційно-дослідного варіанту оперативно-інформаційного керуючого комплексу підсистеми оперативно-диспетчерського керування режимами споживання електричної енергії.

Наукові положення і висновки дисертації використовуються в навчальному процесі на кафедрі “Автоматизовані системи управління” Національного університету "Львівська політехніка" при проведенні лабораторних робіт з курсів "Основи системного аналізу об'єктів і процесів комп'ютеризації" і "Нейронні мережі та елементи адаптивних систем".

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Павлюк О. М. Верифікація даних у задачах прогнозування в електроенергетиці. // Вісник Національного університету “Львівська політехніка”. №496. “Комп'ютерна інженерія та інформаційні технології”, Львів, 2004 р. - с. 189-194.

2. Ткаченко Р. О. Павлюк О. М. Когут Р. М. Лінеаризація задач передбачення шляхом фазифікації // Вісник Національного університету “Львівська політехніка”. №521. “Комп'ютерна інженерія та інформаційні технології”, Львів, 2004 р. - с. 214-219.

3. Ткаченко Р. О., Павлюк О. М., Ткаченко П. Р. Особливості тренування нейромереж прямого поширення за методом „ найближчих сусідів”. // Міжвідомчий збірник статей ФМІ „Відбір і обробка інформації” №20(96), Львів, 2004р. - с. 121-126.

4. Ткаченко Р. О., Павлюк О. М. Прогнозування споживання електричної енергії у Львівській області за допомогою штучних нейронних мереж. // Комп'ютерна інженерія та інформаційні технології. Вісник Національного університету “Львівська політехніка”. №450. - Львів, 2002. - с. 76-80.

5. Ткаченко Р., Павлюк О. Підходи до прогнозу споживання електричної енергії в енергопостачальних компаніях. // Комп'ютерна інженерія та інформаційні технології. Вісник Національного університету “Львівська політехніка”. №468. - Львів, 2002. - с. 145-151.

6. Данилюк О. В., Дяченко С. В., Майоров А. Ю., Павлюк О. М. Математична модель оцінювання стану електричних мереж електроенергетичних систем. // Вісник Національного університету “Львівська політехніка”. №449 “Електроенергетичні та електромеханічні системи”, Львів, 2002 р. - с. 75 - 82.

7. Юрчак І. Ю., Павлюк О. М. Застосування нейронних мереж для прогнозування чисел Вольфа. // Міжвідомчий збірник статей ФМІ „Відбір і обробка інформації” №17(93), Львів, 2002р. - с. 136 - 141.

8. Юрчак І. Ю., Павлюк О. М. Швидке прогнозування чисел Вольфа за допомогою нейромереж з неітераційним навчанням. // Збірник тез доповідей XVII відкритої науково-технічної конференції молодих науковців і спеціалістів Фізико-механічного інституту ім. Г.В.Карпенка НАН України КМН-2002 - Львів, 2002р. - с. 141-144.

9. Павлюк О. М. Короткотермінове прогнозування споживання електричної енергії у Львівській області. // Збірник тез доповідей XVIII відкритої науково-технічної конференції молодих науковців і спеціалістів Фізико-механічного інституту ім. Г.В.Карпенка НАН України КМН-2003. - 2003. -С. 263-266.

10. Павлюк О. М. Побудова інформаційної моделі для задач прогнозування в енергетиці за допомогою апарату штучних нейронних мереж. // Збірник тез доповідей 60-тої студентської науково-технічної конференції Національного університету “Львівська політехніка”, Львів, 2002 р. - с. 75-76.

АНОТАЦІЯ

Павлюк О. М. Короткотермінове прогнозування процесів споживання електричної енергії на основі нейронних мереж з неітераційним навчанням. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 01.05.04 - Системний аналіз і теорія оптимальних рішень, Національний університет "Львівська політехніка", Львів, 2005.

Дисертація присвячена вдосконаленню та розвитку методик системного аналізу процесів прогнозування споживання електричної енергії, заданих неповними, спотвореними та частково суперечливими даними. Вдосконалено та експериментально досліджено методику попередньої обробки вхідної інформації, яка виявляє й усуває 90-98% втрачених і частково суперечливих даних, а також додатково створює умови для здійснення прогнозу статистичними і нейромережними методами прогнозування із вищою точністю.

Застосовано і обґрунтовано метод „околу точки” на основі принципу "найближчого сусіда", який забезпечує розширення вимірності простору вхідних даних у два рази, що покращує якість коротко- та середньотермінового нейромережного прогнозу на 2-3%. Розроблено метод побудови та застосування нейромережних інформаційних моделей на основі принципу „ найближчих сусідів” для нейромоделі типу „функціонал на множині табличних функцій”. В цій нейромоделі штучно розширено простір реалізацій в раз (), що забезпечило покращення точності прогнозу на 2-5% і одночасно дозволило здійснити кластеризацію вхідних даних.

Вдосконалено архітектуру прогнозуючої штучної нейронної мережі типу „функціонал на множині табличних функцій” з розширенням кількості входів на основі фазифікації вхідних даних, що дозволило використовувати скорочені навчальні вибірки в темпі їх надходження і підвищило точність коротко- та середньотермінових прогнозів на 2-4%.

Адаптовано методику системного аналізу побудови ІАС до задач прогнозу споживання ЕЕ на основі застосування нейромережних засобів моделювання та прогнозування, що дозволило підвищити точність короткотермінового нейромережного прогнозу на 30-50%, середньотермінового на 20-30%, та дозволяє ефективно використовувати її в задачах “реального часу”. Створено програмну ІАС “Прогноз” і застосовано її в енергопостачальній компанії ВАТ „Львівобленерго”, що забезпечило підвищення точності управлінських рішень диспетчера за рахунок можливості опрацювання і представлення прогнозів споживання ЕЕ в режимі реального часу.

Ключові слова: електрична енергія (ЕЕ), інформаційно-аналітична система, оперативно-обчислювальний комплекс, системний аналіз, телеметрія, штучна нейронна мережа (ШНМ).

Павлюк Е. Н. Краткосрочное прогнозирование процессов потребления электрической энергии на основании нейронных сетей с неитерационным обучением. - Рукопись.

Диссертация на соискание научной степени кандидата технических наук по специальности 01.05.04 - Системный анализ и теория оптимальных решений, Национальный университет "Львовская политехника", Львов, 2005.

Диссертация посвящена совершенствованию и развитию методик системного анализа процессов прогнозирования потребления электрической энергии, заданных неполными и частично противоречивыми данными.

На основе системного анализа усовершенствовано и экспериментально исследовано методику предварительной обработки входной информации, которая заключается в локализации и дополнении потерянных, искаженных и частично противоречивых данных для повышения точности прогноза с помощью искусственных нейронных сетей с неитерационным обучением. Эта методика локализирует и устраняет 90-98% потерянных, искаженных и частично противоречивых данных, а также дополнительно создает условия для осуществления прогноза статистическими и нейронными методами прогнозирования с высшей точностью.

Применен и обоснован метод „окрестности точки”, что основывается на расширении принципа ближайшего соседа, который заключается в выделении кластера заданного радиуса в - мерном Эвклидовом пространстве, для обеспечения расширения размерности пространства входных данных. В результате применения данного метода получаем комитет ИНС ФМТФ (их число равняется количеству прогнозируемых точек), для обучения которых используют не всю предысторию процесса, а лишь ближайшую окрестность точки из предыстории по критерию минимального Эвклидового расстояния. Благодаря этому мы учтем критерий старения данных, отфильтруем потерянные данные и расширим количество входов ИНС ФМТФ.

Разработан метод построения и применения нейронных информационных моделей на основе принципа „К ближайших соседей” для нейромодели типа „функционал на множестве табличных функций”. Этот метод заключается в выделении некоторого, заранее заданного количества ближайших соседей, которые подаются на дополнительные входы нейросети. Обучение ИНС методом „ ближайших соседей” улучшает качество кратко- и середнесрочного прогноза на 2-5%, что подтверждено результатами экспериментов. Установлено, что этот метод кластеризирует входные данные и одновременно расширяет размерность пространства реализаций данных. Повышение точности воссоздания данных с помощью ИНС для элементов обучающего множества к определенным значениям начинает увеличиваться, одновременно ухудшая ее прогностические свойства, поэтому этот метод требует соответствующих мероприятий коррекции данных.

Усовершенствован метод расширения количества входов искусственной нейронной сети типа „функционал на множестве табличных функций”, который заключается в фазификации входных данных для увеличения размерности пространства реализаций процесса, что повышает точность кратко- и середнесрочных прогнозов на 2-4%. Особенностью данного метода является то, что полученные данные становятся приведенными к диапазону . Экспериментально доказано, что с увеличением в определенных границах значения количества участков по самой длинной компоненте, точность прогноза становится выше. Благодаря использованию фазификации данных входного временного окна при обучении и прогнозировании ИНС, можно использовать небольшие обучающие выборки, что является существенным при внедрении программных продуктов в технологические и научные комплексы.

Адаптирована методика системного анализа построения ИАС к задачам прогноза потребления ЭЭ на основе применения нейронных средств моделирования и прогнозирования, что позволило повысить точность краткосрочного нейросетевого прогноза на 30-50%, середнесрочного на 20-30%, и позволяет эффективно использовать ее в задачах “реального времени”. Создана программная ИАС “Прогноз” и применена она в энергоснабженческой компании ОАО „Львовоблэнерго”, что обеспечило повышение ефективности управленческих решений диспетчера за счет возможности проработки и представления прогнозов потребления ЭЭ в режиме реального времени.

Ключевые слова: электрическая энергия (ЭЭ), информационно-аналитическая система, оперативно-вычислительный комплекс, системный анализ, телеметрия, искусственная нейронная сеть (ИНС).

Pavlyuk O. N. short-range forecast processes consumption of electric energy on the basis of neural networks with not iterative training. - Manuscript.

The thesis for Ph. D. degree on the speciality 01.05.04 - the system analysis and the theory of optimum decisions is presented. National university “L'vivska polytechnica”, L'viv, 2005.`

This thesis is dedicated to the problem solution of prediction accuracy improvement of electrical energy consumption when prediction is done by artificial neural network in the case of incomplete data specification with partially contradictory information. The new effective method of incoming data repairing has been developed. It allows to repair 90-98% of lost information. This method may be used to improve prediction accuracy of ANN and statistical methods.

The point neighbourhood method is used to improve accuracy of the ANN prediction. This method allows to double dimension of the incoming realizations space and it improves ANN prediction accuracy by 2-3%. The new “functional on the tabular functions set” ANN method is developed. It is based on the usage of incoming realizations space expanding by - nearest neighbourhood method. The - nearest neighbourhoods method allows to multiply incoming realizations space by () and it allows to get enhancement of ANN prediction accuracy by 2-5%. Also this method allows to execute incoming data clusterization.

The method for increasing entries count “functional on the tabular functions set” ANN is proposed. The incoming data space fazification is used in this method to increase realization's space dimension. It allows to short learning sample and it allows system usage in real time. As result the accuracy of short and intermediate prediction is improved by 2-4%.

The system analyses principles of IAS construction are adapted for tasks solution of EE consumption forecasting. These principles are based on application of neural network modeling and neural network prediction facilities. It allows accuracy improvement of short- and intermediate forecasting by 30-50% and 20-30% accordingly. Also it allows to execute prediction in real time. The IAS “Prognoz” software application is developed. And it is used in energy supporting company OSC “L'vivoblenergo”. This application provides quality improvement of dispatcher's management efforts via abilities to get prediction of EE consumption in real time mode.

Key words: electrical energy (ЕЕ), informationaly-analitic system, operatively-calculable complex, telemetry, systematic analysis, telemeter, artificial neural network (ANN).

Підписано до друку 05.07.2005 р.

Формат 60х90 1/16. Папір офсетний.

Друк на різографі. Умовн. друк. арк. 1,5. Обл.-видав. арк. 0,89

Тираж 100 прим. Зам. 50713.

Поліграфічний центр

Видавництва Національного університету "Львівська політехніка"

Вул. Ф. Колеси, 2, 79000, Львів

Размещено на Allbest.ru

...