Размещено на http://www.allbest.ru/

Построение нейронных сетей для прогнозирования электропотребления собственных нужд теплоэлектроцентрали

А.С. Ведерников, Е.А. Балукова, Е.А Комасова

ФГБОУ ВО "Самарский государственный технический университет", Самара, Россия

Аннотация

Состояние вопроса: Задачи прогнозирования электропотребления можно разделить на два основных класса: классификация и регрессия. В данной статье будет решаться задача регрессии, для которой необходимо определить значения числовой выходной переменной по значениям входных переменных. В качестве входных параметров были выявлены шесть переменных, от которых зависит расход электроэнергии на собственные нужды ТЭЦ. Выходной переменной будет являться активная мощность, расходуемая на механизмы собственных нужд (СН) ТЭЦ.

Материалы и методы: Прогнозирование расхода активной мощности на собственные нужды ТЭЦ осуществляется с помощью пакета ST Neural Networks, путем построения различных нейронных сетей, так как они устанавливают правильные соотношения между входными и выходными переменными, что позволяет достаточно точно предсказать будущую нагрузку.

Результаты: Были построены графики прогнозируемого и фактического электропотребления на сутки вперед, а также вычислены ошибки каждой из сетей методом наименьших квадратов. Исходя из полученных графиков и данных была отобрана нейронная сеть с наименьшей ошибкой прогноза.

Выводы: Выбранный тип и архитектура нейронной сети с наименьшей ошибкой прогноза будет являться основой для прогнозирования электропотребления СН ТЭЦ.

Ключевые слова - искусственные нейронные сети, прогнозирование электропотребления, собственные нужды ТЭЦ, ошибка прогноза.

Abstract

Background: All problems in the forecasting of electric consumptions can be divided into two main groups: classification and regression. The regression problem will be solved in this article, it is necessary to determine the values of the numerical output variable by the values of the input variables to solve this problem. As an input parameters, we have identified six variables, which the electric power consumption for the needs of the CHPP depends on. The output variable will be an active power expendable on mechanisms of own needs (ON) of CHPP.

Materials and Methods: The forecasting of an active power consumption of own needs on CHPP is carried out with the ST Neural Networks by construction of neural networks, because they establish the correct connection between the input and output variables, which allows you to accurately predict the future load.

Results: The graphs of the predicted and actual power consumption for the day ahead were plotted, and also the errors of each network were calculated by the least squares method. Based on the received graphs and data we have selected a neural network with the lowest prediction error.

Conclusions: The type and the structure of the neural network with the least prediction error will be the basis of predicting the power consumption of ON of CHPP .

Key-words: artificial neural networks, forecasting of electric power consumption , own needs of CHPP , the prediction error.

Введение

Искусственные нейронные сети находят новые применения в практике принятия решений и управления сложными организационно-техническими решениями в электроэнергетике. Большой вклад в развитие теории ИНС при прогнозировании электропотребления внесли работы следующих авторов: Седова А.В., Надтока И.И., Манусова В.З., Шумиловой Г.П., Готман Н.Э., Старцевой Т.Б., Круглова В.В., Борисова В.В.

Одним из преимуществ ИНС является способность к обобщению накопленных знаний и самообучению. ИНС устанавливает правильные соотношения между входными и выходными переменными, что позволяет ей достаточно точно предсказать будущую нагрузку [1].

теплоэлектроцентраль электроэнергия мощность активный

Актуальность проблемы

Задачи прогнозирования можно разбить на два класса: классификация и регрессия. В задачах классификации необходимо решить, к какому из нескольких заданных классов принадлежит данный входной набор. В данной статье будут решаться задачи регрессии, так как необходимо предсказать значение переменной, принимающей непрерывные числовые значения (в данном случае расход активной мощности на механизмы собственных нужд ТЭЦ, что и будет являться единственной выходной переменной).

Основной целью задач регрессии является оценка значения числовой выходной переменной по значениям входных переменных. Задачи регрессии в данной работе будут решаться с помощью пакета ST Neural Networks с помощью нейронных сетей, таких как многослойный персептрон(MLP), радиальная базисная функция(RBF), обобщенно-регрессионная сеть(GRNN) и линейная сеть [3].

Цели и пути решения

При проведении корреляционного анализа с целью определения входных величин для построения нейронной сети, годовой период был разбит на четыре периода. В качестве входных данных были выявлены шесть переменных: почасовые значения выработанной активной мощности, тепловой энергии, условного расхода топлива, ретроспективные данные электропотребления СН, число работающих генераторов и коэффициент установленной мощности электростанции. При составлении прогнозной модели СН ТЭЦ значения тепловой энергии будут учитываться только в отопительный период [2]. Следовательно, в данной работе будет рассматриваться отопительный период, как период с наибольшим числом входных величин, для которого будет спрогнозировано электропотребление СН ТЭЦ на сутки вперед. Выходной переменной будет являться активная мощность, расходуемая на механизмы собственных нужд ТЭЦ.

Приступая к разработке нейросетевого решения, как правило, сталкиваются с проблемой выбора оптимальной архитектуры нейронной сети. Будет ли та или иная сеть лучше и практичнее, зависит в большинстве случаев от условий задачи.

Сети RBF имеют ряд преимуществ перед сетями MLP. Во-первых, они моделируют произвольную нелинейную функцию с помощью всего одного промежуточного слоя, и тем самым избавляют нас от необходимости решать вопрос о числе слоев. Во-вторых, параметры линейной комбинации в выходном слое можно полностью оптимизировать с помощью хорошо известных методов линейного моделирования, которые работают быстро и не испытывают трудностей с локальными минимумами, так мешающими при обучении MLP. Поэтому сеть RBF обучается очень быстро (на порядок быстрее MLP) [4].

С другой стороны, до того, как применять линейную оптимизацию в выходном слое сети RBF, необходимо определить число радиальных элементов, положение их центров и величины отклонений. Соответствующие алгоритмы, хотя и работают быстрее алгоритмов обучения MLP, в меньшей степени пригодны для решения нашей задачи прогнозирования.

Для правильного моделирования типичной функции сеть RBF, с ее более эксцентричной поверхностью отклика, требует несколько большего числа элементов. Следовательно, модель, основанная на RBF, будет работать медленнее и потребует больше памяти, чем соответствующий MLP.

Неумение сетей RBF и сетей GRNN экстраполировать свои выводы за область известных данных, приводит к снижению достоверности и точности прогнозов и усложняет обработку информации и оценку результатов. Сеть MLP, напротив, выдает более определенные решения при обработке сильно отклоняющихся данных.

Линейная сеть представляет собой сеть без промежуточных слоев, которая в выходном слое содержит только линейные элементы, т.е элементы с линейной функцией активации, что не применимо для решения сложных задач, таких как прогнозирование электропотребления СН.

Таким образом, в программе ST Neural Networks целесообразно построить радиально-базисные нейронные сети и многослойный персептрон с помощью двух инструментов: автоматизированная нейронная сеть (АНС) и пользовательская нейронная сеть (ПНС), которые позволяют конструировать собственные сети и выбирать наиболее подходящие для решения необходимой задачи.

Исследования и расчёты

Для АНС и ПНС были построены нейронные сети: многослойный персептрон и радиально-базисная функция. Для реализации и выбора сетей с наименьшей ошибкой E, было выбрано минимальное и максимальное число скрытых нейронов в диапазоне от 1 до 20 и задействованы функции активации, такие как тождественная, логистическая и гиперболическая, количество обучаемых и сохраняемых сетей выбраны соответственно 20 и 10.

Согласно методу наименьших квадратов [5] ошибка функционирования сети определяется по следующему выражению:

где: yi - выход сети;

di - фактические значения электропотребления,

p - индекс образца в обучающей выборке.

На рисунке 1 представлен график, который отображает фактическое и прогнозное электропотребление СН. В таблице 1 представлены фактические и прогнозные числовые значения активной мощности, расходуемой на собственные нужды электростанции, а также разность этих значений, указывающая на ошибку прогноза. Прогноз электропотребления СН ТЭЦ был сделан с помощью многослойного персептрона с одним скрытым слоем, содержащим 15 нейронов - MLP 6-15-1 с логистической функцией активации скрытых и выходных нейронов, а также с алгоритмом обучения BFGS. Ошибка прогноза данной нейронной сети составила E=0,8%. Данная архитектура сети оказалась с самой минимальной ошибкой прогноза из всех нейронных сетей данного типа, предоставленных программой.

Построив нейронные сети радиально-базисной функции, программой была отобрана сеть с одним скрытым слоем, содержащим 6 нейронов - RBF 6-6-1 с гауссовой функцией активации скрытых и тождественной функцией выходных нейронов, а также с алгоритмом обучения RBFT. Ошибка прогноза данной нейронной сети составила E=2,5%.

На рисунке 2 представлен график, который отображает фактическое и прогнозное электропотребление СН на основе нейронной сети радиально-базисной функции RBF 6-6-1. В таблице 2 отображены фактические и прогнозные числовые значения активной мощности, расходуемой на собственные нужды электростанции, а также разность этих значений, указывающая на ошибку прогноза.

В пользовательской нейронной сети была отобрана нейронная сеть многослойного персептрона MLP 6-7-1, наименьшая ошибка прогноза которой составила E=0,5%, что отображается на рис.3. В таблице 3 представлены фактические и прогнозные числовые значения активной мощности, расходуемой на собственные нужды электростанции, а также разность этих значений, указывающая на ошибку прогноза.

При построении пользовательской нейронной сети радиально-базисной функции, программой была выбрана сеть RBF 6-6-1 c наименьшей ошибкой прогноза E=2,5%. На рисунке 4 представлен график, который отображает фактическое и прогнозное электропотребление СН. В таблице 4 представлены фактические и прогнозные числовые значения активной мощности, расходуемой на собственные нужды электростанции, а также разность этих значений, указывающая на ошибку прогноза.

Рис.1 Прогнозное и фактическое электропотребление СН на сутки вперед на основе MLP

Таблица 1

Рис.2 Прогнозное и фактическое электропотребление СН на сутки вперед на основе RBF

Таблица 2

Статистические данные фактических и прогнозных значений СН ТЭЦ

Рис.3 Прогнозное и фактическое электропотребление СН на сутки вперед на основе MLP

Таблица 3

Статистические данные фактических и прогнозных значений СН ТЭЦ

Рис.4 Прогнозное и фактическое электропотребление СН на сутки вперед на основе RBF

Таблица 4

Статистические данные фактических и прогнозных значений СН ТЭЦ

Выводы

Исходя из построенных нейронных сетей, имеющие определенный процент ошибки прогноза, можно сделать вывод о том, что в задачах прогнозирования электропотребления СН наиболее подходящей нейронной сетью с наименьшей ошибкой прогноза в E=0,5% является многослойный персептрон MLP 6-7-1.

Список литературы

1. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. -- М.: Финансы и статистика, 2004. -- 176 с: ил. -- (Прикладные информационные технологии).

2. Определение корреляционных зависимостей между факторами, влияющими на электропотребление собственных нужд ТЭЦ / А.С.Ведерников, Е.А.Балукова // Известия высших учебных заведений. Электромеханика 2016;6: 110-113 с.

3. Боровиков, В.П. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных / В.П. Боровиков. - 2- е изд. - М.: Горячая линия - Телеком, 2008. - 392 с.

4. Хайкин, С. Нейронные сети:полный курс, 2-е изд., испр.:Пер. с англ. /С. Хайкин.- М.:ООО И.Д. Вильямс, 2006. - 1104с.

5. Халафян, А.А. STATISTICA 6. Статистический анализ данных. 3-е изд. учеб. / А.А. Халафян. - М.: Бином-Пресс, 2007. - 512с.

Размещено на Allbest.ur