УДК 004.896
DOI 10.57112/E231-704

Серебряков Николай Александрович 

Аннотация:

Данная статья посвящена вопросам сравнительного анализа точности краткосрочного прогнозирования почасового электропотребления групп точек поставки сельхозпроизводителей, разработанных нейросетевых моделей и метода экспертных оценок. Произведена технико-экономическая оценка эффекта от внедрения разработанного решения на примере гарантирующего поставщика электроэнергии АО «Алтайкрайэнерго», зона деятельности которого приходится преимущественно на сельскую местность. Данная работа представляет интерес для специалистов энергосбытовых предприятий и гарантирующих поставщиков электроэнергии, занимающихся покупкой электроэнергии на оптовом рынке электроэнергии и мощности, также исследователей в области обработки больших объемов данных и прогнозирования временных рядов.

Ключевые слова: факторное пространство, потребление электроэнергии, краткосрочное прогнозирование электрической нагрузки, нейронная сеть, временной ряд, гарантирующий поставщик, метеофакторы, суточный график электрической нагрузки, оптовый рынок электроэнергии и мощности, точность прогнозирования.

Важнейшим условием надежного функционирования Единой энергосистемы России (ЕЭС) является соблюдение в любой момент времени баланса потребления и выработки электроэнергии. Так как, большая часть генерирующего оборудования в энергосистеме маломаневренное, то есть пуск в работу данного оборудования занимает более 8-ми часов, то ключевое значение при управлении режимом функционирования энергосистемы имеет прогнозная информация о почасовом электропотреблении всех потребителей. В связи с этим, покупка электроэнергии на оптовом рынке электроэнергии и мощности (ОРЭМ) предполагает краткосрочное прогнозирование собственного почасового электропотребления (short-term load forecasting - STLF). Ошибки прогнозирования электропотребления затрудняют оптимизацию режима ЕЭС, что, в свою очередь, приводит к необоснованным пускам и остановам генерирующего оборудования, выбору неоптимальной схемы электрических сетей и т.д. В случае прогнозирования электропотребления сельскохозяйственных потребителей, помимо стандартных факторов на результаты прогноза влияют дополнительные факторы, такие как состояние питающих и распределительных сетей 6-110 кВ, более сильная чувствительность на перепады температур и т.д.

В настоящее время, торговля отклонениями фактического электропотребления от прогнозного осуществляется таким образом, чтобы стимулировать крупных покупателей электроэнергии придерживаться собственных прогнозов, то есть, покупка электроэнергии происходит по более высокой цене, а продажа по более низкой. Помимо убытков для участников рынка, ошибки прогнозирования приводят к увеличению цены на электроэнергии для конечных потребителей на розничных рынках электроэнергии за счет увеличения стоимостного рыночного небаланса.

В соответствии с действующим законодательством в сфере электроэнергетики, а именно Правилами оптового рынка электроэнергии и мощности (ОРЭМ) (Постановление правительства Российской Федерации от 27.12.2010 № 1172), субъектный состав оптового рынка определяется в соответствии Федеральным законом от 26.03.2003 № 35-ФЗ «Об электроэнергетике». Одними из основных игроков на ОРЭМ являются гарантирующие поставщики электроэнергии (ГП), осуществляющие покупку и продажу электроэнергии с помощью зарегистрированных групп точек поставки (ГТП). Группа точек поставки подразумевает под собой условную точку в энергосистеме, которая используется для определения и исполнения обязательств по оплате электроэнергии на ОРЭМ. Физически, ГТП ГП представляет собой часть зоны обслуживания гарантирующего поставщика, питающихся от одной или нескольких узловых подстанций напряжением свыше 110 кВ, относящиеся к единому узлу расчетной модели энергосистемы РФ. Особенностью функционирования ГП в Алтайском крае является тот факт, что большая часть территории края приходится на сельскую местность.

Электропотребление любого объекта, в том числе ГТП ГП, имеет корреляционную связь с множеством факторов, в том числе недетерминированного характера [1]. Краткосрочное прогнозирование почасовой электрической нагрузки (ЭН) данного объекта относится к слабоформализуемым задачам. До недавнего времени, единственным адекватным методом при прогнозировании электрических нагрузок сложных объектов являлся метод экспертных оценок. Однако, в следствии человеческого фактора и прочих причин, повышение точности прогноза, полученного с помощью экспертного метода, выше определенного уровня является невыполнимой задачей. В соответствии с положениями Национальной стратегии развития искусственного интеллекта на период до 2030 года [2], при решении слабоформализуемых задач прогноза, планирования целесообразно применять современные интеллектуальные методы обработки информации, такие как методы искусственных нейронных сетей (ИНС) и глубокого машинного обучения.

Как было выяснено ранее [3-5], на электропотребление ГТП ГП, находящейся в сельской местности влияет ряд дополнительных факторов. В этой связи, достаточно остро стоят вопросы выбора метода и алгоритма краткосрочного прогнозирования почасовой электрической нагрузки ГТП сельхозпроизводителей. Существующие модели прогнозирования ЭН, как правило, основаны на устаревших методах искусственного интеллекта: методе опорных векторов, методе главных компонент, персептронные сети различной конфигурации и т.д. На сегодняшний день, лидирующие позиции в области машинного обучения, занимают глубокие нейросетевые модели, к которым относятся сети свертки, рекуррентные нейронные сети [6].

В связи с учетом допонительных факторов, нейросетевые модели прогнозирования электропотребления ГТП ГП, в силу большего количества свободных параметров, подвергающихся оптимизации при обучении ИНС, сильнее подвержены эффектам переобучения и затормаживания в локальных минимумах на поверхности ошибки. Традиционные методы борьбы с переобучением, к которым относятся случайное прореживание синаптических связей ИНС [7] и пакетная нормализация входных данных (Batchnormalization) [8], малопригодны для прогнозирования временных рядов, так как нарушают внутреннюю структуру данных, обусловленную фактором времени. Эффективными методами снижения эффекта переобучения ИНС являются методы соединения нескольких нейронных сетей в ансамбль и ранняя остановка алгоритма обучения ИНС после достижения требуемой обобщающей способности сети.

Целью данной работы является анализ эффективности использования современных нейросетевых моделей для краткорочного прогнозирования электропотребления ГТП ГП, находящихся в сельской местности.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать нейросетевую математическую модель почасового электропотребления ГТП ГП находящихся в сельской местности, учитывающую стандартные временные и метеорологические факторы, а также факторы инерционности изменения электропотребления по отношению к перепадам температуры внешнего воздуха, отключений электросетей 6–110 кВ, режима работы крупных потребителей электроэнергии, в том числе сельхозпроизводителей, наличия центрального отопления и водоснабжения в отдельных населенных пунктах, питающихся от ГТП ГП;
2. Произвести оценку эффективности применения разработанных нейросетевой модели для краткосрочного прогнозирования почасового электропотребления ГТП ГП, находящихся в сельской местности.

В основной части данной исследовательской работы произведена оценка погрешности краткосрочного прогнозирования почасовой ЭН ГТП ГП разработанных нейросетевых моделей на фактических данных, полученных с помощью многослойного персептрона (MLP), одномерной сети свертки (1D_CNN), двухмерной сети свертки (2D_CNN), рекуррентной нейросети типа долго–краткосрочной памяти (LSTM) и ансамбля ИНС (Ensemble). Также, произведена оценка погрешности разработанных ИНС и метода экспертных оценок, используемого в качестве базового метода прогнозирования ЭП большинством энергосбытовых предприятий. Экспертами выступили сотрудники отдела работы на оптовом рынке АО «Алтайкрайэнерго», имеющие стаж работы более 10–ти лет в области краткосрочного прогнозирования ЭН для покупки электроэнергии на ОРЭМ. Краткосрочное прогнозирование ЭН осуществлялось в ГТП ГП «Южная» в соответствии с регламентом «рынка на сутки вперед». В таблице 1 представлены результаты прогнозирования почасовой электрической нагрузки ГТП «Южная», полученных с помощью нейросетевых моделей и метода экспертных оценок за ноябрь 2019 года.

Таблица 1 - Результаты прогнозирования почасовой электрической нагрузки ГТП «Южная», полученных с помощью нейросетевых моделей и метода экспертных оценок за ноябрь 2019 года

Как мы видим из таблицы 1, все разработанные нейросетевые прогнозные алгоритмы продемонстрировали снижение среднемесячной ошибки прогнозирования, по сравнению с ошибкой прогноза метода экспертных. Применение ансамбля ИНС при прогнозировании почасовой ЭН ГТП ГП в режиме «на сутки вперед» на фактических данных позволило:

- уменьшить среднемесячную абсолютную процентную погрешность прогноза на 0,16%, по отношению к результату прогноза, полученного с помощью многослойного персептрона,

- снизить погрешность прогноза на 0,22% по отношении к погрешности прогноза метода экспертных оценок.

Также, можно утверждать, что прогноз, полученный с помощью ансамбля ИНС имеет наименьшее среднеквадратичное отклонение.

После апробации разработанных моделей на фактических данных на протяжении месячного интервала, произведена оценка погрешности прогноза ансамбля ИНС и метода экспертных оценок на годовом интервале. В таблице 2 представлены среднемесячные абсолютные погрешности краткосрочного прогноза почасовой электрической нагрузки ГТП Южная по месяцам 2020 года.

Из таблицы 2 видно, что применение ансамбля ИНС для краткосрочного прогнозирования почасовой ЭН ГТП ГП позволило уменьшить среднемесячную абсолютную процентную погрешность прогноза на 0,14 % на протяжении годового интервала, в сравнении с результатами прогноза, полученного на основе метода экспертных оценок. Однако, стоит отметить, что метод на основе ИНС показал большую погрешность прогноза в мае и сентябре 2020 года. Это можно объяснить тем, что прогнозные модели, основанные на ИНС, склонны к статистическому усреднению. Данные модели демонстрируют более высокую погрешность прогноза в условиях резкого изменения влияющих факторов: большие перепады температуры в течение суток, уход (выход) образовательных учреждений на каникулы, изменение режима работы центрального отопления и т.д.

Таблица 2 - Среднемесячные абсолютные погрешности краткосрочного прогноза почасовой электрической нагрузки ГТП Южная по месяцам 2020 года.

Апробация ансамблевого нейросетевого алгоритма прогнозирования почасового электропотребления ГТП ГП, расположенных в сельской местности на актуальных данных подтвердила эффективность его использования. Снижение среднемесячной ошибки прогнозирования в режиме прогноза «на сутки вперед» составило 0,16 %, по сравнению с ошибкой прогноза, полученного с помощью трехслойного персептрона, и на 0,22 % по сравнению ошибкой прогноза, полученного с помощью метода экспертных оценок. На годовом интервале снижение средней ошибки составило 0,14 %, по сравнению с прогнозом метода экспертных оценок.

Список используемой литературы

1. Short-term load forecasting using EMD-LSTM neural networks with a XGBOOSt algorithm for feature importance evaluation / Н. Zheng, J. Yuan, L. Chen // Energies. – 2017. – Vol. 10. – P. 1–20. – DOI : https://doi.org/10.3390/en10081168 – Текст непосредственный.
2. Национальная стратегия развития искусственного интеллекта на период до 2030 года. – Текст электронный. – URL : http://www.kremlin.ru/acts/bank/44731 (Дата обращения 20.10.2023)
3. Серебряков, Н. А. Анализ факторов, влияющих на совокупное электропотребление гарантирующего поставщика / Н. А. Серебряков // Вестник Иркутского государственного технического университета. 2020. – Т. 24. – № 2. – С. 366–381. – DOI : https://doi.org/10.21285/1814-3520-2020-2-366-381 – Текст непосредственный.
4. Хомутов, С. О. Влияние метеорологических факторов на режим потребления электроэнергии группы точек поставки электроэнергии сельскохозяйственных товаропроизводителей / С. О. Хомутов, Н. А. Серебряков // Вестник Алтайского государственного аграрного университета. – 2019. – № 5 (175). – С. 148-153. – Текст непосредственный.
5. Серебряков, Н. А. Анализ случайной составляющей временного ряда электрической нагрузки группы точек поставки электроэнергии сельхозпроизводителей / Н. А. Серебряков, С. О. Хомутов // Вестник Алтайского государственного аграрного университета. – 2019. – № 5 (175). – C. 153-158. – Текст непосредственный.
6. Шолле, Ф. Глубокое обучение на Python / Ф. Шолле ; пер. с англ. А. Киселев ; под общ. ред. Л. А. Волковой. — Санкт – Петербург : Питер, 2018. — 400 с. : ил. — ISBN 978-5-4461-0770-4. – Текст непосредственный.
7. Dropout: a simple way to prevent neural networks from overfitting / N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov // Journal of Machine Learning Research. – 2014. – Vol. 15. – P. 1929-1958. – Текст непосредственный.
8. Batch Normalization: Accelerating deep network training by reducing internal covariate shift / S. Iofee, C. Szegedy. – Текст электронный. – URL: https://arxiv.org/pdf/1502.03167.pdf (дата обращения: 02.03.2023).
   
   

Информация об авторах

Серебряков Н. А. – к.т.н., доцент, ФГБОУ ВО «Алтайский государственный технический университет им. И. И. Ползунова», РФ, Алтайский край, г. Барнаул.

Ссылка для цитирования

Серебряков, Н. А. Прогнозирование электрической нагрузки сельскохозпроизводителей с помощью нейросетевых моделей / Н. А. Серебряков // Энерджинет. 2023. № 1.  URL: http://nopak.ru/231-704 (дата обращения: 25.10.2023).