ВЫБОР ОПТИМАЛЬНОЙ АРХИТЕКТУРЫ И КОНФИГУРАЦИИ НЕЙРОСЕТЕВОЙ МОДЕЛИ ПРИ КРАТКОСРОЧНОМ ПРОГНОЗИРОВАНИИ ЭЛЕКТРОПОТРЕБЛЕНИЯ ГАРАНТИРУЮЩИХ ПОСТАВЩИКОВ ЭЛЕКТРОЭНЕРГИИ
Ключевые слова:
группа точек поставки, краткосрочное прогнозирование электропотребления, искусственная нейронная сеть, стохастическая оптимизация, алгоритм обучения, гиперпараметр, ошибка прогнозирования, кривые обученияАннотация
Для эффективного управления режимом работы энергосистемы, необходима прогнозная информация о величине почасовой электрической нагрузки всех потребителей. Ошибки прогнозирования, как правило, приводят ухудшению технологических и экономических показателей функционирования энергосистемы, за счет необоснованного изменения режима работы генерирующего оборудования, а также выборы 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. В ходе экспериментов с обучающей и тестовой выборкой данных, выяснено, что наибольшую точность STLF демонстрируют нейросетевые модели, оптимизируемые с помощью метода адаптивной инерции (adaptive momentum estimation – ADAM). Выяснено, что современные инструменты глубокого машинного обучения, такие как 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. В ходе сравнительного анализа точности краткосрочного прогнозирования почасового электропотребления ГТП ГП, полученного с помощью различных нейросетевых алгоритмов, выяснено, что ансамбль нейросетей показывает наибольшую точность прогнозирования на обучающей и тестовой выборках данных. Применение ансамбля нейросетей при прогнозировании почасового электропотребления ГТП ГП позволило снизить среднюю абсолютную процентную ошибку прогнозирования на 0,22% на месячной интервале и на 0,12 % на годовом интервале, по сравнению с прогнозом, полученным с помощью метода экспертных оценок
