Интеллектуальное прогнозирование потребления электроэнергии при управлении энергетическими предприятиями на основе нейросетевых технологий

В концепции "Цифровая трансформация 2030", определяющей национальные цели и стратегические задачи развития Российской Федерации на период до 2030 года, указаны специализированные цели и задачи, являющиеся важным посылом для внедрения интеллектуальных информационных технологий управления в сферу электроэнергетики. Основными вызовами для перехода к цифровой трансформации являются увеличение темпов роста тарифов для конечного потребителя, нарастающий износ сетевой инфраструктуры, наличие избыточного сетевого строительства и повышение требований к качеству энергопотребления.

Определяющим фактором возможности разработки эффективной энергетической политики является прогнозирование потребления электроэнергии с использованием методов искусственного интеллекта. Одним из методов реализации вышесказанного является разработка искусственной нейронной сети (ИНС) для получения заблаговременного прогноза количества требуемой (потребляемой) электроэнергии. Полученные прогнозные значения открывают возможность не только выстроить грамотную энергетическую политику путем повышения энергоэффективности энергетической компании, но и проводить специализированные энергосберегающие мероприятия в целях оптимизации бюджета организации.

Решение данной проблемы представлено в виде искусственной нейронной сети второго поколения. Основными преимуществами данной ИНС являются универсальность, скоростное и точное обучение, а также отсутствие необходимости в большом количестве исходных данных для качественного прогноза. За основу самой ИНС берутся классический нейрон и метод обратного распространения ошибки с их дальнейшей модификацией. В метод обратного распространения ошибки добавлены коэффициенты скорости обучения и чувствительности, а в нейрон внедрен коэффициент реагирования на аномалии во временных рядах. Это позволило существенно улучшить скорость обучения искусственной нейронной сети и повысить точность прогнозных результатов.

Представленные в настоящем исследовании результаты могут быть взяты в качестве ориентира для энергетических компаний при принятии решений в рамках энергетической политики, в том числе и при проведении энергосберегающих мероприятий, что будет особенно полезным в текущих экономических реалиях.

1. Louis-Gabriel M., Louis G. Forecasting of short-term lighting and plug load electricity consumption in single residential units: Development and assessment of data-driven models for different horizons, Applied Energy, 2022, no. 307, pp. 118229.

2. Hadjout D. et al. Electricity consumption forecasting based on ensemble deep learning with application to the Algerian market, Energy, 2022, no. 243, pp. 123060.

3. Garant, available at: https://base.garant.ru/70643464/ (date of access to the page: 13.08.22).

4. Jian D. et. al. A hybrid deep learning framework for predicting daily natural gas consumption, Energy, 2022, 257, pp. 124689.

5. Tasarruf B. et. al. Short term electricity load forecasting using hybrid prophet-LSTM model optimized by BPNN, Energy Reports, 2022, no 8, pp. 1678—1686.

6. Hongcheng L. et. al. Data-driven hybrid petri-net based energy consumption behaviour modelling for digital twin of energy-efficient manufacturing system, Energy, 2022, 239, pp. 122178.

7. Chengyu Z., Tianyi Z., Kuishan L. Quantitative correlation models between electricity consumption and behaviors about lighting, sockets and others for electricity consumption prediction in typical campus buildings, Energy and Buildings, 2021, no 253, pp. 111510.

8. Meng Z. et. al. A novel flexible grey multivariable model and its application in forecasting energy consumption in China, Energy, 2022, no 239-E, pp. 122441.

9. Fazil K. et al. A hybrid approach based on autoregressive integrated moving average and least-square support vector machine for long-term forecasting of net electricity consumption, Energy, 2020, no 197, pp. 117200.

10. Ying S. et al. Prediction method of electricity stealing behavior based on multi-dimensional features and BP neural network, Energy Reports, 2022, no. 8—4, pp. 523—531.

11. Vyalkova S. A., Nadtoka I. I. Forecasting daily graphs active energy consumption of a megapolis taking into account forecast data of daylight illumination. Izvestiya vysshih uchebnyh zavedenij. Elektromekhanika, vol. 63, no. 5, pp. 67—71 (In Russian)

12. Safaraliev M. H. et al. Adaptive ensemble models for medium-term forecasting of power generation by hydropower plants in isolated power systems taking into account temperature changes, Electrotechnical Systems and Complexes, no. 1(54), pp. 38—45.

13. McCulloch W. S., Pitts W. A logical calculus of the ideas immanent in nervous activity, Bulletin of Mathematical Biophysics, 1943, no. 5, pp. 115—133.

14. Palchevsky E. V., Antonov V. V. Decision support system based on application of the second generation neural network, Programmnaya Ingeneria, 2022, no. 13-6, pp. 301—308.

15. Palchevsky E. V., Khristodulo O. I., Pavlov S. V. Threat prediction in complex distributed systems using artificial neural network technology, CEUR Workshop Proceedings, 2020, no. 2763, pp. 289—284.

16. Mitchell T. Machine Learning, 1997, 432 p.

17. Fukushima K. Visual Feature Extraction by a Multilayered Network of Analog Threshold Elements, IEEE Transactions on Systems Science and Cybernetics, 1969, no. 5—4, pp. 322—333.

18. Palchevsky E. V. et al. Intelligent data analysis for forecasting threats in complex distributed systems, CEUR Workshop Proceedings, 2020, no. 2744, pp. 285—296.