Повышение точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующих поставщиков второго уровня
| Parent link: | Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов/ Национальный исследовательский Томский политехнический университет (ТПУ).— , 2015-.— 2413-1830 Т. 331, № 6.— 2020.— [С. 128-140] |
|---|---|
| Hlavní autor: | |
| Korporativní autor: | |
| Další autoři: | , |
| Shrnutí: | Заглавие с титульного листа Актуальность обусловлена необходимостью повышения точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующих поставщиков второго уровня. Результаты данного прогноза используются системным оператором при формировании диспетчерского графика выработки и потребления электроэнергии. Ошибки прогнозирования, как правило, приводят к увеличению расхода первичных энергоресурсов на выработку электроэнергии за счет необоснованных пусков и остановов генерирующего оборудования, а также к увеличению потерь при передаче электроэнергии, вследствие выбора неоптимальной схемы электрических сетей. Так как потребление электроэнергии зависит от множества факторов, задача краткосрочного прогнозирования данного временного ряда является слабоформализуемой. В данных условиях традиционные средства математической статистики и имитационного моделирования не позволяют строить адекватные прогнозные модели. До недавнего времени единственным адекватным методом прогнозирования потребления электроэнергии был метод экспертных оценок. В настоящее время для краткосрочного прогнозирования электропотребления энергосистемы региона страны или группы точек поставки электроэнергии гарантирующего поставщика первого уровня все большее применение находят инструменты нейронных сетей. Однако разработанные модели мало пригодны для прогнозирования почасового потребления электрической энергии групп точек поставки электроэнергии гарантирующих поставщиков второго уровня. Краткосрочное прогнозирование потребления электроэнергии данных объектов осложнено тем, что, помимо стандартных временных и метеорологических факторов, необходимо учитывать надежность электросетевого оборудования 6-110 кВ, режим работы потребителей электрической энергии с мощностью 670-10000 кВт, а также наличие центрального отопления и горячего (холодного) водоснабжения в населенном пункте, питающемся от группы точек поставки электроэнергии. Для них остается открытым вопрос выбора оптимальной архитектуры и конфигурации нейросетевой модели, а также алгоритма ее обучения, при использовании которых достигается требуемая точность прогнозирования. Цель: повышение точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующего поставщика второго уровня с помощью инструментов нейронных сетей и глубокого машинного обучения. Методы: методы корреляционного и факторного анализа, теории искусственных нейронных сетей и машинного обучения. Программная реализация теоретических выкладок выполнена с помощью библиотеки глубокого машинного обучения Tensor flow Keras на языке программирования Python 3.6. Результаты. Разработан нейросетевой алгоритм краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующего поставщика второго уровня с адаптивными в процессе обучения параметрами скорости обучения и момента инерции. Выполнена программная реализация данного алгоритма в библиотеке глубокого машинного обучения Tensor flow Keras. Использование данной искусственной нейронной сети позволило снизить среднемесячную относительную ошибку прогнозирования на 5,14 %. Relevance of the discussed issue is caused by the need to improve the accuracy of short-term load forecasting of delivery point cluster of the second level default provider. The system operator uses the result of forecast when forming power system dispatch load curve. Usually, prediction errors lead to increase of primary energy resources consumption for electric-power production, due to unjustified run and shutdown of generating equipment, as well as increasing of circuit losses, due to the choice of non-optimal scheme of electric grid. As the electricity consumption depends on many factors, the task of short-term load forecasting is poorly formalized. Under these conditions, traditional methods of mathematical statistics and simulation do not allow building the adequate forecast models. Until recently, the only fine method of load forecasting was the Delhi approach. Currently, tools of neural networks and deep machine learning are widely used for short-term load forecasting of the energy system of a region of the country or delivery point cluster of first level default provider. However, the developed models are not suitable for predicting hourly electricity consumption of delivery point cluster of the second level default provider. Short-term load forecasting of this object is complicated of reliability of electric grid 6-110 kV, the operating mode of electricity consumers with a capacity of 670-10000 kW, the presence of district heating and water supply, beside standard time and meteorological factors. For this forecasting object, the question of choosing the optimal architecture and configuration of the neural network model, as well as the learning algorithm, which can achieve the desired forecasting accuracy, remain open. The main aim of the research is to improve the accuracy of short-term load forecasting of delivery point cluster of the second level default provider with the help of tools of neural networks and deep machine learning. The methods: the methods of correlation and factor analysis, the theory of artificial neural networks and machine learning. Software implementation of theoretical calculations was performed with help of deep machine learning library Tensor flow Keras in the Python 3.6 programming language. Results. The authors have developed the neural network algorithm for short-term load forecasting of delivery point cluster of the second level default provider with adaptive learning and momentum rate and completed the software implementation of this algorithm in deep machine learning library Tensor flow Keras. The use of this artificial neural network let to decrease in monthly average relative forecast error by 5,14 %. |
| Jazyk: | ruština |
| Vydáno: |
2020
|
| Témata: | |
| On-line přístup: | http://earchive.tpu.ru/bitstream/11683/62327/1/bulletin_tpu-2020-v331-i6-13.pdf https://doi.org/10.18799/24131830/2020/6/2682 |
| Médium: | Elektronický zdroj Kapitola |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=345014 |
MARC
| LEADER | 00000nla2a2200000 4500 | ||
|---|---|---|---|
| 001 | 345014 | ||
| 005 | 20231101034702.0 | ||
| 035 | |a (RuTPU)RU\TPU\book\376813 | ||
| 035 | |a RU\TPU\book\376810 | ||
| 090 | |a 345014 | ||
| 100 | |a 20200707d2020 k y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i | |
| 182 | 0 | |a b | |
| 200 | 1 | |a Повышение точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующих поставщиков второго уровня |f С. О. Хомутов, В. И. Сташко, Н. А. Серебряков | |
| 203 | |a Текст |c электронный | ||
| 215 | |a 1 файл (947 Kb) | ||
| 230 | |a Электронные текстовые данные (1 файл : 947 Kb) | ||
| 300 | |a Заглавие с титульного листа | ||
| 320 | |a [Библиогр.: с. 137-138 (34 назв.)] | ||
| 330 | |a Актуальность обусловлена необходимостью повышения точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующих поставщиков второго уровня. Результаты данного прогноза используются системным оператором при формировании диспетчерского графика выработки и потребления электроэнергии. Ошибки прогнозирования, как правило, приводят к увеличению расхода первичных энергоресурсов на выработку электроэнергии за счет необоснованных пусков и остановов генерирующего оборудования, а также к увеличению потерь при передаче электроэнергии, вследствие выбора неоптимальной схемы электрических сетей. Так как потребление электроэнергии зависит от множества факторов, задача краткосрочного прогнозирования данного временного ряда является слабоформализуемой. В данных условиях традиционные средства математической статистики и имитационного моделирования не позволяют строить адекватные прогнозные модели. До недавнего времени единственным адекватным методом прогнозирования потребления электроэнергии был метод экспертных оценок. В настоящее время для краткосрочного прогнозирования электропотребления энергосистемы региона страны или группы точек поставки электроэнергии гарантирующего поставщика первого уровня все большее применение находят инструменты нейронных сетей. | ||
| 330 | |a Однако разработанные модели мало пригодны для прогнозирования почасового потребления электрической энергии групп точек поставки электроэнергии гарантирующих поставщиков второго уровня. Краткосрочное прогнозирование потребления электроэнергии данных объектов осложнено тем, что, помимо стандартных временных и метеорологических факторов, необходимо учитывать надежность электросетевого оборудования 6-110 кВ, режим работы потребителей электрической энергии с мощностью 670-10000 кВт, а также наличие центрального отопления и горячего (холодного) водоснабжения в населенном пункте, питающемся от группы точек поставки электроэнергии. Для них остается открытым вопрос выбора оптимальной архитектуры и конфигурации нейросетевой модели, а также алгоритма ее обучения, при использовании которых достигается требуемая точность прогнозирования. Цель: повышение точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующего поставщика второго уровня с помощью инструментов нейронных сетей и глубокого машинного обучения. Методы: методы корреляционного и факторного анализа, теории искусственных нейронных сетей и машинного обучения. Программная реализация теоретических выкладок выполнена с помощью библиотеки глубокого машинного обучения Tensor flow Keras на языке программирования Python 3.6. Результаты. Разработан нейросетевой алгоритм краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующего поставщика второго уровня с адаптивными в процессе обучения параметрами скорости обучения и момента инерции. Выполнена программная реализация данного алгоритма в библиотеке глубокого машинного обучения Tensor flow Keras. Использование данной искусственной нейронной сети позволило снизить среднемесячную относительную ошибку прогнозирования на 5,14 %. | ||
| 330 | |a Relevance of the discussed issue is caused by the need to improve the accuracy of short-term load forecasting of delivery point cluster of the second level default provider. The system operator uses the result of forecast when forming power system dispatch load curve. Usually, prediction errors lead to increase of primary energy resources consumption for electric-power production, due to unjustified run and shutdown of generating equipment, as well as increasing of circuit losses, due to the choice of non-optimal scheme of electric grid. As the electricity consumption depends on many factors, the task of short-term load forecasting is poorly formalized. Under these conditions, traditional methods of mathematical statistics and simulation do not allow building the adequate forecast models. Until recently, the only fine method of load forecasting was the Delhi approach. Currently, tools of neural networks and deep machine learning are widely used for short-term load forecasting of the energy system of a region of the country or delivery point cluster of first level default provider. However, the developed models are not suitable for predicting hourly electricity consumption of delivery point cluster of the second level default provider. Short-term load forecasting of this object is complicated of reliability of electric grid 6-110 kV, the operating mode of electricity consumers with a capacity of 670-10000 kW, the presence of district heating and water supply, beside standard time and meteorological factors. For this forecasting object, the question of choosing the optimal architecture and configuration of the neural network model, as well as the learning algorithm, which can achieve the desired forecasting accuracy, remain open. | ||
| 330 | |a The main aim of the research is to improve the accuracy of short-term load forecasting of delivery point cluster of the second level default provider with the help of tools of neural networks and deep machine learning. The methods: the methods of correlation and factor analysis, the theory of artificial neural networks and machine learning. Software implementation of theoretical calculations was performed with help of deep machine learning library Tensor flow Keras in the Python 3.6 programming language. Results. The authors have developed the neural network algorithm for short-term load forecasting of delivery point cluster of the second level default provider with adaptive learning and momentum rate and completed the software implementation of this algorithm in deep machine learning library Tensor flow Keras. The use of this artificial neural network let to decrease in monthly average relative forecast error by 5,14 %. | ||
| 453 | |t Improving the accuracy of short-term load forecasting of delivery point cluster of the second level default provider |o translation from Russian |f S. O. Khomutov, V. I. Stashko, N. A. Serebryakov |c Tomsk |n TPU Press |d 2015- |d 2020 |a Khomutov, Stanislav Olegovich | ||
| 453 | |t Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering | ||
| 453 | |t Vol. 331, № 6 | ||
| 461 | 1 | |0 (RuTPU)RU\TPU\book\312844 |x 2413-1830 |t Известия Томского политехнического университета [Известия ТПУ]. Инжиниринг георесурсов |f Национальный исследовательский Томский политехнический университет (ТПУ) |d 2015- | |
| 463 | 1 | |0 (RuTPU)RU\TPU\book\376798 |t Т. 331, № 6 |v [С. 128-140] |d 2020 | |
| 610 | 1 | |a краткосрочное прогнозирование | |
| 610 | 1 | |a электропотребление | |
| 610 | 1 | |a искусственные нейронные сети | |
| 610 | 1 | |a алгоритмы обучения | |
| 610 | 1 | |a обучение | |
| 610 | 1 | |a оптовые рынки | |
| 610 | 1 | |a электроэнергия | |
| 610 | 1 | |a поставки | |
| 610 | 1 | |a градиентный спуск | |
| 610 | 1 | |a электронный ресурс | |
| 610 | |a short-term load forecasting | ||
| 610 | |a artificial neural networks | ||
| 610 | |a learning algorithm | ||
| 610 | |a wholesale electricity market | ||
| 610 | |a delivery point cluster | ||
| 610 | |a gradient descent | ||
| 700 | 1 | |a Хомутов |b С. О. |g Станислав Олегович |6 z01712 | |
| 701 | 1 | |a Сташко |b В. И. |g Василий Иванович |6 z02712 | |
| 701 | 1 | |a Серебряков |b Н. А. |g Николай Александрович |6 z03712 | |
| 712 | 0 | 2 | |a Алтайский государственный технический университет им. И. И. Ползунова (АлтГТУ) |c (Барнаул) |c (1992- ) |2 stltpush |3 (RuTPU)RU\TPU\col\436 |6 z01700 |
| 712 | 0 | 2 | |a Алтайский государственный технический университет им. И. И. Ползунова (АлтГТУ) |c (Барнаул) |c (1992- ) |2 stltpush |3 (RuTPU)RU\TPU\col\436 |6 z02701 |
| 712 | 0 | 2 | |a Алтайский государственный технический университет им. И. И. Ползунова (АлтГТУ) |c (Барнаул) |c (1992- ) |2 stltpush |3 (RuTPU)RU\TPU\col\436 |6 z03701 |
| 801 | 2 | |a RU |b 63413507 |c 20201214 |g RCR | |
| 856 | 4 | |u http://earchive.tpu.ru/bitstream/11683/62327/1/bulletin_tpu-2020-v331-i6-13.pdf | |
| 856 | 4 | |u https://doi.org/10.18799/24131830/2020/6/2682 | |
| 942 | |c CF | ||