Краткосрочное прогнозирование активной мощности энергосистемы Республики Таджикистан с использованием нейронных сетей
DOI:
https://doi.org/10.17213/0136-3360-2023-3-78-83Ключевые слова:
энергосистема, активная мощность, температура воздуха, нейронная сеть, прогнозная математическая модель, краткосрочный прогноз активной мощностиАннотация
Введение. Проанализированы графики среднесуточных значений активной мощности и температуры воздуха энергосистемы Республики Таджикистан за 2020 и 2021 гг. Исследованы взаимосвязи активной мощности с температурой воздуха в нормальных режимах работы энергосистемы.
Цели и задачи. Для повышения качества диспетчерского управления и планирования балансов мощности разработана новая модель краткосрочного прогнозирования электропотребления.
Методы и результаты. Предложена математическая модель для краткосрочного прогнозирования суточных графиков активной мощности энергосистемы с учетом температуры воздуха на основе нейронной сети с долгосрочной памятью LSTM. Представленный вариант модели позволил найти зависимость между активной мощностью и температурой воздуха при помощи особой разновидности архитектуры. Выполнено прогнозирование суточных графиков активной мощности.
Заключение. Результаты тестирования разработанной прогнозной модели в течение месяца для августа 2020 и 2021 гг. показали, что абсолютные процентные ошибки не превышают 3,5 %.
Библиографические ссылки
Надтока И.И., Губский С.О. Анализ зависимостей электропотребления от температуры воздуха и освещенности в операционной зоне Ростовского РДУ // Изв. вузов. Электромеханика, 2009. Спец. вып. С. 105 – 107.
Бугаец В.А. Краткосрочное прогнозирование электропотребления энергорайонов и региона с учетом метеофакторов : специальность 05.14.02 : дис. … канд. техн. наук. Новочеркасск, 2015. С. 241.
Вялкова С.А. Краткосрочное прогнозирование электропотребления мегаполиса на основе ортогональных разложений и нейронных сетей: специальность 05.14.02 : дис. … канд. техн. наук. Новочеркасск, 2022. С. 224.
Надтока И.И., Махмадджонов Ф.Д. Прогнозирование максимальных электрических нагрузок для Северной части энергосистемы Республики Таджикистан на основе метода главных компонент // Современные энергетические системы и комплексы и управление ими: Мат. 13-й Междунар. науч.-практ. конф., г. Новочеркасск, 25 июня 2015г. / Юж.-Рос. гос. политехн. ун-т (НПИ) им. М.И. Платова. Новочеркасск: ЮРГПУ (НПИ). 2015. C. 55 – 60.
Надтока И.И., Махмадджонов Ф.Д. Анализ взаимосвязей главных компонент ортогонального разложения с формой суточного графика электрической нагрузки // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2017. № 4. С. 46 – 50.
Губский С.О. Учет освещенности при краткосрочном прогнозировании электропотребления для региональных диспетчерских управлений: автореф. дис. …канд. техн. наук. Новочеркасск, 2012. С. 23.
Влияние колебаний метеорологических факторов на энергопотребление энергообъединений / Б.И. Макоклюев,
В.С. Павликов, А.И. Владимиров, Г.И. Фефелова // Энергетик. 2003. № 6. С. 14 – 19.
Lipton Z., Berkowitz J., Elkan C. A Critical Review of Recurrent Neural Networks for Sequence Learning, CoRR, abs/1505.06449, 2015. [Online]. Available: https://arxiv.org/pdf/1506.00019.pdf
Olah C. Understanding LSTM Networks. Posted on August 27, 2015. [Online]. Available: http://colah.github.io/posts/2015-08-Understanding-LSTMs/
Calzone O. An Intuitive Explanation of LSTM, 2015. [Online]. Available: https://medium.com/@ ottaviocalzone/an-intuitive-explanation -of- lstm-a035eb6ab42c.
Lendave V., How To Do Multivariate Time Series Forecasting Using LSTM, Explain The Newest Technologies, And Their Commercial, Social And Political Impact, July 11, 2021. [Online]. Available: https://analyticsindiamag. com/how-to-do-multivariate-time-series-forecasting-using-lstm/.
Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2004. C. 344.