Сравнение архитектур нейронных сетей в задаче прогнозирования потребления электроэнергии предприятием

DOI: 10.47026/1810-1909-2023-4-57-65

УДК 621.31

ББК 31.2

Д.В. БОРТНИК, А.И. ОРЛОВ

Ключевые слова

нейронная сеть, рекуррентные нейронные сети, WaveNet, прогнозирование, одномерные сверточные сети

Аннотация

Прогнозирование потребления электроэнергии является ключевым инструментом для предприятий, энергоснабжающих и электросетевых организаций. Точное прогнозирование позволяет планировать распределение ограниченных ресурсов электросетевого хозяйства, а также управлять спросом на электроэнергию. Повышение точности прогнозирования электропотребления становится особенно важным в условиях распространения технологий управления спросом.

Целью исследования является повышение точности прогнозирования электропотребления объектом электроснабжения при использовании нейронных сетей.

Материалы и методы. В работе использован набор данных, содержащий профиль мощности предприятия за трехмесячный период, а также дополнительные данные, такие как время суток, день недели, выходные и праздничные дни, месяц. Набор данных разделен на тренировочную и контрольную части. Произведены предварительная обработка данных, проектирование архитектуры нейронной сети, обучение и тестирование. Критериями качества обучения выбраны средняя абсолютная ошибка, среднеквадратическая ошибка и коэффициент детерминации.

Результаты исследования. В работе выполнен сравнительный анализ трех архитектур нейронных сетей: одномерной сверточной сети, рекуррентной нейронной сети с долговременной и краткосрочной памятью и WaveNet, на основе которого были оценены их показатели качества прогнозирования электропотребления. Показано, что все рассматриваемые архитектуры нейронных сетей подходят для применения в задаче прогнозирования электропотребления. Сети с долговременной и краткосрочной памятью показали хорошие результаты в прогнозировании мощности, благодаря их способности обрабатывать долгосрочные временные зависимости. Архитектура WaveNet превзошла как рекуррентные нейронные сети на основе модели с долговременной и краткосрочной памятью, так и одномерные сверточные сети по выбранным критериям.

Выводы. Исследование позволило сделать вывод о том, что использование нейронных сетей, особенно архитектур с долговременной и краткосрочной памятью и WaveNet, эффективно для прогнозирования электропотребления. Качество прогнозирования существенно зависит от выбора гиперпараметров и предварительной обработки исходных данных. Перспективу дальнейших исследований в данной области составляет изучение влияния различных факторов на точность прогнозирования, а также оптимизация процесса обучения нейронных сетей.

Литература

1. Алексеева И. Ю. Краткосрочное прогнозирование электропотребления в электроэнергетических системах с использованием искусственных нейронных сетей: автореф. дис. … канд. техн. наук. Иваново, 2014. 20 с.
2. Арзамасцев А.А., Крючин О.В., Азарова П.А., Зенкова Н.А. Универсальный программный комплекс для компьютерного моделирования на основе искусственной нейронной сети с самоорганизацией структуры // Вестник Тамбовского университета. Сер. Естественные и технические науки. 2006. Т. 11, вып. 5. С. 372–375.
3. Вялкова С.А., Корнюкова О.А., Надтока И.И. Разработка моделей краткосрочного прогнозирования суточных графиков активной мощности г. Москвы // Проблемы машиноведения: материалы V Междунар. науч.-техн. конф. Омск: Изд-во ОмГТУ, 2021. С. 166–173.
4. Вялкова С.А., Надтока И.И. Прогнозирование суточных графиков активной мощности мегаполиса с учетом прогнозных данных естественной освещенности // Известия высших учебных заведений. Электромеханика. 2020. Т. 63, № 5. С. 67–71.
5. Мультипликативная модель сезонного энергопотребления предприятий / Р.Р. Ахметьянов, Л.А. Делегодина, Н.П. Копылова и др. // Автометрия. 2008. Т. 44, № 3. С. 106–118.
6. Надтока И.И., Аль Зихери Б. М. Байесовская нейросетевая модель для краткосрочного прогнозирования электропотребления региона // Студенческая научная весна: материалы регион. науч.-практ. конф. студ., аспирантов и молодых ученых вузов Ростов. обл. Новочеркасск: ЮРГПУ (НПИ), 2012. С. 136–138.
7. Орельен Ж. Прикладное машинное обучение с помощью Scikit-Learn, Keras и TensorFlow: концепции, инструменты и техники для создания интеллектуальных систем. 2-е изд.: пер. с англ. СПб.: ООО «Диалектика», 2020. 1040 с.
8. Соловьева И.А., Дзюба А.П. Прогнозирование электропотребления с учетом факторов технологической и рыночной среды // Научный диалог. 2013. № 7(19). C. 97–111.
9. Aileen N. Practical Time Series Analysis: Prediction with Statistics and Machine Learning, O’Reilly Media; 1st edition (November 5, 2019), 504 p.
10. Chollet F. Deep Learning with Python. 2^nd Manning Publications, 2021, 384 p.
11. Hyndman R.J., Athanasopoulos G. Forecasting: principles and practice. Publisher: OTexts, 2013. 291 p.
12. Lazzeri F. Machine Learning for Time Series Forecasting with Python. 1^st Wiley, 2020, 224 p.
13. Ruey S.T. Multivariate Time Series Analysis: With R and Financial Applications. 1^st Wiley, 2013, 520 p.
14. Shayeghi H. STLF Based on Optimized Neural Network Using PSO // International Journal of Electrical and Computer Engineering. 2009. 4:10. P. 1190–1199.
15. Zelinka I., Chen G., Rössler O.E., Snášel V., Abraham A. Nostradamus 2013: Prediction, Modeling and Analysis of Complex Systems. Springer International Publishing, Switzerland, 2013, 550 p.

Сведения об авторах

Бортник Денис Валерьевич – аспирант кафедры электроснабжения и технической диагностики, Марийский государственный университет, Россия, Йошкар-Ола (bortnik_denis16@mail.ru; ORCID: https://orcid.org/0009-0002-7010-8271).

Орлов Александр Игоревич – кандидат технических наук, заведующий кафедрой электромеханики, Марийский государственный университет, Россия, Йошкар-Ола (a.i.orlov@yandex.ru; ORCID: https://orcid.org/0000-0003-1152-6668).

Формат цитирования

Бортник Д.В., Орлов А.И. Сравнение архитектур нейронных сетей в задаче прогнозирования потребления электроэнергии предприятием // Вестник Чувашского университета. – 2023. – № 4. – С. 57–65. DOI: 10.47026/1810-1909-2023-4-57-65.

Загрузить полный текст статьи