9.5.3. Краткосрочное прогнозирование нагрузок энергетической системы

Сеть с самоорганизацией также с успехом может использоваться для прогнозирования, например, нагрузок в электроэнергетической системе. В настоящем подразделе будут представлены подробности решения задачи прогнозирования часовых нагрузок в электроэнергетической системе на 24-часовом интервале. Использованный подход во многом совпадает с методикой распознавания образов, представленной в предыдущих подразделах. Сеть обучается распознавать параметры часовых нагрузок, характерные для различных дней года. В разделе 4 было показано, что каждый день года имеет свою специфику распределения часовых нагрузок, которая от года к году меняется лишь в незначительной степени. Некоторые дни, относящиеся к одной поре года и имеющие один и тот же тип, различаются минимально. В многомерном пространстве они образуют компактные группы данных, каждая из которых может отображаться весами единственного нейрона-победителя. Чтобы отстроиться от определенного общего тренда, обусловленного ежегодным промышленным ростом страны, принимаются во внимание только переменные части характеристик, остающиеся после вычитания среднего значения. Если обозначить среднее значение нагрузки системы в день а его вариацию - а то можно определить часовой профиль дня в виде

для где обозначает фактический отбор мощности в электроэнергетической системе в час j-го дня. Значения составляют вектор профильных нагрузок дня, За начальную точку отсчета времени можно выбрать часы с наиболее стабильной нагрузкой в масштабах всего года. Это, как правило, ночное время (между 3 и 5 часами). В этом случае компонент будет соответствовать действительной нагрузке в первый час этого интервала, - во второй час и т.д. Для каждого дня года, представленного в базе данных, формируется профильный вектор в соответствии с формулой (9.32). Для уменьшения влияния случайных нагрузок база данных должна охватывать несколько последних лет. Множество профильных векторов подается на вход сети Кохонена, состоящей из нейронов. Процесс самоорганизации сети приводит к автоматической кластеризации данных и к сопоставлению каждому кластеру одного из нейронов сети. Этот нейрон считается победителем, а его веса наилучшим образом адаптируются к усредненным весам профильных векторов, составляющих кластер. Характерная особенность состоит в том, что соседние векторы имеют сходные профильные характеристики.

Близость весов нейронов, расположенных недалеко друг от друга, Легкс объяснить, если принять во внимание механизм соседства в алгоритма самоорганизации. Это означает, что один и тот же день в разные годы пр; небольших отличиях в часовых нагрузках может возбуждать различные нейроны расположенные недалеко друг от друга и образующие своего рода кластеры, группирующие данные сходных классов. Если нанести веса нейронов на плоскость и приписать каждому из них виды дней, в которые они становились победителями, можно наглядно выделить обширные области, характерные для праздничных и для рабочих дней. Это подтверждает известный в энергетике факт подобия профилей нагрузок для рабочих дней и близости профилей для праздничных дней.

Знание таблицы распределения побед конкретных нейронов сети позволяет относительно легко предвидеть профили часовых нагрузок для произвольного дня года. С этой целью создаются таблицы принадлежности каждого дни года к области доминирования определенного нейрона с обозначением количества его побед для всех дней в прошлом. Для примера в табл. 9.1 представлены данные, касающиеся июльских вторников на протяжении последних пяти лет (для моделирования использовалось 100 нейронов, упорядоченных в табл. 10x10).

Таблица 9.1. Распределение побед нейронов при прогнозе нагрузок в июльские вторники

Для выбора прогнозируемого профиля нагрузок актуального дня (например, вторника) в требуемом месяце (например, в июле) рассчитываются усредненные значения весов нейронов-победителей, которые указывали в прошлом требуемый день. Если количество побед нейрона, соответствующему дню. обозначить а соответствующие векторы весов класса - то прогнозируемый профильный вектор дня рассчитывается по формуле

где если соответствующий нейрон никогда не побеждал в данной классификации. На рис. 9.12 в качестве примера представлены профильные характеристики, полученные этим методом для четырех дней: 18.02.1994.

(кликните для просмотра скана)

15.05.1994,31.12.1994 и 24.12.1994. Сплошная линия соответствует фактическим значениям, а пунктирная - прогнозу. Для типичных дней эти кривые с высокой точностью совпадают (два верхних графика). Значительные отличил наблюдаются для нетипичных дней, например последнего дня года и Сочельника (два нижних графика). Обычная методика применения сети Кохонена в таких случаях оказывается недостаточной. Возникает необходимость введения для особенного дня отдельной категории, по которой прогноз строится на основе таких же дней в прошлом.

После определения профильного вектора фактические нагрузки, соответствующие конкретным часам данного дня, рассчитываются на основе формулы (9.32) как

Комплексный прогноз нагрузок требует дополнительного предсказания среднего значения и вариации для каждого дня, на который этот прогноз составляется. Такое предсказание может быть выполнено с использованием статистического анализа прошлых средних значений и их вариаций либо путем применения специальной персептронной сети, обученной решению только этой задачи (см. раздел 4).

Благодаря использованию для предсказания средних значений и их вариаций отлаженной нейронной технологии, реализованной в корректно спроектированной и обученной сети с самоорганизацией, стало возможным обеспечить в польских условиях точность прогнозирования нагрузок, характеризующуюся погрешностью МАРЕ порядка 2,5%.