Розробка адаптивної гібридної моделі короткострокового прогнозування електроспоживання на нейронній мережі

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2022.254477

Ключові слова:

короткострокове прогнозування, середньозважений прогноз, гібридна модель, нейронна мережа, електричне навантаження

Анотація

Запропоновано поетапний спосіб комбінування базових моделей прогнозування електроспоживання на штучній нейронній мережі методом попередньої селекції та подальшої гібридизації. Експерименти проводилися з даними про погодинне електроспоживання металургійного комбінату АТ «АрселорМіттал Теміртау» у період з 1 січня 2019 року до 30 листопада 2021 року. Проведення досліджень пов'язане з запланованим запровадженням балансуючого ринку електроенергії. Складено 96 комбінацій базових моделей, що відрізняються за типом нейронної мережі, набором вихідних даних, порядком відставання, алгоритмом навчання, числом нейронів у прихованому шарі. Визначено, що мережа NARX є найбільш оптимальною архітектурою для прогнозування електроспоживання. На підставі експериментальних досліджень число прихованих нейронів для формування планового добового профілю слід брати рівним 3 або 4, а як алгоритм навчання рекомендується застосовувати метод сполученого градієнта. При відборі моделей із трьох груп виявлено, що найкращі результати дає метод сполученого градієнта, порівняно з алгоритмом Левенберга-Марквардта. Визначено, що значення обраного показника помилки RMSE приймає значення 23,17, 22,54 та 22,56 відповідно для першої, другої та третьої групи даних. Доведено, що адаптивний метод гібридизації знижує показник помилки RMSE до 21,73. Однак ваги кращих моделей зі значеннями 0,327 для першої групи даних і 0,336 для другої та третьої показують, що також застосовується індивідуальне використання окремого поєднання моделей. Розроблена модель прогнозування електроспоживання може бути інтегрована в автоматизовану систему обліку електроенергії

Біографії авторів

Gulnara Ibrayeva, Karaganda Technical University

Master of Engineering Science, Doctoral Student

Department of Automation of Manufacturing Processes

Yuliya Bulatbayeva, Karaganda Technical University

PhD, Acting Assistant Professor

Department of Automation of Manufacturing Processes

Yermek Sarsikeyev, S. Seifullin Kazakh Agro Technical University

PhD, Head of Department

Department of Electrical Equipment Operation

Посилання

  1. On Electric Power Industry. Law of the Republic of Kazakhstan dated 9 June 2004 No. 588. Available at: https://adilet.zan.kz/eng/docs/Z040000588_
  2. Ob utverzhdenii Kontseptsii razvitiya toplivno-energeticheskogo kompleksa Respubliki Kazakhstan do 2030 goda. Postanovlenie Pravitel'stva Respubliki Kazakhstan ot 28 iyunya 2014 goda No. 724. Available at: https://adilet.zan.kz/rus/docs/P1400000724
  3. Ob utverzhdenii Pravil organizatsii i funktsionirovaniya optovogo rynka elektricheskoy energii. Prikaz Ministra energetiki Respubliki Kazakhstan ot 20 fevralya 2015 goda No. 106. Zaregistrirovan v Ministerstve yustitsii Respubliki Kazakhstan 26 marta 2015 goda No. 10531. Available at: https://adilet.zan.kz/rus/docs/V1500010531
  4. Ob utverzhdenii Pravil funktsionirovaniya balansiruyuschego rynka elektricheskoy energii. Prikaz Ministra energetiki Respubliki Kazakhstan ot 20 fevralya 2015 goda No. 112. Zaregistrirovan v Ministerstve yustitsii Respubliki Kazakhstan 26 marta 2015 goda No. 10532. Available at: https://adilet.zan.kz/rus/docs/V1500010532
  5. Breido, J. V., Kalinin, A. A., Lissitsyn, D. V. (2018). Algorithms of Energy Efficient Control of Electric Technological Complex for Autonomous Heat Supply. EAI Endorsed Transactions on Energy Web, 5 (19), 155040. doi: https://doi.org/10.4108/eai.10-7-2018.155040
  6. Li, W.-Q., Chang, L. (2018). A combination model with variable weight optimization for short-term electrical load forecasting. Energy, 164, 575–593. doi: https://doi.org/10.1016/j.energy.2018.09.027
  7. Ibrayeva, G., Breido, I., Bulatbayeva, J. (2021). Application of Box-Jenkins Methodology in Electric Consumption Forecasting of a Metallurgical Enterprise. DAAAM Proceedings, 0493–0499. doi: https://doi.org/10.2507/32nd.daaam.proceedings.071
  8. Ahmad, T., Zhang, D., Shah, W. A. (2020). Efficient Energy Planning With Decomposition-Based Evolutionary Neural Networks. IEEE Access, 8, 134880–134897. doi: https://doi.org/10.1109/access.2020.3010782
  9. Serikov, T., Zhetpisbayeva, A., Mirzakulova, S., Zhetpisbayev, K., Ibrayeva, Z., Sobolevа, L. et. al. (2021). Application of the NARX neural network for predicting a one-dimensional time series. Eastern-European Journal of Enterprise Technologies, 5 (4 (113)), 12–19. doi: https://doi.org/10.15587/1729-4061.2021.242442
  10. Ghofrani, M., Azimi, R., Najafabadi, F. M., Myers, N. (2017). A new day-ahead hourly electricity price forecasting framework. 2017 North American Power Symposium (NAPS). doi: https://doi.org/10.1109/naps.2017.8107269
  11. Mulesa, O., Povkhan, I., Radivilova, T., Baranovskyi, O. (2021). Devising a method for constructing the optimal model of time series forecasting based on the principles of competition. Eastern-European Journal of Enterprise Technologies, 5 (4 (113)), 6–11. doi: https://doi.org/10.15587/1729-4061.2021.240847
  12. Georgiou, G. S., Nikolaidis, P., Kalogirou, S. A., Christodoulides, P. (2020). A Hybrid Optimization Approach for Autonomy Enhancement of Nearly-Zero-Energy Buildings Based on Battery Performance and Artificial Neural Networks. Energies, 13 (14), 3680. doi: https://doi.org/10.3390/en13143680
  13. Pan, L., Feng, X., Sang, F., Li, L., Leng, M., Chen, X. (2017). An improved back propagation neural network based on complexity decomposition technology and modified flower pollination optimization for short-term load forecasting. Neural Computing and Applications, 31 (7), 2679–2697. doi: https://doi.org/10.1007/s00521-017-3222-2
  14. Mosbah, H., El-hawary, M. (2016). Hourly Electricity Price Forecasting for the Next Month Using Multilayer Neural Network. Canadian Journal of Electrical and Computer Engineering, 39 (4), 283–291. doi: https://doi.org/10.1109/cjece.2016.2586939
  15. Breido, J. V., Bulatbayeva, J. F., Orazgaleyeva, G. D. (2020). Daily load profile analysis of metallurgical production for determining the forecasting model input data. Vestnik PGU, 2, 88–97. Available at: http://vestnik-energy.tou.edu.kz/storage/journals/80.pdf
  16. Kaytez, F., Taplamacioglu, M. C., Cam, E., Hardalac, F. (2015). Forecasting electricity consumption: A comparison of regression analysis, neural networks and least squares support vector machines. International Journal of Electrical Power & Energy Systems, 67, 431–438. doi: https://doi.org/10.1016/j.ijepes.2014.12.036
  17. Lee, N. C., Leal, V. M. S., Dias, L. C. (2018). Identification of objectives for national energy planning in developing countries. Energy Strategy Reviews, 21, 218–232. doi: https://doi.org/10.1016/j.esr.2018.05.004
  18. López, M., Valero, S., Rodriguez, A., Veiras, I., Senabre, C. (2018). New online load forecasting system for the Spanish Transport System Operator. Electric Power Systems Research, 154, 401–412. doi: https://doi.org/10.1016/j.epsr.2017.09.003
  19. Jimenez, J., Donado, K., Quintero, C. G. (2017). A Methodology for Short-Term Load Forecasting. IEEE Latin America Transactions, 15 (3), 400–407. doi: https://doi.org/10.1109/tla.2017.7867168
  20. Angamuthu Chinnathambi, R., Mukherjee, A., Campion, M., Salehfar, H., Hansen, T., Lin, J., Ranganathan, P. (2019). A Multi-Stage Price Forecasting Model for Day-Ahead Electricity Markets. Forecasting, 1 (1), 26–46. doi: https://doi.org/10.3390/forecast1010003

##submission.downloads##

Опубліковано

2022-04-30

Як цитувати

Ibrayeva, G., Bulatbayeva, Y., & Sarsikeyev, Y. (2022). Розробка адаптивної гібридної моделі короткострокового прогнозування електроспоживання на нейронній мережі . Eastern-European Journal of Enterprise Technologies, 2(8 (116), 6–12. https://doi.org/10.15587/1729-4061.2022.254477

Номер

Том 2 № 8 (116) (2022): Енергозберігаючі технології та обладнання

Розділ

Енергозберігаючі технології та обладнання

Ліцензія

Авторське право (c) 2022 Gulnara Ibrayeva, Yuliya Bulatbayeva, Yermek Sarsikeyev

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.