НЕЙРОМЕРЕЖЕВЕ ПРОГНОЗУВАННЯ ЕНЕРГОСПОЖИВАННЯ МЕТАЛУРГІЙНОГО ПІДПРИЄМСТВА
DOI:
https://doi.org/10.30837/ITSSI.2021.15.014Ключові слова:
енергоспоживання, прогнозування, штучна нейронна мережа, часовий рядАнотація
Предметом дослідження є методи побудови і навчання нейронних мереж як апарату нелінійного моделювання для розв'язання задачі прогнозування енергоспоживання металургійних підприємств. Метою даної роботи є розробка моделі прогнозування споживання енергосистеми металургійного підприємства і його експериментальне випробування на доступних для дослідження даних ПрАТ "Дніпроспецсталь". Вирішені наступні завдання: аналіз часового ряду електроспоживання; побудова моделі, за допомогою якої обробляються дані про електроспоживання за історичний період; побудова якомога точнішого прогнозу фактичного обсягу електроенергії на добу вперед; оцінка якості прогнозу. Використано методи: аналізу часових рядів, нейромережевого моделювання, короткострокового прогнозування енергоспоживання в металургійній промисловості. Отримані результати: для розробки моделі прогнозування енергоспоживання металургійного підприємства на основі штучних нейронних мереж був обраний комплекс MATLAB з пакетом інструментів Neural Network Toolbox. При проведенні експериментів на основі доступних статистичних даних металургійного підприємства було виконано відбір архітектур і алгоритмів навчання нейронних мереж. Кращі результати показали мережа прямого поширення даних і зворотного поширення помилки, архітектура з нелінійною авторегресією і алгоритмами навчання: нелінійної оптимізації Levenberg-Marquard, метод Bayesian Regularization й метод сполучених градієнтів. Також розглянуто інший підхід – глибоке навчання, а саме нейронна мережа з довгою короткостроковою пам'яттю LSTM і алгоритмом навчання adam. Така глибока нейронна мережа дозволяє обробляти великі обсяги вхідної інформації за короткий час і будувати залежності за неінформативної вхідної інформації. Найбільш ефективною серед розглянутих нейронних мереж виявилася мережа LSTM, у якій показник максимальної помилки прогнозування мав мінімальне значення. Висновки: аналіз результатів прогнозування з використанням розроблених моделей показав, що обраний підхід з експериментально відібраними архітектурою і алгоритмами навчання задовольняє необхідним вимогам точності прогнозу при розробці моделі прогнозування на базі штучних нейронних мереж. Застосування моделей дозволить автоматизувати високоточне оперативне погодинне прогнозування енергоспоживання в ринкових умовах.
Ключові слова: енергоспоживання; прогнозування; штучна нейронна мережа; часовий ряд.
Посилання
Kiyko, S. G. (2020), "Adaptive portfolio management of energy saving projects at a metallurgical enterprise", Innovative Technologies and Scientific Solutions for Industries, No. 4 (14), P. 56–70. DOI: https://doi.org/10.30837/ITSSI.2020.14.056
Hnatiienko, H. M., Snytiuk, V. Ie. (2008), Ekspertni tekhnolohii pryiniattia rishen, TOV "Maklaut", Kyiv.
Molokanova, V. M., Orliuk, O. P., Petrenko, V. O. (2020), "Formation of metallurgical enterprise sustainable development portfolio using the method of analyzing hierarchies", Naukovyi Visnyk Natsionalnoho Hirnychoho Universytetu, No. 2, P. 131–136. DOI: https://doi.org/10.33271/nvngu/2020-2/131
Kiyko, S. G. (2020), "Predictive adaptation in the management of the portfolio of energy saving projects at the metallurgical enterprise", Science and technology of the Air Force of the Armed Forces of Ukraine, No. 4 (41), P. 133–144. DOI: https://doi.org/10.30748/nitps.2020.41.16
Belt, C. K. (2017), Energy Management for the Metals Industry, CRC Press, New York. DOI: https://doi.org/10.1201/9781315156392
Schulze, M., Nehler, H., Ottosson, M. (2016), "Energy management in industry: a systematic review of previous findings and an integrative conceptual framework", Journal of Cleaner Production, No. 112 (5), P. 3692–3708. DOI: https://doi.org/10.1016/j.jclepro.2015.06.060
Hagan, M. T., Demuth, H. B., Beale, M. H. (2014), "Neural Network Design", available at : http://hagan.okstate.edu/NNDesign.pdf
Phyo, P. P., Jeenanunta, C. (2019), "Electricity load forecasting using a deep neural network", Engineering and Applied Science Research, No. 46 (1), P. 10–17, available at : https://ph01.tcithaijo.org/index.php/easr/article/view/116025 (last accessed 13 December 2020).
Goswami, D. Y., Kreith, F. (2015), Energy Efficiency and Renewable Energy Handbook, CRC Press, Boca Raton. DOI: https://doi.org/10.1201/b18947
Kutscher, Ch. F., Milford, J. B., Kreith, F. (2018), Principles of Sustainable Energy Systems, CRC Press, Boca Raton, DOI: https://doi.org/10.1201/b21404
Kirpichnikova, I. M., Saplin, L. A., Solomakho, K. L. (2014), "Prognozirovanie ob`emov potrebleniya elektroenergii", Vestnik YuUrGU. Energetika, No. 14 (2), P. 16–22, available at : https://dspace.susu.ru/xmlui/handle /0001.74/4942 (last accessed 13 December 2020).
Shumilova, G. P., Gotman, N. E., Starczeva, T. B. (2008), Prognozirovanie elektricheskikh nagruzok pri operativnom upravlenii elektroenergeticheskimi sistemami na osnove nejrosetevykh struktur, URO RAN, Ekaterinburg.
Bodyanskij, E. V., Rudenko, O. G. (2004), Iskusstvenny`e nejronny`e seti: arkhitektury, obuchenie, primeneniya, Teletekh, Khar`kov.
"Time Series Forecasting Using Deep Learning" ["Prognozirovaniye vremennykh ryadov Ispol'zuya glubokoye obucheniye "], available at : https://docs.exponenta.ru/deeplearning/ug/time-series-forecasting-using-deep-learning.html (last accessed 13 December 2020).
Brejdo, I. V., Bulatbaeva, Yu. F., Orazgaleeva, G. D. (2020), "Algoritm sozdaniya modeli kratkosrochnogo prognozirovaniya energopotrebleniya na osnove nejronnoj seti v Matlab", VI International Scientific Conference. Actual Problems оf Technical Sciences, Krasnodar, Aprіl 2020, P. 1-6, available at : https://moluch.ru/conf/tech/archive/367/15614/ (last accessed 13 December 2020).
Vichuzhanin. V. V., Rudnichenko. N. D. (2016), "Development of the neural network model for prediction failure risk’s of the complex technical systems components", Informatics and Mathematical Methods in Simulation, Vol. 6/ 4, P. 333–338.
Huang, Z., Yang, C., Zhou, X. et al (2020), "Energy Consumption Forecasting for the Nonferrous Metallurgy Industry Using Hybrid Support Vector Regression with an Adaptive State Transition Algorithm", Cognitive Computation, Vol. 12, P. 357–368. DOI: https://doi.org/10.1007/s12559-019-09644-0
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
