Інтелектуальне прогнозування споживання електроенергії та оцінка стану мікромережі з використанням машинного навчання та нечіткої логіки

Анотація

Об’єктом дослідження є процеси генерації, споживання та накопичення електроенергії у мікромережах з відновлюваними джерелами енергії. Вони характеризуються відповідними параметрами та у сукупності визначають стан енергетичної мікромережі. Задача оцінювання стану мікромережі, що є актуальною для підтримання її стабільної роботи, може бути вирішена із застосуванням методів машинного навчання.

Як вхідні дані використано часові ряди даних, які створюються у результаті моніторингу енергетичних мікромереж та містять показники їх роботи. Оскільки мікромережі працюють у змінних умовах, спроможність енергетичних мікромереж забезпечити попит в електричній енергії характеризується невизначеністю, для оцінки стану мікромереж виникає потреба в адаптивних методах, здатних обробляти неточні та неповні дані. Традиційні методи статистичного аналізу та детерміновані алгоритми не забезпечують достатньої точності у прогнозуванні, що створює ризики неправильного керування енергоресурсами. Для розв’язання цієї проблеми у даному дослідженні використано поєднання машинного навчання та нечіткої логіки, що дозволяє не лише прогнозувати навантаження, а й адаптивно оцінювати стан енергетичних активів у режимі реального часу.

Суть отриманих результатів полягає у створенні моделей для інформаційної технології оцінювання стану мікромереж, яка інтегрує BiLSTM для прогнозування електроспоживання та систему нечіткої логіки для визначення стану мережі. Використання нейромережевого підходу дозволяє враховувати часові залежності у споживанні електроенергії, тоді як нечітка логіка класифікує стан мережі на основі рівня заряду акумуляторів, поточної генерації сонячної енергії та прогнозованого навантаження. Особливості отриманих результатів полягають в інтеграції кількох підходів, що забезпечує розширення аналітичних можливостей та формування комплексної оцінки енергетичного балансу в умовах невизначеності та варіативності вхідних даних.

Отримані результати підтверджують ефективність запропонованого підходу та його практичну застосовність у задачах моніторингу та управління мікромережами. Експериментальні випробування на реальних даних показали, що модель BiLSTM забезпечує середню абсолютну похибку (MAE) прогнозування навантаження на рівні 18.15 Вт, корінь середньоквадратичної похибки (RMSE) – 20.74 Вт, а середню абсолютну відносну похибку (MAPE) – 5.0 %. Система оцінювання на основі нечіткої логіки класифікувала стан мікромережі з точністю 93.2 %, що свідчить про її здатність інтерпретувати ситуації із потенційним дефіцитом енергії. Розроблені моделі дозволять вчасно виявляти нестабільні режими роботи, формувати рішення для балансування навантаження, зниження навантаження на акумулятори та запобігання енергетичним втратам.