АННОТАЦИЯ 2
ВВЕДЕНИЕ 6
1 ОБЗОР МЕТОДОВ ПРОГНОЗИРОВАНИЯ 7
1.1 Классические методы 7
1.1.1 Аналитические методы 8
1.1.2 Статистические методы 9
1.1.3 Вероятностные методы 12
1.2 Интеллектуальные методы 13
2 ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ 14
2.1 Основные понятия 14
2.2 Гиперпараметры 16
2.2.1 Весовые коэффициенты 16
2.2.2 Функции активации 17
2.2.3 Глубина архитектуры 22
2.2.4 Алгоритмы нахождения ошибки 23
2.2.5 Функции потерь и метрики 27
2.3 Виды архитектур 27
2.4 Методы обучения 29
3 ПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ
РЕЖИМНЫХ ПАРАМЕТРОВ УЗЛА ЭЛЕКТРИЧЕСКОЙ СЕТИ 31
3.1 Современные подходы к прогнозированию 31
3.2 Обработка данных 31
3.3 Обучение нейронной сети 33
3.3.1 Анализ различных моделей в зависимости от набора признаков
33
3.3.2 Анализ наилучшей модели, учитывающей погодные факторы .. 39
3.3.3 Анализ наилучшего результата среди всех моделей 45
ЗАКЛЮЧЕНИЕ 48
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 49
ПРИЛОЖЕНИЕ А 51
В электрических сетях прогнозирование режимных параметров узлов является важной задачей, так как позволяет проводить оперативное планирование и эффективное управление режимами ЭЭС.
Прогноз электропотребления в узлах применяется для оптимизации предстоящих и коррекции текущих режимов, рассмотрения оперативных диспетчерских заявок, направленных на вывод электроэнергетического оборудования в ремонт, для испытаний и т.п. Под нагрузкой узлов понимается потребление активной и реактивной мощности.
Баланс между потребляемой и генерируемой электроэнергией позволяет существо сэкономить использование топлива на электростанциях и обеспечить потребителей необходимым количеством энергии. Поэтому важно уметь прогнозировать спрос на электроэнергию во всей ЭЭС с достаточной точностью.
Классические методы прогнозирования имеют недостаточную точность и высокую сложность вычислений, что не позволительно в современной ЭЭС. Развитие вычислительных мощностей ЭВМ позволило применять для прогнозирования искусственные нейронные сети.
На основе сравнения всех способов прогнозирования, можно сделать вывод, что ИНС прямого распространения с обучением на одномерных данных хорошо справляются с поставленной задачей, график прогнозируемых величин очень близок к реальному графику нагрузок в рассматриваем узле ЭС.
После обучения готовую модель нейронной сети (с сохранением весовых коэффициентов и гиперпараметров) можно использовать уже в энергосистеме для прогнозирования нагрузок в реальном времени.
