АННОТАЦИЯ 4
ВВЕДЕНИЕ 8
1 КЛАССИЧЕСКИЕ МЕТОДЫ ПРОГНОЗИРОВАНИЯ 9
1.1 Классические методы прогнозирования 9
1.2 Интеллектуальные методы прогнозирования 10
2 ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ 11
2.1 Определение нейронной сети и нейрона 11
2.2 Основные гиперпараметры нейронной сети 13
2.2.1 Весовые коэффициенты 13
2.2.2 Функции активации 14
2.2.3 Глубина архитектуры ИНС 19
2.2.4 Распространенные алгоритмы нахождения ошибки
(оптимизаторы) 21
2.2.5 Функции потерь и метрики 25
2.3 Архитектура нейронных сетей 26
2.3.1 Нейронная сеть прямого распространения и перцептроны 26
2.3.2 Рекуррентная нейронная сеть (RNN) 27
2.4 Обучение искусственной нейронной сети 28
2.4.1 Обучение с учителем 28
2.4.2 Обучение без учителя 29
3 ПРИМЕНЕНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ В УЗЛАХ ЭЛЕКТРИЧЕСКОЙ
СЕТИ 30
3.1 Современный подход для прогнозирования нейронных сетей 30
3.1.1 Средства, с помощью которых можно реализовать обучение
нейронной сети 30
3.1.2 Использования средств языка Python 30
3.2 Обработка данных 31
3.3 Обучение нейронной сети 35
3.3.1 Рассмотрение различных моделей в зависимости от набора
признаков 35
3.3.2 Поиск наилучшей модели, учитывающей погодные факторы 39
3.3.3 Рекуррентная нейронная сеть LSTM 47
3.3.4 Обзор наилучшего результата среди всех проведенных
опытов 48
ЗАКЛЮЧЕНИЕ 51
ПИЛОЖЕНИЕ А 52
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 55
В электрических сетях важной задачей является соблюдение баланса мощностей потребляемой и вырабатываемой электроэнергии. Так при несоблюдении баланса активной мощности меняется частота сети (нормально допустимое отклонение частоты сети + 0,2 Гц). При несоблюдении баланса реактивной мощности меняется напряжение сети (нормальное допустимое отклонение напряжения + 5 % от номинального напряжения сети). Поэтому необходимо уметь прогнозировать спрос на электроэнергию в любой части энергосистемы с большой точностью.
Используемые методы прогнозирования имеют очень большой недостаток - низкую точность и не малые трудозатраты. Но с развитием вычислительных мощностей GPU и CPU компьютеров, а также облачных вычислений, стало возможным практическое применение нейронных сетей в прикладных задачах
Сравнивая все способы прогнозирования, можно сделать вывод, что нейросети прямого распространения с обучением на одномерных данных хорошо справляются с поставленной задачей, график прогнозируемых величин очень близок к реальному графику нагрузок в рассматриваем узле энергосистемы.
Также стоит обратить внимание на сети RNN архитектуры, однако они более ресурсозатратны в сравнении с сетями прямого распространения и имеют более сложную настройку гиперпараметров и подготовку входных данных.
После получения готовой модели нейросети, её полную модель (с сохранением весовых коэффициентов и гиперпараметров) можно записать в виде файла (json формата) и использовать уже в энергосистеме для прогнозирования нагрузок в реальном времени.
