УДК 621.311:681.3

ПІДВИЩЕННЯ ТОЧНОСТІ КОРОТКОСТРОКОВОГО ПРОГНОЗУВАННЯ ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЗА ДОПОМОГОЮ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ З ВРАХУВАННЯМ ЗМІНИ СТРУКТУРИ СПОЖИВАННЯ ПРОТЯГОМ РОКУ

Описано методику підвищення точності короткострокового прогнозування сумарного електричного навантаження (СЕН) енергопостачальної компанії шляхом зміни режиму навчання та прогнозування штучної нейронної мережі типу багатошаровий персептрон залежно від зміни складу електричного навантаження компанії протягом року. Розглянуто два підходи, які враховують різну поведінку СЕН в опалювальний сезон та міжсезоння. Як активаційну функцію нейронів прихованого шару використано функцію SELU (scaled exponential linear unit). При першому підході нейронна мережа включала додатковий вхідний нейрон, який набуває значення 1 – для днів, які входять до опалювального сезону, та 0 – для днів міжсезоння. При цьому вказана модель навчалась на річних даних. При другому підході розроблено дві окремі нейронні мережі для роботи протягом різних сезонів року. Оцінка точності та стабільності результатів прогнозування проводилась на реальних даних ПАТ «Київенерго» за 2015–2016 рр. Бібл. 8, рис. 3, табл. 1.
Ключові слова: електричне навантаження, річна періодичність, короткострокове прогнозування, штучна нейронна мережа.

ПОВЫШЕНИЕ ТОЧНОСТИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ С ПОМОЩЬЮ ИСКУСТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ С УЧЕТОМ ИЗМЕНЕНИЯ СТРУКТУРЫ ПОТРЕБЛЕНИЯ В ТЕЧЕНИЕ ГОДА

Представлен анализ влияния годовой периодичности на точность и стабильность результатов краткосрочного прогнозирования электрической нагрузки. Рассмотрены два подхода, учитывающие различное поведение электрической нагрузки в отопительный сезон и межсезонье. Для прогнозирования использован многослойный персептрон с нелинейной функцией масштабированного экспоненциально-линейного элемента (SELU), используемой в качестве нелинейного преобразования в скрытых нейронах. Эта функция стабилизирует среднее значение и дисперсию слоев, ускоряет процесс обучения. В первом подходе нейронная сеть включала дополнительный входной нейрон, который принимает значения 1 в течение дней, являющихся частью отопительного сезона, и 0 для внесезонных дней. В этом случае такая модель устанавливается на годовые данные. Во втором подходе две отдельные нейронные сети разрабатываются для работы в разные сезоны года. Входной вектор генерировался отдельно для каждой сети. Оценка точности и стабильности результатов прогнозирования была проведена на основе годовых данных реальной электросетевой компании. Библ. 8, рис. 3, табл. 1.
Ключевые слова: электрическая нагрузка, годовая периодичность, краткосрочное прогнозирование, искусственная нейронная сеть.

INCREASING THE ACCURACY OF SHORT-TERM ELECTRICAL LOAD FORECASTING WITH CONSIDERING TO CHANGES IN THE STRUCTURE OF CONSUMPTION DURING THE YEAR

The paper presents an analysis of the influence of annual periodicity on the accuracy and stability of the electrical load short-term forecasting results. Two approaches are considered which take into account the different behavior of the electrical load in the heating season and off-season. For forecasting, we used the multilayer perceptron with scaled exponential linear unit (SELU) function used as a nonlinear transformation in hidden neurons. This function stabilizes mean and variance of layers and accelerates the learning process. In the first approach, the neural network included an additional input neuron that takes values of 1 for days that are part of the heating season and 0 for the off-season days. In this case, the given model fitted on the annual data. In the second approach, two separate neural networks are developed for work in different seasons of the year. Input vector was generated separately for each network. Estimation of the accuracy and stability of the forecasting results was carried out on year data for real electricity supply company. References 8, figures 3, table 1.
Key words: electrical load, annual periodicity, short-term forecasting, artificial neural network.