WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |

Полученная базовая модель может быть использована для обработки новых данных. С этой целью были проанализированы показатели потребления ЭЭ населением за март 2005 г. по Братскому энергорайону. Так, с.у. «Южный Падун» из группы высоких значений B1 «перешёл» в группу, для которой характерны более низкие значения показателей потребления ЭЭ. Особенно важно, что в этом с.у. для данного месяца значительно снизились значения СПЭ. В другом с.у. «Бикей» повысились раходы субабонентов и он «перешёл» в соответствующую группу B2, для которой характерна именно данная особенность. Ряд показателей потребления ЭЭ снизился для с.у. «Галачинский», что обусловило его переход в кластер A2, для которого характерны низкие значения для всех исследуемых параметров и характеристик ЭЭ.

Таким образом, полученная нейросетевая модель SOM по сути представляет интеллектуальную динамическую базу данных по потреблению ЭЭ, которая по принципу своего действия осуществляет анализ ситуации в энергорайоне, тесно связанной с потреблением ЭЭ бытовым сектором. «Интеллектуальность» такой базы данных проявляется в её гибкой адаптации к изменениям значений входных параметров и их составу. Появляется возможность в удобной и достаточно простой форме отслеживать изменения особенностей каждого конкретного сетевого участка и на их основании вырабатывать те или иные перспективные мероприятия.

Суточное прогнозирование электрической нагрузки в энергорайонах г. Иркутска. Для решения данной задачи использовался предложенный в работе подход ПМИИ. Чтобы определить наиболее эффективную «прогнозную» структуру ИНС, для каждого конкретного энергорайона с помощью «соревновательного принципа» на базе метода SA автоматически выбиралась оптимальная архитектура ИНС. К примеру, для шестого энергорайона алгоритмом SA, выполнено 15 итераций, и с учётом априори заданных условий, выбрана оптимальная прогнозная модель на базе нейросети RBF (рис. 8. а). Во втором энергорайоне SA выбрана оптимальная архитектура ИНС типа GRNN (рис. 8, б). При этом сеть MLP ещё на начальных итерациях была исключена и в дальнейшем, как менее эффективная, не участвовала в «соревновании», хотя во многих публикациях именно сеть MLP выделяют как наиболее эффективную «прогнозную» ИНС.

В дальнейшем из соревнования алгоритмом SA были исключены сети GRNN и RBF, что позволило выполнить сравнительный анализ ошибок при прогнозе электрической нагрузки с помощью сети MLP с ошибками суточных прогнозов, полученных при использовании сетей RBF и GRNN, а также с прогнозами на базе модели АРПСС (табл. 2).

Прогнозирование СПЭ в распределительных электрических сетях Братского энергорайона. Для повышения точности прогноза СПЭ в распределительных электрических сетях 0.4-10 кВ МБ ТЭП ЖКХ г. Братска также был использован предложенный подход ПМИИ (акт внедрения от 23 марта 2005 г.).

В процессе работы алгоритма SA в рамках «соревновательного» принципа

а) б)

Рис. 8. Прогноз электрической нагрузки различными архитектурами ИНС:

а – нейросеть RBF; б – нейросеть GRNN

Таблица 2

Сравнительный анализ ошибок прогнозирования электрической нагрузки в энергорайонах г. Иркутска различными подходами

Энергорайон

День

Прогноз ПМИИ, %

Прогноз MLP,

%

Прогноз АРПСС, %

средняя

средне-квадра-тичная

средняя

средне-квадра-тичная

средняя

средне-квадра-тичная

2

22.04.99

1,43

1,89

4,48

5.36

1,61

2,00

23.04.99

1,58

1,86

2,71

3.41

5,71

6,77

6

23.04.99

1,07

1,53

1,45

1.99

4,11

4,67

24.04.99

1,25

1,89

2,41

3.03

5,01

6,12

были выбраны две архитектуры нейросетей типа MLP и RBF (табл. 3). Средние ошибки прогноза СПЭ соответственно составили: для сети MLP21%, для архитектуры RBF15% (табл. 3).

Кроме того, для прогнозирования СПЭ, одновременно с подходом ПМИИ применялась модель АРПСС с интервенцией (табл. 3), ввиду того, что исходная реализация СПЭ содержит множество «всплесков» и реализация процесса нестационарна. Как видно из таблицы, прогнозирование СПЭ в рамках модели АРПСС даёт значительные ошибки прогноза, порядка 50%, что говорит о несостоятельности принятой модели для прогнозирования таких сложных реализаций.

Результаты расчётов позволили определить ожидаемый убыток на 2005 г. от величины СПЭ для МБ ТЭП ЖКХ МО г. Братска. Для с.у. Порожский он составил 2 973 700 (Два миллиона девятисот семьдесят три тысячи семьсот) рублей.

Прогнозирование температуры наружного воздуха для тепловых сетей Братского энергорайона. В МБ ТЭП ЖКХ г. Братска для прогнозирования вели-

Таблица 3

Сравнительный анализ ошибок прогнозирования СПЭ различными подходами для распределительных сетей 0,4-6 кВ с.у. Порожский

Модели

прогнозирования

Ошибки прогнозирования, %

средняя

средне-

квадратичная

Подход ПМИИ (RBF)

15,52

17,69

Подход ПМИИ (MLP)

20,98

21,65

Модель АРПСС

с интервенцией

50,98

52,94

личины температуры наружного воздуха использовался метод наименьших квадратов (МНК). Результаты расчётов показали, что при использовании МНК ошибка прогноза температуры изменяется в диапазоне от 2 до 4 С при относительной стабильности изменения температуры.

При прогнозировании на отопительный период 2004 г. для котельной исследуемого энергорайона была использована подход ПМИИ с применением особой структуры сети MLP, обеспечивающей регулирования процесса обучения ИНС. Это позволило в условиях относительно малой предыстории (1994-2003 г.г.) получить достаточно достоверные прогнозы (табл. 4)

Таблица 4

Результаты прогнозирования температуры на отопительный период 2004 г. в тепловых сетях МБ ТЭП ЖКХ г. Братска

Показатели

Месяцы отопительного периода

Ошибки прогнозирования, %

январь

февраль

март

апрель

май

сентябрь

октябрь

ноябрь

декабрь

средняя

средне-

квадратич-

ная

Фактическая температура, С

-16,3

-13,0

-8,9

0,4

8,6

8,4

2,4

-5,7

-20,6

Прогноз ПМИИ, С

-16,8

-12,8

-9,7

0,4

8,5

7,9

1,7

-7,9

-20,8

9,63

11,54

Прогноз МНК, С

-19,8

-13,4

-8,1

0,7

8,8

9,1

-1,6

-10,9

-18,4

22,95

28,93

Результаты исследований свидетельствуют о том, что использование подхода ПМИИ при прогнозировании температуры наружного воздуха привело к существенному снижению издержек ТЭП в условиях реальной эксплуатации. Данные анализа, проведённого для котельной исследуемого энергорайона, показали, что экономический эффект, составляет порядка 644 000 (Шестьсот сорок четыре тысячи) руб./год. (акт внедрения от 23 марта 2005 г.)

В заключении представлены основные результаты исследований, достигнутые в ходе выполнения работы.

Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»