WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     ||
|

МАРЕ допустимый уровень (больше 3%), Рис. система переобучается заново на новых данных. Процесс переобучения занимает около пяти-семи минут. При краткосрочном прогнозировании на час вперед – это вполне приемлемая цифра.

Для реализации процедуры переобучения нейронечетких моделей в случае превышения ошибки прогнозирования допустимой нормы (3%), разработан блок оптимизации структур на основе генетического алгоритма (ГА) в Genetic Algorithm Toolbox пакета MatLab. Программа находит наилучшую структуру ННС, при которой система дает наименьшую ошибку прогнозирования. Время работы ГА составляет около пяти минут. При этом точность прогнозирования на 0,12% лучше, чем при ручном подборе оптимальной структуры системы прогнозирования электропотребления.

Разработана программа, реализующая модифицированный метод окон, для автоматического формирования входных переменных, обучающей и тестовой последовательностей для систем с различным числом входов и выходов, что существенно облегчает процедуру модификации ННС. Приведены блок-схемы всех разработанных программ.

В четвертой главе осуществляется экспериментальное исследование разработанной системы прогнозирования ЭП, реализующей многокомпонентную идею прогнозирования. Приведены результаты оценки точности системы, а также сравнительный анализ эффективности прогнозирования построенной системы с классическими регрессионными моделями и нейронечеткими моделями без предварительного преобразования данных. Представлен разработанный программный комплекс, реализующий систему краткосрочного прогнозирования электропотребления.

Результаты прогнозирования по каждой составляющей, а также общего итога прогнозирования приведены в табл. 1, а также графически на рис. 6, где кривая 1 – реальные значения, кривая 2 – итоговый прогноз системы.

Рис. Средняя точность прогнозирования составляет: для уровня аппроксимации – 0,56%; для детализации на уровне 3 – 3,54%; для детализации на уровне 2 – 4,13 %; для детализации на уровне 1 – 6,26%. Суммарная точность прогнозирования равна 1,6%.

Точность оценивается по формуле (6).

Таблица Ошибка Прогноз, ГВт Фактич., MAPE, ГВт Аппрокс. Детал. 3 Детал. 2 Детал. 1 Общий % 5,67 -0,54 -0,07 -0,04 5,02 5,01 0,5,37 -0,32 0,15 -0,01 5,19 5,38 2,5,23 0,32 0,11 0,12 5,78 6,08 4,5,31 0,28 0,43 0,21 6,23 6,67 6,5,57 0,34 0,27 0,25 6,43 6,20 3,5,62 0,55 0,15 -0,17 6,15 6,08 1,5,77 0,51 -0,14 -0,01 6,13 6,11 0,5,92 0,27 -0,07 -0,02 6,10 5,95 2,6,02 -0,05 -0,02 -0,01 5,94 5,93 0,Несмотря на то, что точность прогнозирования для некоторых уровней детализации является невысокой, суммарное приближение к фактическому значению нагрузки выше при использовании вейвлет-разложения и прогнозировании каждой составляющей. Это объясняется тем, что нет необходимости в подборе такой архитектуры нечеткой нейронной сети, которая учитывала бы динамику изменения одновременно быстро- и медленноменяющихся компонент временного ряда.

Для оценки качества прогнозирования при искажении входной информации на вход системы подавалась намеренно зашумленная входная информация. Затем полученные в результате прогнозирования данные сравнивались с реальными значениями. Результаты исследований приведены в табл. 2.

Таблица Искажение Н MAPE, % MAPE, % MAPE, % MAPE, % MAPE, % шумом en, пок-ль аппрокс. детал. 3. детал. 2. детал. 1. прогноза % Херста 0 0,73 0,56 2,54 4,13 6,26 1,1,38 0,73 0,70 5,22 6,45 8,74 2,2,77 0,73 0,93 7,23 10,59 12,66 3,4,15 0,73 1,17 8,81 11,24 13,11 4,5,54 0,73 1,39 9,40 13,10 15,092 5,6,92 0,72 1,61 10,00 16,50 18,80 6,Представленные в таблице значения искажения шумом в процентах рассчитываются также по MAPE:

i i PA - PN N en(%) = 100, (7) i N PA i=PA где – фактическое значение нагрузки, PN = PA + k(t), где (t) – белый шум, k – постоянный коэффициент, N – количество данных (часов).

Как видно из анализа табл. 2, сильнее всего искажение данных оказывает влияние на ошибку детализирующих уровней, а особенно на ошибку уровней детализации 1 и 2, отвечающих за быструю динамику ВР. Это объясняется тем, что входные данные искажались высокочастотным шумом, который отфильтровывался вейвлетпреобразованием на детализирующие (высокочастотные) компоненты. Как видно из анализа табл. 2, при искажении входных данных до 6% (по MAPE), модель все еще выдает более или менее адекватный прогноз. Затем происходит резкое ухудшение прогнозных качеств модели, когда вейвлет-преобразование с глубиной разложения уже не в состоянии отфильтровать высокочастотную составляющую на уровне аппроксимации и детализации 3. При этом показатель Херста Н уменьшается с 0,73 до 0,72. Таким образом, этот интервал можно считать критическим для построенной модели.

Результаты сравнения с регрессионными моделями показали, что для всех исследованных линейных (по параметрам) моделей невозможно получить точность прогнозирования выше 2,8% в приемлемых границах 95% доверительного интервала.

Наилучшие результаты при прогнозировании на час вперед были получены для модели АРСС(20,10). Точность Рис. прогнозирования составила 2,8%. Для нейронечеткой модели с использованием вейвлет-теории точность прогнозирования при тех же условиях (прогнозирование на час вперед, одинаковая обучающая выборка) составляет 1,6%.

На рис. 7 графически приведено сравнение прогнозирования при помощи различных подходов. Кривая 1 – фактические данные почасовой нагрузки рабочего дня февраля, кривая 2 – прогноз ННС с использованием вейвлет-преобразования, кривая 3 – прогноз ННС и кривая 4 – прогноз АРСС(20,10). Точность прогнозирования для ННС с использованием вейвлет-преобразования – 1,6%; для ННС – 2,1 %; АРСС – 2,8%.

На рис. 8 приведены результаты сравнения разработанной и регрессионной модели на предмет устойчивости к возможным неточностям входной информации.

Кривая 1 – фактические данные, кривая 2 – прогноз ННС с использованием вейвлетпреобразования, кривая 3 – прогноз ННС и кривая 4 – прогноз АРСС. При искажении исходных данных на 3% точность прогнозирования составила для ННС с использованием вейвлет-преобразования – 4%; для ННС – 4,5%, АРСС – 6,3%. Отсюда можно сделать вывод, что предложенная система прогнозирования обладает более устойчивым характером работы, по сравнению с классическими алгоритмами.

Кроме того, по сравнению с ННС без использования ВП построенная модель также характеризуется меньшей погрешностью прогноза. Это объясняется тем, что отфильтрованные на высоких уровнях детализации высокочастотные искажения имеют меньший масштаб (см. рис. 3) и ошибка прогнозирования для этих ВР вносит наименьший вклад в общую ошибку прогноза.

Для проверки адекватности построенной модели прогнозирования был проведен анализ остатков на наличие полезной информации и неучтенных моделью закономерностей. При корректном выполнении моделирования остатки должны являться результатом случайного рассеяния.

В рамках данной процедуры осуществлялась строгая проверка гипотезы относительно вида закона распределения по критерию Пирсона для стандартизированных остатков, проверка однородности дисперсий, наличие сериальных корреляций, а также выполнен тест остатков прогнозирования на белый шум с помощью критерия Бартлетта.

В результате проведенных расчетов доказана случайность рассеяния остатков, что подтверждает адекватность разработанной Рис.модели.

Для предложенной системы прогнозирования разработан пользовательский интерфейс, позволяющий осуществлять процедуру прогнозирования как в пользовательском (ручном), так и в автоматическом режиме. Дескрипторная графика MatLab позволяет конструировать детали пользовательского интерфейса.

Управляющая программа работает в двух режимах: коррекция и моделирование и просмотр и прогнозирование. В режиме коррекции и моделирования автоматически при помощи ГА осуществляется настройка прогнозной модели по ретроспективным данным ЭП, заданным оператором. В режиме просмотра и прогнозирования происходит непосредственно расчет прогнозируемого значения нагрузки, а также реализован графический просмотр результатов прогнозирования. Время расчета прогнозирующего значения составляет порядка 5 секунд.

В программе предусмотрена возможность сохранения и печати результатов прогнозирования в текстовом и графическом виде и ручной коррекции прогноза путем исключения из расчета выбранных уровней детализации ВР. Программа может работать как в ручном, так и в автоматическом режимах.

Для создания интерфейса были использованы средства GUI MatLab.

Достоинством такого подхода к разработке общей системы прогнозирования можно отнести то, что мы не выходим за рамки одной среды разработки и отладки на всех этапах проектирования, что значительно облегчает дальнейшие модификации и усовершенствования модели. Вплоть до того, что возможно дополнительно разрабатывать вспомогательные интерфейсы для самостоятельного исследования результатов прогнозирования при использовании различных подходов.

В заключении подведены итоги и результаты проведенных исследований.

Основные результаты диссертационной работы могут быть сформулированы следующим образом:

1. Проведен анализ современных подходов к прогнозированию электрической нагрузки и выявлены наиболее перспективные направления улучшения качества и надежности прогнозов;

2. По результатам проведенного анализа разработана модель представления ретроспективных данных о нагрузке ЭЭС и процедура краткосрочного прогнозирования на основе нейронечеткого подхода и вейвлет-теории.

3. Разработана методика построения системы прогнозирования электрической нагрузки;

4. На основе предложенной методики выполнено построение системы прогнозирования электропотребления;

5. Выполнено исследование разработанной системы в среде MatLab. Точность прогнозирования составила 1,6 %. Исследование данной системы на устойчивость к возможным неточностям входной информации показало, что при искажении входных данных до 4% точность прогнозирования сохраняется в пределах до 5%.

6. Проведен сравнительный анализ качества и надежности прогнозирования построенной системы с классическими методами прогнозирования, который выявил, что использование вейвлет-разложения позволило повысить точность краткосрочного прогнозирования в 1,3 раза по сравнению с прогнозом, выполненным нейронечеткой моделью и в 1,7 раза по сравнению с прогнозом модели АРСС.

7. Разработан программный комплекс предложенной системы прогнозирования электропотребления.

Поставленные задачи диссертационного исследования успешно решены и цель достигнута.

Разработанная методика прогнозирования может быть использована не только для синтеза системы прогнозирования электропотребления, но также для прогнозирования более широкого класса нестационарных временных рядов отличающихся выраженной тренд-сезонной составляющей.

Публикации по теме диссертации Статьи, опубликованные в изданиях, включенных в перечень ВАК:

1. Модель прогнозирования нагрузки электроэнергетической системы на основе нейронечеткого подхода [Текст] / Н.Д. Поляхов, И.А. Приходько, Д.Н. Поляхов, Е.С.

Анушина, Е.Ю. Шеина // Изв. СПб ГЭТУ «ЛЭТИ», Сер. Автоматизация и управление. – 2004. – Вып. 1. – С. 42–47.

2. Анушина, Е.С. Современные подходы и методы прогнозирования электропотребления [Текст] / И. А. Приходько, Е. С. Анушина // Изв. СПб ГЭТУ «ЛЭТИ», Сер. Автоматизация и управление. – 2005. – Вып. 1. – С. 37–42.

3. Анушина, Е.С. Использование интеллектуальных вычислительных технологий для решения задач прогнозирования [Текст] / Е.С. Анушина // Естественные и технические науки.– 2006. – №5. – С. 184-4. Анушина, Е.С. Использование современных подходов и методов для прогнозирования электропотребления [Текст] / Ю.А. Борцов, Н.Д. Поляхов, И.А.

Приходько, Е.С. Анушина // Электротехника.– 2006. – №8. – С. 30–35.

Другие работы:

5. Anushina, E.S. Forecast Model of power system load based on fuzzy neural approach (Модель прогнозирования электрической нагрузки на основе нейронечеткого подхода) [Текст] / N.D. Polyahov, I.A. Prikhodko, E.S. Anushina // Сб. тр. междунар.

конф. по мягким вычислениям и измерениям SCM-2004. Saint-Petersburg., 17-19 June.

– 2004. – Vol. 1. – P. 278–281.

6. Анушина, Е.С. Исследование нечетких и нейросетевых систем [Текст] / Н.Д.

Поляхов, И.А. Приходько, В.Е. Кузнецов, Е.С. Анушина, А.А. Карачев – СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2005. – 28 с.

7. Анушина, Е.С. Прогнозирование электропотребления на основе нейронечеткого подхода с использованием вейвлет-теории [Текст] / Н.Д. Поляхов, И.А. Приходько, Е.С. Анушина // Сб. тр. междунар. конф. по мягким вычислениям и измерениям SCM-2005. Saint-Petersburg, 27-29 June. – 2005. – Vol. 1. – P. 247–250.

8. Анушина, Е.С. Использование современных подходов при решении задач прогнозирования [Текст] / Е.С. Анушина // Сб. тр. 4-й Всероссийской науч. конф.

УИТ. Санкт-Петербург, 10–12 октября. – 2006. – С. 181-9. Анушина, Е.С. Повышение точности прогнозирования электропотребления с использованием вейвлет-теории [Текст] / Е.С. Анушина // Одиннадцатая СанктПетербургская Ассамблея молодых ученых и специалистов. Санкт-Петербург. – 2006. – С. 10. Анушина, Е.С. Применение методов нелинейной динамики для совершенствования систем прогнозирования электропотребления [Текст] / Е.С. Анушина // Двенадцатая Санкт-Петербургская Ассамблея молодых ученых и специалистов. СанктПетербург. – 2006. – С. 11. Анушина, Е.С. Система прогнозирования электропотребления на основе нейронечеткого подхода с использованием вейвлет-теории [Текст] / Е.С. Анушина // Сб. тр. политехнического симпозиума - Молодые ученые – промышленности Северо-Западного региона. Санкт-Петербург, 8 декабря. – 2006. – С. 6-12. Анушина, Е.С. Прогнозирование электропотребления. Современные технологии и перспективы [Текст] / Е.С. Анушина // Сб. тр. политехнического симпозиума - Молодые ученые – промышленности Северо-Западного региона. Санкт-Петербург, декабря. – 2007. – С. 58-13. Анушина, Е.С. Решение задачи прогнозирования на основе нейронечеткого подхода с использованием вейвлет-преобразования [Текст] / Н.Д. Поляхов, И.А. Приходько, Е.В. Хартян, Е.С. Анушина // Сб. тр. междунар. конф. по мягким вычислениям и измерениямSCM-2007. Saint-Petersburg, 20-22 June. – 2007. – Vol. 1. – P. 247–250.

Pages:     ||
|



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

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.