ВВЕДЕНИЕ ……………………………………………………………………………………………………… 5
1 ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ КРАТКОСРОЧНОГО
ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И РЫНКА
ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ ………………………………………………………… 15
1.1 Анализ специфики работы гарантирующих поставщиков на
электроэнергетическом рынке …………………………………………………………………………. 16
1.1.1 Особенности покупки электроэнергии на оптовом рынке электроэнергии и
мощности России ……………………………………………………………………………………………. 16
1.1.2 Специфика торговли электроэнергией гарантирующими поставщиками на
оптовом и розничном рынке электроэнергии и мощности ………………………………… 22
1.2 Обзор и анализ статистических методов и алгоритмов прогнозирования
потребления электроэнергии……………………………………………………………………………. 27
1.2.1 Методы регрессионного анализа…………………………………………………………. 27
1.2.2 Методы экстраполяции ………………………………………………………………………. 28
1.2.3 Методы временных рядов …………………………………………………………………… 29
1.2.4 Методы вейвлет–преобразования временных рядов ……………………………. 30
1.3 Обзор методов краткосрочного прогнозирования электропотребления,
основанных на искусственном интеллекте……………………………………………………….. 31
1.3.1 Искусственные нейронные сети ………………………………………………………….. 32
1.3.2 Метод опорных векторов ……………………………………………………………………. 34
1.3.3 Методы нечеткой логики ……………………………………………………………………. 35
1.3.4 Методы, основанные на самоорганизации…………………………………………… 36
1.3.5 Методы, основанные на теории техноценозов …………………………………….. 37
1.4 Обзор современных источников по тематике краткосрочного
прогнозирования электропотребления……………………………………………………………… 38
1.4.1 Обзор статистических методов прогнозирования электропотребления … 38
1.4.2 Обзор нейросетевых методов краткосрочного прогнозирования
электропотребления ………………………………………………………………………………………… 38
1.4.3 Обзор гибридных методов краткосрочного прогнозирования
электропотребления ………………………………………………………………………………………… 40
1.5 Требования методу и алгоритму краткосрочного прогнозирования
почасового электропотребления группы точек поставки гарантирующего
поставщика ……………………………………………………………………………………………………… 41
1.6 Выводы по главе 1 ………………………………………………………………………………… 43
2 АНАЛИЗ ФАКТОРОВ, ВЛИЯЮЩИХ НА ПОЧАСОВОЕ
ЭЛЕКТРОПОТРЕБЛЕНИЕ ГРУППЫ ТОЧЕК ПОСТАВКИ
ГАРАНТИРУЮЩЕГО ПОСТАВЩИКА И РАЗРАБОТКА МЕТОДИКИ
ФОРМИРОВАНИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ДАННЫХ ……………………….. 44
2.1 Анализ влияния временных факторов на поведение временного ряда
потребления электроэнергии группы точек поставки гарантирующего
поставщика ……………………………………………………………………………………………………… 45
2.2 Анализ влияния метеорологических факторов на электропотребление
группы точек поставки электроэнергии гарантирующего поставщика ……………… 55
2.2.1 Анализ влияния температуры наружного воздуха на временной ряд
электропотребления группы точек поставки электроэнергии гарантирующего
поставщика ……………………………………………………………………………………………………… 55
2.2.2 Анализ влияния естественной освещенности на временной ряд
электропотребления группы точек поставки гарантирующего поставщика ………. 59
2.2.3 Анализ влияния ветра на электропотребление группы точек поставки
гарантирующего поставщика …………………………………………………………………………… 63
2.2.4 Влияние давления и влажности воздуха на потребление электроэнергии
группы точек поставки гарантирующего поставщика ………………………………………. 64
2.3 Анализ влияния факторов отключений питающего электросетевого
оборудования 6-110 кВ, режима работы потребителей с максимальной мощностью
свыше 670 кВт, наличия центрального отопления, горячего и холодного
водоснабжения на электропотребление групп точек поставки гарантирующего
поставщика ……………………………………………………………………………………………………… 65
2.4 Методика формирования выборки данных, необходимой для обучения и
тестирования алгоритмов краткосрочного прогнозирования электропотребления
группы точек поставки гарантирующего поставщика ………………………………………. 71
2.5 Выводы по главе 2 ………………………………………………………………………………… 76
3 СОВЕРШЕНСТВОВАНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ И МЕТОДА
КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ПОЧАСОВОГО
ЭЛЕКТРОПОТРЕБЛЕНИЯ ГРУППЫ ТОЧЕК ПОСТАВКИ
ГАРАНТИРУЮЩЕГО ПОСТАВЩИКА ……………………………………………………… 79
3.1 Совершенствование нейросетевой модели почасового электропотребления
группы точек поставки гарантирующего поставщика ………………………………………. 80
3.2 Совершенствование нейросетевого метода краткосрочного
прогнозирования электропотребления группы точек поставки гарантирующего
поставщика ……………………………………………………………………………………………………… 86
3.3 Определение оптимальной архитектуры и конфигурации нейросетевой
модели краткосрочного прогнозирования электропотребления группы точек
поставки гарантирующего поставщика ……………………………………………………………. 96
3.3.1 Определение оптимальной конфигурации многослойного
персептрона …………………………………………………………………………………………………….. 98
3.3.2 Определение оптимальной конфигурации одномерной сверточной
нейронной сети ……………………………………………………………………………………………… 103
3.3.3 Определение оптимальной конфигурации двумерной сверточной
нейронной сети ……………………………………………………………………………………………… 106
3.3.4 Определение оптимальной конфигурации одномерной сверточной
нейронной сети с рекуррентным слоем ………………………………………………………….. 109
3.3.5 Определение оптимальной конфигурации ансамбля нейронных
сетей ……………………………………………………………………………………………………………… 110
3.4 Выводы по главе 3 ………………………………………………………………………………. 115
4 СРАВНИТЕЛЬНЫЙ АНАЛИЗ ТОЧНОСТИ КРАТКОСРОЧНОГО
ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ ГРУППЫ ТОЧЕК
ПОСТАВКИ ГАРАНТИРУЮЩЕГО ПОСТАВЩИКА НЕЙРОСЕТЕВЫХ
МОДЕЛЕЙ И МЕТОДА ЭКСПЕРТНЫХ ОЦЕНОК ………………………………….. 117
4.1 Планирование и статистическая обработка основных результатов
экспериментов ………………………………………………………………………………………………. 117
4.2 Структура потребителей и производственные характеристики
гарантирующего поставщика электроэнергии ………………………………………………… 119
4.3 Анализ законов распределения случайных величин факторов, влияющих на
почасовое электропотребление группы точек поставки гарантирующего
поставщика ……………………………………………………………………………………………………. 124
4.4 Алгоритм краткосрочного прогнозирования почасового
электропотребления группы точек поставки гарантирующего поставщика …….. 129
4.5 Сравнительный анализ точности краткосрочного прогнозирования
почасового электропотребления группы точек поставки гарантирующего
поставщика нейросетевых моделей и метода экспертных оценок на фактических и
ретроспективных данных ………………………………………………………………………………. 133
4.5.1 Анализ точности краткосрочного прогнозирования почасового
электропотребления нейросетевых моделей, учитывающих различный набор
факторов ……………………………………………………………………………………………………….. 133
4.5.2 Сравнительный анализ точности краткосрочного прогнозирования
почасового электропотребления ансамблевого нейросетевого метода и одиночных
нейросетей на ретроспективных данных ………………………………………………………… 136
4.5.3 Сравнительный анализ точности краткосрочного прогнозирования
почасового электропотребления ансамблевого нейросетевого метода, одиночных
нейросетей и метода экспертных оценок на фактических данных …………………… 140
4.6 Оценка величины экономического эффекта от применения ансамблевого
нейросетевого метода и алгоритма краткосрочного прогнозирования
электропотребления группы точек поставки гарантирующего поставщика …….. 144
4.7 Выводы по главе 4 ………………………………………………………………………………. 148
ЗАКЛЮЧЕНИЕ …………………………………………………………………………………………… 150
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ …………………. 152
Список литературы……………………………………………………………………………………… 153
Приложение А ……………………………………………………………………………………………… 164
Приложение Б ……………………………………………………………………………………………… 165
Приложение В ……………………………………………………………………………………………… 169

Во введении обоснована актуальность проводимых исследований, характеризуется степень ее проработанности, сформулированы цель и основные задачи работы, научная новизна и практическая значимость результатов, основные положения, выносимые на защиту и представлена структура диссертации.
В первой главе диссертации, которая имеет обзорный характер, рассмотрена специфика работы ГП в условиях электроэнергетического рынка. Выяснено, что ГП являются одновременно субъектами оптового и розничного рынков электроэнергии, осуществляя покупку электроэнергии на ОРЭМ с помощью зарегистрированных групп точек поставки, для последующей ее реализации конечным потребителям. Выяснено, что в рамках существующей модели ОРЭМ ошибки краткосрочного прогнозирования почасового электропотребления приводят к ухудшению финансового результата от оборота электроэнергии, получаемого гарантирующим поставщиком и конечными потребителями.
В результате проведенного анализа существующих методов краткосрочного прогнозирования электропотребления установлено, что существующие математические модели электрических нагрузок малопригодны для прогнозирования электропотребления ГТП ГП, так как не учитывают ряд факторов, оказывающих значительное влияние на электропотребление данного объекта. В связи с учетом дополнительных факторов появляется необходимость в
использовании более мощных методов и алгоритмов прогнозирования электропотребления. Выяснено, что в настоящее время передовые позиции при решении задач краткосрочного прогнозирования электрических нагрузок занимают глубокие нейросетевые модели, такие как: сверточные и рекуррентные нейросети, а также ансамбли, состоящие из нескольких нейросетей.
Во второй главе произведен подробный анализ факторов, влияющих на почасовое электропотребление ГТП ГП в краткосрочной перспективе. В ходе рассмотрения группы временных факторов установлено, что временной ряд почасового электропотребления содержит сезонные составляющие с цикличностью сутки, неделя и год. Форма профилей электропотребления ГТП ГП имеет нетипичную форму в период праздничных дней, каникул в образовательных учреждениях, массовых событий и т.п.
При анализе метеорологических факторов установлено, что температура наружного воздуха является наиболее влиятельным экзогенным фактором. В целях снижения размерности факторного пространства факторы температуры воздуха и скорости ветра учтены с помощью величины ветро-холодового индекса:
T 1,411,162V 0,98T 0,0124V2 0.0185TV, WC
(1)
где V  скорость ветра, м/с; T  температура воздуха, oC.
Также установлено, что изменения потребления электроэнергии
запаздывают по отношению к изменениям температурного режима. В работе учет инерционности изменения электропотребления при изменениях температуры воздуха произведен с помощью следующего коэффициента:
124 2
IkDk24ti t, (2)
i 1
где I  коэффициент инерционности изменений электропотребления ГТП ГП по
отношению к изменениям температуры воздуха; k   1,если

в час i; t  среднесуточная температура воздуха.
Электрическая нагрузка ГТП ГП в значительной степени определяется
величиной естественной освещенности в светлое время суток. В связи с отсутствием в свободном доступе непосредственных данных о естественной освещенности в работе данный фактор учтен с помощью величины количества осадков, выпавших в светлое время суток:
24 i1
поправочный коэффициент, учитывающий динамику изменения температуры; D  дисперсия суточных значений температуры воздуха; ti  температура воздуха
 0 , е с л и P  0 , 5
P 1,если0,5P1,

1 24
1 48
1,если 
t 
 24i25
t
kод 2,если 1 P  2 (3)
3,если P  2 
i
1 24
i
24 i1
t 
 24i25
t i
i
1 48


где P  закодированное количество осадков; P  количество осадков, выпавших код
в светлое время суток (с 7-го по 19-ый часы по Москве), мм.
В работе показано, что почасовое потребление электроэнергии ГТП ГП в
значительной степени зависит от дополнительных факторов: инерционность изменений электропотребления по отношению к изменениям температуры наружного воздуха, отключения питающего электросетевого оборудования напряжением 6–110кВ, режим работы потребителей электроэнергии с присоединенной мощностью свыше 670 кВт, наличие центрального отопления и горячего (холодного) водоснабжения в отдельных населенных пунктах.
На основании проведенного анализа факторов, влияющих на почасовое электропотребление ГТП ГП разработана методика формирования обучающей выборки. На рис. 1 представлена схема алгоритма формирования обучающей и тестовой выборок данных.
Рисунок 1 – Схема алгоритма формирования обучающей и тестовой выборок данных
В начале работы алгоритма (рис.1) осуществляется сбор и проверка полноты сбора данных, далее происходит расчет необходимых величин (1), (2), (3), затем происходит нормализация данных и наконец разделение обучающей выборки на тренировочные X и тестовые Xтест выборки данных. Нормализация данных необходима для приведения данных обучающей выборки к однородной форме. Ретроспективные данные о величине влияющих факторов нормализованы на основании выражения:

где xнорм  нормализованное значение статистических
значение статистических данных;
x  x  xmin  0,9  0,05,
(4) x  фактическое
норм
xx max min
данных; xmin , xmax  минимальное и максимальное
значения ряда статистических данных.
Границы диапазона нормализации [0,05;0,95] определены исходя из области
определения используемой функции активации [0;1], а также с учётом того факта, что вблизи границ области определения данная функция может иметь зоны насыщения. Для более точной оценки обобщающей способности нейросети обучающая выборка разделяется на тренировочную и тестовые подвыборки в соотношении 9:1.
В третьей главе установлено, что математическая модель почасового электропотребления ГТП ГП должна учитывать влияние следующих наиболее значимые факторов: x1  ретроспективные данные по электропотреблению (случайная величина распределенная по нормальному закону с математическим ожиданием (М.О.) M = 40,74 МВт∙ч и среднеквадратичным отклонением (СКО) σ = 11,22 МВт∙ч); x2  час суток; x3  день недели; x4  порядковый номер дня в
году; x5  ветро–холодовой индекс (случайная величина, распределенная по нормальному закону с М.О. M = 4,7 oС и СКО σ = 14,9 oС); x6 0;3
количество осадков, выпавших в светлое время суток P (безразмерная код
случайная величина, распределенная по показательному закону с параметром λ=0,71); x7  признак праздника или массовых событий d; x8 относительная
длительность светового дня ld; x9  признак наличия центрального отопления; x  коэффициент инерционности электропотребления ГТП ГП I (случайная
величина, распределенная по нормальному закону с М.О. M = 2,54 oС2 и
СКО σ = 19,7 oС2); x  признак наличия горячего водоснабжения; x  признак 11 12
каникул в образовательных учреждениях; x режим работы потребителей 13
электроэнергии с максимальной мощностью свыше 670 кВт; x14 признак
наличия холодного водоснабжения;  шумовая компонента (случайная величина, распределённая по нормальному закону с М.О. M = 1,3 МВт∙ч и СКО σ = 0,32 МВт∙ч).
Шумовая компонента  обусловлена факторами, не поддающимися прогнозированию и планированию: несанкционированное электропотребление от питающих электросетей данной ГТП ГП, аварийные отключения питающих линий электропередач, поломки основного оборудования крупных потребителей и т.п.
В исследовании моделирование почасовой электрической нагрузки ГТП ГП осуществлялось с помощью инструментов искусственных нейронных сетей (ИНС). На рис. 2 представлена структурная схема нейронной сети с произвольным количеством слоев.
Рисунок 2 – Структурная схема нейронной сети с произвольным количеством слоев
Нейросетевая модель, представленная на рис. 2 предполагает представление вектора суточного почасового электропотребления ГТП ГП в виде послойного преобразования массива влияющих факторов. Отклик первого скрытого слоя нейросетевой модели имеет вид:
w w w  x   01 02 0n 1 
O1
 1 O1
ww wx 2   11 12 1n2
O1…W01X … … … … …, (5)
  
O1 wk1 wk2 wkn x   k  14
где Ok  отклик k-го нейрона первого скрытого слоя ИНС; W01 матрица 1
свободных параметров между входным и первым скрытым слоем; X массив суточных величин влияющих факторов;  функция активации нейронов; w 
kn весовой коэффициент соединяющий входной узел n и нейрон скрытого слоя k
(случайная величина, распределенная по столбцам матрицы W01 по нормальному
закону с М.О. M = 0 и СКО σ = 1); xi  вектор-столбец суточных значений i-го влияющего фактора.
Отклик O1 становится входным сигналом для следующего слоя
нейросетевой модели, выходной сигнал которого формируется аналогично на основании (5). Вектор суточного почасового электропотребления ГТП ГП, формируется на основании выражения:

yww wOp  1   01 02 0m  1 
p
2 1112 1m2
Yyw w …wO, (6) …  … … …  … 
 
y24 wh1
wh2 whm Op  m
где Y вектор суточного почасового электропотребления ГТП ГП;wmh  весовой коэффициентов между нейронами последнего скрытого слоя m и выходного слоя h;Omp откликнейронаmпоследнегоскрытогослояp.
Нейросетевая модель (рис.2) сводит задачу краткосрочного прогнозирования почасового электропотребления ГТП ГП к нахождению коэффициентов матрицы свободных параметров между каждым слоем нейросети, при которых достигается требуемая точность прогнозирования.
В диссертационной работе спроектированы нейросетевые модели различной архитектуры и конфигурации: многослойный персептрон (multilayer perceptron – MLP), одномерная сверточная нейросеть (1 dimensional convolution neural network – CNN_1D), двухмерная сверточная нейросеть (2 dimensional convolution neural network – CNN_2D), рекуррентная нейросеть типа долго-краткосрочной памяти (long-short term memory – LSTM), а также ансамбль нейросетей (Ensemble). Оптимальная конфигурация данных нейросетей определялась на основании вычислительных экспериментов с обучающей выборкой данных с помощью алгоритма Hyperband. В связи с учетом дополнительных влияющих факторов ансамбль нейросетей имеет 221 887 свободных параметров. Данная ИНС, в силу достаточно большого количества оптимизируемых параметров, подвержена эффектам переобучения и схождения рабочей точки алгоритма обучения к локальным минимумам на поверхности ошибки. Современные адаптивные оптимизаторы свободных параметров нейросети позволяют более эффективно проходить участки локальных минимумов на поверхности ошибки. На рис. 3 представлены кривые изменения средней ошибки краткосрочного прогнозирования электропотребления ГТП ГП при использовании различных оптимизаторов функции потерь на ретроспективных данных за период с 01.04.2016 по 30.12.2019. Средний модуль относительных ошибок прогноза (mean absolute percentage error – MAPE) за эпоху обучения вычисляется на основании выражения:
1 N 24 pфакт  pпрогноз
ik
pфакт ik
 ik k1 i1
MAPE
где pфакт фактическое электропотребление ГТП ГП в час i суток k; pпрогноз 
N
100, (9)
ik ik прогнозное электропотребление ГТП ГП в час i суток k; N – количество суток в выборке данных.
На основании графиков на рис. 3 установлено, что применение метода адаптивной инерции Adam для оптимизации свободных параметров ансамбля ИНС позволило снизить ошибку прогнозирования с 4,4 % до 1,2 % относительно ошибки прогноза нейросети, оптимизируемой с помощью метода стохастического

градиентного спуска (SGD). Метод среднеквадратичного распространения (RMSprop) не продемонстрировал стабильной точности прогнозирования на тестовой выборке.
а) б)
Рисунок 3 – Кривые изменения средней ошибки краткосрочного прогнозирования
электропотребления ГТП ГП при использовании различных оптимизаторов функции потерь на ретроспективных данных за период с 01.04.2016 по 30.12.2019: а) на тренировочных данных; б) на тестовых данных
В четвёртой главе описан алгоритм краткосрочного прогнозирования почасового электропотребления ГТП ГП. Схема алгоритма краткосрочного прогнозирования почасового электропотребления ГТП ГП представлена на рис. 4.
В начале работы алгоритма (рис.4) загружаются данные тренировочной X и тестовой Xтест выборок данных. Далее, из них формируется желаемый отклик нейросети Yжел. Затем происходит опрос нейросети данными тренировочной выборки X и корректировка свободных параметров сети на основании метода адапативной инерции Adam. Далее нейросеть тестируется на тестовой выборке данных Xтест. Для снижения эффекта переобучения алгоритмом предусмотрена ранняя остановка. Критерием останова является отсутствие снижения ошибки на тестовой выборке на 0,15 % за три последовательных итерации обучающего цикла. После выполнения критериев останова и требуемой точности осуществляется непосредственное прогнозирование электропотребления. Последним шагом алгоритма краткосрочного прогнозирования электропотребления ГТП ГП является корректировка прогноза с учетом отключений питающего электросетевого оборудования напряжением свыше 6 кВ.
Для оценки эффективности применения усовершенствованной нейросетевой модели почасового электропотребления ГТП ГП и методики формирования обучающей выборки произведен сравнительный анализ точности краткосрочного прогнозирования почасового электропотребления нейросетевых моделей, учитывающих различный набор факторов. На рис. 5 представлены кривые изменения ошибки краткосрочного прогнозирования электропотребления ГТП ГП нейросетевых моделей, учитывающих различный набор факторов на ретроспективных данных за период с 01.04.2016 по 30.12.2019.

Рисунок 4 – Схема алгоритма краткосрочного прогнозирования почасового электропотребления ГТП ГП
а)
Рисунок 5 – Кривые изменения ошибки краткосрочного прогнозирования
электропотребления ГТП ГП нейросетевых моделей, учитывающих различный набор факторов на ретроспективных данных за период с 01.04.2016 по 30.12.2019: а) на тренировочных данных; б) на тестовых данных
Из графиков на рис. 5 а, б видно, что применение нейросетевой модели 1, учитывающей дополнительные факторы инерционности изменений электропотребления ГТП ГП по отношению к изменениям температуры воздуха, отключений питающего электросетевого оборудования напряжением 6–110 кВ,
б)

режима работы потребителей электроэнергии с присоединенной мощностью свыше 670 кВт, наличия центрального отопления и горячего (холодного) водоснабжения в отдельных населенных пунктах позволило снизить ошибку прогнозирования на тестовых данных с 1,5 % до 1,1 % относительно ошибки прогноза, полученного с помощью модели 2, учитывающей исключительно факторы времени и метеорологических условий. Модель3, учитывающая факторы времени, метеорологических условий и инерционности изменений электропотребления ГТП ГП по отношению к изменениям температуры воздуха, продемонстрировала ошибку прогнозирования величиной 1,4 %.
В работе произведен сравнительный анализ точности краткосрочного прогноза почасового электропотребления ГТП ГП на ретроспективных данных, полученного с помощью спроектированных нейросетевых моделей. На рис. 6 представлены кривые изменения ошибки прогнозирования нейросетевых моделей на ретроспективных данных за период с 01.04.2016 по 30.12.2019.
а) б)
Рисунок 6 – Кривые изменения ошибки прогнозирования нейросетевых моделей
на ретроспективных данных за период с 01.04.2016 по 30.12.2019: а) на тренировочных данных; б) на тестовых данных
Из графиков на рис. 6 следует, что применение ансамбля нейросетей Ensemble позволило снизить среднюю ошибку прогнозирования на тестовой выборке данных с 3,0 % до 1,1 % по сравнению с ошибкой прогноза, полученного с помощью многослойного персептрона MLP.
После тестирования разработанных нейросетевых моделей на ретроспективных данных произведен сравнительный анализ точности краткосрочного прогнозирования электропотребления при прогнозировании на следующие сутки на фактических данных. В табл. 1 представлены численные характеристики средней ошибки краткосрочного прогнозирования почасового электропотребления нейросетевых моделей и метода экспертных оценок на фактических данных с 01.11.2019 по 01.12.2019.
Из таблицы 1 следует, что применение ансамблевого нейросетевого метода Ensemble позволило снизить среднемесячную ошибку краткосрочного прогнозирования почасового электропотребления на фактических данных с 1,6 %

до 1,3 % относительно ошибки прогноза, полученного с помощью метода экспертных оценок, а также с 1,5 % до 1,3 % относительно ошибки прогноза, полученного с помощью многослойного персептрона MLP.
Таблица 1 – Численные характеристики средней ошибки краткосрочного прогнозирования почасового электропотребления нейросетевых моделей и метода экспертных оценок на фактических данных с 01.11.2019 по 01.12.2019
MLP
CNN_ 1D
LSTM
CNN_ 2D
Ensemble
Метод экспертных оценок
Метод прогнозирования
МО ошибок прогноза Mмес(δ), % СКО ошибок прогноза σ(δ),% Доверительное отклонение s,%
1,5 1,5 1,5 0,5 0,4 0,5 0,2 0,1 0,2
1,5 1,3 1,6 0,5 0,4 0,7 0,2 0,1 0,3
Далее произведена оценка точности краткосрочного прогнозирования почасового электропотребления ГТП ГП на фактических данных ансамблевого нейросетевого метода и метода экспертных оценок на годовом интервале. В табл. 2 представлены численные характеристики средней ошибки краткосрочного прогнозирования почасового электропотребления ансамбля нейросетей и метода экспертных оценок на фактических данных за период с 01.01.2020 по 31.12.2020. Таблица 2 – Численные характеристики средней ошибки краткосрочного прогнозирования почасового электропотребления ансамбля нейросетей и метода экспертных оценок на фактических данных за период с 01.01.2020 по 31.12.2020
Метод прогнозирования Среднегодовая ошибка Mгод(δ), % СКО σ(δ),% Доверительное отклонение s,%
Метод экспертных оценок 2,6
0,5
0,3
Ансамбль нейросетей 2,4
0,6
0,4
Из табл. 2 следует, что применение ансамблевого нейросетевого метода и алгоритма краткосрочного прогнозирования почасового электропотребления ГТП ГП позволило снизить среднегодовую ошибку прогнозирования на фактических данных с 2,6 % до 2,4 % по отношению к ошибке прогноза, полученного с помощью метода экспертных оценок.
В результате повышения точности прогнозирования годовой экономический эффект для конечных потребителей электроэнергии составляет:
Эгод V Ц 1620529,360,45729238,2руб., (9) потр год ээ
где Эгод  экономический эффект для конечных потребителей ГП; V  годовой потр год
объем электропотребления потребителей ГП; Цээ  величина снижения цены на
электроэнергию для конечных потребителей за счет увеличения точности прогнозирования.
Также повышение точности прогнозирования привело к увеличению финансового результата от торговли электроэнергией для гарантирующего поставщика. В табл. 3 представлены сводные результаты торгов на ОРЭМ по ГТП «Южная» за ноябрь 2019 года.

Таблица 3 – Сводные результаты торгов на ОРЭМ по ГТП «Южная» за ноябрь 2019 года
Метод прогнозирова ния
Средняя ошибка прогноза M мес ( ), %
Фактический объем электропотреблен
ия V факт , МВт∙ч нерег
Средневзвешенный модуль разницы цен на
РСВиБР IБР ЦРСВ , руб./МВт∙ч
Прибыль ГП от трансляции отклонений
Птрансляция , руб.
Метод
экспертных 1,6
оценок Ансамблевый нейросетевой 1,3
метод
83 119,23
147,69
417 379,9 454 207,5
Из табл. 3 следует, что годовой экономический эффект для гарантирующего поставщика составляет:
Э V (ПИНС ПЭксперт )1620529,3636827,6713032,2руб., (10) год год трансляция трансляция
ГП V факт 83 119, 23 нерег
ПИНС  прибыль ГП от трансляции отклонений фактического трансляция
электропотребления от прогнозного в конечную цену на электроэнергию при использовании ансамблевого нейросетевого метода; ПЭксперт  прибыль ГП от
трансляции отклонений фактического электропотребления от прогнозного в конечную цену на электроэнергию при использовании метода экспертных оценок. Совокупный годовой экономический эффект от оборота электроэнергии для
гарантирующего поставщика и конечных потребителей составляет 1 млн. 442 тыс. рублей.
ЗАКЛЮЧЕНИЕ
В диссертационной работе изложены научно-технические решения, направленные на повышение эффективности работы гарантирующих поставщиков в условиях рынка электроэнергии за счет повышения точности краткосрочного прогнозирования почасового электропотребления группы точек поставки гарантирующего поставщика, внедрение которых вносит значительный вклад в развитие электроэнергетической отрасли и страны в целом.
1. В ходе проведенного анализа установлено, что методика формирования выборки данных, необходимой для обучения и тестирования интеллектуальных алгоритмов краткосрочного прогнозирования почасового электропотребления группы точек поставки гарантирующего поставщика, должна учитывать дополнительные факторы инерционности изменений электропотребления по отношению к изменениям температуры воздуха, отключений электросетевого оборудования напряжением 6–110 кВ, режима работы потребителей электроэнергии с присоединенной мощностью свыше 670кВт, наличия центрального отопления и горячего (холодного) водоснабжения в отдельных
трансляция

населенных пунктах, а также особенности поведения применяемой функции активации вблизи границ области её определения при нормализации данных.
2. Применение усовершенствованной нейросетевой модели и методики формирования обучающей выборки позволило снизить среднюю ошибку краткосрочного прогнозирования почасового электропотребления группы точек поставки гарантирующего поставщика на тестовых данных с 1,5 % до 1,1 % по сравнению с ошибкой прогноза, полученного с помощью известной модели, учитывающей исключительно факторы времени и метеорологических условий.
3. На основании вычислительных экспериментов с обучающей выборкой определена оптимальная конфигурация ансамбля нейронных сетей, который в связи с учетом дополнительных факторов содержит более 220 тысяч оптимизируемых параметров. В данном исследовании в целях борьбы с переобучением на алгоритмическом уровне предусмотрены ранняя остановка обучающего цикла после достижения требуемой точности прогнозирования, а также применение адаптивного оптимизатора свободных параметров нейросети. Применение метода адаптивной инерции Adam для оптимизации свободных параметров ансамбля нейронных сетей позволило снизить среднюю ошибку прогнозирования на тестовых данных с 4,4 % до 1,2 % относительно ошибки прогноза нейросети, оптимизируемой с помощью метода стохастического градиентного спуска.
4. В ходе сравнительного анализа установлено, что применение ансамблевого нейросетевого метода и алгоритма краткосрочного прогнозирования электропотребления позволило снизить среднюю ошибку прогнозирования на ретроспективных данных с 3,0 % до 1,1 % относительно ошибки прогноза, полученного с помощью многослойного персептрона, а также снизить среднегодовую ошибку прогнозирования на фактических данных с 2,6 % до 2,4 % по отношению к ошибке прогноза, полученного с помощью метода экспертных оценок.
5. Увеличение точности краткосрочного прогнозирования электропотребления, в свою очередь, привело к увеличению годового экономического эффекта от оборота электроэнергии для гарантирующего поставщика и конечных потребителей на 1 млн. 442 тыс. рублей.
Результаты диссертационной работы представляют интерес для ученых и специалистов в области повышения точности прогнозирования электрических нагрузок, разработки интеллектуальных методов прогнозирования временных рядов и оптимизации параметров нейронных сетей.
Перспективными направлениями развития исследования являются совершенствование методики учета влияния фактора естественной освещенности на почасовое электропотребление, а также разработка алгоритма присваивания коэффициентов доверия отдельным прогнозным нейросетевым моделям в ансамбле.

Актуальность темы исследования. В настоящее время на территории
Российской Федерации (РФ) функционирует двухуровневый оптовый и розничный
рынок электроэнергии и мощности. Основы функционирования
электроэнергетического рынка регламентируются Федеральным законом от
26 марта 2003 г. № 35-ФЗ «Об электроэнергетике». На уровне оптового рынка
электроэнергии и мощности (ОРЭМ) происходит торговля электрической энергией
и мощностью между крупными производителями и покупателями электроэнергии.
Около 80 % объемов электроэнергии на ОРЭМ реализуется с помощью
конкурентных рыночных механизмов: «рынка на сутки вперед» (РСВ) и
«балансирующего рынка» (БР).
В соответствии с Постановлением правительства РФ от 27 декабря 2010 г.
№ 1172 «Об утверждении правил оптового рынка электрической энергии и
мощности» покупка электроэнергии на РСВ предполагает краткосрочное
прогнозирование собственного почасового электропотребления. Результаты
данного прогноза используются инфраструктурными организациями ОРЭМ при
формировании торгового и диспетчерского графика производства и потребления
электроэнергии. Ошибки прогнозирования электропотребления затрудняют
оптимизацию режима функционирования энергосистемы, что, в свою очередь,
приводит к необоснованным пускам в работу и остановам генерирующего
оборудования, выбору неоптимальной схемы электрических сетей, а также другим
негативным последствиям [1]. Торговля отклонениями фактического
электропотребления от прогнозного осуществляется на «балансирующем рынке».
Для стимулирования участников ОРЭМ придерживаться собственных прогнозов,
цена электрической энергии на БР отличается от цены на РСВ в сторону
увеличения затрат. В 2020-м году на территории Алтайского края среднегодовая
разница узловых цен БР и РСВ составила 15,3 %.
Гарантирующие поставщики электроэнергии (ГП) являются одновременно
участниками оптового и розничного рынка электроэнергии (РРЭ), осуществляя
покупку необходимых объемов электрической энергии на ОРЭМ с помощью
зарегистрированных за ними групп точек поставки (ГТП), для последующей ее
реализации конечным потребителям на РРЭ. Одним из основных факторов при
расчете цены на электроэнергию для конечных потребителей является стоимость
ее покупки на ОРЭМ. Некачественный прогноз электропотребления, помимо
убытков для ГП, приводит к увеличению цены для конечных потребителей. В
условиях свободы выбора поставщика электроэнергии данное обстоятельство
чревато для гарантирующего поставщика потерей клиентской базы. На основании
вышеизложенного можно констатировать, что точность краткосрочного
прогнозирования почасового электропотребления является важнейшим аспектом
эффективной работы гарантирующих поставщиков в условиях
электроэнергетического рынка.
В связи с необходимостью учета большого количества факторов, в том числе
случайного характера, задача краткосрочного прогнозирования почасового
электропотребления ГТП ГП является слабоформализуемой [2]. Стандартные
методы прогнозирования временных рядов, основанные на инструментах
математической статистики, не позволяют достичь высокой точности
краткосрочного прогнозирования электрических нагрузок. В настоящее время
в соответствии с Указом Президента РФ от 10 октября 2019 г. № 490 «О развитии
искусственного интеллекта в Российской Федерации» [3] для решения
слабоформализуемых задач прогнозирования электропотребления всё чаще
используются методы искусственного интеллекта, такие как искусственные
нейронные сети, в том числе с применением глубокого обучения.
Степень разработанности темы исследования. Проблеме моделирования и
прогнозирования электрических нагрузок с помощью инструментов
математической статистики и искусственного интеллекта посвятили множество
научных трудов отечественные и зарубежных ученые, такие как И.Е. Васильева,
И.И. Надтока, Б.М. Аль Зихери, Р.Н. Хамитов, А.С. Грицай, В.З. Манусов,
П.В. Матренин, В.И. Гнатюк, Б.И. Кудрин, О.Р. Кивчун, О.С. Поппель,
И.М. Кирпичникова, С.Г. Обухов, К.В. Соломахо, В.Г. Курбацкий, В.А. Бугаец,
Б.И. Макоклюев, В.И. Пантелеев, В.И. Доманов, А.И. Биланова, A. Rahmana,
V. Srikumar, P.C. Gupta, J. Reynolds, M.S. Chen и др. За последние годы проведено
большое количество исследований по тематике краткосрочного прогнозирования и
моделирования электрических нагрузок. Ниже приведены некоторые из них:
Аль Зихери Б. М. разработал модель краткосрочного прогнозирования
потребления электроэнергии региона, основанную на методе опорных векторов и
роя частиц (специальность 05.14.02) 2015 г. [4];
Соломахо К. В. разработала модель прогнозирования потребления
электроэнергии энергосбытовой компании на основе метода анализа главных
компонент (специальность 05.09.03) 2015 г. [5];
Махмуд Омар Шукур Махмуд предложил метод прогнозирования
электрических нагрузок, основанный на нейронечеткой модели (специальность
05.13.01) 2017 г. [6];
Грицай А. С. разработал гибридную модель краткосрочного
прогнозирования потребления электроэнергии на основе синусоидальной
функции, параметры которой находятся с использованием аппарата искусственных
нейронных сетей (специальность 05.09.03) 2017 г. [7];
Матренин П. В. разработал адаптивный метод оптимизации потерь активной
мощности на основе методов роевого интеллекта (специальность 05.13.01)
2018 г. [8].
Несмотря на большое количество существующих моделей электрических
нагрузок, данные модели не учитывают ряд факторов, оказывающих значительное
влияние на потребление электроэнергии ГТП ГП:
– запаздывание изменений электропотребления по отношению к изменениям
температуры наружного воздуха;
– отключения питающего электросетевого оборудования напряжением 6–
110 кВ;
– режим работы потребителей электроэнергии с присоединенной мощностью
свыше 670 кВт;
– наличие центрального отопления и горячего (холодного) водоснабжения в
населенных пунктах, питающихся от данной ГТП.
В связи с учетом дополнительных факторов остаются открытыми вопросы
выбора метода и алгоритма краткосрочного прогнозирования электропотребления
ГТП ГП. На сегодняшний день передовые позиции при решении задач
прогнозирования электрических нагрузок занимают методы искусственного
интеллекта, такие как глубокие сверточные и рекуррентные нейросети [9]. Однако
глубокие нейросетевые модели, имеющие большое количество оптимизируемых
параметров, сильнее подвержены эффектам переобучения и затормаживания
рабочей точки алгоритма обучения нейросети в локальных минимумах на
поверхности ошибки. Стандартные средства борьбы с переобучением, такие как
случайное прореживание синаптических связей (Dropout) [10] и пакетная
нормализация входных данных (Batchnormalization) [11], не позволяют добиться
увеличения точности краткосрочного прогнозирования почасового
электропотребления ГТП ГП. Действенными способами снижения эффекта
переобучения и улучшения сходимости алгоритма обучения глубоких нейронных
сетей являются объединение нескольких нейросетей в ансамбль, применение
адаптивных оптимизаторов свободных параметров ИНС, а также ранняя остановка
алгоритма обучения нейросети после достижения требуемой точности
прогнозирования.
Объект исследования – процесс электропотребления группы точек поставки
гарантирующего поставщика.
Предмет исследования – методы и алгоритмы краткосрочного
прогнозирования почасового электропотребления группы точек поставки
гарантирующего поставщика с учетом основных влияющих факторов.
Цель работы. Целью диссертационной работы является повышение
эффективности работы гарантирующих поставщиков в условиях рынка
электрической энергии за счет повышения точности краткосрочного
прогнозирования почасового электропотребления.
Задачи исследования:
1. Выполнить анализ факторов, влияющих на объемы почасового
электропотребления ГТП ГП и разработать методику формирования обучающей
выборки данных, учитывающей наиболее значимые факторы.
2. Усовершенствовать нейросетевую модель и метод краткосрочного
прогнозирования почасового электропотребления ГТП ГП путем объединения в
ансамбль нескольких глубоких нейронных сетей, а также оптимизировать
конфигурацию нейросетевых моделей на основании вычислительных
экспериментов с обучающей выборкой данных.
3. Разработать алгоритм краткосрочного прогнозирования почасового
электропотребления ГТП ГП с применением адаптивного оптимизатора свободных
параметров, а также средств снижения эффекта переобучения нейросети.
4. Выполнить сравнительный анализ точности краткосрочного
прогнозирования почасового электропотребления ГТП ГП, полученного с
помощью разработанного ансамблевого нейросетевого метода, одиночных
нейронных сетей, а также метода экспертных оценок на фактических и
ретроспективных данных.
5. Произвести оценку экономического эффекта, получаемого
гарантирующим поставщиком и конечными потребителями от увеличения
точности краткосрочного прогнозирования электропотребления.
Научная новизна диссертационной работы. В диссертационной работе
получены следующие результаты, обладающие научной новизной:
1. Методика формирования обучающей выборки данных, отличающаяся
учетом дополнительных факторов: инерционности изменений электропотребления
по отношению к изменениям температуры наружного воздуха, отключений
питающего электросетевого оборудования напряжением 6–110 кВ, режима работы
потребителей электроэнергии с присоединенной мощностью свыше 670 кВт,
наличия центрального отопления и горячего (холодного) водоснабжения в
отдельных населенных пунктах, а также особенностей поведения применяемой
функции активации вблизи границ области её определения при нормализации
данных, что позволяет повысить точность прогнозирования почасового
электропотребления ГТП ГП с помощью нейросетевых моделей.
2. Усовершенствованная нейросетевая модель и метод краткосрочного
прогнозирования почасового потребления электроэнергии группы точек поставки
гарантирующего поставщика, позволяющие снизить ошибку прогнозирования
электропотребления на ретроспективных данных с 3,0 % до 1,1 % относительно
ошибки прогноза, полученного с помощью многослойного персептрона, а также на
фактических данных с 2,6 % до 2,4 % по отношению к ошибке прогноза,
полученного с помощью метода экспертных оценок, отличительной особенностью
которых является применение ансамбля персептронной, одномерной и двухмерной
сверточных сетей, а также рекуррентной нейронной сети, оптимальная
конфигурация которого определена на основании вычислительных экспериментов
с обучающей выборкой данных.
3. Алгоритм краткосрочного прогнозирования почасового
электропотребления ГТП ГП, отличающийся использованием адаптивного
оптимизатора свободных параметров нейросетевой модели и позволяющий
снизить эффект переобучения за счет остановки обучающего цикла нейросети
после достижения требуемой точности прогнозирования на тестовых данных.
Новизна технического решения алгоритма подтверждается свидетельством о
государственной регистрации программы ЭВМ № 2021616729.
Основные положения, выносимые на защиту:
1. Методика формирования обучающей выборки, учитывающая наиболее
значимые влияющие факторы.
2. Усовершенствованная нейросетевая модель и метод краткосрочного
прогнозирования почасового электропотребления ГТП ГП, основанные на
применении ансамбля персептронной, одномерной и двухмерной сверточных, а
также рекуррентной нейронных сетей.
3. Алгоритм краткосрочного прогнозирования почасового
электропотребления ГТП ГП с применением адаптивного оптимизатора свободных
параметров и ранней остановки обучающего цикла нейронной сети.
Достоверность полученных результатов диссертационной работы
обеспечивается корректным применением методов теории машинного обучения,
математического анализа и моделирования, а также обоснованной методикой
постановки эксперимента, отбора и обработки экспериментальных данных.
Апробация нейросетевого метода алгоритма краткосрочного прогнозирования
потребления электроэнергии ГТП ГП производилась путем сравнения прогнозных
и фактических данных о почасовом электропотреблении группы точек поставки
электроэнергии, полученных с помощью автоматизированной информационно-
измерительной системы коммерческого учета электроэнергии с классом точности
0,5 S, имеющей свидетельство о поверке средств измерений Федерального
агентства по техническому регулированию и метрологии (Росстандарт) и
отвечающей требованиям регламентов ОРЭМ.
Практическая ценность результатов исследований заключается в:
– увеличении годового экономического эффекта от оборота электроэнергии,
получаемого гарантирующим поставщиком и конечными потребителями в
результате увеличения точности краткосрочного прогнозирования
электропотребления на 1 млн. 442 тыс. рублей;
– разработке программного обеспечения, предназначенного для
краткосрочного прогнозирования почасового электропотребления «Прогноз ГТП
ГП», на которое получено свидетельство о государственной регистрации программы
ЭВМ от 26.04.2021 № 2021616729.
Реализация результатов работы. Результаты данной диссертационной
работы внедрены в производственный процесс АО «Алтайкрайэнерго», что
подтверждается актом внедрения её результатов от 18.01.2021 г., а также в учебный
процесс подготовки студентов по направлению подготовки 13.04.02
«Электроэнергетика и электротехника» Алтайского государственного
технического университета им И.И. Ползунова, что подтверждается актом от
08.02.2021 г.
Соответствие диссертации паспорту научной специальности.
Исследование, проводимое в рамках диссертационной работы, соответствует
следующим пунктам паспорта научной специальности ВАК РФ 05.13.01 –
«Системный анализ, управление и обработка информации» (в соответствии с новой
номенклатурой научных специальностей 2.3.1 – Системный анализ, управление и
обработка информации):
Пункт 4 «Разработка методов и алгоритмов решения задач системного
анализа, оптимизации, управления, принятия решений и обработки
информации»:
 разработаны методика формирования обучающей выборки данных на
основе ретроспективной информации о электропотреблении и величине наиболее
значимых факторов, а также алгоритм краткосрочного прогнозирования
почасового электропотребления ГТП ГП с применением адаптивного
оптимизатора свободных параметров нейронной сети;
Пункт 11 «Методы и алгоритмы прогнозирования и оценки
эффективности, качества и надежности сложных систем»:
 усовершенствована нейросетевая модель и метод краткосрочного
прогнозирования почасового электропотребления ГТП ГП за счет применения
ансамбля глубоких нейронных сетей, позволяющие снизить ошибку
прогнозирования.
Методы исследования. Для решения задач диссертационной работы
использованы методы системного анализа, искусственного интеллекта,
регрессионного и корреляционного анализа, а также статистической обработки
результатов экспериментов. Математическое моделирование и прогнозирование
производилось с помощью библиотеки машинного обучения Keras на языке
программирования Python 3.6.
Апробация работы. Основные положения и результаты диссертационной
работы докладывались и обсуждались на:
– V Международной научно-технической конференции «Проблемы
машиноведения», секция «Информационные технологии и интеллектуальные
системы управления в энергетике» (Омск: ОмГТУ, 2021 г.);
– Всероссийской научной конференции студентов, магистрантов, аспирантов
«Актуальные вопросы энергетики» (Омск: ОмГТУ, 2020, 2021 гг.);
– IV Международной научно-практической конференции «Модернизация и
инновационное развитие топливно-энергетического комплекса» (Санкт-
Петербург: Санкт-Петербургский филиал научно-исследовательского центра
«Машиноcтроение», 2018 г.);
– IV-ой российской молодежной научной школе-конференции «Энергетика,
электромеханика и энергоэффективные технологии глазами молодежи» (Томск:
ТПУ, 2016 г.);
– 20-ой Международной научно-практической конференции
«Фундаментальная наука и технологии – перспективные разработки». (North
Charleston: Издательский дом «Академический», 2019 г.);
– 13-ой, 14-ой, 15-ой, 16-ой Всероссийской научно-технической конференции
студентов, аспирантов и молодых ученых «Наука и молодежь» (Барнаул: АлтГТУ,
2016, 2017, 2018, 2019 гг.);
– VI, VIII, IX Всероссийской научно-практической конференции с
международным участием «Современная техника и технологии: проблемы,
состояние и перспективы» (Рубцовск: РИИ, 2016, 2018, 2019 гг.).
Публикации. По теме исследования опубликовано 20 печатных работ, из них
3 статьи в журналах, входящих в перечень рекомендованных изданий ВАК по
специальности 05.13.01 «Системный анализ, управление и обработка
информации», 1 работа в изданиях, индексируемых в международных базах Web of
Science и Scopus, 16 работ в иных изданиях. Получено свидетельство о
государственной регистрации программы для ЭВМ от 26.04.2021 г. № 2021616729.
Личный вклад соискателя. Основные положения диссертационной работы
разработаны автором лично. Автору принадлежит постановка цели и задач
исследования, выбор методов исследования, получение и анализ всех
статистических данных, разработка нейросетевой модели, метода и алгоритма
краткосрочного прогнозирования потребления электроэнергии группы точек
поставки гарантирующего поставщика, создание программного обеспечения
краткосрочного прогнозирования электропотребления, а также методики
формирования обучающей выборки данных. Личный вклад автора в публикациях,
опубликованных в соавторстве, оценивается на уровне 75–85 %.
Структура и объем диссертации. Диссертация состоит из введения, 4 глав,
заключения, списка литературы, включающего 124 наименований, и приложений.
Работа изложена на 169 листах машинописного текста (включая список
литературы), содержит 60 рисунков, 13 таблиц. Общий объем приложений – 6
страниц машинописного текста.

В диссертационной работе изложены научно-технические решения,
направленные на повышение эффективности работы гарантирующих поставщиков
в условиях рынка электроэнергии за счет повышения точности краткосрочного
прогнозирования почасового электропотребления группы точек поставки
гарантирующего поставщика, внедрение которых вносит значительный вклад в
развитие электроэнергетической отрасли и страны в целом.
1. В ходе проведенного анализа установлено, что методика формирования
выборки данных, необходимой для обучения и тестирования интеллектуальных
алгоритмов краткосрочного прогнозирования почасового электропотребления
группы точек поставки гарантирующего поставщика, должна учитывать
дополнительные факторы инерционности изменений электропотребления по
отношению к изменениям температуры воздуха, отключений электросетевого
оборудования напряжением 6–110 кВ, режима работы потребителей
электроэнергии с присоединенной мощностью свыше 670 кВт, наличия
центрального отопления и горячего (холодного) водоснабжения в отдельных
населенных пунктах, а также особенности поведения применяемой функции
активации вблизи границ области её определения при нормализации данных.
2. Применение усовершенствованной нейросетевой модели и методики
формирования обучающей выборки позволило снизить среднюю ошибку
краткосрочного прогнозирования почасового электропотребления группы точек
поставки гарантирующего поставщика на тестовых данных с 1,5 % до 1,1 % по
сравнению с ошибкой прогноза, полученного с помощью известной модели,
учитывающей исключительно факторы времени и метеорологических условий.
3. На основании вычислительных экспериментов с обучающей выборкой
определена оптимальная конфигурация ансамбля нейронных сетей, который в
связи с учетом дополнительных факторов содержит более 220 тысяч
оптимизируемых параметров. В данном исследовании в целях борьбы с
переобучением на алгоритмическом уровне предусмотрены ранняя остановка
обучающего цикла после достижения требуемой точности прогнозирования, а
также применение адаптивного оптимизатора свободных параметров нейросети.
Применение метода адаптивной инерции Adam для оптимизации свободных
параметров ансамбля нейронных сетей позволило снизить среднюю ошибку
прогнозирования на тестовых данных с 4,4 % до 1,2 % относительно ошибки
прогноза нейросети, оптимизируемой с помощью метода стохастического
градиентного спуска.
4. В ходе сравнительного анализа установлено, что применение
ансамблевого нейросетевого метода и алгоритма краткосрочного прогнозирования
электропотребления позволило снизить среднюю ошибку прогнозирования на
ретроспективных данных с 3,0 % до 1,1 % относительно ошибки прогноза,
полученного с помощью многослойного персептрона, а также снизить
среднегодовую ошибку прогнозирования на фактических данных с 2,6 % до 2,4 %
по отношению к ошибке прогноза, полученного с помощью метода экспертных
оценок.
5. Увеличение точности краткосрочного прогнозирования
электропотребления, в свою очередь, привело к увеличению годового
экономического эффекта от оборота электроэнергии для гарантирующего
поставщика и конечных потребителей на 1 млн. 442 тыс. рублей.
Результаты диссертационной работы представляют интерес для ученых и
специалистов в области повышения точности прогнозирования электрических
нагрузок, разработки интеллектуальных методов прогнозирования временных
рядов и оптимизации параметров нейронных сетей.
Перспективными направлениями развития исследования являются
совершенствование методики учета влияния фактора естественной освещенности
на почасовое электропотребление, а также разработка алгоритма присваивания
коэффициентов доверия отдельным прогнозным нейросетевым моделям в
ансамбле.
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

ИНС – искусственная нейронная сеть
MLP – многослойный персептрон (multilayer perceptron)
CNN – сверточная нейронная сеть (convolutional neural network)
LSTM – рекуррентная нейронная сеть типа долго-краткосрочной памяти
(long-short term memory)
MAPE – средняя абсолютная ошибка в процентах (mean absolute percentage
error)
Adam – метод адаптивной инерции (adaptive momentum estimation)
SGD – стохастический градиентный спуск (stochastic gradient descent)
ОРЭМ – оптовый рынок электроэнергии и мощности
РСВ – «рынок на сутки вперед»
БР – «Балансирующий рынок»
ЕЭС – Единая энергосистема России
ГП – гарантирующий поставщик электроэнергии
ГТП – группа точек поставки электроэнергии
STLF – краткосрочное прогнозирование электрической нагрузки (short-term
load forecasting)
СГЭН – суточный график электрической нагрузки

Заказать новую

Лучшие эксперты сервиса ждут твоего задания

от 5 000 ₽

Не подошла эта работа?

Закажи новую работу, сделанную по твоим требованиям

Публикации автора в научных журналах

Применение ансамбля глубоких нейронных сетей в задачах краткосрочного прогнозирования почасового электропотребления гарантирующего поставщика электроэнергии

Электротехнические системы и комплексы. – 2– No 2(51). – С. 52-– DOI: 18503/2311-8318-2021-2(51)- 52

✍️ Журнал

ЭЛЕКТРОТЕХНИЧЕСКИЕ СИСТЕМЫ И КОМПЛЕКСЫ

Особенности формирования обучающей выборки данных при краткосрочном прогнозировании электропотребления гарантирующего поставщика с помощью инструментов глубоких нейронных сетей

С. О. Хомутов, Н. А. Серебряков // Вестник Череповецкого государственного университета. – 2– No 5 (104). – С. 46–– DOI: 23859/1994-0637-2021-5-104

✍️ Журнал

ВЕСТНИК ЧЕРЕПОВЕЦКОГО ГОСУДАРСТВЕННОГО УНИВЕРСИТЕТА

#ВАК РФ

#РИНЦ

Анализ факторов, влияющих на совокупное электропотребление гарантирующего поставщика

Вестник Иркутского государственного технического университета. – 2– Т. – No – С. 366–– DOI : https://doi.org/21285/1814-3520-2020-2-366

Повышение качества краткосрочного прогнозирования электропотребления группы точек поставки электроэнергии сельхозпроизводителей с помощью инструментов машинного обучения

С.О. Хомутов, Н.А. Серебряков // Научный вестник НГТУ. – 2– No 3 (76). –С. 149–– DOI: 17212/1814-1196-2019-3-149

Повышение точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующих поставщиков второго уровня

С.О. Хомутов, В.И. Сташко, Н.А. Серебряков // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2– Т. – No – С. 128–DOI: 18799/24131830/2020/6/2

Применение адаптивного ансамблевого нейросетевого метода для краткосрочного прогнозирования электропотребления электротехнического комплекса районных электрических сетей

Омскийнаучный вестник. – 2– No 1 (175). – С. 39–– DOI: 25206/1813-8225- 2021-175-39

Помогаем с подготовкой сопроводительных документов

Совместно разработаем индивидуальный план и выберем тему работы Подробнее

Помощь в подготовке к кандидатскому экзамену и допуске к нему Подробнее

Поможем в написании научных статей для публикации в журналах ВАК Подробнее

Структурируем работу и напишем автореферат Подробнее

Хочешь уникальную работу?

Больше 3 000 экспертов уже готовы начать работу над твоим проектом!

Добрый день, работаю в сфере написания студенческих работ более 7 лет. Всегда довожу своих студентов до защиты с хорошими и отличными баллами (дипломы, магистерские ди... Читать все

Добрый день, работаю в сфере написания студенческих работ более 7 лет. Всегда довожу своих студентов до защиты с хорошими и отличными баллами (дипломы, магистерские диссертации, курсовые работы средний балл - 4,5). Всегда на связи!

#Кандидатские #Магистерские

138 Выполненных работ

Мне нравится изучать все новое, постоянно развиваюсь. Могу написать и диссертацию и кандидатскую. Есть опыт в различных сфера деятельности (туризм, экономика, бухучет... Читать все

Мне нравится изучать все новое, постоянно развиваюсь. Могу написать и диссертацию и кандидатскую. Есть опыт в различных сфера деятельности (туризм, экономика, бухучет, реклама, журналистика, педагогика, право)

#Кандидатские #Магистерские

39 Выполненных работ

Работаю на сайте четвертый год. Действующий преподаватель вуза. Основные направления: микробиология, биология и медицина. Написано несколько кандидатских, магистерских... Читать все

#Кандидатские #Магистерские

566 Выполненных работ

Пишу дипломы, курсовые, диссертации по праву, а также истории и педагогике. Закончила исторический факультет ВГПУ. Имею высшее историческое и дополнительное юридическо... Читать все

Пишу дипломы, курсовые, диссертации по праву, а также истории и педагогике. Закончила исторический факультет ВГПУ. Имею высшее историческое и дополнительное юридическое образование. В данный момент работаю преподавателем.

#Кандидатские #Магистерские

25 Выполненных работ

Работаю только по книгам, учебникам, статьям и диссертациям. Никогда не использую технические способы поднятия оригинальности. Только авторские работы. Стараюсь учитыв... Читать все

Работаю только по книгам, учебникам, статьям и диссертациям. Никогда не использую технические способы поднятия оригинальности. Только авторские работы. Стараюсь учитывать все требования и пожелания.

#Кандидатские #Магистерские

213 Выполненных работ

Здравствуйте! Опыт написания работ более 12 лет. За это время были успешно защищены более 2 500 написанных мною магистерских диссертаций, дипломов, курсовых работ. Явл... Читать все

Здравствуйте! Опыт написания работ более 12 лет. За это время были успешно защищены более 2 500 написанных мною магистерских диссертаций, дипломов, курсовых работ. Являюсь действующим преподавателем одного из ВУЗов.

#Кандидатские #Магистерские

177 Выполненных работ

Мой опыт в написании работ - 9 лет. Я специализируюсь на написании курсовых работ, ВКР и магистерских диссертаций, также пишу научные статьи, провожу исследования и со... Читать все

Мой опыт в написании работ - 9 лет. Я специализируюсь на написании курсовых работ, ВКР и магистерских диссертаций, также пишу научные статьи, провожу исследования и создаю красивые презентации. Сопровождаю работы до сдачи, на связи 24/7 ?

#Кандидатские #Магистерские

359 Выполненных работ

Более 5 лет помогаю в написании работ от простых учебных заданий и магистерских диссертаций до реальных бизнес-планов и проектов для открытия своего дела. Имею два об... Читать все

Более 5 лет помогаю в написании работ от простых учебных заданий и магистерских диссертаций до реальных бизнес-планов и проектов для открытия своего дела. Имею два образования: экономист-менеджер и маркетолог. Буду рада помочь и Вам.

#Кандидатские #Магистерские

55 Выполненных работ

Более 40 лет занимаюсь преподавательской деятельностью. Специалист в области философии, логики и социальной работы. Кандидатская диссертация - по логике, докторская - ... Читать все

Более 40 лет занимаюсь преподавательской деятельностью. Специалист в области философии, логики и социальной работы. Кандидатская диссертация - по логике, докторская - по социальной работе.

#Кандидатские #Магистерские

260 Выполненных работ