44
ЭНЕРГО
СНАБЖЕНИЕ
Повышение эффективности
почасового прогнозирования
электропотребления с помощью
моделей машинного обучения на
примере Иркутской энергосистемы.
Часть 1
УДК 621.311: 004.855
Решение
задачи
почасового
прогнозирования
электропотребления
(
ЭП
)
значительно
усложняется
при
постоянном
действии
различных
«
нерегулярных
»
эффектов
(
метео
–
факторы
,
тяговая
нагрузка
,
праздники
,
плохие
данные
и
пр
.),
влияние
которых
в
регио
–
нальных
диспетчерских
управлениях
(
филиалах
АО
«
СО
ЕЭС
»)
пытаются
нивелировать
фактически
в
ручном
режиме
,
полагаясь
на
эмпирический
опыт
сотрудников
.
Такой
подход
часто
приводит
к
увеличению
ошибок
суточного
прогноза
ЭП
и
,
как
следствие
,
дополнительным
издержкам
для
АО
«
СО
ЕЭС
».
В
статье
предлагается
методология
повы
–
шения
эффективности
почасового
прогноза
ЭП
на
базе
моделей
машинного
обучения
,
позволяющая
автоматизировать
задачу
коррекции
моделей
и
повысить
точность
про
–
гноза
,
прежде
всего
в
условиях
действия
«
нерегулярных
»
эффектов
.
Эффективность
предложенного
подхода
продемонстрирована
на
примере
реальных
данных
района
Восточных
электрических
сетей
Иркутской
ЭЭС
.
Результаты
прогноза
на
базе
моделей
машинного
обучения
сравниваются
с
данными
корпоративного
программного
обеспече
–
ния
,
используемого
АО
«
СО
ЕЭС
.
Томин
Н
.
В
.,
к.т.н., старший научный
сотрудник, заведующей
лабораторией управления
функционированием
электроэнергетических
систем ИСЭМ СО РАН
Корнилов
В
.
Н
.,
заместитель главного
диспетчера по режиму
филиала АО «СО ЕЭС» —
Иркутское РДУ
Курбацкий
В
.
Г
.,
д.т.н., профессор, главный
научный сотрудник ИСЭМ
СО РАН
Ключевые
слова
:
прогнозирование,
электропотребление,
электроэнергетическая
система, машинное
обучение, глубокие
рекуррентные нейросети
П
рогнозирование электропотребления (ЭП) является важной
задачей как для субъектов электроэнергетики, так и для круп-
ных потребителей электроэнергии [1]. Крупные потребители
сталкиваются с необходимостью составления заявок пла-
нируемого объема ЭП, а отклонения последующего реального ЭП от
ранее заявленного ведет к появлению штрафных санкций со стороны
оптового рынка. В свою очередь, производители электроэнергии заин-
тересованы в прогнозировании спроса на электроэнергию для опера-
тивного реагирования на его колебания с целью оптимального разви-
тия инфраструктуры.
Наиболее сложной и актуальной задачей является почасовое про-
гнозирование ЭП, что крайне важно для успешного решения задач
оптимизации генерирующих мощностей, минимизации потерь элек-
троэнергии, диспетчерского управления, оценки надежности электро-
снабжения и т.д. Задача точного почасового прогнозирования ЭП важ-
на не только сама по себе, но особую важность она приобретает при
прогнозировании режимов на сутки вперед, при выполнении которых
происходит уточнение необходимого состава включенного генерирую-
щего оборудования, а также проверка пределов пропускной способно-
сти контролируемых сечений, величин межсистемных перетоков и свя-
занное с этим определение необходимого графика генерации станций
субъектов оптового рынка с соблюдением всех необходимых режим-
ных и станционных ограничений. В конечном итоге такие прогнозы поз-
воляют оптимизировать денежные затраты на электроэнергию и рас-
ход топлива или воды при генерации.
45
В России особая функция почасового прогно-
зирования ЭП в масштабах единого субъекта фе-
дерации выполняется Системным оператором,
филиалами АО «СО ЕЭС» — региональными дис-
петчерскими управлениями (РДУ) с применением
корпоративного программного обеспечения «Про-
граммное обеспечение иерархической системы
прогнозирования ЭП для планирования режимов
ЕЭС» (ПО ИСП), разработанного ООО «Энер-
гостат» [2]. При этом существующие рыночные
принципы управления [3], слабая наблюдаемость
электрических сетей, постоянно присутствующий
человеческий фактор в задаче диспетчеризации
определяют особую значимость математических
и программных моделей краткосрочного прогнози-
рования ЭП (КПЭП). Как правило, отклонение в ЭП
более 4% от запланированного ведет к дополни-
тельным издержкам.
Ситуация осложняется необходимостью привяз-
ки используемого метода прогнозирования к кон-
кретным реальным условиям, в том числе, к по-
стоянно действующим «нерегулярным» эффектам
(метеофакторы, тяговая нагрузка, праздники, пло-
хие данные и пр.), которые часто корректируются
диспетчерским центром в ПО ИСП в «ручном ре-
жиме». Такой подход позволяют получить приемле-
мые по точности прогнозы лишь при относительно
«благоприятных условиях», когда действие нерегу-
лярных эффектов минимально. В результате спе-
циалисты различных РДУ «СО ЕЭС» оказываются
перед непростой задачей составления достоверно-
го прогноза ЭП в условиях неполноты и неопреде-
ленности исходной информации (условий).
Возникающие трудности в прогнозных задачах
удалось преодолеть моделям на основе алгорит-
мов машинного обучения за счет лучших аппрок-
симирующих и адаптивных способностей [4, 5].
Основным их отличием от классических алгорит-
мических подходов является то, что такие модели
автоматически обучаются на примерах. При этом
прогнозная модель обучается «делать выводы»
без человеческой помощи на основе полученного
опыта в процессе обучения и оригинальных спо-
собностей к обобщению (работа с новыми дан-
ными). Такой подход позволяет в значительной
степени автоматизировать процесс прогнозирова-
ния ЭП, а также повысить точность предсказания,
даже в условиях действия стохастических нерегу-
лярных факторов.
В статье предлагается методологический под-
ход на основе современных моделей машинного
обучения для повышения эффективности КПЭП
в условиях действия нерегулярных факторов. Раз-
работанный подход реализован в виде программ-
ного обеспечения (ПО) на языке Python с целью
исследования и тестирования моделей машинного
обучения, в том числе глубоких нейросетей с дол-
гой краткосрочной памятью (англ. Long Short-Term
Memory, LSTM), для снижения ошибок почасового
прогноза ЭП и автоматизации этой процедуры на
примере работы филиала АО «СО ЕЭС» — Иркут-
ское РДУ.
СУЩЕСТВУЮЩАЯ
ФУНКЦИОНАЛЬНАЯ
СХЕМА
ФОРМИРОВАНИЯ
ПРОГНОЗА
В
ФИЛИАЛАХ
РДУ
АО
«
СО
ЕЭС
»
1.
Общая
постановка
задачи
.
На первом этапе
производится запуск модуля статистического про-
гноза. В результате работы модуля формируются
прогнозы ЭП на период соответствующего цикла
планирования. В ПО ИСП используются следую-
щие модели статистического прогнозирования:
– модель прогнозирования ИСП с учетом сезон-
ности и метеофакторов;
– модель предыдущего среднего дня с учетом
метеофакторов.
При этом прогноз ЭП выполняется с учетом про-
гноза метеофакторов, полученного из Гидромет-
центра России, а если данные отсутствуют, то для
их формирования используется статистическая мо-
дель прогноза метеофакторов на основе сезонной
кривой температуры и последних фактических дан-
ных. В каждом филиале РДУ АО «СО ЕЭС» прогно-
зирование осуществляется по каждой территории
операционной зоны данного филиала и всем терри-
ториям прогнозирования нижестоящих филиалов
(вплоть до энергорайонов энергосистем) [6].
Настройку моделей прогнозирования осущест-
вляет разработчик, который по определенным ме-
тодикам производит изменения настроечных ко-
эффициентов прогнозных моделей в зависимости
от прогнозной температуры окружающего возду-
ха. Ранее использовались классические методики
для среднесуточных температур, когда усредня-
лась среднесуточная температура за 3 последних
суток: для осенне-зимнего периода с весами 0.5,
0.3, 0.2; для лета — с весами 0.7, 0.2, 0.1. Одна-
ко указанное весовое классическое усреднение
среднесуточных и часовых температур недоста-
точно точно моделирует динамику при резких ко-
лебаниях температуры. Исходя из этого, возника-
ют сложности при моделировании процессов при
жаркой погоде, когда требуется учесть факт дли-
тельного сохранения высоких температур наруж-
ного воздуха. Для этого требуется использовать
большие значения параметра запаздывания. В то
же время возникают ситуации, когда необходимо
мгновенно увеличивать нагрузки кондиционирова-
ния (при температуре выше 30°С), что требует уже
низкого значения параметра запаздывания. К тому
же, в жаркую погоду, облачность может понижать
ЭП, так как улучшаются условия охлаждения ради-
аторов кондиционеров.
Согласно методике разработчика, настроеч-
ные коэффициенты подобраны из условия обес-
печения наилучшей точности прогнозирования.
Параметры запаздывания температуры опреде-
лены для осенне-зимнего периода — 23 часа, для
летнего периода — 5 часов. При этом уменьшение
запаздывания влияния температуры в использу-
емых в настоящий момент моделях может приве-
сти к снижению общей точности прогнозирования.
В определенные дни прогноз будет выполнен иде-
ально, но в другие дни может оказаться значитель-
но хуже.
№
6 (69) 2021
46
2.
Задача
прогноза
почасового
ЭП
на
примере
Иркутской
области
.
Исторически сложилось так, что,
в целом, величина прогнозного поча-
сового ЭП Иркутской области в сутки
Х-1 (то есть за сутки до начала опе-
рационных суток) определяется как
сумма прогнозов трех крупных энер-
горайонов: Иркутско-Черемховского,
Братско-Усть-Илимского и Бодайбин-
ского. Для почасового прогнозирова-
ния ЭП этих районов существует до-
статочно большой массив архивной
информации, на основании которых
созданы автоматизированные модели
прогнозирования, имеющие достаточ-
ную точность.
Годовое изменение значений ЭП
этих районов для 2016 года показано
на рисунке 1.
Как видно из приведенных гра-
фиков, используемые прогнозные
модели на основе метода «сезонных
кривых» [7] дают хорошую точность
прогноза, но имеются определенные
недостатки, выявленные в процессе
ежедневного использования данного
метода. Особенно ярко это выража-
ется в неудовлетворительной работе
моделей при достаточно резких и зна-
чительных изменениях температуры
(рисунок 2), с отклонением от средне-
статистических значений в рассма-
триваемых сутках.
Метод «сезонных кривых», осно-
ванный на корреляционном и регрес-
сионном анализе данных, позволяет
аналитически описывать колебания
нагрузки и метеофакторов в разрезе
года. Метод предполагает аддитив-
ность нагрузки:
P
(
i
) =
P
0
(
i
) +
P
сез
(
i
) +
P
(
i
) +
P
(
i
), (1)
где
i
— час суток (1÷24);
P
(
i
) — фак-
тическая нагрузка энергосистемы;
P
0
(
i
) — базовая составляющая, опре-
деляемая устойчивыми производ-
ственными циклами, суточной и не-
дельной неравномерностью графика
нагрузки;
P
сез
(
i
) — сезонная составля-
ющая (сезонная кривая), определяе-
мая сезонными колебаниями нагрузки
в разрезе года (эта составляющая об-
условлена, в первую очередь, глубоки-
ми сезонными колебаниями метеофак-
торов: температуры и освещенности);
P
(
i
) — составляющая, определяемая
нерегулярными колебаниями метео-
факторов (нерегулярными считаются
отклонения метеофакторов от устой-
чивых сезонных циклов);
P
(
i
) — оста-
точная составляющая, определяемая
влиянием неучтенных факторов.
а)
Рис
. 1.
Годовые
графики
ЭП
энергорайонов
Иркутской
области
:
а
)
по
–
часовое
ЭП
Братско
–
Усть
–
Илимского
энергорайона
;
б
)
почасовое
ЭП
Иркутско
–
Черемховского
энергорайона
;
в
)
почасовое
ЭП
Бодайбинского
энергорайона
Время, час
Прогноз X – 1
Прогноз X + 1
Температура
Факт
Время, час
Время, час
М
ощность, МВ
т
М
ощность, МВ
т
М
ощность, МВ
т
Рис
. 2.
Почасовое
ЭП
Иркутско
–
Черемховского
района
и
полученные
прогнозы
от
ПО
ИСП
на
основе
метода
сезонных
кривых
для
августа
2016
года
2800
2600
2500
2400
2300
2200
2100
2000
1900
1800
08.08.2016 01:00 08.08.2016 04:00 08.08.2016 07:00 08.08.2016 10:00 08.08.2016 13:00 08.08.2016 16:00 08.08.2016 19:00 08.08.2016 22:00 09.08.2016 01:00 09.08.2016 04:00 09.08.2016 07:00 09.08.2016 10:00 09.08.2016 13:00 09.08.2016 16:00 09.08.2016 19:00 09.08.2016 22:00 10.08.2016 01:00 10.08.2016 04:00 10.08.2016 07:00 10.08.2016 10:00 10.08.2016 13:00 10.08.2016 16:00 10.08.2016 19:00 10.08.2016 22:00 11.08.2016 01:00 11.08.2016 04:00 11.08.2016 07:00 11.08.2016 10:00 11.08.2016 13:00 11.08.2016 16:00 11.08.2016 19:00 11.08.2016 22:00 12.08.2016 01:00 12.08.2016 04:00 12.08.2016 07:00 12.08.2016 10:00 12.08.2016 13:00 12.08.2016 16:00 12.08.2016 19:00 12.08.2016 22:00 13.08.2016 01:00 13.08.2016 04:00 13.08.2016 07:00 13.08.2016 10:00 13.08.2016 13:00 13.08.2016 16:00 13.08.2016 19:00 13.08.2016 22:00 14.08.2016 01:00 14.08.2016 04:00 14.08.2016 07:00 14.08.2016 10:00 14.08.2016 13:00 14.08.2016 16:00 14.08.2016 19:00 14.08.2016 22:00
30
25
20
15
10
5
0
б)
в)
ЭНЕРГО
СНАБЖЕНИЕ
47
Для исключения влияния случайных выбросов
и получения математической модели сезонной ком-
поненты
P
сез
,
T
сез
,
Q
сез
аппроксимируются полинома-
ми Фурье:
P
сез
(
n
) =
A
0
/ 2 +
N
k
= 1
(
A
k
cos
k
n
+
A
‘
k
sin
k
n
), (2)
где
A
0
,
A
k
,
A
‘
k
— коэффициенты Фурье;
= 2
/
T
;
T
= 365;
N
— количество членов в разложении Фурье.
Оценка коэффициентов
A
0
,
A
k
,
A
‘
k
производится
с помощью метода наименьших квадратов. Поря-
док
N
определяется экспериментально постепенным
увеличением порядка полинома. В качестве критерия
для прекращения увеличения степени является про-
верка дисперсий на каждом шаге. Результатом рас-
четов является матрица коэффициентов Фурье раз-
мерностью 25 ∙ (2
N
– 1) ∙ 7. На практике оптимальная
степень полинома для описания сезонной кривой для
различных часов суток колеблется от 4 до 15.
КРАТКИЙ
ОБЗОР
ИССЛЕДОВАНИЙ
В
ОБЛАСТИ
КПЭП
В настоящее время доступность относительно боль-
шого количества энергетических данных становит-
ся триггером к развитию новых методов для задачи
КПЭП [5], решение которой наиболее актуально при
оперативном управлении интеллектуальными энер-
госистемами, микросетями и умными зданиями, по-
вышении эффективности управления спросом, опти-
мизации ЭП, накопления энергии, прогнозирования
пиковых нагрузок, снижения риска нехватки энергии
и т.д. [8].
В последние десятилетия были предложены
различные методы КПЭП, которые варьируются от
классического анализа временных рядов до совре-
менных подходов машинного обучения [9–11]. Ран-
ние методы включали экспоненциальное сглажива-
ние [12], регрессию [13], модели Бокса-Дженкинса
[14], фильтр Калмана [15], модель пространства
состояний [16], а затем методы временных рядов
[17, 18]. В частности, модели авторегрессии и экс-
поненциального сглаживания до сих пор остаются
базовыми методами для задач прогнозирования
временных рядов. В 2017 году компания Facebook
предложила собственный мощный инструмент про-
гнозирования Facebook Prophet («пророк»), в осно-
ве которого заложена аддитивная регрессионная
модель. Ряд исследований свидетельствует о хо-
рошей эффективности модели «пророка» в задаче
КПЭП [19, 20]. В частности, на примере 6-летних
данных ЭП штата Виктория, Австралия, Facebook
Prophet давала порядка 12,5% средней относитель-
ной ошибки прогноза [18]. Однако их использование
требует тщательного выбора параметра запаз-
дывающих входных данных и весовых коэффици-
ентов (как, например, ПО ИСП) для определения
правильной конфигурации модели [20]. При этом
предпринимаются попытки улучшить классические
регрессионные модели. Так в [21] предложена мо-
дель адаптивного авторегрессионного скользящего
среднего для прогнозирования ЭП на сутки и на не-
делю вперед, которая дает лучшие результаты по
сравнению с классической моделью Бокса-Джен-
кинса. Хотя такие одномерные подходы к прогнозу
временных рядов непосредственно моделируют
временную область, они страдают от «проклятия
размерности», снижения точности и требуют частой
перенастройки.
Для решения проблем классических подходов
при КПЭП были предложены методы на основе ис-
кусственного интеллекта (ИИ), такие как распозна-
вание образов [22], методы экспертных систем [23,
24], нечетких систем [25, 26], машинного обучения
[27–31]. На сегодняшний день именно машинное
обучение, включающее диапазон моделей от про-
стых линейных регрессий до сложных структур ис-
кусственных нейронных сетей (ИНС) и машин опор-
ных векторов (англ. Support Vector Machine, SVM),
является наиболее перспективным направлением
в области подходов ИИ для КПЭП [31–34]. В ряде
исследований показано, что SVM позволяют полу-
чать лучшие результаты прогноза ЭП по сравнению
с ИНС и классическими моделями авторегрессии
[32–35]. В частности, на примере данных филиала
АО «СО ЕЭС» — Ростовского РДУ модели нейро-
сетей давали погрешности 3–5%, модели SVM —
1–3% [36]. Согласно другим исследованиям [29, 30,
37], именно ИНС и деревья решений имеют значи-
тельный потенциал в задачи КПЭП. Так, в [37] ав-
торы проводят сравнительный анализ эффектив-
ности различных моделей машинного обучения
при прогнозировании ЭП в одном из энергорайонов
Гонконга. В работе собраны многочисленные дан-
ные по разным характеристикам и особенностям
отдельных потребителей электрической энергии.
Проведенные эксперименты показали, что в этом
случае модели деревьев решений дают на 1–2%
более точные прогнозы ЭП, чем модели ИНС.
Ряд исследований свидетельствует о том, что
наиболее эффективными алгоритмами прогно-
зирования среди машинного обучения на данный
момент являются алгоритмы градиентного бу-
стинга [38–41]. Под классическим бустингом (англ.
boosting — улучшение) понимается процедура по-
следовательного построения композиции алгорит-
мов машинного обучения, когда каждый следующий
алгоритм стремится компенсировать недостатки
композиции всех предыдущих алгоритмов. Гради-
ентный бустинг — частный случай бустинга, в ко-
тором ошибка минимизируется алгоритмом гради-
ентного спуска, то есть наименее верные решения
отсеиваются как можно раньше. Наиболее успеш-
ными моделями градиентного бустинга в задаче
прогнозирования являются модель экстремального
бустинга (XGBoost), LightGBM (англ. Light Gradient
Boosted Machine) и CatBoost.
Модель XGBoost является улучшением фрейм-
ворка градиентного бустинга через системную оп-
тимизацию и усовершенствование классического
алгоритма. Например, в [38] модель XGBoost была
успешно использована для прогноза ЭП на 24 часа
вперед на основе получасовых данных электри-
ческой нагрузки Австралийского системного опе-
ратора за 2017 год. В [39] авторы сообщили, что
в результате проводимого ими масштабного срав-
нительного исследования моделей машинного обу-
чения для КПЭП именно XGBoost показала наилуч-
№
6 (69) 2021
48
шие результаты при прогнозе ЭП на сутки вперед,
достигнув средней относительной ошибки 3,74%.
LightGBM — фреймворк от Microsoft [42], основ-
ное преимущество которого состоит в скорости обу-
чения на действительно больших массивах данных.
В отличие от модели XGBoost она умеет работать
с категориями, использует меньше памяти. Факти-
чески LightGBM расширяет алгоритм градиентного
бустинга, добавляя тип автоматического выбора
объектов, а также фокусируясь на примерах бустин-
га с большими градиентами. Это может привести
к резкому ускорению обучения и улучшению про-
гнозных показателей. В [40] модель LightGBM обес-
печивала лучшие результаты по сравнению с SVM
и нейросетями LSTM при прогнозе ЭП на 24 часа
вперед промышленных предприятий Китая и Ир-
ландии. CatBoost — продвинутая отечественная
библиотека градиентного бустинга от Яндекса [43]
использует «незаметные» деревья решений, где
один и тот же критерий разделения применяется на
всем уровне дерева. Такие деревья сбалансирова-
ны, менее подвержены переобучению и позволяют
значительно ускорить прогнозирование во время
тестирования. Модель CatBoost показала лучшие
результаты при прогнозе ЭП в зоне высокотехно-
логичного промышленного развития Иян (Китай)
в исследовании [41], обогнав при этом по точности
классические регрессионные модели, традицион-
ный градиентный бустинг и LSTM.
Необходимо отметить, что в целом ансамбли
деревьев решений, особенно рандомизированных
деревьев, как в методах случайного леса (англ.
Random Forest), экстра-деревьев (Extra Trees), поз-
воляют достичь наилучших результатов в зада-
че КПЭП. Например, в [44] модели Random Forest
и Extra Trees давали несколько лучшие результа-
ты 2,03% и 2,11% соответственно по сравнению
с XGBoost (2,70%) при суточном прогнозе ЭП на
собственные нужды ПС 500 кВ «Челябинская» ПАО
«ФСК ЕЭС».
В отличие от обычных структур ИНС, глубокие
нейросети представляют собой модели с более
чем одним скрытым слоем. Структура нескольких
вычислительных уровней увеличивает возможно-
сти абстрагирования возможностей ИНС, что де-
лает их более эффективными при изучении слож-
ных нелинейных зависимостей [45]. Это является
перспективным инструментом для решения задачи
КПЭП в условиях воздействия нерегулярных фак-
торов. В [46] авторы применили метод глубокого
обучения, основанный на ограниченных машинах
Больцмана (англ. Restricted
Boltzmann Machine) для про-
гнозирования бытового ЭП
в жилых микрорайонах. Ав-
торы обучили глубокие ИНС
на большой выборке реаль-
ных
исторических
данных
ЭП за семь лет и получили
значительно более точные
прогнозы в сравнении с «обыч-
ными» ИНС и SVM. В [47] была представлена но-
вая методология прогнозирования ЭП с исполь-
зованием глубоких ИНС типа LSTM, которая дала
многообещающие результаты для решения этой
задачи. Эффективность подхода на основе LSTM
для КПЭП подтверждается рядом других недавних
исследований [48, 49]. В частности, в [47] авторы
используют линейные и нелинейные алгоритмы
машинного обучения, а также генетические алго-
ритмы для оптимальной настройки модели LSTM.
Эффективность подхода подтверждается полу-
чением точных прогнозов ЭП для энергосистемы
Франции.
Отметим, что обычные ИНС плохо справляются
с последовательностями, потому что фактически не
помнят прошлые данные. Эффективным решением
стало добавление нейронам памяти, что привело
к разработке нового класса рекуррентных ИНС,
к которым в том числе относятся и LSTM. В [49] для
предсказания ЭП в различных районах г. Палермо
(Италия) использовалась рекуррентная ИНС. В ис-
следовании собраны многочисленные почасовые
данные об ЭП по отдельным районам города, а так-
же различные погодные показатели в регионе. По-
сле обработки данных в работе были определены
новые переменные на основе старых, а именно:
индекс Humidex, представляющий собой наиболее
популярную меру дискомфорта погодных условий
и вероятностный индекс HS, рассчитываемый как
индекс Humidex, только с учетом вероятности вклю-
чения термостатов у потребителей. В результате
удалось достигнуть минимальной ошибки прогноза,
равной 4%.
ГЛУБОКИЕ
НЕЙРОСЕТИ
С
ДОЛГОЙ
КРАТКОСРОЧНОЙ
ПАМЯТЬЮ
Рекуррентные нейросети — это специальный вид
ИНС, где связи между элементами образуют на-
правленную последовательность. В традиционных
нейронных сетях подразумевается, что все входы
и выходы независимы. Благодаря этому появляет-
ся возможность обрабатывать серии событий во
времени или последовательные пространствен-
ные цепочки (рисунок 3). Именно поэтому они на-
зываются рекуррентными, потому что такие ИНС
выполняют одну и ту же задачу для каждого эле-
мента последовательности, причем выход зави-
сит от предыдущих вычислений. Еще одна интер-
претация рекуррентных нейросетей — это сети,
у которых есть «память», учитывающая предше-
ствующую информацию. Теоретически такие сети
ЭНЕРГО
СНАБЖЕНИЕ
Рис
. 3.
Рекуррентная
нейронная
сеть
и
ее
развертка
(
адаптировано
из
[49])
49
могут использовать информацию в произвольно
длинных последовательностях, но на практике они
ограничены лишь несколькими шагами, что связа-
но с проб лемой исчезающего градиента.
Для решения проблемы ограничения долго-
срочной памяти были разработаны модели LSTM
[51]. В стандартных рекуррентных нейросетях по-
вторяющийся модуль будет иметь очень простую
структуру, например, такую как один слой
tanh
(ри-
сунок 4). LSTM также имеют структуру, подобную
цепочке, но повторяющийся модуль имеет уже
другую структуру. Вместо одного уровня ИНС су-
ществует четыре, взаимодействующих как это по-
казано на рисунке 5.
Ключевым компонентом в LSTM являются ячей-
ки памяти, которые можно рассматривать как чер-
ные ящики, принимающие в качестве входных дан-
ных предыдущее состояние
h
t
– 1
и текущий входной
параметр
x
t
. Внутри эти ячейки решают, какую па-
мять сохранить и какую удалить. Затем они объ-
единяют предыдущее состояние, текущую память
и входной параметр. Оказывается, эти типы еди-
ниц очень эффективны в хранении долгосрочных
зависимостей. Подобное устройство характерно
для «глубоких» многослойных нейронных сетей
и способствует выполнению параллельных вычис-
лений с применением соответствующего оборудо-
вания.
LSTM-ячейки содержат также три или четыре
«вентиля», которые используются для контроля
потоков информации на входах и на выходах памя-
ти данных ячеек. Эти вентили реализованы в виде
логистической функции для вычисления значения
в диапазоне [0, 1]. Умножение на это значение ис-
пользуется для частичного допуска или запреще-
ния потока информации внутрь и наружу памяти.
Например, «входной вентиль» контролирует меру
вхождения нового значения в память, а «вентиль
забывания» контролирует меру сохранения значе-
ния в памяти. «Выходной вентиль» контролирует
меру того, в какой степени значение, находящее-
ся в памяти, используется при расчете выходной
функции активации для ячейки.
Рекуррентная нейросеть моделирует свою вход-
ную последовательность {
x
1
,
x
2
, …,
x
n
}, используя по-
вторение:
h
t
=
f
(
h
t
– 1
,
x
t
),
(3)
где
x
t
— входное значение в момент времени
t
, а
h
t
—
скрытое состояние. Вентили вводятся в функцию
повторения
f
для решения проблемы исчезновения
градиента. Состояния ячеек ДГП вычисляются сле-
дующим образом:
i
t
=
(
W
i
[
h
t
– 1
,
x
t
] +
b
i
),
(4)
f
t
=
(
W
f
[
h
t
– 1
,
x
t
] +
b
f
),
(5)
Рис
. 4.
Повторяющийся
модуль
в
стандартной
рекур
–
рентной
нейросети
(
адаптировано
из
[50])
Рис
. 5.
Повторяющийся
модуль
в
LSTM (
адаптировано
из
[50])
На прав
ах рек
ламы
№
6 (69) 2021
50
ЭНЕРГО
СНАБЖЕНИЕ
o
t
=
(
W
o
[
h
t
– 1
,
x
t
] +
b
o
),
(6)
C
=
tanh
(
W
C
[
h
t
– 1
,
x
t
] +
b
C
),
(7)
C
t
=
f
t
ʘ
C
t
– 1
+
i
t
ʘ
C
t
,
(8)
h
t
=
o
t
ʘ
tanh
(
C
t
).
(9)
В приведенных выше уравнениях
i
t
,
f
t
и
o
t
являют-
ся входными, забывающими и выходными вентиля-
ми соответственно.
W
и
b
— это параметры модуля
LSTM,
C
t
— текущее состояние ячейки, а
C
— новые
возможные значения для состояния ячейки. Для него
есть три сигмоидальные функции,
f
t
и
o
t
— вентили,
которые модулируют выходной сигнал между 0 и 1,
как указано в уравнениях (4)–(6). Решения для этих
трех вентилей зависят от текущего входа
x
t
и преды-
дущего выхода
h
t
– 1
. Если вентиль равен 0, то сигнал
блокируется вентилем.
Ячейка памяти
C
действует как накопитель ин-
формации о состоянии. Обновление предыдуще-
го состояния
C
t
– 1
ячейки в новое
C
t
выполняется
с использованием уравнения (8). Для вычисления
новых значений-кандидатов ячейки памяти
C
и вы-
водного значения текущего модуля LS
T
M
h
t
ис-
пользуется функция гиперболического тангенса,
как в уравнениях (7) и (9). Состояние ячейки с дву-
мя состояниями и скрытое состояние передают-
ся в следующую ячейку для каждого временного
шага. Затем этот процесс продолжает повторять-
ся. Веса и смещения определяются моделью пу-
тем сведения к минимуму различий между выход-
ными данными LSTM и фактическими обучающими
выборками.
ВЫВОДЫ
ПО
ПЕРВОЙ
ЧАСТИ
СТАТЬИ
1. Рассмотрена постановка задачи почасового ЭП
на основе опыта филиалов АО «СО ЕЭС» РДУ
с применением корпоративного ПО ИСП, разра-
ботанного ООО «Энергостат».
2. Выделены основные проблемы при решении
данной задачи, связанные прежде всего
c
вли-
янием постоянно действующих «нерегулярных»
эффектов (метеофакторы, тяговая нагрузка,
праздники, плохие данные, и пр.), которые часто
корректируются диспетчерским центром в ПО
ИСП в «ручном режиме». Это в свою очередь
приводит к снижению точности почасовых суточ-
ных прогнозов ЭП.
3. Проведен всесторонний аналитический обзор
современных методов КПЭП и показано, что
эффективным решением при автоматизации
и повышения точности прогноза КПЭП могут
быть модели на основе алгоритмов машинного
обучения, прежде всего градиентного бустинга
и LSTM.
Работа выполнена в рамках государственного задания
FWEU-2021-0001 (рег. № АААА-А21-121012190027-4) фун-
даментальных исследований СО РАН.
ЛИТЕРАТУРА / REFERENCES
1. Мигранов М.М., Мельников А.В.
Большие данные в электро-
энергетике. Обзор программных
решений // ЭЛЕКТРОЭНЕРГИЯ.
Передача и распределение, 2017,
№ 4(43). С. 60–64.
Migranov M.M., Mel’nikov A.V. Big
data in power engineering. Soft-
ware solutions review // ELECTRIC
POWER. Transmission & Distribu-
tion, 2017, no. 4(43), pp. 60–64. (In
Russian)
2. Программное обеспечение иерар-
хической системы прогнозиро-
вания электропотребления для
планирования режимов ЕЭС (ПО
ИСП). Версия 3.14 Том 1. Руко-
водство пользователя (Редакция
от 01.10.2016) / Москва, 2016. CD-
ROM.
Software for a hierarchical system of
power consumption forecast intend-
ed for UES operational planning.
Version 3.14 Volume 1. User manual
(edition of 01.10.2016) / Moscow,
2016. CD-ROM.
3. Правила оптового рынка электри-
ческой энергии и мощности. URL:
http://www.consultant.ru/document/
cons_doc_LAW_112537/.
Wholesale energy and power mar-
ket rules. URL: http://www.consul –
tant.ru/docu ment/cons_doc_LAW_
112537/.
4. Jacob M., Neves C., Vukadinović
Greetham D. Short Term Load Fore-
casting. URL: https://www.research-
gate.net/publication/336072064.
5. Wang Z., Srinivasan R.S. A review
of artifi cial intelligence based build-
ing energy use prediction. Contrast-
ing the capabilities of single and en-
semble prediction models. Renew.
Sustain. Energy Rev. 2017, vol. 75,
pp. 796-808.
6. Макоклюев Б.И. Особенности и тен-
денции потребления электроэнер-
гии в энергосистемах России //
Энергия Единой Сети, 2017, № 5.
С. 64–76.
Makoklyuyev B.I. Peculiarities and
trends of power consumption in
Russian grids // Unifi ed Power Grid
Energy, 2017, no. 5, pp. 64–76. (In
Russian)
7. Макоклюев Б.И. Анализ и плани-
рование электропотребления. М.:
Энергоатомиздат, 2008. 296 с.
Makoklyuyev B.I. Analysis and
planning of power consumption.
Moscow, Energoatomizdat Publ.,
2008. 296 p. (In Russian)
8. Ryu S., Noh J., Kim H. Deep Neu-
ral Network Based Demand Side
Short Term Load Forecasting. URL:
https://www.researchgate.net/publi-
cation/311611315.
9. Hagan M.T., Behr S.M. The time
series approach to short term load
forecasting. IEEE Trans. Power
Syst.,1987, no. 2, pp. 785-791.
10. Taylor J.W., de Menezes L.M., Mc-
Sharry P.E. A comparison of univari-
ate methods for forecasting electric-
ity demand up to a day ahead. Int.
J. Forecast, 2006, no. 22, pp. 1-16.
11. Hippert H.S., Pedreira C.E., Souza
R.C. Neural networks for short-term
load forecasting: A review ande-
valuation. IEEE Trans. Power Syst.,
2001, no. 16, pp. 44-55.
12. Christiaanse W.R. Short term load
forecasting using general exponen-
tial smoothing. IEEE Trans Power
Appar Syst., 1971, vol. PAS-90,
no. 2, pp. 900-911.
13. Papalexopoulos A.D., Hesterberg T.C.
A regression-based approach to
short-term system load forecasting.
На п
На п
На п
п
На п
На
На
а
Н
рав
а
рав
а
рав
а
ва
ва
ва
рав
а
рав
а
р
р
х ре
х ре
х ре
х ре
х р
р
клам
клам
клам
клам
кл
а
а
кл
ы
ы
ы
ы
52
URL: https://ieeexplore.ieee.org/do-
cument/39025.
14. Meslier F. New advances in short
term load forecasting using Box
and Jenkins approach. IEEE/PES
Winter Meet, 1978, Paper A78,
pp. 51-55.
15. Irisarri G.D., Widergren S.E., Yeh-
sakul P.D. On-line load forecasting
for energy control center applica-
tion. IEEE Trans Power Appar Syst,
1982, vol. 101, pp. 71-78.
16. Shahidehpour M., Yamin H., Li Z.
Market operations in electric power
systems: Forecasting, Scheduling,
and Risk Management. New York,
John Wiley and Sons Inc., 2002,
507 p.
17. Amjady N. Short-term hourly load
forecasting using time series mod-
eling with peak load estimation ca-
pability. IEEE Trans. Power Syst.,
2001, vol. 16, no. 4, pp. 798-805.
18. Chadalavada R.J., Raghavendra S.
Rekha V. Electricity requirement
prediction using time series and
Facebook’s PROPHET. Indian Jour-
nal of Science and Technology,
2020, vol. 13, no. 4, pp. 4631-4645.
19. Leung A. A Multivariate Model for
Electricity Demand using Facebook
Prophet. URL: https://alex-leung.
medium.com/a-multivariate-model-
for-electricity-demand-using-face-
book-prophet-f848ad1c9d77.
20. Box G.E., Jenkins G.M., Reinsel G.C.
Time Series Analysis: Forecasting
and Control. John Wiley & Sons:
Hoboken, NJ, USA, 2011, 712 p.
21. Chen J.-F., Wang W.-M., Huang C.M.
Analysis of an adaptive time-se –
ries autoregressive moving-average
(ARMA) model for short-term load
forecasting. Electr. Power Syst.
Res., 1995, vol. 34, no. 3. pp. 187-
196.
22. Dehdashti A.S., Tudor J.R. at al.
Forecasting of hourly load by pat-
tern recognition-a deterministic ap-
proach. IEEE Trans. Power Appar.
Syst., 1982, vol. PAS-101, pp. 3290-
3294.
23. Rahman S. Generalized knowledge-
based short-term load forecasting
technique. IEEE Trans. Power Syst.,
1993, vol. 8, no. 2, pp. 508-514.
24. Ho K.L., Hsu Y.Y., Chen C.F., Lee T.E.,
Liang C.C., Lai T.S., Chen K.K.
Short term load forecasting of Tai-
wan power system using a knowl-
edge-based expert system. IEEE
Trans. Power Syst., 1990, vol. 5,
pp. 1214-1221.
25. Yang H.T., Huang C.M. A new short-
term load forecasting approach us-
ing self-organizing fuzzy ARMAX
models. IEEE Trans. Power Syst.,
1998, vol. 13, is. 1, pp. 217-225.
26. Srinivasan D., Chang D.S., Liew A.C.
Demand forecasting using fuzzy
neural computation, with special
emphasis on weekend and public
holiday forecasting. IEEE Trans.
Power Syst., 1995, vol. 10, is. 4,
pp. 1897-1903.
27. Hernandez L., Baladron C., Agu-
iar J.M., Carro B., Sanchez-Es-
guevillas A.J., Lloret J., Massana J.
A survey on electric power demand
forecasting: Future trends in smart
grids, microgrids and smart build-
ings. IEEE Commun. Surv. Tutor.,
2014, vol. 16, is. 3, pp. 1460–1495.
28. Foucquier A., Robert S., Suard F.,
Stephan L., Jay A. State of the art
in building modelling and energy
performances prediction: A review.
Renew. Sustain. Energy Rev., 2013,
vol. 23, pp. 272-288.
29. Шумилова Г.П., Готман Н.Э., Стар-
цева Т.Б. Прогнозирование элек-
трических нагрузок при оператив-
ном управлении электроэнерге-
тическими системами на основе
нейросетевых структур. Екате-
ринбург: УрО РАН, 2008, 89 с.
Shumilova G.P., Gotman N.E., Star-
tseva T.B. Electrical load forecast
in conditions of real time control of
power systems based on neural net-
work structures. Ekaterinburg, Ural
Branch of the Russian Academy of
Sciences Publ., 2008, 89 p. (In Rus-
sian)
30. Оcовский С. Нейронные сети для
обработки информации. М.: Фи-
нансы и статистика, 2004. 343 c.
Osovskiy S. Neural networks for
data processing. Moscow, Finances
and Statistics, 2004. 343 p. (In Rus-
sian)
31. Курбацкий В.Г., Сидоров Д.Н.,
Спиряев В.А., Томин Н.В. О нейро-
сетевом подходе к прогнозирова-
нию нестационарных временных
рядов на основе преобразова-
ния Гильберта-Хуанга // Автома-
тика и телемеханика, 2011, № 7.
C. 58–68.
Kurbatskiy V.G., Sidorov D.N.,
Spiryayev V.A., Tomin N.V. About
neural network approach to forecast
of nonstationary time series based
on hilbert-huang transform // Au-
tomation & Telemetry, 2011, no. 7,
pp. 58–68. (In Russian)
32. Поляков Н.Д., Приходько И.А.,
Ван Е. Прогнозирование электро-
потребления на основе метода
опорных векторов с использова-
нием эволюционных алгоритмов
оптимизации // Современные
проблемы науки и образования,
2013, № 2. C. 12–22.
Polyakov N.D., Prikhod’ko I.A.,
Van E. Power consumption forecast
based on the SVM method using
evolutionary optimization algorithms
// Present-day issues of science and
education, 2013, no. 2, pp. 12–22.
(In Russian)
33. Надтока И.И., Аль-Зихери Бала-
сим М. Краткосрочное прогно-
зирование нагрузки с помощью
теории наименьших квадратов
опорных векторов (LS-SVM) // Со-
временные проблемы науки и об-
разования, 2013, № 6. C. 1–7.
Nadtoka I.I., Al-Ziheri Balasim M.
Short-term load forecast based on
the theory of support vector least
squares (LS-SVM) // Present-day
issues of science and education,
2013, no. 6, pp. 1–7. (In Russian)
34. Курбацкий В.Г., Томин Н.В. Про-
гнозирование электрической на-
грузки с использованием искус-
ственных нейронных сетей //
Электрика, 2006, № 7. С. 26–32.
Kurbatskiy V.G., Tomin N.V. Electri-
cal load forecast using artifi cial neu-
ral networks // Electrics, 2006, no. 7,
pp. 26–32. (In Russian)
35. Mohandes M.A., Halawani T.O., Reh-
man S., Hussain A. Support Vector
Machines for wind speed predic-
tion. Renewable Energy, May 2004,
vol. 29, no. 6, pp. 939-947.
36. Аль-Зихери Баласим М. Повы-
шение точности краткосрочного
прогнозирования электрической
нагрузки потребителей региона
с учетом метеофакторов на ос-
нове метода опорных векторов:
дис. канд. техн. наук: 05.14.02. Но-
вочеркасск: ЮРГПУ(НПИ), 2015.
181 с.
Al-Ziheri Balasim M. Accuracy im-
provement of SVM-based short-
term load forecast of region con-
sumers with regard to precipitations:
PhD thesis in Engineering Science:
05.14.02. Novocherkassk, Platov
South-Russian State Polytechnic
University (NPI), 2015. 181 p. (In
Russian)
37. Geoff rey K.F. Tso, Kelvin K.W. Yau.
Predicting electricity energy con-
sumption: A comparison of regres-
sion analysis, decision tree and neu-
ral networks. Energy, 2007, vol. 32,
no. 9, pp. 1761-1768.
38. Abbasi R., Javaid N., Ghuman
M.N.J., Khan Z.A., at al. Short Term
Load Forecasting Using XGBoost.
URL: https://www.researchgate.net/
publication/331746834.
ЭНЕРГО
СНАБЖЕНИЕ
53
Издательство
журнала
«
ЭЛЕКТРОЭНЕРГИЯ
.
Передача
и
распределение
»
выпустило
книгу
академика
РАЕН
,
профессора
В
.
А
.
НЕПОМНЯЩЕГО
Тираж
книги
5000
экз
.,
объем
196
с
.,
формат
170
х
235
мм
.
Для
приобретения
издания
необходимо
позвонить
по
многоканальному
телефону
+7 (495) 645-12-41
или
написать
по
e-mail: [email protected]
В монографии исследована надежность оборудования
электростанций и электрических сетей напряжением 1150–
10(6) кВ, разработана методика сбора и статистичес кой
обработки информации о надежности оборудования. На
основе статистических данных и расчетов определены ос-
новные параметры надежности и динамика их изменения
в процессе эксплуатации. Выявлены статистические зако-
ны распределения отказов и времени восстановления эле-
ментов энергосис тем. Проведено их сравнение с зарубеж-
ными данными.
39. Aguilar Madrid E, Antonio N. Short-
Term Electricity Load Forecasting
with Machine Learning. URL: https://
w w w.researchgate.net /publica-
tion/348690914.
40. Wang Y., Chen J., et al. Short-Term
Load Forecasting for Industrial Cus-
tomers Based on TCN-LightGBM.
IEEE Transactions on Power Sys-
tems, May 2021, vol. 36, no. 3,
pp. 1984-1997.
41. Zhang C., Chen Z., Zhou J. Research
on Short-Term Load Forecasting
Using K-means Clustering and Cat-
Boost Integrating Time Series Fea-
tures. URL: https://www.research-
gate.net/publication/344766069.
42. Ke G., Meng Q., at al. LightGBM:
A highly effi cient gradient boosting
decision tree. Proc. Adv. Neural Inf.
Proces. Syst. (NIPS), Long Beach,
CA, United states, 2017, pp. 3147-
3155.
43. Prokhorenkova L., Gusev G., Vo-
robev A., Dorogush A.V., Gulin A.
CatBoost: unbiased boosting with
categorical features. Proc. Advanc-
es in Neural Information Processing
Systems, 2018, pp. 6637-6647.
44. Мигранов М.М., Устинов А.А.,
Мельников А.В. Прогнозирова-
ние потребления электроэнергии.
Практика применения // ЭЛЕКТРО-
ЭНЕРГИЯ. Передача и распреде-
ление, 2018, № 2(47). С. 44–53.
Migranov M.M., Ustinov A.A., Mel’-
nikov A.V. Power consumption fore-
cast. Practical application // ELEC-
TRIC POWER. Transmission & Dis-
tribution, 2018, no. 2(47), pp. 44–53.
(In Russian)
45. Mocanu E., Nguyen P.H., Gibescu
M., Kling W.L. Deep learning for es-
timating building energy consump-
tion. URL: https://www.research-
gate.net/publication/297253757.
46. Marino D.L., Amarasinghe K., Manic
M. Building energy load forecasting
using Deep Neural Networks. URL:
https://www.researchgate.net/publi-
cation/309573233.
47. Bouktif S., Fiaz A., Ouni A., Serha-
ni M.A. Optimal Deep Learning
LSTM Model for Electric Load Fore-
casting using Feature Selection and
Genetic Algorithm: Comparison
with Machine Learning Approaches.
URL: https://www.researchgate.net/
publication/325942309.
48. Zheng H., Yuan J., Chen L. Short-
Term Load Forecasting Using
EMD-LSTM Neural Networks with
a Xgboost Algorithm for Feature Im-
portance Evaluation. URL: https://
w w w.researchgate.net /publica-
tion/318996236.
49. Beccali M., Cellura M., Lo Brano V.,
Marvuglia A. Short-term prediction
of household electricity consump-
tion: Assessing weather sensitivity
in a Mediterranean area. Renew-
able and Sustainable Energy Re-
views, 2007, vol. 12, no. 8, pp. 2040-
2065.
50. Understanding LSTM Networks. URL:
http://colah.github.io/posts/2015-
08-Understanding-LSTMs/.
51. Hochreiter S., Schmidhuber J. Long
Short-term Memory. URL: https://
w w w.researchgate.net /publica-
tion/13853244.
№
6 (69) 2021
Оригинал статьи: Повышение эффективности почасового прогнозирования электропотребления с помощью моделей машинного обучения на примере Иркутской энергосистемы. Часть 1
Решение задачи почасового прогнозирования электропотребления (ЭП) значительно усложняется при постоянном действии различных «нерегулярных» эффектов (метеофакторы, тяговая нагрузка, праздники, плохие данные и пр.), влияние которых в региональных диспетчерских управлениях (филиалах АО «СО ЕЭС») пытаются нивелировать фактически в ручном режиме, полагаясь на эмпирический опыт сотрудников. Такой подход часто приводит к увеличению ошибок суточного прогноза ЭП и, как следствие, дополнительным издержкам для АО «СО ЕЭС». В статье предлагается методология повышения эффективности почасового прогноза ЭП на базе моделей машинного обучения, позволяющая автоматизировать задачу коррекции моделей и повысить точность прогноза, прежде всего в условиях действия «нерегулярных» эффектов. Эффективность предложенного подхода продемонстрирована на примере реальных данных района Восточных электрических сетей Иркутской ЭЭС. Результаты прогноза на базе моделей машинного обучения сравниваются с данными корпоративного программного обеспечения, используемого АО «СО ЕЭС.