Содержание к диссертации
Введение
ГЛАВА 1. Обзор методов и программных средств по прогнозу электропотребления 11
1.1. Классификация методов прогнозирования 11
1.2. Обзор методов прогнозирования временных рядов 15
1.2.1. Экстраполяционные методы прогнозирования 15
1.2.2. Регрессионные методы 17
1.2.3. Экспертные методы 18
1.2.4. Нейронные сети 20
1.2.5. Мягкие вычисления. Гибридные системы 23
1.3. Обзор моделей прогноза электропотребления 27
1.4. Обзор программных средств по прогнозу электропотребления 34
1.5. Выводы по первой главе 38
ГЛАВА 2. Модель краткосрочного прогноза электропотребления 40
2.1 Адаптивная сеть нечеткого вывода -ANFIS 40
2.2. Программные средства реализации 46
2.3. Алгоритм отбора входных переменных 49
2.4. Нормирование данных 58
2.5. Сглаживание данных 62
2.6. Модель прогнозирования 65
2.7. Синтез нейро-нечеткой модели типа Сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации 67
2.8. Выводы по второй главе 75
ГЛАВА 3. Программная реализация модели прогнозирования электропотребления астраханской области 78
3.1. Преимущества использования системы баз данных 78
3.2. Функциональная модель системы поддержки принятия решения при краткосрочных прогнозах электропотребления 81
3.3. Модель организации знаний системы поддержки принятия решений при краткосрочных прогнозах потребления электроэнергии 84
3.4. Информационно-логическая модель системы поддержки принятия решений при краткосрочных прогнозах потребления электроэнергии 85
3.4.1. Семантическое моделирование 85
3.4.2. Выбор программного обеспечения для управления доступом к базе данных 88
3.4.3. Описание параметров входной информации 89
3.4.4. Спецификация обработки информации 92
3.5. Выводы по третьей главе 93
ГЛАВА 4. Результаты опытной эксплуатации автоматизированной системы принятия решений при краткосрочных прогнозах потребления электроэнергии . 94
4.1. Режимы работы автоматизированной СППР при краткосрочных прогнозах электропотребления 94
4.2. Тестирование автоматизированной системы поддержки принятия решения при краткосрочных прогнозах потребления 99
4.3 Свидетельство об официальной регистрации программы для ЭВМ. 101
4.4 Акт внедрения программного обеспечения 102
4.5 Выводы по четвертой главе 104
Основные выводы и заключение 105
Библиографический список использованной литературы 107
- Обзор программных средств по прогнозу электропотребления
- Синтез нейро-нечеткой модели типа Сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации
- Функциональная модель системы поддержки принятия решения при краткосрочных прогнозах электропотребления
- Режимы работы автоматизированной СППР при краткосрочных прогнозах электропотребления
Введение к работе
Актуальность работы.
Прогнозирование режимных параметров и технико-экономических показателей является одной из важных задач, как при планировании, так и при ведении текущих режимов электроэнергетической системы (ЭЭС). Составляя планы по различным показателям на предстоящие сутки, неделю, месяц, квартал, год, службы и отделы энергообъединения (ЭО) решают задачу планирования энергобаланса - соотношения между потребностью электроэнергии (мощности) и средствами ее удовлетворения.
Одним из важнейших показателей при планировании является уровень ожидаемого электропотребления (ЭП) в целом по объединению, группам и отдельным потребителям. В этом смысле величина прогноза электропотребления является опорным показателем для планирования балансов электроэнергии и мощности. Необходимость точного прогнозирования потребления электроэнергии обусловлена технологическими и экономическими причинами. Точное прогнозирование обеспечивает оптимальное с экономической точки зрения распределение нагрузок между станциями, способствует осуществлению экономически целесообразных операций по покупке и продаже электроэнергии.
Характерная особенность функционирования электроэнергетики состоит в том, что графики режимов работы ЭЭС должны рассматриваться, как элемент общего графика работы Единой энергетической системы России. Объемы потребления ЭО и субъектов рынка всех временных этапах планирования и эксплуатации обязательно согласовываются с вышестоящими уровнями управления энергетики - Объединенным региональным диспетчерским управлением (ОДУ) и Центральным диспетчерским управлением Единой энергетической системой России (ЦДУ). Согласованные графики потребления и генерации (диспетчерские графики) являются важнейшими для ЭЭС показателями, определяющими основные аспекты ее работы - графики
работы станций, договоры на поставку топлива, графики ремонтных работ, объемы покупки и продажи электроэнергии на рынке электроэнергии.
Между тем, цена ошибок прогнозирования и планирования становится все более высокой. Анализ зарубежных публикаций на эту тему показывает, что экономическая результативность точного прогнозирования нагрузок побуждает многих энерготрейдеров разворачивать собственные исследования в области прогнозирования, создавать группы математиков и статистиков [11,14]. Отмечается, что долгосрочный и краткосрочный прогноз требуют использования совершенно различных методик - долгосрочным прогнозам нужны сценарные подходы для оценки общеэкономической ситуации, отраслевых тенденций развития и т.п. Для краткосрочных прогнозов важны метеофакторы, характер дня (рабочий, выходной, праздник), конфигурация суточного графика, состояние режима энергосистемы в ближайшей ретроспективе. Потребность рынка в точном прогнозе такова, что некоторые из клиентов готовы платить до 15 тыс. долларов в месяц за ежедневный краткосрочный прогноз нагрузки. В некотором смысле качественный прогноз становится действенным инструментом в конкурентной борьбе на рискованном рынке электроэнергии и мощности, поэтому «...технологии прогнозирования нагрузок и потребления занимают свое место среди самых заветных промышленных секретов, которые компании держат за семью печатями...» [11,14].
Оценочные расчеты, проводимые для ЭО России с уровнем месячного потребления около 1500 млн. кВт-ч, показали, что улучшение качества прогнозирования только месячного потребления на 0,1% способно в настоящих условиях снизить затраты на оплату отклонений от плана по поставкам электроэнергии на 3-5 млн. рублей в год. Еще больший эффект приносит уточнение краткосрочного и оперативного прогноза графиков потребления мощности.
Либерализация оптового рынка электроэнергии является частью комплекса мероприятий, проводимых в рамках реформирования отрасли, и на-
правлена на выработку нового механизма образования цен на электрическую энергию, отражающего баланс интересов производителей и потребителей электроэнергии. Изменения условий функционирования отрасли оказывает непосредственное влияние на состояние каждого субъекта рынка электроэнергии, и для того чтобы оставаться прибыльными, компаниям требуются новые инструменты и технологии, помогающие сделать переход от регулируемого к конкурентному рынку, и обеспечивающие их успешное функционирование на будущем конкурентном рынке.
Функционирование компаний в конкурентных рыночных условиях характеризуется принятием решений в условиях относительной неопределенности, которая может неблагоприятно сказаться на достижении компании ее целей. Естественное желание оценить потери (или более точно, степень отклонения от целевых установок) из-за имеющих место неопределенностей, заставляет проводить исследований и разработки соответствующего программного обеспечения. Оценка рисков и использование соответствующих методов управления рисками позволяет компании выстраивать оптимальную, по соотношению «величина риска - премия за риск», стратегию поведения на рынке, и, как следствие, оптимизировать «торговый портфель», а также оценивать величину необходимого капитала для покрытия возможных потерь.
Одной из основных характеристик электроэнергии как товара является невозможность ее хранения и особенности ее транспортировки (инфраструктура электрических сетей).
Это приводит к тому, что электроэнергия должна быть потреблена в тот же момент времени, когда и произведена, что, в свою очередь, приводит к сильным колебаниям цен. Такие колебания являются одной из основных причин повышенных рисков, характерных для рынка электроэнергии.
Совет директоров ОАО «СО-ЦДУ» 29 апреля 2005 года утвердил основные стратегические задачи развития в «Приоритетных направлениях деятельности ОАО «СО-ЦДУ» на 2005-2008 года», в которых требуется едино-
образное применение передовых технологических решений, аппаратных технических средств и программного обеспечения на всех уровнях оперативного диспетчерского управления. Поэтому в сравнительном анализе, который проводился в работе, не рассматривались программные комплексы зарубежного производства, так как они не соответствуют данным требованиям. Анализ показал, что на рынке существует два программных продукта для прогноза электропотребления. Это программный комплекс «Энергостат» разработан в ВНИИ энергетики и рекомендован для внедрения в РДУ и программный комплекс «Прогноз БР», разработанный для обязательного внедрения в диспетчерские управления, в рамках реформирования рынка электроэнергии. Отсутствие необходимого объема статистики по электропотреблению в некоторых энергообъединениях, в том числе и в Астраханском РДУ, не позволяет использовать программу «Энергостат». Минимальный объем базы ретроспективной информации по электропотреблению составляет один год для ПО «Энергостат». Переход к рыночным отношениям в энергетике и образование новых субъектов рынка не позволяет использовать статистику, которая велась на бумажных носителях в энергообъединениях.
Кроме этого стоимость данного продукта является высокой, что не позволяет апробировать ее на данных энергосистемы, а сравнение результатов прогноза с другими системами не имеет смысла, так как каждая энергосистема имеет свою специфику. Например, в Астраханской области потребление не превышает 600-700 мегаватт и состоит из потребления потребительского сектора, что делает процесс изменения нагрузки более непредсказуемым по сравнению с энергосистемами, где большую часть потребления составляет промышленный сектор.
Таким образом, минимизация ошибок планирования, а так же создание такого программного обеспечения, которое позволит использовать малый объем ретроспективной информации является актуальной задачей.
Целью диссертации является разработка модели краткосрочного про-
гноза электропотребления и комплекса программ для снижения погрешности планирования режимных параметров и технико-экономических показателей в условиях малых объемов ретроспективной информации. В рамках работы решаются задачи:
Анализ и классификация существующих автоматизированных систем поддержки принятия решения при краткосрочных прогнозах электропотребления, а так же существующих методов и моделей прогноза, применяемых для прогноза электропотребления.
Разработка эффективной модели прогноза электропотребления.
Проектирование с использованием методов системного анализа структуры базы данных, обеспечивающей реализацию эффективного хранения и использования данных телеметрии для прогноза электропотребления.
Разработка алгоритмов формирования обучающих выборок для системы поддержки принятия решения при краткосрочных прогнозах.
Создание комплекса программного обеспечения, реализующего автоматизацию следующих операций: запись данных с внешних источников информации, формирование обучающих выборок системы и прогноз электропотребления в реальном времени.
Проверка адекватности разработанной модели и программного обеспечения.
Методы исследования.
Для решения поставленной задачи в работе были использованы методы математической статистики, обработки данных, регрессионного анализа, нейронных сетей, нечеткой логики, гибридных систем, теории баз данных, технологии построения реляционных баз данных.
Научная новизна работы. В диссертации разработаны и вынесены на защиту следующие основные положения:
Модель краткосрочного прогноза электропотребления, отличающаяся применением нейро-нечетких систем типа Сугэно, модифицированного алгоритма отбора входных переменных, алгоритмом поиска оптимального радиуса субтрактивной кластеризации, оптимальных методов предобработки данных, что позволило уменьшить погрешность прогноза на 5% в среднем за сутки.
Модифицированный алгоритм динамического отбора входных переменных методом последовательного поиска вперед, отличающийся от традиционного выбором входных переменных на основе суммы среднеквадратичной ошибки на тренировочной и тестовой выборках. Это позволило исключить эксперта из анализа влияния независимых параметров на электропотребление и уменьшить общую погрешность прогноза на 2 % в среднем.
На основе анализа алгоритмов синтеза базы нечетких правил ней-ро-нечеткой системы типа Сугэно впервые разработан и применен алгоритм поиска оптимального вектора радиуса субтрактивной кластеризации при синтезе базы нечетких правил нейро-нечеткой системы. Это позволило исключить участие эксперта при выборе значения вектора радиуса и автоматизировать процесс создания базы правил, а также уменьшить общую погрешность прогноза на 0,8% в среднем.
Полученные оптимальные методы предобработки данных для ретроспективных показателей электропотребления Астраханской области, позволяющие уменьшить общую погрешность прогноза на 0,5% в среднем за сутки.
Впервые разработанные концептуальная модель и структура базы данных для сбора и хранения ретроспективных данных электропотребления и данных прогноза.
Впервые разработанные функциональная и семантическая модели
системы поддержки принятия решения при краткосрочных прогнозах электропотребления.
Практическая ценность работы заключена в следующем:
На основе созданных моделей и предложенных методов обработки данных разработана автоматизированная система поддержки принятия решения при краткосрочных прогнозах электропотребления, позволяющая повысить точность прогноза на 5% в среднем за сутки. Система поддержки принятия решения при краткосрочных прогнозах электропотребления внедрена на предприятии Филиал ОАО «СО-ЦДУ ЕЭС» - Астраханское региональное диспетчерское управление энергосистемы Астраханской области, о чем свидетельствует акт внедрения. Получено свидетельство об официальной регистрации программ для ЭВМ №2006612348 в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности, патентам и товарным знакам.
Апробация работы. Резул ьтаты работы были представлены на следующих научных конференциях: первом специализированном научно-техническом семинаре "Современные методы и программные средства анализа и планирования электропотребления, балансов мощности и электроэнергии" (ВНИИ Энергетики, Москва, 2003), VI международной научно-практической конференции «Компьютерные технологии в науке, производстве, социальных и экономических процессах» (Новочеркасск, 2005), на Всероссийской научно-практической конференции «Образование, наука, бизнес: особенности регионального развития и интеграции» (Череповец, 2005).
Публикации. Основные положения и результаты работы опубликованы в 8 печатных работах.
Объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа изложена на 112 страницах текста, содержит 14 рисунков, 24 таблицы, список литературы включает 62 наименования.
Обзор программных средств по прогнозу электропотребления
Программный комплекс «Энергостат» [15] (www.energostat.ru) предназначен для анализа и планирования (прогнозирования) различных параметров энергообъединений и предприятий. К таким параметрам относятся потребление электроэнергии, тепловой энергии АО, предприятий и отдельных потребителей, нагрузки станций и агрегатов, перетоки мощности, тарифы на электроэнергию, нагрузки узлов и районов расчетных схем и т.п. Вычисление прогнозов параметров производится с применением современных методов теории вероятности и математической статистики. Расчеты производятся во временных диапазонах долгосрочного (месяц, квартал, год), краткосрочного (сутки, неделя) планирования и оперативного (минуты, часы) управления. Предусмотрен учет влияния метеофакторов, а также учет взаимного влияния параметров.
Анализ режимных параметров, а также оценка взаимного влияния параметров производится с помощью методов теории вероятности и математической статистики. Прогнозирование параметров осуществляется на основе метода сезонных кривых и методики учета влияния метеофакторов на режимные параметры [14]. Имеется возможность ввода нерегулярных дней. Функция «прогноз» позволяет создавать таблицы прогнозных значений параметров с упреждением от нескольких минут до года; загружать графики фактов или прогнозов в главную таблицу окна «прогноза». Возможна коррекция прогнозных и фактических значений с учетом влияющих факторов, таких как температура, освещенность.
Функции регрессионного анализа заключаются в моделировании временного ряда аналитическим представлением в виде полинома Фурье, степенного полинома и др., графическим просмотром исходного и моделированного ряда значений, просмотр коэффициентов полиномов аналитического представления. На базе аналитического представления (моделированная кривая, регулярная составляющая) возможен расчет коэффициента корелляции для оценки степени влияния одного параметра на другой параметр. Данная возможность позволяет вычислить степень взаимного влияния параметров, в том числе и влияние отклонений метеофакторов на ход потребления отдельных групп потребителей и в целом.
При установке комплекса "Энергостат", заказчик должен подготовить все данные: потребление, генерация в целом и станций, сальдо-переток, межсистемные перетоки мощности, температуру, облачность и др. Минимальный объем архивов показателей - 1 целый год. Желательно наличие данных за 3-5 и более полных лет по всем составляющим баланса мощности. Необходимо подготовить документацию программиста и все необходимые программные средства для программного доступа к данным ОИК: библиотеки доступа, исполняемые модули доступа. Определить порядок вариантных расчетов краткосрочных прогнозов баланса мощности и их оперативной коррекции. Описать возможные варианты расчетов. Далее разработчиками производится предварительная обработка данных (примерно 1 месяц). Минимальные требования к PC «Клиент» :CPU: Pentium II 233 и выше, RAM: 64 Мб и выше. Установка SQL СУБД не рекомендуется. Стоимость данного продукта и его установки по данным на 2004 год составляет 600 тысяч рублей.
В Астраханском РДУ использовали методику «ручной прогноз». На основе ретроспективных данных потребления за прошлые года, с поправкой коэффициента влияния температуры, а так же опыта эксперта формировался прогноз на сутки вперед. С середины августа 2005 года централизовано был внедрен программно-аппаратный комплекс «Автоматизированная система БР», в состав которой входит подсистема «Прогноз». Назначение данной подсистемы - расчет прогнозного потребления заданных районов. В основу методики краткосрочного прогнозирования потребления положен метод сезонных кривых, позволяющий аналитически описывать колебания нагрузки в разрезе года. Для формирования прогноза потребления необходимы следующие данные:
Временные ряды, определяемые фактической динамикой потребления на ближайшем предшествующем интервале времени. Статистическая информация о форме суточного графика потребления. Статистическая информация о суточной температуре. Прогноз строиться на истории фактических значений и данных кратко срочного прогноза (число достоверных фактических значений вместе с чис лом точек притяжения больше трех) и считается недостоверным без данных краткосрочного прогноза. Максимальная погрешность прогноза зависит от глубины прогноза и достигает 10 и более процентов. Недостатком этой системы является невозможность редактировать прогноз, который направляется на уровень вверх экспертом, если тот считает, что прогноз выполнен неверно. А так же невозможность скорректировать значение статистических данных экспертом, при неправильной телеинформации. Учет только двух параметров ретроспективных данных электропотребления и температуры в модели прогнозирования приводит к потере точности при отсутствии данных или погрешности в данных. Спецификой электропотребления Астраханской области состоит в том, что 85% всего потребления электроэнергии составляет потребительский сектор, то есть нерегулярная составляющая временного ряда носит более выраженный характер, чем в областях, где большую часть мощности потребляет производственный сектор. Это затрудняет прогноз и приводит к большим погрешностям.
Данная программа разрабатывается в условиях реформирования электроэнергетики и перехода на оптовый рынок электроэнергии и проходит опытную эксплуатацию, что приводит к частым обновлениям версий программы. Сравнительный анализ программных продуктов проводился среди российских продуктов, так как при определении основных стратегических задач развития в «Приоритетных направлениях деятельности ОАО «СО-ЦДУ» на 2005-2008 года», утвержденным советов директоров ОАО «СО-ЦДУ» 29 апреля 205 года, требуется единообразное применение передовых технологических решений, аппаратных технических средств и программного обеспечения на всех уровнях оперативного диспетчерского управления. Программные комплексы зарубежного производства не соответствуют данным требованиям. Результаты сравнительного анализа приведены в таблице 2.
Синтез нейро-нечеткой модели типа Сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации
Основной компонентой автоматизированной системы синтеза новых технических решений является хранящийся в ней запас информации, причем организованной определенным образом. База данных, как совокупность предназначенных для обработки на ЭВМ хорошо структурированных данных, ориентирована на интегрированные требования пользователей и является одним из основных компонентов автоматизированных систем различного типа, в том числе систем автоматизированного проектирования, систем принятия решений.
Одно из основных преимуществ использования базы данных, а не традиционной файловой организации, состоит в том, что методы программирования и соответствующие технологии изменяются, причем изменяются очень быстро, в то время как рабочие процессы и данные, определяющие аспекты каждого приложения, изменяются гораздо медленнее и потому более стабильны. Так, работа системы поддержки принятия решений при краткосрочных прогнозах потребления электроэнергии при сборе ретроспективных данных, прогноза метеоусловий, формирования обучающих выборок и т.д. строится вокруг базы знаний, содержащей фактическую информацию из предметной области, и, прежде всего ретроспективных данных о потреблении и погоде. Имея хорошо спроектированный набор данных, можно заново реализовать приложение, применяя любую технологию работы с базами данных, которая появится в дальнейшем, вне зависимости от того, для какого типа баз данных исходно проектировалось приложение. В противоположной ситуации, когда не используют систему баз данных, для каждого отдельного приложения создаются свои файлы, часто размещаемые на отдельных носителях, в результате чего данные оказываются разрозненными. Систематически управлять такими данными очень сложно.
В базе данных информация не скрыта в сочетании «файл-программа», вся информация хранится явным образом, различные программы могут, так или иначе, использовать одни и те же данные. Это означает, что БД может быть успешно использована и при создании приложений с помощью разнообразных инструментальных средств, не являющихся как таковыми системами управления базами данных (например, Delphi, Visual Basic for Application), причем соединение с базой данных достаточно легко осуществляется в подобных случаях с помощью универсальных интерфейсов, таких как Borland ШАРІ и Microsoft ODBC [22,28].
Таким образом, практическая ценность и главное преимущество организации информации в виде системы базы данных заключается в возможности интеграции с другими средами и средствами разработки прикладного пользовательского интерфейса. Иными словами, имеется возможность общего или интегрированного доступа к данным несколькими существующими приложениями базы данных и разработки новых приложений для работы с этими же данными без необходимости формирования новых данных.
В системах, не использующих базы данных, каждое приложение имеет свои файлы. Это часто приводит к избыточности хранимых данных, а, следовательно, к неэффективному использованию памяти. Если избыточность данных не может быть полностью устранена ввиду веских практических или технических причин, то ее можно контролировать средствами системы управления базой данных (СУБД), и тогда, с точки зрения пользователя, база данных не будет противоречивой. Это обеспечивается тем, что если обновление вносится в одну запись, то оно автоматически распространяется на все остальные связанные с ней записи, т.е. поддерживается целостность данных.
Система баз данных может предоставлять группе пользователей централизованное управление данными, а такое управление является одним из наиболее ценных свойств базы данных. Для разных типов доступа (выборки, вставки, удаления и т.п.) и разных частей базы данных можно установить различные правила - ограничения для обеспечения безопасности.
Перечисленные выше преимущества баз данных достаточно очевидны. Однако есть еще одно свойство, присущее именно базам данных, которое не так очевидно, но, тем не менее, является достаточно важным и актуальным. Это - обеспечение независимости данных. Объекты реального мира, помимо непосредственных, прямых связей, имеют друг с другом более сложные причинно-следственные связи; они динамичны, находятся в постоянном измене ний. Эти связи и процессы могут отражаться в базе данных, если мы имеем в виду не статичное хранилище данных, а информационную модель части реального мира. Иными словами, в базе данных, помимо собственно данных и непосредственно связей между ними, хранятся знания о данных. Это значит, что БД может содержать некоторые правила предметной области и законы, по которым она функционирует.
Приложения, реализованные с использованием возможностей процедурных языков программирования, в той или иной мере зависят от данных; знания о предметной области включены в прикладные программы. Это означает, что способ организации данных во вторичной памяти и способ доступа к ним диктуются требованиями приложения; более того, сведения об организации данных и способе доступа встроены в логику и код приложения. Недостатками такого подхода является то, что, во-первых, реализация правил перегружает прикладную программу и усложняет ее написание и понимание. Во-вторых, и это более существенный недостаток, когда изменяется само правило, изменения должны быть отражены в тексте программы. Идеи, реализованные в СУБД третьего поколения, заключаются в том, что знания выносятся за рамки прикладных программ и оформляются как объекты базы данных (процедуры БД, триггеры и т.д.). Использование хранимых процедур преследует следующие цели: во-первых, обеспечивается новый независимый уровень контроля доступа к данным; во-вторых, одна процедура может использоваться несколькими прикладными программами - это позволяет существенно сократить время написания программ за счет оформления их общих частей в виде процедур базы данных. Процедура компилируется и помещается в БД, становясь доступной для многократных вызовов. Так как план ее выполнения определяется единожды при компиляции, то при последующих вызовах процедуры фаза оптимизации пропускается, что существенно экономит вычислительные ресурсы системы; в-третьих, процедуры БД в сочетании с правилами, предоставляют мощные средства поддержки целостности базы данных. Механизм правил (триггеров) позволяет программировать обработку ситуаций, возникающих при любых изменениях в БД. Правило придается таблице базы данных и применяется при выполнении над ней операций вставки, удаления или об новления строк, а также при изменении значений в столбцах таблицы. Применение правила заключается в проверке сформулированных в нем условий, при выполнении которых происходит вызов специфицированной внутри правила хранимой процедуры. Важно, что правило может быть применено как до, так и после выполнения операции обновления, следовательно, возможна операция отмены. Правила (так же, как и процедуры БД) хранятся непосредственно в базе данных независимо от прикладных программ.
Функциональная модель системы поддержки принятия решения при краткосрочных прогнозах электропотребления
В соответствии с разработанными функциональной и семантической моделями была разработана автоматизированная система поддержки принятия решения, в которой реализованы основные методы и алгоритмы по отбору входных параметров модели прогноза, автоматизированному синтезу базы нечетких правил, методы сглаживания и нормирования. Система спроектирована в виде «клиент-серверного» приложения, снабжена подробной справкой по работе с системой. Интерфейс программного продукта был разработан таким образом, чтобы предоставить пользователю максимальные удобства и минимальное количество работы с его стороны.
Работа автоматизированной системы поддержки принятия решения при краткосрочных прогнозах электропотребления тестировалась на данных двух энергосистем: ОДУ Юга, г. Пятигорск и Астраханского РДУ. Тестирование проводилось на наборе данных объемом 4032 значения. Был проведен прогноз 1244 значений временного ряда в разные периоды времени, в том числе в период сильных морозов зимы 2006 года, переходного периода при отключении отопления и в летний период высоких температур окружающего воздуха. Результаты эксперимента сравнивались с ошибкой прогнозирования внедренной в Астраханском РДУ программы «Прогноз БР» и программы, внедренной в ОДУ Юга в городе Пятигорск. На основании сравнительного анализа полученных результатов можно сделать вывод, что разработанная система прогноза на основе метода нейро-нечетких систем, с использованием методов предобработки данных и разработанных алгоритмов синтеза базы знаний нечетких правил, а так же других параметров и свойств модели показала лучшие результаты и позволила уменьшить ошибку до 5% в среднем.
Главным итогом диссертационной работы является разработка модели краткосрочного прогноза электропотребления на основе нейро-нечетких систем типа Сугэно, модифицированного алгоритма отбора входных переменных, алгоритма поиска оптимального радиуса субтрактивной кластеризации, оптимальных методов предобработки данных, которая позволила уменьшить погрешность прогноза на 5% в среднем за сутки в условиях малых объемов ретроспективной информации и большой удельной доли потребительского сектора. Основные научные и практические результаты диссертационной работы состоят в следующем: 1. Разработана модель краткосрочного прогноза электропотребления на основе нейро-нечетких систем типа Сугэно, модифицированного алгоритма динамического отбора входных переменных, алгоритма поиска оптимального радиуса субтрактивной кластеризации, оптимальных методов предобработки данных, которая позволила уменьшить погрешность прогноза на 5% в среднем. 2. В результате исследований различных методов предобработки данных, способов синтеза базы нечетких правил нейро-нечетких систем определены оптимальные методы предобработки данных для ретроспективных показателей электропотребления Астраханской области, которые также позволили уменьшить общую погрешность прогноза на 0,5% в среднем. 3. Модифицирован алгоритм отбора входных переменных методом последовательного поиска вперед, который позволил уменьшить общую погрешность прогноза на 2 % в среднем. 4. Разработана модель краткосрочного прогноза электропотребления с динамическим отбором переменных, что позволило исключить участие эксперта из анализа влияния независимых параметров на электропотребление. 5. Разработан и впервые применен алгоритм поиска оптимального вектора радиуса субтрактивной кластеризации при синтезе базы нечетких правил нейро-нечеткой системы. Это позволило исключить участие эксперта при выборе значения вектора радиуса, автоматизировать процесс создания базы правил и снизить погрешность прогноза на 0,8% в среднем. 6. Разработаны функциональная и семантическая модели системы поддержки принятия решения при краткосрочных прогнозах электропотребления, в соответствии с которыми спроектирована универсальная структура базы данных, за счет чего появилась возможность осуществления общего и интегрированного доступа к информации различными средствами без необходимости создания новых структур данных. 7. На основе разработанной модели спроектирована автоматизированная система поддержки принятия решения при краткосрочных прогнозах электропотребления.
Режимы работы автоматизированной СППР при краткосрочных прогнозах электропотребления
На основе предложенной модели краткосрочного прогноза электропотребления, алгоритмов динамического отбора входных переменных, поиска радиуса субтрактивной кластеризации при синтезе базы знаний нейро-нечеткой системы и методов предобработки данных была спроектирована и разработана автоматизированная система поддержки принятия решения при краткосрочных прогнозах электропотребления. В системе реализована возможность использовать три метода отбора переменных в модель прогноза: метод последовательного поиска вперед; модифицированный метод последовательного поиска вперед; метод отбора переменных на основе корреляционных таблиц. Автоматизированная система так же позволяет воспользоваться одним из трех способов синтеза базы нечетких правил: решеточное разбиение (grid partition) субтрактивная кластеризация (subtractive clustering) субтрактивная кластеризация (subtractive clustering) с автоматическим поиском оптимального вектора радиуса субтрактивной кластеризации. Автоматизированная система предназначена для: формирования, записи и хранения ретроспективной информации о данных электропотребления, метеоусловий и других показателей. Запуска алгоритмов расчета прогнозных значений электропотребления и записи их в базу данных системы. Она состоит из системы пользовательского меню и интерфейсных форм: Форма «Доступ к БД». Форма «Запуск прогноза». Форма «Просмотр данных». Форма «Справочник прогноза метеоусловий». Форма «Справочник праздников и выходных дней». Работа с автоматизированной системой начинается с проверки существования файла config.ini, который должен находиться в рабочей папке программы и содержать сведения о серверах ОИК и БД программы. При его отсутствии, вызывается форма «Доступ К БД» представленная на рисунке 9. Здесь пользователь должен заполнить соответствующие поля для доступа к БД ОИК и программы. Так же здесь указывается время расхождения местного времени от времени по Гринвичу. Форма «Прогноз электропотребления» (рис.10) предназначена для формирования свойств и параметров модели прогноза. Данная форма реализована в виде страничных блоков. На первой странице можно отредактировать свойства модели краткосрочного прогноза или установить по умолчанию те свойства, которые были определены оптимальными в результате данной диссертационной работы. На второй странице -отредактировать свойства чтение ретроспективной информации из базы данных ОИК, а так же указать путь к базе данных автоматизированной системы поддержки принятия решения при краткосрочных прогнозах электропотребления. На это же странице находится кнопка запуска серверной части программы, которая выполняет функции чтения данных из базы ОИК и записи их в базу автоматизированной системы, формирования обучающих выборок в соответствии с выбранными свойствами модели, а так же записи результатов прогноза в базу данных системы. Работа с клиентской частью системы поддержки принятия решений при краткосрочных прогнозах потребления электроэнергии происходит с помощью формы «Просмотр данных», представленной на рисунке 11. Здесь можно просмотреть фактические и прогнозные значения электропотребления, а также процент отклонения и среднюю ошибку за сутки. На это форме так же представлены графики фактического и прогнозных значений электропотребления. Из меню формы «Просмотр данных» можно попасть в форму «Справочник выходных и праздничных дней» и форму «Прогноз погоды», представленных на рисунках 12 и 13 соответственно. Данные формы предназначены для формирования справочных данных о нерегулярных днях и прогноза погоды. С помощью формы «Прогноз погоды» в базу данных можно занести все данные о прогнозе погоды. Которые представлены на сайте, а именно показатели влажности, температуры, облачности, скорости и направлении ветра. Угол направления ветра высчитывается автоматически при записи в базу данных, а пользователю представлены данные в удобном для него виде. Интерфейс программного продукта был разработан таким образом, чтобы предоставить пользователю максимальные удобства и минимальное количество работы с его стороны. Цветовая палитра интерфейсов выдержана в стиле Windows. Разрешение экрана: 800 600. Интерфейс защищен от неправильных действий и снабжен системой подсказок. В результате проведенных исследований определена модель прогноза электропотребления на основе нейро-нечетких систем. Так же определены методы сглаживания и нормирования, которые являются оптимальными для данных электропотребления Астраханской области. Работа автоматизированной системы поддержки принятия решения при краткосрочных прогнозах электропотребления тестировалась на данных двух систем: данных ОДУ Юга, г. Пятигорск и данных Астраханского РДУ. Тестирование проводилось на наборе данных объемом 4032 значения. Был проведен прогноз 1244 значений временного ряда в разные периоды времени, в том числе в период сильных морозов зимы 2006 года, переходного периода при отключении отопления и в летний период высоких температур окружающего воздуха. Для начала запустим серверную часть программы и зададим свойства доступа к базе данных ОИК и свойства модели прогноза на час вперед, описание которых представлены во второй главы данной диссертационной работы. Это можно сделать на закладке «Прогноз на час вперед», нажав на кнопку «По умолчанию». После этого необходимо запустить сервис прогноза, нажав на кнопку старт на второй закладке формы. В результате работы серверной части программы должны выполниться следующие операции: 1. Запись данных с базы данных ОИК в базу данных системы. 2. Формирование обучающей выборки. 3. Запуск расчета прогнозных значений. 4. Запись полученных результатов в базу данных системы поддержки принятия решения при краткосрочных прогнозах электропотребления. Проверка корректного выполнения вышеперечисленных операций, которую можно осуществить в форме «Просмотр данных», где на графиках должны отображаются данные о фактическом потребление электропотребления и данные о потреблении, полученные в результате работы системы, показала что все операции выполнены правильно.
Сравнение результатов прогноза проводилось по вычислениям средней ошибки прогноза на час вперед за сутки Е и максимальная ошибка прогноза на час вперед за сутки Е,„. Ошибка прогноза высчитывалась по формуле = abs{0AKT - ПРОГНОЗ) , ПРОГНОЗ Результаты эксперимента сравнивались с результатами внедренной в Астраханское РДУ программы «Прогноз БР» и результатами программы, внедренной в ОДУ Юга в городе Пятигорск и показали, что разработанная система прогноза на основе метода нейро-нечетких систем, с использованием методов предобработки данных и разработанных алгоритмов синтеза базы знаний нечетких правил, а так же других параметров и свойств модели показала лучшие результаты и позволила уменьшить ошибку до 5% в среднем (рис.14).
Похожие диссертации на Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем
