Разработка метода и нейросетевого алгоритма краткосрочного прогнозирования почасового электропотребления гарантирующего поставщика тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Серебряков Николай Александрович

• Серебряков Николай Александрович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Серебряков Николай Александрович

ВВЕДЕНИЕ

1 ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И РЫНКА ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ

1.1 Анализ специфики работы гарантирующих поставщиков на электроэнергетическом рынке

1.1.1 Особенности покупки электроэнергии на оптовом рынке электроэнергии и мощности России

1.1.2 Специфика торговли электроэнергией гарантирующими поставщиками на оптовом и розничном рынке электроэнергии и мощности

1.2 Обзор и анализ статистических методов и алгоритмов прогнозирования потребления электроэнергии

1.2.1 Методы регрессионного анализа

1.2.2 Методы экстраполяции

1.2.3 Методы временных рядов

1.2.4 Методы вейвлет-преобразования временных рядов

1.3 Обзор методов краткосрочного прогнозирования электропотребления, основанных на искусственном интеллекте

1.3.1 Искусственные нейронные сети

1.3.2 Метод опорных векторов

1.3.3 Методы нечеткой логики

1.3.4 Методы, основанные на самоорганизации

1.3.5 Методы, основанные на теории техноценозов

1.4 Обзор современных источников по тематике краткосрочного прогнозирования электропотребления

1.4.1 Обзор статистических методов прогнозирования электропотребления

1.4.2 Обзор нейросетевых методов краткосрочного прогнозирования электропотребления

1.4.3 Обзор гибридных методов краткосрочного прогнозирования электропотребления

1.5 Требования методу и алгоритму краткосрочного прогнозирования почасового электропотребления группы точек поставки гарантирующего поставщика

1.6 Выводы по главе

2 АНАЛИЗ ФАКТОРОВ, ВЛИЯЮЩИХ НА ПОЧАСОВОЕ ЭЛЕКТРОПОТРЕБЛЕНИЕ ГРУППЫ ТОЧЕК ПОСТАВКИ ГАРАНТИРУЮЩЕГО ПОСТАВЩИКА И РАЗРАБОТКА МЕТОДИКИ ФОРМИРОВАНИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ДАННЫХ

2.1 Анализ влияния временных факторов на поведение временного ряда потребления электроэнергии группы точек поставки гарантирующего поставщика

2.2 Анализ влияния метеорологических факторов на электропотребление группы точек поставки электроэнергии гарантирующего поставщика

2.2.1 Анализ влияния температуры наружного воздуха на временной ряд электропотребления группы точек поставки электроэнергии гарантирующего поставщика

2.2.2 Анализ влияния естественной освещенности на временной ряд электропотребления группы точек поставки гарантирующего поставщика

2.2.3 Анализ влияния ветра на электропотребление группы точек поставки гарантирующего поставщика

2.2.4 Влияние давления и влажности воздуха на потребление электроэнергии группы точек поставки гарантирующего поставщика

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

2.4 Методика формирования выборки данных, необходимой для обучения и тестирования алгоритмов краткосрочного прогнозирования электропотребления группы точек поставки гарантирующего поставщика

2.5 Выводы по главе

3 СОВЕРШЕНСТВОВАНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ И МЕТОДА КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ПОЧАСОВОГО ЭЛЕКТРОПОТРЕБЛЕНИЯ ГРУППЫ ТОЧЕК ПОСТАВКИ ГАРАНТИРУЮЩЕГО ПОСТАВЩИКА

3.1 Совершенствование нейросетевой модели почасового электропотребления группы точек поставки гарантирующего поставщика

3.2 Совершенствование нейросетевого метода краткосрочного прогнозирования электропотребления группы точек поставки гарантирующего поставщика

3.3 Определение оптимальной архитектуры и конфигурации нейросетевой модели краткосрочного прогнозирования электропотребления группы точек поставки гарантирующего поставщика

3.3.1 Определение оптимальной конфигурации многослойного персептрона

3.3.2 Определение оптимальной конфигурации одномерной сверточной нейронной сети

3.3.3 Определение оптимальной конфигурации двумерной сверточной нейронной сети

3.3.4 Определение оптимальной конфигурации одномерной сверточной нейронной сети с рекуррентным слоем

3.3.5 Определение оптимальной конфигурации ансамбля нейронных сетей

3.4 Выводы по главе

4 СРАВНИТЕЛЬНЫЙ АНАЛИЗ ТОЧНОСТИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ ГРУППЫ ТОЧЕК ПОСТАВКИ ГАРАНТИРУЮЩЕГО ПОСТАВЩИКА НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ И МЕТОДА ЭКСПЕРТНЫХ ОЦЕНОК

4.1 Планирование и статистическая обработка основных результатов экспериментов

4.2 Структура потребителей и производственные характеристики гарантирующего поставщика электроэнергии

4.3 Анализ законов распределения случайных величин факторов, влияющих на почасовое электропотребление группы точек поставки гарантирующего поставщика

4.4 Алгоритм краткосрочного прогнозирования почасового электропотребления группы точек поставки гарантирующего поставщика

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

4.5.1 Анализ точности краткосрочного прогнозирования почасового электропотребления нейросетевых моделей, учитывающих различный набор факторов

4.5.2 Сравнительный анализ точности краткосрочного прогнозирования почасового электропотребления ансамблевого нейросетевого метода и одиночных нейросетей на ретроспективных данных

4.5.3 Сравнительный анализ точности краткосрочного прогнозирования почасового электропотребления ансамблевого нейросетевого метода, одиночных нейросетей и метода экспертных оценок на фактических данных

4.6 Оценка величины экономического эффекта от применения ансамблевого нейросетевого метода и алгоритма краткосрочного прогнозирования электропотребления группы точек поставки гарантирующего поставщика

4.7 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

Список литературы

Приложение А

Приложение Б

Приложение В

Введение диссертации (часть автореферата) на тему «Разработка метода и нейросетевого алгоритма краткосрочного прогнозирования почасового электропотребления гарантирующего поставщика»

ВВЕДЕНИЕ

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 6110 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 «Машиностроение», 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. №2 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.

1 ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И РЫНКА ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ

В условиях рыночных отношений между субъектами электроэнергетики проблема краткосрочного прогнозирования электропотребления становится в разы актуальнее. Так как большая часть генерирующего оборудования в энергосистеме является маломаневренным, необходима прогнозная информация о почасовом электропотреблении всех потребителей. В связи с этим покупка электроэнергии на оптовом рынке электроэнергии и мощности (ОРЭМ) предполагает краткосрочное прогнозирование собственного электропотребления по всем группам точек поставки. Результаты краткосрочного прогнозирования влияют на экономические и технологические параметры энергосистемы [1]. Ошибки краткосрочного прогнозирования электропотребления приводят к необоснованным пускам и остановам генерирующего оборудования, которые оплачиваются конечными потребителями. Помимо этого, цена на покупку отклонений фактического электропотребления от прогнозного складывается таким образом, чтобы стимулировать крупных потребителей электроэнергии, таких как гарантирующие поставщики (ГП), придерживаться собственных прогнозов. Для достижения положительных финансовых результатов покупателям электроэнергии на ОРЭМ необходимо как можно точнее прогнозировать собственное почасовое электропотребление.

На сегодняшний день разработано множество математических моделей, методов и алгоритмов прогнозирования электропотребления. Формализованные методы прогнозирования и моделирования электрических нагрузок можно разделить на три основные категории: статистические методы, методы искусственного интеллекта и гибридные методы [2, 12]. Гибридные методы представляют собой комбинацию из двух или более методов искусственного интеллекта и (или) статистических методов [13].

В данной главе произведен анализ работы гарантирующих поставщиков в условиях электроэнергетического рынка, обзор и анализ существующих методов прогнозирования и моделирования электрических нагрузок, обзор современных источников по тематике краткосрочного прогнозирования электропотребления, а также сформулированы требования к методу и алгоритму краткосрочного прогнозирования почасового электропотребления групп точек поставки гарантирующего поставщика.

1.1 Анализ специфики работы гарантирующих поставщиков на электроэнергетическом рынке

1.1.1 Особенности покупки электроэнергии на оптовом рынке электроэнергии и мощности России

С 01.09.2006 г. в России (РФ) реализуется концепция рыночных взаимоотношений между субъектами электроэнергетической отрасли. С этого момента начал свое функционирование оптовый рынок электроэнергии и мощности. ОРЭМ представляет собой сферу купли-продажи особых товаров -электрической энергии и мощности - в условиях Единой энергетической системы России (ЕЭС). Правовые основы функционирования ОРЭМ устанавливают Федеральный закон от 26 марта 2003 г. № 35-ФЗ «Об электроэнергетике», Правила оптового рынка электрической энергии и мощности (Постановление правительства РФ от 27 декабря 2010 г. № 1172 «Об утверждении правил оптового рынка электрической энергии и мощности») и иные нормативные правовые акты, предусмотренные правилами ОРЭМ. Территориально ОРЭМ подразделяется на две ценовые и неценовые зоны (ЦЗ и НЦЗ). Такое деление обусловлено особенностями планирования и ведения режима функционирования энергосистемы, вызванными различием состава генерирующего оборудования и электросетевыми ограничениями на перетоки мощности между ценовыми зонами. На рисунке 1.1 представлена география оптового рынка электроэнергии и мощности России.

технологически изолированные территориальные электроэнергетические системы

мощности России

Первая ценовая зона включает в себя территории Центрального, СевероЗападного, Южного, Северо-Кавказского, Приволжского и Уральского федеральных округов, вторая ценовая зона - территорию Сибирского федерального округа. Неценовые зоны включают в себя территории Архангельской и Калининградской областей, Республики Коми, а также регионы Дальнего Востока. В ценовых зонах ОРЭМ торговля электроэнергией происходит по нерегулируемым ценам. Также в ЦЗ законодательно запрещается совмещать монопольные виды деятельности с конкурентными, то есть деятельность по транспорту электроэнергии и оперативно-диспетчерскому управлению с деятельностью по генерации и сбыту электроэнергии в границах одной ЦЗ.

В НЦЗ ОРЭМ рыночные отношения между субъектами электроэнергетики в настоящее время невозможны по причинам технологического характера, и торговля электроэнергией и мощностью происходит по особым правилам, регулируемым государством [14].

Особенности функционирования электроэнергетического рынка обусловливаются спецификой электроэнергии как товара, имеющего нижеперечисленные отличительные особенности [15]:

- совпадение во времени процесса генерации и электропотребления;

- отсутствие возможности запасать электроэнергию в количествах,

достаточных в масштабах энергосистемы;

- трудность прогнозирования объемов выработки и потребления электроэнергии;

- невозможность точно определить производителя электроэнергии, потребленной тем или иным потребителем;

- на качество электроэнергии практически не влияет технологический уровень генерирующего оборудования, т.е. потребительская ценность электроэнергии, произведенной на атомных и угольных электростанциях, одинакова.

На рисунке 1.2 представлена коммерческая схема электроснабжения в РФ.

Рисунок 1.2 - Коммерческая схема электроснабжения в РФ

В настоящее время на территории РФ функционирует двухуровневый электроэнергетический рынок. Крупные производители и покупатели электроэнергии осуществляют куплю-продажу электрической энергии и мощности на ОРЭМ. Также субъектами ОРЭМ являются организации технологической (Системный оператор ЕЭС (СО ЕЭС), Федеральная сетевая компания ЕЭС (ФСК

ЕЭС)) и коммерческой (некоммерческое партнерство Совет рынка, Администратор торговой системы (АО «АТС»), Центр финансовых расчетов (АО «ЦФР)) инфраструктуры ОРЭМ. Производители и покупатели электрической энергии, не участвующие в торговле на ОРЭМ, являются субъектами розничных рынков электрической энергии.

Также особенности функционирования электроэнергетического рынка связаны со структурой генерирующих мощностей [16]. На рисунке 1.3 представлена структура генерирующих мощностей в России.

Рисунок 1.3 - Структура генерирующих мощностей в России

Как мы видим из рисунка 1.3, основная доля (62,8 %) генерирующих мощностей приходится на тепловые электростанции (ТЭС). Генерирующее оборудование ТЭС характеризуется малой маневренностью, то есть пуск в работу данного оборудования занимает 6-14 часов. Также на пуск теплового генерирующего оборудования пропорционально его мощности затрачивается большое количество первичных энергоресурсов. Данные обстоятельства делают прогнозирование электропотребления достаточно критичным аспектом управления режимом энергосистемы [17]. В связи с этим покупка электроэнергии на ОРЭМ предполагает краткосрочное прогнозирование собственного почасового электропотребления.

В настоящее время рынок электроэнергии на ОРЭМ состоит из следующих

Список литературы диссертационного исследования кандидат наук Серебряков Николай Александрович, 2021 год

Список литературы

1. Прогнозирование объемов энергопотребления в зависимости от исходной информации / В.И. Доманов, А.И. Билалова // Вестник ЮУрГУ. Серия: Энергетика. - 2016. - Т. 16, № 2. - С. 59-65. - DOI : https://doi.org/10.14529/power160208

2. Short-term load forecasting using EMD-LSTM neural networks with a XGBOOSt algorithm for feature importance evaluation / Н. Zheng, J. Yuan, L. Chen // Energies. - 2017. - Vol. 10. - P. 1-20. - DOI : https://doi.org/10.3390/en10081168

3. Национальная стратегия развития искусственного интеллекта на период до 2030 года. - Текст: электронный. - URL : http://www.kremlin.ru/acts/bank/44731 (Дата обращения 21.11.2019)

4. Аль Зихери, Б. М. Повышение точности краткосрочного прогнозирования электрической нагрузки потребителей региона с учетом метеофакторов на основе метода опорных векторов : специальность 05.14.02 «Электрические станции и электроэнергетические системы» : дис. ... канд. техн. наук / Б. М. Аль Зехери : Южно-Российский государственный политехнический университет (НПИ) имени М.И Платова. - Новочеркасск, 2015. - 181 с.

5. Соломахо, К. Л. Применение метода главных компонент для прогнозирования объемов электропотребления энергосбытового предприятия : специальность 05.09.03 «Электротехнические комплексы и системы» : дис. на соиск. учен. степ. канд. техн. наук / К. Л. Соломахо : Южно-Уральский государственный университет. - Челябинск, 2015. - 141 с.

6. Махмуд, Омар Шукур Махмуд. Интеллектуализация управления процессами энергоснабжения на основе нечетких моделей прогнозирования и регулирования : специальность 05.13.01 «Системный анализ и обработка информации» : дис. на соиск. учен. степ. канд. техн. наук / Махмуд Омар Шукур Махмуд : Воронежский государственный технический университет. - Воронеж, 2017. - 174 с.

7. Грицай, А. С. Гибридный метод прогнозирования потребления электрической энергии для энергосбытового предприятия с учетом метеофакторов : специальность 05.09.03 «Электротехнические комплексы и системы» : дис. ... канд. техн. наук / А. С. Грицай : Омский государственный технический университет. - Омск, 2017. - 153 с.

8. Матренин, П.В. Разработка адаптивных алгоритмов роевого интеллекта в проектировании и управлении техническими системами : специальность 05.13.01 «Системный анализ и обработка информации» : дис. на соиск. учен. степ. канд. техн. наук / П.В. Матренин : Новосибирский государственный технический университет. - Новосибирск, 2018. - 197 с.

9. Шолле, Ф. Глубокое обучение на Python / Ф. Шолле ; пер. с англ. А. Киселев ; под общ. ред. Л. А. Волковой. — Санкт - Петербург : Питер, 2018. — 400 с. : ил. — ISBN 978-5-4461-0770-4

10. Dropout: a simple way to prevent neural networks from overfitting / N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever, R. Salakhutdinov // Journal of Machine Learning Research. - 2014. - Vol. 15. - P. 1929-1958.

11. Batch Normalization: Accelerating deep network training by reducing internal covariate shift / S. Iofee, C. Szegedy. - Текст: электронный. - URL: https://arxiv.org/pdf/1502.03167.pdf (дата обращения: 02.03.2019).

12. Empirical comparison of neural network and auto-regressive models in short-term load forecasting / M. López, C. Sans, S. Valero, C, Senabre // Energies. - 2018. -Vol. 11. - P. 1-19. DOI: https://doi.org/10.3390/en11082080.

13. Жуков, А. В. Модификация алгоритма случайного леса для классификации нестационарных потоковых данных / А. В. Жуков, Д. H. Сидоров // Вестник ЮУрГУ. Серия «Математическое моделирование и программирование».

- 2016. - T. 9. - № 4. - C. 86-95. - DOI : https://doi.org/10.14529/mmp160408.

14. Ассоциация «^коммерческое партнерство «Совет рынка»» : офиц. сайт

- URL : https://www.np-sr.ru/ru/market/wholesale/index.htm (дата обращение 10.11.2018)

15. Дамбаева, Е. Ж. Электроэнергия как специфический товар //Известия Иркутской государственной экономической академии. -2010. - №2 2(70). - C.78-81.

16. Серебряков, H. А. Причины завышенных цен на оптовом рынке электроэнергии и мощности и пути их снижения / H. А. Серебряков, О. Л. ^китина // ^ука и молодежь : Сборник трудов 12-ой Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых (Барнаул, 22 апреля 2015 г.) / АлтГТУ . - Барнаул : Изд-во Алт. гос. техн. ун-та, 2015. - С. 104-106.

17. Бояркин, Д.А. Использование методов машинного обучения при оценке надежности электроэнергетических систем методом Монте-Карло / Д.А. Бояркин, Д. С. Крупенев, Д. В. Якубовский // Вестник ЮУрГУ. Серия: Математическое моделирование и программирование. - 2018. - Т. 11. - № 4. - С. 146-153. - DOI : https://doi.org/10.14529/mmp180411

18. Бахтеева, H.3. Конкурентный оптовый рынок электроэнергии и мощности: состояние и новые вызовы / H.3. Бахтеева, Л.А. Галимзянов, З.В. Шацких // Проблемы энергетики. - 2016 . - № 5. - С. 70-78.

19. Стародубцева, А.Е. Перекрестное субсидирование как мера социальной поддержки населения: международный опыт государственного управления на рынке электроэнергии и мощности // Вопросы государственного и муниципального управления. - 2020. - № 2. - С. 114-144.

20. Воронов, H.R Прогнозирование и планирование в условиях рынка : учебник для студентов высших учебных заведений / H. Г. Воронов, Г. А. Трофимов.

- Санкт-Петербург : Изд-во С.-Петерб. ун-та технологий управления и экономики, 2011. - 225 с.

21. О ценообразовании в области регулируемых цен (тарифов) в электроэнергетике : Постановление правительства РФ от 29 декабря 2011 г. №2 1178 // Российская газета. - 2012. - № 5686 - Ст. 19.

22. Об определении и применении гарантирующими поставщиками нерегулируемых цен на электрическую энергию (мощность) : Постановление правительства РФ от 29 декабря 2011 г. № 1179 // Российская газета. - 2012. - № 5686 - Ст. 18.

23. Серебряков, H. А. Создание алгоритма оперативного прогнозирования

электропотребления энергосбытовой компании / Н. А. Серебряков, А. А. Грибанов // Наука и молодежь : Сборник трудов 13-ой Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых (Барнаул, 20-30 апреля 2016 г.). - Барнаул : Изд-во Алт. гос. техн. ун-та, 2016. - С. 48-51.

24. Об утверждении правил оптового рынка электрической энергии и мощности и о внесении изменений в некоторые акты правительства российской федерации по вопросам организации функционирования оптового рынка электрической энергии и мощности : Постановление правительства РФ от 27 декабря 2010 г. № 1172 // Российская газета. - 2011. - № 5447 - Ст. 17.

25. Прогнозирование объемов потребления электроэнергии / И.М. Кирпичникова, Л.А. Саплин, К.Л. Соломахо // Вестник ЮУрГУ. Серия «Энергетика».- 2014. - Т. 14. - № 2. - С. 16-21.

26. Приложение № 16 к договору о присоединении к торговой системе: Регламент финансовых расчетов на оптовом рынке электроэнергии / Ассоциация «Некоммерческое партнерство «Совет рынка»». - URL : http://www.np-sr.ru/regulation/ioining/reglaments/index.htm?ssFolderId=76 (дата обращение 23.03.2017)

27. / Руссков, О. В. Планирование неравномерного потребления субъекта оптового рынка электроэнергии на основе прогноза соотношений часовых цен / О. В. Руссков, С. Э. Сараджишвили // Наука и Образование / МГТУ им. Н.Э. Баумана. - 2015. - № 02. - С. 115-135. - DOI: 10.7463/0215.0757930. - URL : https://cyberleninka.ru/article/n/planirovanie-neravnomernogo-potrebleniya-subekta-optovogo-rynka-elektroenergii-na-osnove-prognoza-sootnosheniy-chasovyh-tsen

28. Кувайскова, Ю. Е. Статистические методы прогнозирования : учебное пособие / Ю.Е. Кувайскова, В.Н. Клячкин. - Ульяновск : Изд-во УлГТУ, 2019. -197 с. - ISBN 978-5-9795-1826-2

29. Система краткосрочного прогнозирования электропотребления / Е.С. Филатова, Д.М. Филатов, А.Д. Стоцкая // Международный журнал прикладных и фундаментальных исследований. - 2015. - № 10. - С. 46-50.

30. Weather sensitive method for short term load forecasting in electric power Utility of Serbia / S. Ruzic, A. Vuckovic, N. Nikolic // IEEE Transactions on Power Systems. 2003. - Vol. 18. - no. 4. - P. 1581-1586.

31. Манусов, В. З. Краткосрочное прогнозирование электрической нагрузки на основе нечеткой нейронной сети и ее сравнение с другими методами / В.З. Манусов, Е.В. Бирюков // Известия Томского политехнического университета. Инжениринг георесурсов. - 2016. - Т. 309. - № 6. - C. 153 - 158.

32. Биланова, А.И. Прогнозирование потребления электрической энергии электротехническим комплексом городской электрической сети : специальность 05.09.03 «Электротехнические комплексы и системы» : дис. на соиск. учен. степ. канд. техн. наук / А.И. Биланова : Ульяновский государственный технический университет. - Ульяновск, 2019. - 166 с.

33. Клеопатров, Д. И. Прогнозирование экономических показателей с помощью метода экспоненциального сглаживания / Д. И. Клеопатров, А. А. Френкель. - Москва : изд-во Наука, 1973. - 298 с.

34. Старкова, Г.С. Комплекс экономико-математических моделей

прогнозирования потребления электроэнергии в регионах РФ и его инструментальная реализация : специальность 08.00.13 - «Математические и инструментальные методы экономики» : дис. на соиск. учен. степ. канд. эконом. наук / Г. С. Старкова : Пермский государственный национальный исследовательский университет. - Пермь, 2014. - 153 с.

35. Мицель, А. А. Методы предобработки входных данных для системы прогнозирования финансовых временных рядов / А. А. Мицель, Е. А. Ефремова // Доклады ТУСУР. - 2005. - № 3 (11). - С. 56-59.

36. Кричевский, М.Л. Временные ряды в менеджменте : моногр. / М.Л. Кричевский. - Москва : Изд-во «РУСАЙНС», 2016. - 220 с. - ISBN 978-54365-0737-8.

37. Бокс, Д. Анализ временных рядов: прогноз и управление : пер. с англ. / Д. Бокс, Г. Дженкинс. - Москва : Мир, 1974. - 406 с.

38. Yang, H.T. A new short-term load forecasting approach using self-organizing fuzzy ARMAX models / H.T. Yang, C.M. Huang // IEEE Transactions on Power Systems. - 1998. - Vol. 13. - P. 217 - 225.

39. Yang, H.T. Identification of ARMAX model for short-term load forecast-ing: An evolutionary programming approach / H.T. Yang, C.M. Huang, C.L. Huang / IEEE Transactions on Power Systems. - 1996. - 11. - P. 403 - 408.

40. Чучуева, И.А. Модель прогнозирования временных рядов по выборке максимального подобия : специальность 05.13.18 «Математическое моделирование, численные методы и комплексы программ» : авреф. дис. на соиск. учен. степ. канд. техн. наук / И.А. Чучуева : Московский государственный технический университет им. Н.Э. Баумана. - Москва, 2012. - 19 с.

41. Астафьева, Н. М. Вейвлет анализ: основы теории и примеры применения / Н. М. Астафьева // Вестник Российской академии наук. - 1996. - № 11. - С. 11451170

42. Надтока И.И. Вейвлет-преобразования временных рядов при краткосрочном прогнозировании электропотребления с учётом освещенности / И. И. Надтока, В. А. Бугаец // Современные энергетические комплексы и систем и управление ими : материалы XI международной науч.-практ. конф., (Новочеркасск, 24 июня 2013г.) / Юж. рос. гос. политехн. ун-т (НПИ) им. М.И. Платова. - Новочеркасск : ЮРГПУ (НПИ), 2013. - С. 41-45.

43. A novel wavelet-based ensemble method for short-term load forecasting with hybrid neural networks and feature selection / S. Li, P. Wang, L. Goel // IEEE Transactions on Power Systems. - 2016. - Vol. 31. - № 3. - P. 1788-1798.

44. Определение поломок резцов PDC с помощью регрессионного и нейросетевого моделирования / А.Я. Третьяк, А.В. Кузнецова, К.А. Борисов // Известия Томского политехнического университета. Инжиниринг георесурсов. -2019. - Т. 330. - № 5. - С. 169-177. - DOI : https://doi.org/10. 18799/2413183 0/2019/5/275

45. Воронина, В. В. Теория и практика машинного обучения : учеб. пособие / В. В. Воронина, А. В. Михеев, Н. Г. Ярушкина, К. В. Святов. -Ульяновск : УлГТУ, 2017. - 290 с. ISBN 978-5-9795-1712-4

46. Хайкин, С. Нейронные сети: полный курс / С. Хайкин ; пер. с англ. - 2-ое

изд., испр. - Москва : Вильямс, 2006. - 1104 с. - ил. - ISBN 5-8459-0890-6.

47. Гафаров, Ф.М Искусственные нейронные сети и приложения : учеб. пособие / Ф.М. Гафаров, А.Ф. Галимянов. - Казань: Изд-во Казан. ун-та, 2018. -121 с.

48. Губский, С. О. Учет освещенности при краткосрочном прогнозировании электропотребления для региональных диспетчерских управлений / С.О. Губский : специальность 05.14.02 «Электрические станции и электроэнергетические системы» : автореф. дис. ... канд. техн. наук / С. О. Губский : Южно-Российский государственный политехнический университет (НПИ) имени М.И Платова. -Новочеркасск, 2012, - 23 с.

49. Гофман, А.В. Повышение точности краткосрочного и оперативного прогнозирования электропотребления энергосистемы с применением искусственной нейронной сети / А. В. Гофман, А. С. Ведерников, Е. С. Ведерникова // Электрические станции. - 2012. - № .7. - С. 36-41.

50. Курбацкий, В.Г. Управление в электроэнергетике с использованием методов искусственного интеллекта / В.Г. Курбацкий, Н.В. Томин // Электрика. -2005.- № 9. - С. 20-28.

51. Николенко, С. Глубокое обучение: погружение в мир нейронных сетей / С. Николенко, А. Кадурин, Е. Архангельская. — Санкт-Петербург : Питер, 2018.

— 480 с.: ил. — ISBN 978-5-496-02536-2

52. Gradient-based learning applied to document recognition / Y. LeCun, L. Bottou, Y. Bengio, P. Haffner // Proceedings of the IEEE. - 1998. - Vol. 86(11). - P. 2278-2324.

53. Shuohang, W. Learning natural language inference with LSTM / W. Shuohang, J. Jing // Proceedings of the 2016 NAACL (San Diego, California. 2016). - P. 14421451.

54. Deep learning for estimating building energy consumption / E. Mocanu, P.H. Nguyen, M. Gibescu, W.L. Kling // Sustainable Energy. Grids and Networks. - 2016. -Vol. 6. - P. 91-99.

55. He,W. Deep neural network based load forecast / W. He // Computer Model. New Technology. - 2014. - Vol. 18. - Vol. 258-262.

56. Predicting electricity consumption for commercial and residential buildings using deep recurrent neural networks / A. Rahmana, V. Srikumarb, A. Smith // Applied Energy. - 2018. - Vol. 212. - P. 372-385.

57. Грицай, А. С. Нейронная сеть, как средство построения краткосрочного прогноза потребления энергии для энергосбытовой компании / А. С. Грицай // Молодежь и современные информационные технологии: материалы VIII Всерос. науч.-практ. конф. студентов, аспирантов и молодых ученых(Томск, 03-05 марта 2010 г.) / ТПУ. - Томск : изд-во ТПУ, 2010. - С. 105-107.

58. Vapnik, V. N. Statistical Learning Theory / V. N. Vapnik, A. J. Chervonenkis.

- New York : Wiley, 1998. - 736 p.

59. Гудфеллоу, Я. Глубокое обучение / Я. Гудфеллоу, И. Бенджио, А. Курвилль ; пер. с анг. А. А. Слинкина. - 2-е изд., испр. - Москва : ДМК Пресс, 2018. - 652 с. - ил. - ISBN 978-5-97060-618-6

60. Надтока, И.И. Краткосрочное прогнозирование электропотребления с

помощью метода наименьших квадратов опорных векторов / И.И. Надтока, Б.М. Аль Зихери // Электроэнергетика глазами молодежи: научные труды международной научно-технической конференции: сборник статей (Новочеркасск, 14-18 октября 2013 г.) / Юж.-Рос. гос. политехн. ун-т. (НПИ) имени М.И. Платова-Новочеркасск : изд-во Юж.-Рос. гос. политехн. ун-т, 2013- С.190-194.

61. Thai, N. Short-Term Load Forecasting Based on Adaptive Neuro-Fuzzy Inference System / N. Thai, L. Yuan // Journal of computers. - 2011. - Vol. 6.- P. 22672271.

62. Akbar, E. Holidays short-term load forecasting using fuzzy improved similar day method / E. Akbar, M. Amir // International Transactions on Electrical Energy Systems. - 2013. - Vol. 23. - Iss. 8. - P. 1254-1271.

63. Short-term load forecasting based on the method of genetic programming / H. Limin, F. Xinqiao, X. Yunfang, Y. Jinliang // Proceedings of International Conference on Mechatronics and Automation (Harbin, China, 5-8 Aug. 2007). - 2007. - P. 839 - 843.

64. Wei, S. Short term load forecasting based on bp neural network trained by PSO / S. Wei, Z. Ying // Proceedings of International Conference on Machine Learning and Cybernetics. - 2007. - Vol. 5. - P. 2863 - 2868.

65. Bashir, Z.A. Short-Term Load Forecasting Using Artificial Neural Network Based on Particle Swarm Optimization Algorithm / Z.A. Bashir, M.E. El-Hawary // Proceedings of Canadian Conference on Electrical and Computer Engineering. - 2007. -P. 272 - 275.

66. Кирпичникова, И.М. Исследование методов прогнозирования электропотребления сбытового предприятия / И. М. Кирпичникова, К. Л. Соломахо // ЭСиК. - 2014. - №3(24). - С. 39-43.

67. Применение алгоритмов роевого интеллекта в управлении генерирующим потребителем с возобновляемыми источниками энергии / В.З. Манусов, П.В. Матренин, Н. Хасанзода // Научный вестник НГТУ. - 2019. - № 3 (76). - С. 115-134. - DOI: 10.17212/1814-1196-2019-3-115-134.

68. Джоши, П. Искусственный интеллект с примерами на Python / П. Джоши ; пер. с англ. - под общей ред. В.Р. Гинзбурга. - Санкт-Петербург : ООО «Диалектика», 2019. - 448 с. - ISBN 978-5-907114-41-8.

69. A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids / N. Liu, Q. Tang, J. Zhang, W. Fan, J. Liu // Applied Energy. - 2014. - Vol. 129. - P. 336-345.

70. Гнатюк, В.И. Философские основания техноценологического подхода : Монография. - Калининград : Изд-во КИЦ «Техноценоз», 2014. - 284 с. - ISBN 978-5-9902800-2-1.

71. Кивчун, О.Р. Векторный ранговый анализ. - Калининград : Калининградский инновационный центр «Техноценоз», 2019. - 126 с.

72. Гнатюк, В.И. Прогнозирование электропотребления объектов социально-экономических систем на основе значений ранговой нормы / В.И. Гнатюк, О.Р. Кивчун, Д.Г. Морозов // Морские интеллектуальные технологии. - 2020. - № 4. - Т. 2. - С. 107-111. - DOI: 10.37220/MIT.2020.50.4.079.

73. Кивчун, О.Р. Метод управления электропотреблением объектов регионального электротехнического комплекса на основе синтеза процедур

рангового анализа // Известия ТулГУ. Технические науки. - 2020. - Вып. 2. - С. 500-513.

74. Гнатюк, В.И. Модели и методы прогнозирования электропотребления при управлении объектами регионального электротехнического комплекса / В.И. Гнатюк, М.А. Никитин, Д.В. Луценко, О.Р. Кивчун // математическое моделирование 2017 год, том 29, номер 5, стр. 109-121

75. Валь, П.В. Прогнозирование электропотребления с использованием авторегрессионного метода / П.В. Валь, А.С. Торопов // Современная техника и технологии : XVI Международная научно-практическая конференция (Томск, 0408 мая 2009 г.) : сборник трудов конференции. - Томск : изд-во ТПУ, 2009 - С. 2324.

76. Electricity consumption clustering using smart meter data / A. Tureczek, P. Nielsen, H. Madsen // Energies. - 2018. - Vol. 11. - P. 1-18. - DOI : http: doi.org/10.3390/en11040859.

77. Гофман, А.В. Моделирование электропотребления многономенклатурного предприятия для краткосрочного прогнозирования : специальность 05.09.03 «Электротехнические комплексы и системы» автореф. дис. ... канд. техн. наук / А. В. Гофман : Самарский государственный технический университет. - Самара, 2013. - 20 с.

78. Иванин, О.А. Применение искусственных нейронных сетей для прогнозирования энергетических нагрузок обособленных потребителей / О. А. Иванин, Л. Б. Директор // Теплоэнергетика. - 2018. - № 5. - С. 17-26. -DOI: 10.1134/S0040363618050041.

79. Хасанзода, Н. Оптимизация энергоэффективности ветровых ресурсов дальнего востока на основе алгоритма роевого интеллекта / В.З. Манусов, Н. Хасанзода // Международный научный журнал «Альтернативная энергетика и экология», (ISJAEE). - 2018. - № 19-21. - С. 12-22.

80. Бугаец, В. А. Краткосрочное прогнозирование электропотребления энергорайонов и региона с учетом метеофакторов : автореферат дис. ... кандидата технических наук : специальность 05.14.02 «Электрические станции и электроэнергетические системы» / Бугаец Вячеслав Анатольевич : Юж.-Рос. гос. техн. ун-т (НПИ). - Новочеркасск, 2015. - 23 с.

81. Optimal deep learning LSTM model for electric load forecasting using feature selection and genetic algorithm: comparison with machine learning approaches / S. Bouktif, A. Fiaz, A. Ouni, M. Serhani // Energies. - 2018. - Vol. 11. - P. 1-20. - DOI : 10.3390/en11071636.

82. Operational supply and demand optimisation of a multi-vector district energy system using artificial neural networks and a genetic algorithm / J. Reynolds, M.W. Ahmad, Y. Rezgui, J. Hippolyte // Applied Energy. - 2019. - vol. 235. - P. 699-713.

83. Masood, N.A. Methodology for identification of weather sensitive component of electrical load using empirical mode decomposition technique / N.A. Masood, Q. A. Ahsan // Energy and Power Engineering. - 2013. - Vol.5. - no. 4. - C. 293-300. - DOI : https://doi.org/10.4236/epe.2013.54029

84. Wang, Z. A review of artificial intelligence based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models / Z.

Wang, R.S. Srinivasan // Renewable and Sustainable Energy Reviews. - 2017. - Vol. 75.

- P. 796-808. - DOI : https://doi.org/10.1016/i .rser.2016.10.079

85. An efficient approach for short-term load forecasting using historical data / D.V. Rajan, S. Mallick, S.S. Thakur // International Journal of Engineering Research & Technology. - 2012 - Vol. 1. - no 3. - P. 1-9.

86. Scalable Clustering of Individual Electrical Curves for Profiling and Bottom-Up Forecasting / B. Auder, J. Cugliari, Y. Goude, J-M. Poggi // Energies. - 2018. - Vol. 11. - no 7. - P. 1893-1900. - DOI : https://doi.org/10.3390/en11071893

87. Торопов, А.С. Прогнозирование почасового электропотребления региональной энергосистемы с использованием искусственных нейронных сетей / А.С. Торопов, АЛ. Туликов // Вестник Иркутского государственного технического университета. - 2017. - Т. 21. - № 5. - С. 143-151. - DOI : https://doi.org/10.21285/1814-3520-2017-5-143-151

85. Хомутов, С.О. Учет влияния основных факторов при прогнозировании электрических нагрузок в целях снижения потребления первичных энергоресурсов / С.О. Хомутов, HA. Серебряков // Электроэнергетика. энергосбережение и энергоэффективность. Возобновляемые источники энергии : сборник статей / сост. С. О. Хомутов [и др.]. - Барнаул : ООО «МЦ ЭОР», 2018. - С. 141-150. - Режим доступа: http://mceor.ru/altgtu/18006 - 01.03.2018. - ISBN 978-5-6040354-2-9

89. Хомутов, С.О. Учет характерных особенностей суточного графика электрической нагрузки сельхозпотребителей при краткосрочном прогнозировании электропотребления / С.О. Хомутов, HA. Серебряков // Фундаментальная наука и технологии - перспективные разработки : сборник трудов 20-ой международная научно-практической конференции. -Моррисивилль : издательский дом «Академический», 2019 - С. 34-37. - ISBN: 9780359947096

90. Серебряков, HA. Анализ факторов, влияющих на совокупное электропотребление гарантирующего поставщика / HA. Серебряков // Вестник Иркутского государственного технического университета. 2020. - Т. 24. - №2 2. - С. 366-381. - DOI : https://doi.org/10.21285/1814-3520-2020-2-366-381

91. Серебряков, H. А. Создание алгоритма оперативного прогнозирования потребления электроэнергии энергосбытовым предприятием / H. А. Серебряков, А. А. Грибанов // Энергетика, электромеханика и энергоэффективные технологии глазами молодежи : материалы IV российской молодежной научной школы-конференции / Томский политехнический университет (Томск, 1-3 ноября 2016 г.). : В 2 т. : Т. 2 / - Томск : Изд-во ООО «ЦРУ», 2016. - С. 32 - 35.

92. ^дтока, И. И. Краткосрочное прогнозирование электропотребления региона с учетом метеофакторов на основе метода опорных векторов и алгоритма роя частиц / И. И. ^дтока, А.-З.Б.М. Хусейн // Известия вузов. Электромеханика.

- 2014. - № 3. - С. 44-47.

93. Хомутов, С.О. Влияние метеорологических факторов на режим потребления электроэнергии группы точек поставки электроэнергии сельскохозяйственных товаропроизводителей / С.О. Хомутов, HA. Серебряков // Вестник Алтайского государственного аграрного университета. - 2019. - №2 5 (175).

- С. 148-153

94. An artificial neural network model for Na/K geothermometer / S. Genco, P. Yildiray, S. Umran // Proceedings World Geothermal Congress (Bali, 2010). - P. 1-10.

95. Quayle, R. G. The Steadman wind chill: an improvement over present scales / R.G. Quayle, R.C. Steadman // Amer. Meteorological Social. - 1998. - Vol. 13. - P. 1187-1193.

96. Серебряков, Н.А. Анализ случайной составляющей временного ряда электрической нагрузки группы точек поставки электроэнергии сельхозпроизводителей / Н.А. Серебряков, С.О. Хомутов // Вестник Алтайского государственного аграрного университета. - 2019. - № 5 (175). - C. 153-158.

97. Математическое моделирование отказов элементов электрической сети (10 кВ) автономных энергетических систем с возобновляемой распределенной генерацией / Д. Н. Карамов, И. В. Наумов, С. М. Пержабинский // Известия Томского политехнического университета. Инжиниринг георесурсов. - 2018. - Т. 329. - № 7. - С.116-130.

98. Хомутов, С. О. 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. -2021. - № 5 (104). - С. 46-58. - DOI: 10.23859/1994-0637-2021-5-104-4.

99. Катасёв, А.С. Нейронечеткая модель формирования нечетких правил для оценки состояния объектов в условиях неопределенности / А.С. Катасёв // Компьютерные исследования и моделирование. -2019. - Т. 11. - № 3. - С. 477-492.

- DOI : https://doi.org/10.20537/2076-7633-2019-11-3-477-492

100. Станкевич, Т.С. Разработка метода оперативного прогнозирования динамики развития лесного пожара посредством искусственного интеллекта и глубокого машинного обучения / Т.С. Станкевич // Вестник Иркутского государственного технического университета. - 2018. - Т. 22. - № 9. - С. 111-120.

- DOI : 10.21285/1814-3520-2018-9-111-120

101. A review of data-driven approaches for prediction and classification of building energy consumption / Y. Weia, X. Zhangb, Y. Shia, et al. // Renewable and Sustainable Energy Reviews. - 2018. - V. 82. - P. 1027-1047

102. Новицкий, П. В Оценка погрешностей результатов измерений / П. В. Новицкий, И. А. Зограф ; 2-е изд., перераб. и доп.— Ленинград : Энергоатомиздат. Ленингр. отделение, 1991. — 304 с. - ил.

103. Кориков, А.М. Нейро-нечеткая классификация объектов и их состояний / А.М. Кориков, А.Т. Нгуен // Научный вестник НГТУ. - 2018. - № 3 (72). - С. 7386. - DOI : doi: 10.17212/1814-1196-2018-3-73-86

104. Хомутов, С.О. Создание нейросетевой математической модели краткосрочного прогнозирования электропотребления электротехнического комплекса участка районных электрических сетей / С.О. Хомутов, Н.А. Серебряков // Транспортные системы и технологии. - 2020. - Т. 6. - № 1. - С. 80-91. DOI : doi: 10.17816/transsyst20206180-91

105. Kingma, D.P., ADAM: a method for stochastic optimization / D.P. Kingma, J. Lei Ba. - Текст: электронный - URL: https://arxiv.org/pdf/1412.6980.pdf

106. Learning long-term dependencies with gradient descent is difficult / Y.

Bengio, P. Simard, P. Frasconi // IEEE Transactions on Neural Networks. - 1994. - Vol. 5. - P. 157-166.

107. Duchi, J. Adaptive subgradient methods for online learning and stochastic optimization / J. Duchi, E. Hazan, Y. Singer // Journal of Machine Learning Research. -2011. - Vol. 12. - P. 2121-2159

108. Хомутов, С.О. Применение многослойного персептрона для краткосрочного прогнозирования потребления электроэнергии группы точек поставки сельскохозяйственных потребителей / С.О. Хомутов, Н.А. Серебряков // Наука и молодежь : Сборник трудов 15-ой Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых (Барнаул, 2018 г.) / Горизонты образования. - Барнаул, 2018. - С. 30-33. - Текст: электронный - URL: http://edu.secna.ru/media/f7epp 2018 .pdf.

109. Alkousa, M.S. On some stochastic mirror descent methods for constrained online optimization problems / M.S. Alkousa // Computer research and modeling. - 2019.

- Vol. 11. - № 2. - P. 205-217. DOI: 10.20537/2076-7633-2019-11-2-205-217

110. Ruder, S. An overview of gradient descent optimization algorithms / S. Ruder.

- Текст: электронный. - URL: https://arxiv.org/pdf/1609.04747.pdf.

111. Хомутов, С.О. Повышение качества краткосрочного прогнозирования электрической нагрузки группы точек поставки сельхозпроизводителей с помощью многослойного персептрона / С.О. Хомутов, Н.А. Серебряков // Модернизация и инновационное развитие топливно-энергетического комплекса : Материалы международной научно-практической конференции (Санкт-Петербург, 02 октября 2018 г.). - Санкт-Петербург : Изд-во: Санкт-Петербургский филиал научно-исследовательского центра «МашиноСтроение», 2018. - С. 89-94

112. Серебряков, Н. А. Применение адаптивного ансамблевого нейросетевого метода для краткосрочного прогнозирования электропотребления электротехнического комплекса районных электрических сетей / Н. А. Серебряков // Омский научный вестник. - 2021. - № 1 (175). - С. 39-45. - DOI: 10.25206/18138225-2021-175-39-45.

113. Воевода, А.А., Синтез нейронной сети для реализации рекуррентного метода наименьших квадратов / А.А. Воевода, Д.О. Романников // Научный вестник НГТУ. - 2018. - № 3 (72). - С. 33-42. - DOI: 10.17212/1814-1196-2018-3-33-42

114. Keras : библиотека глубокого машинного обучения : сайт. - URL: https://keras.io/ (дата обращения: 11.12.2018).

115. Hyperband: A Novel Bandit-Based Approach to Hyperparameter Optimization / L. Li и др. - Текст: электронный. - URL: https://arxiv.org/pdf/1603.06560.pdf (дата обращения: 18.06.2019).

116. Хомутов, С. О. Выбор оптимального значения гиперпараметров многослойного персептрона при краткосрочном прогнозировании электропотребления крупных сельскохозяйственных товаропроизводителей / С. О. Хомутов, Н.А. Серебряков // Наука и молодежь : Сборник трудов 16-ой Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых (Барнаул, 2019) / Горизонты образования. - Барнаул, 2019. - С. 1095-1097. - Текст: электронный - URL :

https://iournal.altstu.ru/konf 2019/2019 2/16/

117. Хомутов, С. О. Применение сверточной нейронной сети для повышения точности краткосрочного прогнозирования электропотребления электротехнического комплекса районной электрической сети / С. О. Хомутов, Н. А. Серебряков // Актуальные вопросы энергетики / ОмГТУ. - 2020. - Т. 2. -№ 1. -С.44-47

118. Хомутов, С.О. Повышение качества краткосрочного прогнозирования электропотребления группы точек поставки электроэнергии сельхозпроизводителей с помощью инструментов машинного обучения / С.О. Хомутов, Н.А. Серебряков // Научный вестник НГТУ. - 2019. - № 3 (76). - С. 149168. - DOI: 10.17212/1814-1196-2019-3-149-168.

119. 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. -2020. - Т. 331. - № 6. - С. 128-140. DOI: 10.18799/24131830/2020/6/2682

120. Серебряков, Н. А. Исследование законов распределения случайных величин факторов влияющих на почасовое электропотребление гарантирующего поставщика электроэнергии // Актуальные вопросы энергетики : материалы Всерос. науч.-практ. конф. с междунар. участием (Омск, 14-15 мая 2021 г.) / Минобрнауки Рос-сии, Ом. гос. техн. ун-т ; редкол.: П. А. Батраков (отв. ред.) [и др.]. - Омск : Изд-во ОмГТУ, 2021. - С. 183-187 : ил. - ISBN 978-5-8149-3276-1

121. Серебряков, Н.А. Использование нейросетевой модели для оперативного прогнозирования потребления электроэнергии Горизонты образования / Н.А. Серебряков, А.А. Грибанов : Наука и молодежь : Сборник трудов 14-ой Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых (Барнаул, 2017). - С. 22-25. - Текст: электронный. - URL : http://edu.secna.ru/media7f/epp tez 2017.pdf.

122. Серебряков, Н.А. Применение ансамбля глубоких нейронных сетей в задачах краткосрочного прогнозирования почасового электропотребления гарантирующего поставщика электроэнергии // Электротехнические системы и комплексы. - 2021. - № 2(51). - С 52-60. - DOI: 10.18503/2311-8318-2021-2(51)-52-60

123. TensorFlow : библиотека глубокого машинного обучения : сайт. - URL: https://www.tensorflow.org (дата обращения: 07.09.2018).

124. Свидетельство о государственной регистрации программы для ЭВМ № 2021616729. Программа краткосрочного прогнозирования почасового электропотребления «Прогноз ГТП ГП» / Н.А. Серебряков ; правообладатель: федеральное государственное бюджетное образовательное учреждение высшего образования «Алтайский государственный технический университет им. И.И. Ползунова» (АлтГТУ) (RU). Заявка № 2021612610; дата поступления - 02.03.2021, дата государственной регистрации в Реестре программ для ЭВМ - 26.04.2021.

Приложение А

Свидетельство о государственной регистрации программы для ЭВМ «Программа краткосрочного прогнозирования почасового электропотребления «Прогноз ГТП ГП»»

российская федерация

RU

2021616729

федеральная служба. по интеллектуальное собственности

(12) ГОСУДАРСТВЕННАЯ РЕГИСТРАЦИЯ ПРОГРАММЫ ХТЯ ЭВМ

Номер регистрации (свидетельства): Автор:

2021616729 Серебряков Николай Александрович (К11)

Дата регистрации: 26.04.2021 Прав ооб лад атель:

Номер и дата поступления заявки: 2021612610 02.03.2021 федеральное государственное бюджетное образовательное учреждение высшего образования «Алтайский государственный технический

Дата публикации: 26.04.2021 университет им. II.II. Ползунова» (АлтГТУ) (КЦ)

Контактные реквизиты

нет

Название программы ш ЭВМ:

Программа краткосрочного прогнозирования почасового электропотребления «Прогноз ГТП ГП»

Реферат:

Программа предназначена для краткосрочного прогнозирования почасового электропотребления групп точек поставки электроэнергии гарантирующих поставщиков или энергосбытовых компаний. Область применения: краткосрочное и среднесрочное прогнозирование электрических нагрузок объектов с максимальной мощностью свыше 750 кВА. Программа обеспечивает выполнение следующих функций: нормализация статистических данных об электропотребленин и величине всех влияющих факторов, получение прогноза почасового электропотребления группы точек поставки электроэнергии, сравнение прогнозных и фактических данных, расчет погрешности прогнозирования. Тип ЭВМ: ШМ РС-совмест. ПК: ОС: Windows.

Язык программирования: Python 3 6 Объем программы хтя ЭВМ: 44.4 КБ

165

Приложение Б

Акт внедрения результатов диссертационной работы в производственный

процесс АО «Алтайкрайэнерго»

УТВЕРЖДАЮ Заместитель генерального директора по энсргосбытовой деятельности АО «Алтайкрайэнерго»

Е.А. Бабичев

М.П.

АКТ

внедрения результатов диссертационной работы на соискание ученой степени кандидата технических наук Серебрякова Николая Александровича

Настоящий акт составлен о том, что результаты диссертационной работы Серебрякова Николая Александровича, полученные в рамках взаимодействия АО «Алтайкрайэнерго» и ФГБОУ ВО «Алтайский государственный технический университет им. И.И. Ползунова», внедрены в производственный процесс АО «Аттайкрайэнерго» и используются для построения краткосрочного прогноза почасового потребления электроэнергии групп точек поставки, зарегистрированных за АО «Алтайкрайэнерго» на оптовом рынке электроэнергии и мощности.

Ансамблевый нейросстевой метод и алгоритм краткосрочного прогнозирования почасового электропотребления для группы точек поставки РАЬКЛЕЫ5 «Южная» обеспечил относительную ошибку прогноза на «рынке на сутки вперед» величиной 1,37 % на месячном интервале и 2,45 % на годовом интервале.

Приложения: Протокол проведения испытаний ансамблевого нейросетевого метода и алгоритма краткосрочного прогнозирования почасового электропотребления групп точек поставки на ретроспективных и актуальных данных на 3 л. в 2 экз.

Начальник отдела по работе на оптовом рынке

М.С. Федяев

Приложение 1

Протокол проведения испытаний ансамблевого нейросетевого метода и алгоритма краткосрочного прогнозирования почасового электропотребления групп точек поставки на ретроспективных и

актуальных данных

Таблица 1 - Результаты расчета средней ошибки почасового прогноза электропотребления ГТП «Южная» нейросетевых алгоритмов на

ретроспективных данных с 01.04.2016 по 30.12.2019

Алгоритм прогнозирования LSTM CNN_1D MLP CNN2D Ансамбль инс

Средняя ошибка прогноза М(6), % 2.06 1.24 3.04 1.91 1.05

Среднеквадратичное отклонение о(б),% 1.24 0.48 1.89 0.6 0.43

Таблица 2 - Результаты прогноза почасового потребления электроэнергии

ГТП «Южная» при прогнозировании «на сутки вперед», полученного с помощью

различных нейросетевых алгоритмов и метода экспертных оценок за ноябрь 2019 года

Дата MLP 1DCNN LSTM 2DCNN Ансамбль ИНС Метод экспертных оценок

01.11.2019 1.41 1.17 1.66 1.51 1.12 1.78

02.11.2019 2.40 1.73 1.03 1.04 1.25 1.79

03.11.2019 1.18 1.65 3.16 1.33 1.62 2.21

04.11.2019 1.35 1.55 1.08 1.86 1.16 1.51

05.11.2019 1.97 1.83 1.92 1.84 2.94 1.70

06.11.2019 1.59 1.47 1.14 1.19 1.05 1.04

07.11.2019 0.97 1.20 1.11 1.18 0.93 1.42

08.11.2019 1.56 1.51 1.51 1.86 1.42 1.54

09.11.2019 0.98 1.14 1.67 2.14 1.27 1.35

10.11.2019 1.63 2.01 2.02 2.56 2.26 2.61

11.11.2019 1.50 1.37 1.09 0.90 0.70 2.93

12.11.2019 1.88 1.66 1.52 2.19 1.66 1.63

13.11.2019 0.88 1.07 1.64 1.88 1.06 1.36

14.11.2019 1.35 1.63 1.02 2.08 1.32 1.03

15.11.2019 2.17 2.71 1.30 1.49 1.56 1.27

16.11.2019 1.91 1.76 2.27 2.04 1.76 1.75

Продолжение таблицы 2

Дата MLP 1D_CNN LSTM 2DCNN Ансамбль инс Метод экспертных оценок

17.11.2019 1.73 2.10 1.75 1.57 1.47 0.91

18.11.2019 2.29 2.10 1.85 2.12 1.90 3.98

19.11.2019 1.36 1.37 1.12 1.35 1.21 1.29

20.11.2019 1.15 1.14 0.70 2.43 1.01 2.67

21.11.2019 2.32 1.27 1.04 1.17 1.21 1.29

22.11.2019 1.58 1.58 1.49 2.10 1.56 2.63

23.11.2019 1.74 1.44 1.56 1.23 1.08 1.47

24.11.2019 1.66 1.59 1.46 1.54 1.48 1.24

25.11.2019 2.92 1.57 2.34 2.09 2.06 0.66

26.11.2019 1.27 1.39 1.38 0.69 1.09 1.67

27.11.2019 1.02 1.13 1.21 0.83 0.88 1.12

28.11.2019 0.69 1.28 1.26 0.70 0.86 0.94

29.11.2019 0.81 0.79 0.91 1.00 0.66 0.44

30.11.2019 1.25 2.28 2.47 1.90 1.95 1.16

01.12.2019 0.86 1.12 1.50 0.57 0.85 0.91

Среднемесячная абсолютная ошибка М(5), % 1.53 1.54 1.52 1.56 1.37 1.59

Среднеквадратичное отклонение о(5),% 0.53 0.40 0.53 0.55 0.49 0.74

Таблица 3 - Данные о величине среднемесячной ошибке краткосрочного прогнозирования почасового электропотребления ГТП «Южная» по месяцам 2020 года.

В вышеприведенных таблицах используются следующие условные обозначения:

- LSTM - результаты краткосрочного прогнозирования электропотребления, полученные с помощью рекуррентной нейронной сети типа LSTM;

CNN_1D - результаты краткосрочного прогнозирования электропотребления, полученные с помощью одномерной сверточной нейросети;

- MLP - результаты краткосрочного прогнозирования электропотребления, полученные с помощью многослойной персептронной нейросети;

2D_CNN - результаты краткосрочного прогнозирования электропотребления, полученные с помощью двухмерной сверточной нейросети;

- Ансамбль ИНС - результаты краткосрочного прогнозирования электропотребления, полученные с ансамблевого нейросетевого алгоритма;

- Метод экспертных оценок- результаты краткосрочного прогнозирования электропотребления, полученные сотрудниками отдела по работе оптовом рынке АО «Алтайкрайэнерго» при прогнозировании на «рынке на сутки вперед»;

Средняя ошибка прогноза рассчитывалась на основании выражения:

i N 24 -.факт _ прогноз

S-Jjl.Y}—^--100%, (3.22)

7V k=1 ,=l P¡k

где 8 - средняя абсолютная процентная ошибка прогноза почасового электропотребления ГТП ГП; р?какт - фактическое электропотребление ГТП ГП в

час i суток к; р"крогно3 - прогнозное электропотребление ГТП ГП в час i суток к; N- количество суток в выборке данных.

Представители: От АО «Алтайкрайэнерго»: Начальник отдела по работе на ОР ^М.С Федяев

Ведущий инженер отдела по работе на ОР

От ФГБОУ ВО «АлтГТУ им. И.И. Ползунова»:

^Sií'í.-i г.

_Н.А. Серебряков з

Приложение В

Акт внедрения результатов диссертационной работы в учебный процесс кафедры «Электроснабжение промышленных предприятий» ФГБОУ ВО «Алтайский государственный технический университет им. И.И. Ползунова»

УТВЕРЖДАЮ Проректор по учебной работе ФГБОУ ВО «Алтайский

ственный технический им. И.И. Ползунова»

Сучкова Л.И.

МИ

йз-«^;

Н- < ^ =

■'г шШт 51 щ|

5 2

2

'М.

т

20 21

г.

о внедрении результатов диссертации' Серебрякова Николая Александровича в учебный процесс кафедры «Электроснабжение промышленных предприятий» ФГБОУ ВО «Алтайский государственный технический университет им. И.И. Ползунова»

Мы, нижеподписавшиеся, подтверждаем, что основные научные положения, выводы и рекомендации кандидатской диссертации Серебрякова Николая Александровича на тему «Разработка метода и нейросетевого алгоритма краткосрочного прогнозирования почасового электропотребления гарантирующего поставщика» внедрены в учебный процесс кафедры «Электроснабжение промышленных предприятий» при изучении дисциплины «Моделирование и прогнозирование состояния электрооборудования», читаемой студентам по направлению подготовки 13.04.02 «Электроэнергетика и электротехника».

Декан энергетического факультета

Заведующий кафедрой ЭПП

(подпись)

Начальник Учебно-методического управления

стл^У

Полищук В.И. Хомутов С.О.

Кайгородова М.А.

(подпись) '