КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ
В современных условиях вопросы краткосрочного прогнозирования электропотребления промышленных предприятий играют важную роль. В данной статье рассматривается краткосрочный прогноз электропотребления с помощью адаптивной нечеткой нейронной сети на примере Н-го угольного разреза.
Данные об электропотреблении хранятся в базе данных оперативно-информационного комплекса (ОИК) и их можно рассматривать как временной ряд. Существует множество методов прогнозирования временных рядов: AR, MA, ARMA, ARIMA-модели, метод сезонных кривых, нейронные сети, гибридные системы прогнозирования, которые используют методы нейронных сетей, генетического алгоритма и нечеткой логики.
В качестве исходных данных взята информация о часовом электропотреблении угольного разреза "Н-й". Моделирование системы проведем с помощью Fuzzy Logic Toolbox в системе MatLab.
База знаний такой системы содержит нечетких правила типа Такаги-Сугено:
Правило 1: Если x1 есть L1,x2 есть L2 и x3 есть L3, тогда z есть H;
Правило 2: Если x1 есть H1,x2 есть H2 и x3 есть L3, тогда z есть M;
Правило 3: Если x1 есть H1,x2 есть H2 и x3 есть H3, тогда z есть S;
где x1,x2,x3 - входные переменные, z - выход системы, L1,L2,L3,H1,H2,H3,H,M,S - некоторые нечеткие множества с функциями принадлежности сигмовидного типа (для упрощения записи последующих выкладок функции принадлежности в данном случае обозначены так же, как и соответствующие нечеткие множества):
Для определения выходной переменной используется следующий алгоритм вывода:
1) подсчитывается значения истинности предпосылок для каждого правила:
α1 = L1(a1) ^ L2(a2) ^ L3(a3),
α2 = H1(a1) ^ H2(a2) ^ L3(a3),
α3 = H1(a1) ^ H2(a2) ^ H3(a3),
где a1,a2,a3 - текущие значения входов системы;
2) для каждого правила определяются частные выходы:
3) находиться общий выход системы:
Сеть с подобной архитектурой в англоязычной литературе получили название ANFIS (Adaptive-Neuro-Fuzzy Inference System, то есть адаптивная нечеткая нейронная система вывода)
Корректирование параметров системы здесь производиться либо в соответствие с наиболее распространенным для нейронных сетей алгоритмов обратного распространения ошибки (back propagation), либо комбинированным методом, специально разработанным для гибридных сетей.
Для данного прогнозирования, значения временного ряда хранятся в файле nur.xls в директории C:MATLABR2006awork. Это - файл таблицы Excel, первый столбец содержит значения дискретного времени (t=0,1,...,1200), а второй - значения электропотребления угольного разреза кВт·ч (временной ряд).
Для прогнозирования значения временного ряда в данном случае использовали стандартный подход: прогнозированное в текущий момент времени t значение ряда для момента времени (t+6) определяется четырьмя предшествующими значениями ряда в моменты x(t-18),x(t-12),x(t-6),x(t). Особенностью здесь является то, что причинно-следственная связь между предшествующими, текущими и будущим значениями устанавливается с помощью системы нечеткого вывода типа ANFIS, при этом конкретные характеристики системы определяются по имеющимся экспериментальным данным.
Для формирования матрицы использовалось по 500 значений ряда, соответствующие временные отметкам от 118 до 1117.
В результате проведенного исследования по применению гибридной сети ANFIS для краткосрочного прогнозирования электропотребления, основанного на построении аппроксимирующих моделей в виде адаптивной нечеткой нейронной сети, обучаемой на выборках реальных данных ОИК по электропотреблению угольного разреза Н-й на уровне предприятия за прошлые периоды, установлено, что фактическое электропотребление в целом совпадает с расчетными (прогнозируемыми) значениями.
23 апреля в Курске многое изменится. Рассматривая вопрос о вступлении России в ОПЕК, страны картеля решили открыть свое представительство именно в Курске, на улице братьев Молостовых. Георгий Сергеевич Полтавченко, как официальный представитель Администрации Президента, высоко оценил этот шаг, а Анатолий Колюбакин , будущий глава представительства, пообещал как можно более выгодные результаты для обеих сторон.