DOI: https://doi.org/10.15407/publishing2018.50.005

УДК 621.311:681.3

КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ЕЛЕКТРИЧНОГО НАВАНТАЖЕННЯ ЕЛЕКТРОПОСТАЧАЛЬНОЇ КОМПАНІЇ З ВИКОРИСТАННЯМ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ ГЛИБИННОГО НАВЧАННЯ

П.О. Черненко, докт. техн. наук, В.О. Мірошник, інж.
Інститут електродинаміки НАН України,
пр. Перемоги, 56, Київ-57, 03680, Україна,
е-mail: Ця електронна адреса захищена від спам-ботів, Вам потрібно включити JavaScript для перегляду

Запропоновано нову архітектуру штучної нейронної мережі глибинного навчання eResNet для короткострокового прогнозування електричного навантаження електропостачальної компанії. Базовими блоками такої архітектури є шари автокодувального типу з обхідними з'єднаннями. Перший шар блока зменшує розмірність даних для виділення найбільш інформативних сигналів, другий – відновлює розмірність. Кожний шар включає нелінійну функцію SELU (scaled exponential linear unit). Обхідні з'єднання спрощують розповсюдження градієнта похибки, що дає змогу однаково ефективно навчати всі шари нейронної мережі. Проведено дослідження впливу розміру навчальної вибірки на точність прогнозування. Похибка MAPE нейронної мережі eResNet становить 3,69 % (у разі навчання на інформації за 11 років), похибка багатошарового персептрона становить 3,85 % (у разі використання інформації за вісім років). Бібл. 13, рис. 3, табл. 1.
Ключові слова: електричне навантаження, короткострокове прогнозування, штучна нейронна мережа, глибинне навчання.

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ ЭНЕРГОСНАБЖАЮЩЕЙ КОМПАНИИ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ГЛУБИННОГО ОБУЧЕНИЯ

П.А. Черненко, докт. техн. наук, В.А. Мирошник, инж.
Институт электродинамики НАН Украины,
пр. Победы, 56, Киев-57, 03680, Украина

При внедрении нового рынка электрической энергии Украины у энергоснабжающих компаний появятся прямые экономические стимулы для повышения точности краткосрочных прогнозов своего потребления. В последнее время благодаря развитию вычислительной техники и наличию огромных объёмов данных большую популярность в задачах классификации образов и прогнозирования приобрели нейронные сети глубинного обучения. В данной работе предложена новая архитектура искусственной нейронной сети глубинного обучения eResNet для краткосрочного прогнозирования электрической нагрузки энергоснабжающей организации. Базовыми блоками такой архитектуры являются слои типа автокодировщика с обходными соединениями. Первый слой блока уменьшает размерность данных для выделения наиболее информативных сигналов, второй слой восстанавливает размерность. Каждый слой включает нелинейную функцию SELU (scaled exponential linear unit). Обходные соединения упрощают распространение градиента погрешности, что позволяет одинаково эффективно обучать все слои нейронной сети. Проведено исследование влияния размера обучающей выборки на точность прогнозирования. Погрешность MAPE нейронной сети eResNet составляет 3,69 % (при обучении на информации за 11 лет), погрешность многослойного персептрона составляет 3,85 % (при использовании информации за 8 лет). Библ. 13, рис. 3, табл. 1.
Ключевые слова: электрическая нагрузка, краткосрочное прогнозирование, искусственная нейронная сеть, глубинное обучение.

Література
1. Про ринок електричної енергії: Закон України від 13.04.2017 р. № 2019-VIII. URL: http://zakon3.rada.gov.ua/laws/show/2019-19 (дата звернення 21.07.2017).
2. Постанова НКРЕКП Про затвердження Правил ринку №307. URL: http://zakon2.rada.gov.ua/laws/show/v0307874-18#n9 (дата звернення 14.03.2018).
3. Черненко П.О., Мартинюк О.В. Декомпозиція добового графіка електричного навантаження енергосистеми та моделювання його складових під час короткострокового прогнозування. Вісник Вінницького політехнічного інституту. 2017. Вип. 135. № 6. С. 86–93.
4. LeCunn Y., Bengio Y., Hinton G. Deep learning. Nature. 2015. Vol. 521. P. 436–444. DOI: https://doi.org/10.1038/nature14539
5. Amarasinghe K., Marino D.L., Manic M. Deep Neural Networks for Energy Load Forecasting. Proc. 2017 IEEE 26TH International Symposium on Industrial Electronics (ISIE). 2017. P. 1483–1488. DOI: https://doi.org/10.1109/ISIE.2017.8001465
6. Kuo P.H., Huang, C.J. A High Precision Artificial Neural Networks Model for Short-Term Energy Load Forecasting. Energies. 2018. Vol. 11. Issue 1. P. 213–226. DOI: https://doi.org/10.3390/en11010213
7. He W. Load Forecasting via Deep Neural Networks. Proc. 5TH International Conference On Information Technology And Quantitative Management. 2017. Vol. 122. P. 308–314. DOI: https://doi.org/10.1016/j.procs.2017.11.374
8. Zhang B., Wu J.L., Chang P.C. A multiple time series-based recurrent neural network for short-term load forecasting. Soft Computing. 2018. Vol. 22. Issue 12. P. 4099–4112. DOI: https://doi.org/10.1007/s00500-017-2624-5
9. Mhaskar H.N., Poggio T. Deep vs. shallow networks: An approximation theory perspective. Analysis and Applications. 2016. Vol.14. Issue 6. P. 829–848. DOI: https://doi.org/10.1142/S0219530516400042
10. He K.M., Zhang X.Y., Ren S.Q., Sun J. Deep Residual Learning for Image Recognition. Proc. Conference on Computer Vision and Pattern Recognition. 2016. P. 770–778. DOI: https://doi.org/10.1109/CVPR.2016.90
11. Veit A., Wilber M., Velongie S. Residual networks behave like ensembles of relatively shallow networks. Proc. Advances in Neural Information Processing Systems 29. 2016. P. 550–558.
12. Klambauer G., Unterthiner T., Mayr A., Hochreiter S. Self-Normalizing Neural Networks. Proc. Advances in Neural Information Processing Systems 30. 2017. P. 971–980.
13. Reddi S.J., Kale S., Kumar S. On the Convergence of Adam and Beyond. ICLR 2018 Conference Submission. URL: https://openreview.net/pdf?id=ryQu7f-RZ