Гібридний підхід до прогнозування часового ряду електроспоживання для орга- нізаційного управління на оптовому ринку

Автор(и)

  • K. B. Ostapchenko Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна
  • O. I. Lisovychenko Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна
  • Z. Kh. Borukaiev Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова. Національна академія наук України, Україна

DOI:

https://doi.org/10.20535/1560-8956.1.2019.178228

Ключові слова:

гібридний підхід, прогнозування часового ряду, процеси електро- споживання, організаційне управління, оптовий ринок електроенергії

Анотація

Розглядається проблема підвищення ефективності вирішення комплексу задач прогнозування і планування електроспоживання регіональними компаніями постачаль- ників електроенергії - суб'єктами системи організаційного управління оптовим ринком електроенергії. Проведено аналіз використання різних методів моделювання при вирі- шенні завдання вибору і побудови моделі прогнозування електроспоживання, форму- люється завдання побудови гібридної прогностичної моделі, позбавленої недоліків ок- ремих методів моделювання. Перевага надається підходу, пов'язаного з комплексним використанням математичних засобів на базі апаратів штучних нейронних сіток, гене- тичного алгоритму і фільтра Калмана для побудови узагальнених нелінійних багато- факторних моделей. Він дозволить підвищити ефективність процесу побудови моделей і їх подальшого використання для пошуку, як короткострокових, так і довгострокових прогнозів. Для виключення впливу випадкових складових часового ряду з нерівномір- ним розподілом значень показника електроспоживання на процес навчання нейронної сітки як нелінійної моделі прогнозування пропонується попередня її підготовка за до- помогою застосування фільтра Калмана. Надалі здійснюється оптимізація топології нейронної сітки на базі генетичного алгоритму, який дозволяє на етапі мутації адаптив- но вибирати тип перетворення структури, найбільш підходящий для заданої конфігура- ції сітки.

Бібл. 24, іл. 3

Посилання

Borukaiev Z.Kh. Approach to Building Computer Models for Operational (daily)

Planning of the Supply of Electric Energy in the Wholesale Market. Part 1. Task formulation /

Z.Kh. Borukaiev, K.B. Ostapchenko, O.I. Lisovychenko // Pukhov Institute for Modelling in

Energy Engineering, Collection of scientific works. – 2012. – No. 63.- PP. 164-186.

Alexandrov O.I. Optimal Distribution Method of Active Loads between Power Plants

and Electricity Consumers // Izvestiya of Higher Education Institutions, Energetics.- 1999.-

No. 2.- PP. 3-15.

Abakshin P.S. Program Complex for Daily Regimes Planning of Energy Associations

PRES-SUTKI / P.S. Abakshin, T.M. Alyabysheva, R.M. Yaganov // Power stations.- 2004.-

No. 8.- PP. 42-46.

Makoklyuev B.I. Specialized Software Package for Planning and Analysis of Regime

Power Systems and Energy Incorporations / B.I. Makoklyuev, A.V. Antonov // New in the

Russian electric power industry, Electronic journal. - 2002. - No. 6.- PP. 41-45.

Lezhnyuk P.D. Criteria Formation for Optimal Load Distribution between Electric

Stations in Modern Conditions / P.D. Lezhnyuk, V.V. Kulyk, V.V. Teptya // Visnyk VPI, Power

engineering and electrical engineering.- 2008.- No. 6.- PP. 59-65.

Borukaiev Z.Kh. Planning Trade Dispatch Schedule of Active Load Distribution in

the Wholesale Electricity Market / Z.Kh. Borukaiev, K.B. Ostapchenko,

O.I. Lisovychenko // Pukhov Institute for Modelling in Energy Engineering, Collection of

scientific works. – 2012.- No. 64.- PP. 127-137.

Borukaiev Z.Kh. Models for Determining the Forecast Wholesale Price for Buying

Electricity / Z.Kh. Borukaiev, K.B. Ostapchenko, O.I. Lisovychenko // Adaptive Systems

Automatic Control. – 2015. - Vol. 2(27). - PP. 35-43.

Makoklyuev B.I. Relationship of Forecast Accuracy and Irregularity of Energy Consumption Graphs / B.I. Makoklyuev, V.F. Yech // Power Stations. – 2005. – No. 5. - PP. 64-67.

Galperova E.V. Features of Power Consumption Forecasting at the Regional Level //

Izvestiya RAN, Energetics.- 2004.- No. 4.- PP. 61-65.

Makoklyuev B. Formation and Planning of Electric Consumption, Electricity Balance of the Far Eastern Energy Company / B. Makoklyuev, N. Tsuprik, A. Antonov, A. Artemyev, E. Fedorov, D. Vankievich / Energy Market.- 2009.- No. 6.- PP. 1-5.

Ivaschenko V.A. Industrial Enterprises Power Consumption Forecasting

on the basis of Statistical Methods and Artificial Neural Networks / V.A. Ivaschenko,

M.V. Kolokolov, D.A. Vasilyev // Vestnik SGTU.- 2010.- No. 2(45). - PP. 110-115.

Ostapchenko K.B. Selection of the Electric Consumption Forecasting Model for

solving Operational Daily Planning Problems to Electricity Supply in the Wholesale Market /

K.B. Ostapchenko, O.I. Lisovychenko // Adaptive Systems Automatic Control. – 2014. -

Vol. 1(24). - PP. 76-86.

Schelkalin V.N. Hybrid Models and Time Series Forecasting Methods based on

methods «SSA-track» and Box-Jenkins // East European Advanced Technology Journal.-

- No. 5/4 (71).- PP. 43-62.

Penko V.G. Time Series Forecasting by Hybrid Artificial Intelligence Methods /

V.G. Penko // Informatics and Mathematical Methods in Simulation.- 2012.- Vol. 2, No. 2,

PP. 165-172.

Bann D.V. Comparative Electric Load Forecast Models / D.V. Bann, E.D. Farmer. -

Moscow: Energoatomizdat, 1987. – 200 p.

Brammer K. Kalman-Bucy Filter / K. Brammer, G. Ziffling. – Moscow: Nauka,

– 200 p.

Vasiliev V.G. Mathematical Model of Short-term Forecasting of Electric Consumption of the Integrated Power Grid using the Automated Workplace “Orakul” / V.G. Vasiliev,

S.P. Vasilieva, A.A. Preigel // Problems of Computer Science and Energy, Uzbek Journal. –

– No. 4. - PP. 36-41.

Russkov O.V. Planning for Subject Uneven Consumption of the Wholesale Electricity Market based on the Hourly Prices Ratio Forecast / O.V. Russkov, S.E. Sarajishvili // Science and Education. N.E. Bauman MGTU, Electronic Journal. – 2015. – No. 2. –

PP. 115–135.

Yampolsky L.S. Neurotechnology and Neurocomputer Systems / L.S. Yampolsky,

O.I. Lisovychenko, V.V. Oliinyk.- Kiev: Dorado-Druk, 2016.- 576 p.

Blickle T. A comparison of Selection Schemes Used in Genetic Algorithms. Technical Report No.11 / T. Blickle, L. Thiele. – Zurich, Switzerland, Swiss Federal Institute of

Technology, 1995.- 65 p.

Montana D.J. Training Feedforward Neural Networks using Genetic Algorithms/

D.J. Montana, L. Davis // Proceedings of the 11-th International Joint Conference on Artificial

Intelligence. – Morgan Kaufmann, San Francisco, California. - 1989. – PР. 762–767.

Moriarty D.E. Efficient Reinforcement Learning through Symbiotic Evolution /

D. E. Moriarty, R. Miikkulainen // Machine Learning.– 1996.– No. 22.– РP. 11–32.

Koehn P. Genetic Encoding Strategies for Neural Networks // University of Tennessee, Universität Erlangen-Nürnberg, Germany. - 1996.- 4 p.

Moriarty D.E. Forming Neural Networks through Efficient and Adaptive

Coevolution / D. E. Moriarty, R. Miikkulainen // Journal Evolutionary Computation. – 1997. – Vol. 5, No. 4.- PP. 373-399

##submission.downloads##

Опубліковано

2019-09-26