ПРОГНОЗУВАННЯ СПОЖИВАННЯ ЕЛЕКТРИЧНОЇ ЕНЕРГІЇ ЗА ДОПОМОГОЮ НЕЙРОННИХ МЕРЕЖ
Ключові слова:
прогнозування, штучна нейронна мережа, архітектура нейронної мережі, модуль Neural Network Toolbox, база даних погодинного споживання, алгоритм градієнтного методу Левенберга-Марквардта, алгоритм зворотного поширення помилки
Анотація
Проблема завчасного та точного прогнозування споживання електричної енергії гостро стоїть для об'єднаної енергетичної системи України. При вдалому прогнозуванні споживання, яке базується на багатьох аспектах, можна значно вигідніше купляти електроенергію/втрати на різних сегментах ринку, заощаджуючи великі кошти, які потім можна направити на розвиток та модернізацію електричних мереж. Це завжди було актуальним питанням, але сьогодні, коли значна частина енергетичного обладнання України знищена російськими ракетами, воно стало ще більш болючим. Розглянуто використання методу штучних нейронних мереж (ШНМ) для короткострокового прогнозування електроспоживання. Встановлено, що ШНМ може бути використана для складання прогнозу споживання електричної енергії на добу наперед із похибкою 4,86% порівняно з фактичним обсягом споживання електроенергії. Виконання порівняння прогнозних значень із фактичними дозволяє говорити про адекватність обраної моделі прогнозування та її застосування на практиці для успішної роботи енергопостачальних компаній на ринку електроенергії.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Zhezhelenko I.V. Indicators of electricity quality and their control at industrial enterprises. М. : Higher school, 1986. 168 p.
2. Karpova T. Databases: models, development, implementation. SPb .: Peter, 2001. P. 286-289.
3. Haikin S. Neural networks: a full course. 2nd ed. M .: Williams, 2006. P. 89-102.
4. Filipe Rodrigues, Carlos Cardeira, J.M.F.Calado: The daily and hourly energy consumption and load forecasting using artificial neural network method: a case study using a set of 93 households in Portugal // Energy Procedia 62 ( 2014) 220 – 229 URL: http://www.dem.ist.utl.pt/~cardeira/papers/1-s2.0-S1876610214034146-main.pdf.
5. Ekonomou, L. (2010): Greek long-term energy consumption prediction using artificial neural networks. Energy, 35(2), pp. 512-517. doi: 10.1016/j.energy.2009.10.018//URL:https://openaccess.city.ac.uk/id/eprint/13250/3/.
6. Derya Aydın, Hüseyin Toros: Prediction of Short-Term Electricity Consumption by Artificial Neural Networks Using Temperature Variables // European Journal of Science and Technology No. 14, p. 393-398, December 2018, URL: https://dergipark.org.tr/en/download/article-file/616792.
7. Prasanna Kumar, Dr. Mervin Herbert, Dr. Srikanth Rao: Demand forecasting Using Artificial Neural Network Based on Different Learning Methods: Comparative Analysis // International journal for research in applied science and engineering technology, URL: https://www.ijraset.com/fileserve.php?FID=381.
8. Galushka V.V., Fathi V.A. Formation of a training sample when using artificial neural networks in database error retrieval problems // Engineering Bulletin of the Don, 2013, №2 URL: ivdon.ru/ru/magazine/archive/n2y2013/1597/.
9. Puchkov E.V. Comparative analysis of training algorithms for artificial neural network //Engineering Bulletin of the Don, 2013, №4 URL: ivdon.ru/ru/magazine/archive/n4y2013/2135/.
2. Karpova T. Databases: models, development, implementation. SPb .: Peter, 2001. P. 286-289.
3. Haikin S. Neural networks: a full course. 2nd ed. M .: Williams, 2006. P. 89-102.
4. Filipe Rodrigues, Carlos Cardeira, J.M.F.Calado: The daily and hourly energy consumption and load forecasting using artificial neural network method: a case study using a set of 93 households in Portugal // Energy Procedia 62 ( 2014) 220 – 229 URL: http://www.dem.ist.utl.pt/~cardeira/papers/1-s2.0-S1876610214034146-main.pdf.
5. Ekonomou, L. (2010): Greek long-term energy consumption prediction using artificial neural networks. Energy, 35(2), pp. 512-517. doi: 10.1016/j.energy.2009.10.018//URL:https://openaccess.city.ac.uk/id/eprint/13250/3/.
6. Derya Aydın, Hüseyin Toros: Prediction of Short-Term Electricity Consumption by Artificial Neural Networks Using Temperature Variables // European Journal of Science and Technology No. 14, p. 393-398, December 2018, URL: https://dergipark.org.tr/en/download/article-file/616792.
7. Prasanna Kumar, Dr. Mervin Herbert, Dr. Srikanth Rao: Demand forecasting Using Artificial Neural Network Based on Different Learning Methods: Comparative Analysis // International journal for research in applied science and engineering technology, URL: https://www.ijraset.com/fileserve.php?FID=381.
8. Galushka V.V., Fathi V.A. Formation of a training sample when using artificial neural networks in database error retrieval problems // Engineering Bulletin of the Don, 2013, №2 URL: ivdon.ru/ru/magazine/archive/n2y2013/1597/.
9. Puchkov E.V. Comparative analysis of training algorithms for artificial neural network //Engineering Bulletin of the Don, 2013, №4 URL: ivdon.ru/ru/magazine/archive/n4y2013/2135/.
Опубліковано
2023-06-09
Як цитувати
Dzheria T. Прогнозування споживання електричної енергії за допомогою нейронних мереж / T. Dzheria, V. Shevchuk // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2023. – Т. 2 (72). – С. 42-44. – doi:https://doi.org/10.26906/SUNZ.2023.2.042.
Розділ
Управління в складних системах
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
