Система краткосрочного прогнозирования электрической нагрузки

• Автор: Анушина, Екатерина Сергеевна
• Шифр специальности: 05.09.03
• Научная степень: Кандидатская
• Год защиты: 2009
• Место защиты: Санкт-Петербург
• Количество страниц: 136 с. : ил.

СПИСОК СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ
ГЛАВА 1. АНАЛИЗ СИСТЕМ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ И ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ
1.1. Современное состояние вопроса построения систем прогнозирования
электрической нагрузки
1Л.1. Российские системы прогнозирования электрической нагрузки
1.1.2. Зарубежные системы прогнозирования электропотребления
1.2. Современные методы прогнозирования электропотребления
1.3. Построение перспективной системы прогнозирования электропотребления и постановка задачи исследования
1.4. Математическая постановка задачи прогнозирования потребления
электрической нагрузки
ВЫВОДЫ ПО ГЛАВЕ
ГЛАВА 2. РАЗРАБОТКА МЕТОДИКИ ПОСТРОЕНИЯ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ
2.1. Модель представления динамики временного ряда электропотребления
2.2. Выбор метода прогнозирования разночастотных компонент временного ряда потребления электрической нагрузки
2.2.1. Низкочастотная составляющая
2.2.2. Среднечастотная составляющая
2.2.3. Высокочастотная составляющая
2.3. Методика построения системы прогнозирования потребления
электрической нагрузки
ВЫВОДЫ ПО ГЛАВЕ 2
ГЛАВА 3. РАЗРАБОТКА СИСТЕМЫ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ
3.1. Процедура прогнозирования электрической нагрузки
3.2. Алгоритм формирования структуры нейронечетких сетей
3.3. Алгоритм поиска оптимальной глубины вейвлет-разложения временного ряда электропотребления с использованием метода
нормированного размаха
і і
3.4.Алгоритм поиска наилучшей архитектуры нейронечеткой системы при помощи генетического алгоритма
3.5. Алгоритм формирования обучающей выборки и входных переменных.80 ВЫВОДЫ ПО ГЛАВЕ
ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ
4.1. Планирование эксперимента
4.2. Результаты оценки точности системы прогнозирования
электропотребления
4.3 Проверка адекватности разработанной модели
4.4. Результаты сравнительного анализа с регрессионными моделями и нейронечеткими моделями без предварительной вейвлет-фильтрации
4.5. Пользовательский интерфейс системы прогнозирования
электропотребления
ВЫВОДЫ ПО ГЛАВЕ
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ I
ПРИЛОЖЕНИЕ II
ПРИЛОЖЕНИЕ III
ПРИЛОЖЕНИЕ IV
СПИСОК СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ
АР - авторегрессия
АРПСС - авторегрессия — проинтегрированное скользящее среднее
АРСС - авторегрессия - скользящее среднее
ВР - временной ряд
ВП - вейвлет-преобразование

ГА - генетический алгоритм
ИИ - искусственный интеллект
ИДВП - избыточное дискретное вейвлет-преобразование ИНС — искусственная нейронная сеть
ННС — нечеткая нейронная сеть
НОРЭМ - новый оптовый рынок электроэнергии и мощности
РДУ - региональное диспетчерское управление
СС — скользящее среднее
СУЭ - система управления энергоснабжением
ФП - функция принадлежности
ЭП - электропотребление
ЭЭС - электроэнергетическая система
ANFIS - адаптивная нейронечеткая система (adaptive neuro-fuzzy inference system)
SARIMA — сезонная авторегрессия - проинтегрированное скользящее среднее (season autoregressive integrated moving average)

Эффективность нейронечеткого подхода выше, чем нейросетевого [61, 86]. Уменьшение погрешности прогноза объясняется способностью нечеткой системы гладкой аппроксимации пороговых функций и представлением данных в сети “нечетким” способом, при котором четкие входные векторы данных принадлежат нескольким нечетким множествам сети [61].
Нейронечеткая или адаптивная сеть (ННС) обладает следующими свойствами, сочетающими в себе достоинства ИНС и нечетких систем:
• комбинирование качественных знаний и числовых данных;
• обучаема как нейронная сеть;
• интерпретируема как нечеткая система;
• быстрый отклик обученной сети.
Таким образом, в качестве метода прогнозирования разночастотных компонент временного ряда потребления электрической нагрузки выбрана нечеткая математическая модель на основе алгоритма Такаги-Сугено, параметры которой настраиваются при помощи нейронечеткой сети.
2.2.1. Низкочастотная составляющая
Низкочастотная составляющая после вейвлет-фильтрации описывается аппроксимирующей с3(1;) компонентой исходного ВР для р=3. Этот ВР представляет собой сглаженный уровень и более четко отражает тренд-сезонную составляющую электропотребления (рис. 2.10).