Аннотация
В условиях резко переменных климатических условий высокогорья, территориальной распределенности, дефицита генерирующих мощностей, дороговизны углеродного топлива и отсутствия больших накопителей энергии, обеспечивающих покрытие пиковых нагрузок, в горных изолированных энергосистемах (ИЭС) возрастает необходимость обеспечения балансовой надежности с учётом оптимального распределения ресурсов. Для обеспечения требуемой балансовой надежности необходима реализация достоверного прогнозирования электропотребления в среднесрочной перспективе для планирования загрузки генерирующего оборудования с учетом необходимого и достаточного покрытия нагрузки, стоимости генерации, экологичности и других критериев. Поэтому к точности и робастности прогноза нагрузки предъявляются повышенные требования. Проведено исследование влияния метеорологических факторов на среднесрочное прогнозирование электропотребления ИЭС Горно-Бадахшанской автономной области (ГБАО), расположенной в Республике Таджикистан, для которой характерны вышеперечисленные специфические свойства ИЭС. Для прогнозирования электропотребления с учетом метеорологических факторов использована нейросетевая модель. Чтобы повысить эффективность обучения модели, предложен подход, основанный на кластеризации метеорологических условий. Своя нейросетевая модель создается для каждого кластера, кроме того, обучена вспомогательная модель, которая относит текущие условия к одному из кластеров. Таким образом, вместо единой модели, которая учитывала бы все возможные условия, создана система из намного более простых моделей, что повышает интерпретируемость процедуры прогнозирования и снижает риск переобучения.
Ключевые слова
Среднесрочное прогнозирование электропотребления, адаптивные модели машинного обучения, метеорологические условия, изолированная энергосистема, кластеризация.
1. Medium term load forecasting for jordan electric power system using particle swarm optimization algorithm based on least square regression methods / M. Hattab, M. Ma’itah, T. Sweidan, M. Rifai // J. of Power and Energy Engineering. 2017. Vol. 5. Pp. 75-96. doi: 10.4236/jpee.2017.52005
2. Electricity load forecasting: a systematic review / I.K. Nti, M. Teimeh, O. Nyarko-Boateng, A. F. Adekoya // J. of Electrical Systems and Inf. Technol. 2020. Vol. 7(13). doi: 10.1186/s43067-020-00021-8
3. Abu-Shikhah N., Elkarmi F., Aloquili O. Medium-term electric load forecasting using multivariable linear and non-linear regression // Smart Grid and Ren. Energy. 2011. Vol. 2(2). Pp. 126-135. doi: 10.4236/sgre.2011.22015
4. Hahn H., Meyer-Nieberg S., Pickl S. Electric load forecasting methods: Tools for decision making // European J. of Operational Research. 2009. Vol. 199(3). Pp. 902-907. doi: 10.1016/j.ejor.2009.01.062
5. Borges C.E., Penya Y.K., Fenandez I. Evaluating combined load forecasting in large power system and smart grids // IEEE Transactions on Industrial Informatics. 2013. Vol. 9(3). Pp. 1570-1577. doi: 10.1109/TII.2012.2219063
6. Short-term power load forecasting, profile identification, and customer segmentation: a methodology based on periodic time series / M. Espinoza, C. Joye, R. Belmans, B. De Moor // IEEE Transactions on Power Systems. 2005. Vol. 20(3). Pp. 1622-1630. doi: 10.1109/TPWRS.2005.852123
7. Blind kalman filtering for short-term power load forecasting / S. Sharma, A. Majumdar, V. Elvira, É. Chouzenoux // IEEE Transactions on Power Systems. 2020. Vol. 35(6). Pp. 4916-4919. doi: 10.1109/TPWRS.2020.3018623
8. Arora S., Taylor J.W. Short-term forecasting of anomalous load using rule-based triple seasonal methods // IEEE Transactions on Power Systems. 2013. Vol. 28(3). Pp. 3235-3242. doi: 10.1109/TPWRS.2013.2252929
9. Multi-scale convolutional neural network with time-cognition for multi-step short-term power load forecasting / Z. Deng, B. Wang, Y. Xu, T. Xu // IEEE Access. 2019. Vol. 7. Pp. 88058-88071. doi: 10.1109/ACCESS.2019.2926137
10. Chen B.-J., Chang M.-W., Lin Ch.-J. Load forecasting using support vector machines: a study on EUNITE competition 2001 // IEEE Transactions on Power Systems. 2004. Vol. 19(4). Pp. 1821-1830. doi: 10.1109/TPWRS.2004.835679
11. A short-term power load forecasting method using integrated CNN and LSTM network / S.H. Rafi, Nahid-Al-Masood, S.R. Deeba, E. Hossain // IEEE Access. 2021. Vol. 51. Pp. 32436-32448. doi: 10.1109/ACCESS.2021.3060654
12. The impact of data filtration on the accuracy of multiple time-domain forecasting for photovoltaic power plants generation / S.A. Eroshenko, A.I. Khalyasmaa, D.A. Snegirev, V.V. Dubailova // Applied Sciences. 2020. Vol. 10(22). Art. 8265. doi: 10.3390/app10228265
13. Panapakidis I.P., Christoforidis G.C. Implementation of modified versions of the K-means algorithm in power load curves profiling // Sustainable Cities and Society. 2017. Vol. 35. Pp. 83-93. doi: 10.1016/j.scs.2017.08.002
14. Viola L.G. Clustering electricity usage profiles with K-means. URL: https://towardsdatascience.com/clustering-electricity-profiles-with-k-means-42d6d0644d00 (дата обращения 15.09.2022).
15. Гуломзода А.Х., Сафаралиев М.Х., Люханов Е.А. Модифицированный способ синхронизации Microgrid с внешней изолированной энергосистемой // Электротехнические системы и комплексы. 2021. № 3(52). С. 72-80. doi: 10.18503/2311-8318-2021-3(52)-72-80
16. Разработка моделей среднесрочного прогнозирования электропотребления в изолированно работающих энергосистемах на основе ансамблевых методов машинного обучения / С.М. Асанова, Дж.С. Ахьеев, С.А. Дмитриев, П.В. Матренин // Известия НТЦ единой энергетической системы. 2021. №1 (84). С. 32-39.
17. Адаптивные ансамблевые модели для среднесрочного прогнозирования выработки электроэнергии гидроэлектростанциями в изолированных энергосистемах с учётом изменений температуры / М.Х. Сафаралиев, П.В. Матренин, С.А. Дмитриев, Дж.С. Ахьеев // Электротехнические системы и комплексы. 2022. 1(54). С. 38-45. doi: 10.18503/2311-8318-2022-1(54)-38-45
18. Разработка моделей среднесрочного прогнозирования притока воды для планирования выработки электроэнергии в изолированных энергосистемах / М.Х. Сафаралиев, С.Е. Кокин, С.А. Дмитриев, П.В. Матренин // Электричество. 2022. № 5. С. 58-68. doi: 10.24160/0013-5380-2022-5-58-68
19. Khalyasmaa A.I., Matrenin P.V., Eroshenko S.A. Inappropriate machine learning application in real power industry cases // International Journal of Electrical and Computer Engineering. 2022. Vol. 12(3). Pp. 3023-3032. doi: 10.11591/ijece.v12i3.pp 3023-3032
20. Improving accuracy and generalization performance of small-size recurrent neural networks applied to short-term load forecasting / P.V. Matrenin, V.Z. Manusov, A.I. Khalyasmaa, D.V. Antonenkov // Mathematics. 2020. Vol. 8(12). Art. 2169. doi: 10.3390/math8122169
21. Hartigan J.A., Wong M.A. Algorithm AS 136: A K-Means clustering algorithm // Journal of the Royal Statistical Society. Series C (Applied Statistics). 1979. Vol. 28(1). Pp. 100-108. doi: 10.2307/2346830
22. Principal manifolds for data visualization and dimension reduction / Gorban A.N., Kegl B., Wunsch D.C., Zinovyev A. Berlin: Springer, 2008. 361 p.
23. Kingma D.P., Ba J.L. Adam: A method for stochastic optimization. URL: https://arxiv.org/pdf/1412.6980.pdf (дата обращения 12.09.2022).
Среднесрочное прогнозирование электропотребления на основе искусственной нейронной сети в изолированных энергосистемах / М.Х. Сафаралиев, П.В. Матренин, Н.Г. Кирьянова, А.Х. Гуломзода // Электротехнические системы и комплексы. 2022. № 4(57). С. 4-11. https://doi.org/10.18503/2311-8318-2022-4(57)-4-11