• A
  • A
  • A
  • АБB
  • АБB
  • АБB
  • А
  • А
  • А
  • А
  • А
Обычная версия сайта
vision

В пермском кампусе НИУ ВШЭ научились точно прогнозировать энергопотребление жилых домов на сутки вперёд

Потребовались математические модели, машинное обучение и нейронные сети

ISTOCK

Проблема: Современным энергетическим компаниям необходимо управлять спросом на электроэнергию. Для этого требуются точные прогнозы как для отдельных потребителей, так и для их агрегированных групп, например, жителей одного жилого дома. При этом сделать такой прогноз даже на одни сутки вперёд — довольно сложно.

Решение: Помочь может разработка новых математических моделей и искусственный интеллект — машинное обучение и нейронные сети. Для их обучения используются исторические данные энергопотребления, представленные в виде временных рядов с фиксированным временным интервалом.

Теперь подробнее

Заведующий Научно-учебной лабораторией междисциплинарных эмпирических исследований, доцент кафедры информационных технологий в бизнесе Алексей Кычкин совместно с исследователем Центра компетенций по программному обеспечению Хагенберга (Австрия) Георгиесом Чапарисом построили ряд моделей для прогнозирования энергопотребления жилых зданий на сутки вперед. Статья об исследовании опубликована в журнале Energy and Buildings

О чём речь?

Для рынков электроэнергии и более широкой интеграции возобновляемых источников электроэнергии очень важно получать точные прогнозы нагрузок в жилых зданиях. Исследователи пермского кампуса НИУ ВШЭ совместно с коллегами из Центра компетенций по программному обеспечению Хагенберг (Австрия) несколько лет изучали различные прогнозные модели, которые сейчас используются в электроэнергетике России и Европы, для построения профилей нагрузки жилого дома на сутки вперёд.

Как изучали?

Первоначально были рассмотрены стандартные методологии прогнозирования. Учёные выяснили, что поведение электронагрузок для групп зданий, подключенных к одной подстанции или находящихся в одном энергорайоне, сильно меняется с течением времени, а значит, точность прогнозирования с помощью устойчивых моделей систематически падает и не решает поставленную задачу.

 
 

Исследователи попытались выстроить наилучшую комбинацию устойчивых моделей, но любой набор моделей прогнозирования всегда немного проигрывал самой лучшей по точности модели на конкретном интервале времени. 

Например, эксперименты велись с моделями:

  1. на основе базовых линий;
  2. авторегрессионными (например, AR и SARIMA);
  3. тройным экспоненциальным сглаживанием (метод Хольта — Винтерса).

Тогда учёные решили разработать серию моделей машинного обучения, реализующих селективный выбор прогнозной стратегии с учётом адаптивной стратегии.

В итоге, в статье представлены три модели прогнозирования:

  1. авторегрессии на основе устойчивости (PAR);
  2. регрессии на основе сезонной устойчивости (SPR);
  3. нейронной сети на основе сезонной устойчивости (SPNN).

Учёные экспериментально продемонстрировали точность прогнозирования всех рассмотренных моделей на основе датасетов из реальных исторических данных энергопотребления большого количества жилых зданий. 

Что получили?

В результате проведённых экспериментальных расчётов оказалось, что предложенные модели селективного выбора повышают качество прогнозирования энергопотребления. Такие модели обладают большей робастностью по отношению к устойчивым моделям на продолжительных интервалах времени. Они готовы к изменениям паттернов поведения как индивидуальных пользователей, так и их агрегированных групп — жителей одного многоквартирного дома, которые и формируют профиль нагрузки на энергосети. Кроме того, модели хорошо учитывают и сезонные климатические изменения, меняющие привычки индивидуальных пользователей энергоресурсов. 

Так, SPR-модель показала увеличение точности прогноза на 7% по сравнению с моделями SARIMA или методом Хольта — Винтерса. При этом даже недостаточно обученные модели, объединенные в ансамбль, в итоге повысили точность прогноза до 4%. 

В целом лучшую адаптивность и точность показала модель регрессии на основе сезонной устойчивости (SPR) при размере обучающей выборки до 1 месяца. Отсюда следует, что она может использоваться на ранних стадиях прогнозирования энергопотребления зданий. Однако по мере накопления обучающей выборки учёные рекомендуют переключаться на модели, использующие нейронные сети в качестве инструмента для определения нелинейных зависимостей в режиме селективного выбора.

Для чего это нужно?

Представленная в статье стратегия прогнозирования позволяет гарантированно повысить точность устойчивых моделей не менее чем на 5%, что может оказаться критически важным в больших энергосистемах. Предопределенный на сутки вперёд профиль энергопотребления группы жилых зданий позволяет принять решение о целесообразности использования ценозависимого управления спросом на электроэнергию.

Возможность точного предсказания энергопотребления зданий позволяет также формировать сценарии для управления накопителями энергии, что в совокупности с моделями ценообразования, может быть использовано для балансировки генерации и потребления, в том числе с использованием возобновляемых источников энергии.
IQ

10 августа