Введение. 
Механизмы вычислительного интеллекта при решении задачи автоматизации прогнозирования электроэнергии

В данной статье рассматривается решение проблемы автоматического прогнозирования потребления электроэнергии. Такая постановка задачи обусловлена следующими тенденциями: 1) удешевление процесса сбора информации о потреблении электроэнергии; 2) невозможности решения задач для большого количества объектов с привлечением экспертов в заданные (относительно короткие) сроки. Все это привело к необходимости разработки механизмов интеллектуальной обработки большого количества информации [1]. В статье предлагается подход основанный на инвариантном процессе интеллектуальной обработки данных (Cross Industry Standard Processfor Data Mining, CRISP DM) [2, 3]. Для реализации подходов разработана концепция интеллектуальной системы управления энергосбережением и реализован прототип [1, 4].

Прогнозирование потребления электроэнергии в автоматическом режиме

электроэнергия прогнозирование автоматизация вычислительный Предлагаемый подход автоматизации процесса прогнозирования потребления электроэнергии основан на CRISP DM и на оригинальных подходах применения коннективистских систем для прогнозирования потребления электроэнергии. В качестве объектов прогнозирования рассматривается широкий класс потребителей электроэнергии: жилые и нежилые помещения и здания различных типов. Данные о потреблении электроэнергии собираются и передаются на сервер сбора данных (система EcoSCADA, разработанная Бельгийско-Польской компанией Порта Капена) [5]. Фиксация информации о потреблении осуществляется в режиме реального времени каждые 15 минут. Дадим общее описание подхода.

Шаг 1. Добавление объекта потребителя. Данная процедура включает следующие основные шаги: 1) указание название объекта; 2) позиционирование объекта на карте и 3) загрузка данных о потреблении электроэнергии (исторические значения). Позиционирование на карте позволяет использовать информацию о месторасположении и получать информацию о погоде, которая используется для построения более точных и полных моделей прогнозирования. Для этого используются API погодных сервисов http://www.worldweatheronline.com, http://www.noaa.gov/ и других.

Шаг 2. Предварительная обработка информации. Можно выделить две основные процедуры, связанные с оценкой качества данных. Первая процедура выявление и заполнение пропусков в данных, вторая выявление выбросов и аномалий.

Шаг 3. Автоматическое построение семейства прогнозирующих моделей, параметрическая оптимизация и выбор наиболее точной модели.

Шаг 4. Оценка качества прогнозирующих моделей и выбор наиболее адекватной модели.

Шаг 5. Реализация и визуализация результатов прогноза.

Рассмотрим метод более подробно, с выделением процедур обработки данных. Пусть в системе фиксируется информация о m зданиях, для каждого из которых необходимо сформировать прогноз на h значений вперед с таким же дискретным интервалом (15 минут). Формально информация о здании имеет представление.

(1).

где — информация о расположении здания, — информация о потреблении электроэнергии, — информация о погоде (температура, влажность, давление).

На первом шаге реализуются следующие процедуры. Процедура позиционирования здания на карте BP. Для упрощения будем считать, что пользователь формирует отметку на карте (Microsoft Bing) и в содержатся значения широты и долготы. Для получения значений для произвольного здания на основании используется процедура веб-майнинга.

. (2).

Процедура работает с погодными сервисами.

На втором шаге реализована процедура выявления и заполнения пропусков в данных.

. (3).

Регрессионные модели и интерполяция кубическим сплайном используются в качестве базовых, реализованных в процедуре.

Процедура выявления выбросов и аномалий.

(4).

использует подход AD и ADAM [6].

Процедура.

(5).

синтеза и настройки моделей использует обработанные на предыдущих этапах данные. Исходя из предыдущих исследований [3, 4] входными переменными являются: 1) потребление электроэнергии в предыдущие моменты времени, 2) информация о погоде (для обучения) и о прогнозе погоды (для расчета прогнозирования) и 3) календарные данные. В качестве вычислительного базиса используются коннективистские системы: конструктивные многослойные нейронные сети и эволюционные коннективистские системы Касабова на базе многослойных нейронных сетей. [7].

Сформированы 2 модели прогнозирования, отличающиеся набором входных переменных. Модель 1 включает 4 входные авторегрессионные переменные:

yi (t — i*672), i = 1,. 4. (6).

Модель 2, помимо авторегрессионных, включает еще 3 входные переменные: режим работы здания (бинарная переменная, 0 — не работает, 1 — работает), день недели {1,…, 7}, и номер квартала {1, 2, 3, 4}.

Для оценки качества и выбора реализована процедура.

(7).

оценки качества моделей на основе множества оценок[8]. Для расчета прогноза реализована процедура.

. (8).