Прогнозирование суточного графика нагрузки с коррекцией для Центральной энергосистемы Монголии

Шохрух Нуридинович Сидиков; Тувшин Осгонбаатар; Анастасия Георгиевна Русина; Павел Викторович Матренин

Прогнозирование суточного графика нагрузки с коррекцией для Центральной энергосистемы Монголии

Шохрух Нуридинович Сидиков, Тувшин Осгонбаатар, Анастасия Георгиевна Русина, Павел Викторович Матренин

Аннотация

В настоящее время для решения задач прогнозирования процессов в электроэнергетике, в том числе электропотребления, популярны методы машинного обучения. Однако для повышения эффективности и робастности моделей машинного обучения требуется проведение дополнительных исследований, помимо настройки гиперпараметров и оптимизации архитектуры. Цель данного исследования состоит в разработке модели прогнозирования суточного графика нагрузки с коррекцией. Для решения поставленной задачи был использован ансамблевый алгоритм адаптивного бустинга. Программная реализация осуществлялась с помощью библиотеки машинного обучения Sklearn на языке программирования Python. Оъектом исследования является Центральная энергосистема Монголии, а в качестве исходных данных были взяты её фактические данные энергопотребления и метеофакторы за период с 01.01.2019 по 10.10.2024. Следует отметить, что апробация моделей была проведена в процессе опытной эксплуатации разработанной системы с 01.12.2024 по 10.12.2024. Выявлено, что модель адаптивного бустинга позволяет прогнозировать суточный график нагрузки со средней погрешностью 31,4_МВт, или 2,4% на сутки вперёд, а модель для корректировки на час вперёд снижает погрешность вдвое. Предлагаемый двухэтапный алгоритм, основанный на модели адаптивного бустинга, показывает высокую эффективность на практике в задаче прогнозирования суточного графика нагрузки.

Ключевые слова

суточный график нагрузки, ансамблевые модели, адаптивный бустинг, электропотребление, температура воздуха, Центральная энергосистема Монголии.

Полный текст:

PDF

Литература

Chitalia, G. Robust short-term electrical load forecasting framework for commercial buildings using deep recurrent neural networks / G. Chitalia, M. Pipattanasomporn, V. Garg [et.al.] // Applied Energy. – 2020. – Vol. 278. – P. 115410. – (DOI: 10.1016/j.apenergy.2020.115410).

Li, K. Ultra-short term power load forecasting based on CEEMDAN-SE and LSTM neural network / K. Li, W. Huang, G. Hu [et al.] // Energy and Buildings. – 2023. – Vol. 279. – P. 112666. -- DOI: 10.1016/j.enbuild.2022.112666).

Liu, F. Short-term power load forecasting based on AC-BiLSTM model / F. Liu, C. Liang // Energy Reports. – 2024. – Vol. 11. – P. 1570 -- 1579. – (DOI: 10.1016/j.egyr.2024.01.026).

Pan, L. An Ultra-short-term Power Load Forecasting Method Based on XGBoost and Fusion Feature Optimization / L. Pan, P. Li, Yu. Fu [et al.] // 2024 6th International Conference on Energy Systems and Electrical Power (ICESEP). – IEEE, 2024. – P. 537 -- 540. – (DOI: 10.1109/ICESEP62218.2024.10651746).

Горшенин, А.Ю. Применение машинного обучения деревьев решений для краткосрочного прогнозирования электропотребления / А.Ю. Горшенин, А.С. Грицай, Л.А. Денисова // Известия Тульского государственного университета. Технические науки. – 2023. – №. 11. – С. 226 -- 231. – (DOI: 10.24412/2071-6168-2023-11-226-227).

Русина, А.Г. Прогнозирование суточного графика электропотребления рабочих дней с учетом метеофакторов для центральной энергосистемы Монголии / А.Г. Русина, О. Тувшин, П.В. Матренин [и др.] // Известия высших учебных заведений. Проблемы энергетики. – 2022. – Т. 24. – №. 2. – С. 98 -- 107. – (DOI: 10.30724/1998-9903-2022-24-2-97-106).

Rusina, A.G. Short-term load forecasting using statistical methods for the central power system of mongolia / A.G. Rusina, T. Osgonbaatar, P.V. Matrenin // 2022 IEEE International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON). – IEEE, 2022. – P. 2030 -- 2035. – (DOI: 10.1109/SIBIRCON56155.2022.10017047).

Полуянович, Н.К. Оценка воздействующих факторов и прогнозирование электропотребления в региональной энергосистеме с учетом режима ее эксплуатации / Н.К. Полуянович, М.Н. Дубяго // Известия Южного федерального университета. Технические науки. – 2022. – №. 2 (226). – С. 31 -- 46. – (DOI: 10.18522/2311-3103-2022-2-31-46).

Серебряков, Н.А. Применение адаптивного ансамблевого нейросетевого метода для краткосрочного прогнозирования электропотребления электротехнического комплекса районных электрических сетей / Н.А. Серебряков // Омский научный вестник. – 2021. – №. 1 (175). – С. 39 -- 45. – (DOI: 10.25206/1813-8225-2021-175-39-45).

Liu, H. Wind speed forecasting using a new multi-factor fusion and multi-resolution ensemble model with real-time decomposition and adaptive error correction / H. Liu, R. Yang, Z. Duan // Energy Conversion and Management. – 2020. – Vol. 217. – P. 112995. – (DOI: 10.1016/j.enconman.2020.112995).

Хомутов, С.О. Повышение точности краткосрочного прогнозирования электропотребления групп точек поставки электроэнергии гарантирующих поставщиков второго уровня / С.О. Хомутов, В.И. Сташко, Н.А. Серебряков // Известия Томского политехнического университета. Инжиниринг георесурсов. – 2020. – Т. 331. – №. 6. – С. 128 -- 140. – (DOI: 10.18799/24131830/2020/6/2682).

Zhang, S. A novel ensemble deep learning model with dynamic error correction and multi-objective ensemble pruning for time series forecasting / S. Zhang, Y. Chen, W. Zhang [et al.] // Information Sciences. – 2021. – Vol. 544. – P. 427 -- 445. – (DOI: 10.1016/j.ins.2020.08.053).

Kong, X. Short-term electrical load forecasting based on error correction using dynamic mode decomposition / X. Kong, Ch. Li, Ch. Wang [et al.] // Applied Energy. – 2020. – Vol. 261. – P. 114368. – (DOI: 10.1016/j.apenergy.2019.114368).

Макоклюев, Б.И. Краткосрочное прогнозирование электропотребления в энергосистемах России / Б.И. Макоклюев, А.С. Полижаров, С.В. Локтионов // Электрические станции. – 2018. – № 4(1041). – С. 24 -- 35. – (EDN YVOCPC).

Laouafi, A. An adaptive hybrid ensemble with pattern similarity analysis and error correction for short-term load forecasting / A. Laouafi, F. Laouafi, T. E. Boukelia // Applied Energy. – 2022. – Vol. 322. – P. 119525. – (DOI: 10.1016/j.apenergy.2022.119525).

Zhou, F. Multi-step ahead short-term electricity load forecasting using VMD-TCN and error correction strategy / F. Zhou, H. Zhou, Zh. Li [et al.] // Energies. – 2022. – Vol. 15. – No. 15. – P. 5375. – (DOI: 10.3390/en15155375).

Giamarelos, N. A machine learning model ensemble for mixed power load forecasting across multiple time horizons / N. Giamarelos, M. Papadimitrakis, M. Stogiannos [et al.] // Sensors. – 2023. – Vol. 23. – No. 12. – P. 5436. – (DOI: 10.3390/s23125436).

Zhao, Y. Multi-step ahead forecasting for electric power load using an ensemble model / Y. Zhao, N. Guo, W. Chen [et al.] // Expert Systems with Applications. – 2023. – Vol. 211. – P. 118649. – (DOI: 10.1016/j.eswa.2022.118649).

Zhu, Z. A day-ahead industrial load forecasting model using load change rate features and combining FA-ELM and the AdaBoost algorithm / Z. Zhu, M. Zhou, F. Hu [et.al] // Energy Reports. – 2023. – Vol. 9. – P. 971 -- 981. – (DOI: 10.1016/j.egyr.2022.12.044).

Осгонбаатар, Т. Ансамблевая модель для прогнозирования выработки ветровых электростанций / Т. Осгонбаатар, А.Г. Русина, П.В. Матренин [и др.] // Известия высших учебных заведений. Проблемы энергетики. – 2024. – Т. 26. – № 1. – С. 64 -- 76. – (DOI: 10.30724/1998-9903-2024-26-1-64-76).