ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ
ARTICLE_10 PDF

Ключові слова

nodal electrical load
short-term forecasting
artificial neural network
recurrent network вузлове електричне навантаження
короткострокове прогнозування
штучна нейронна мережа
рекурентна мережа

Як цитувати

[1]
Черненко, П., Мірошник, В. і Шиманюк , П. 2020. ОДНОФАКТОРНЕ КОРОТКОСТРОКОВЕ ПРОГНОЗУВАННЯ ВУЗЛОВИХ ЕЛЕКТРИЧНИХ НАВАНТАЖЕНЬ ЕНЕРГОСИСТЕМИ. ТЕХНІЧНА ЕЛЕКТРОДИНАМІКА. 2 (Лют 2020), 067. DOI:https://doi.org/10.15407/techned2020.02.067.

Анотація

Запропоновано комбіновану архітектуру штучної нейронної мережі глибинного навчання для векторного прогнозування вузлових навантажень, в якій використовується рекурентний модуль типу LSTM (Long short-term memory - мережі довгої короткострокової пам’яті), вихід якого подається до багатошарового перцептрону з активаційною функцією SELU (scaled exponential linear unit – масштабована експоненційно лінійна функція). Для підвищення ефективності навчання використовується обхідне з’єднання, яке полягає в додаванні входу нейронної мережі до виходу. Проведено порівняльний аналіз двох підходів до короткострокового прогнозування вузлових навантажень енергосистеми. При першому підході для кожного вузла навантаження будується окрема модель на базі штучної нейронної мережі eResNet, при другому – здійснюється векторне прогнозування значень вузлових навантажень з використанням побудованої комбінованої нейронної мережі. Другий підхід дозволяє використати взаємозв'язок між навантаженнями в вузлах енергосистеми та зменшити кількість обчислювальних операцій, необхідних для побудови моделі, особливо при значній кількості вузлів в енергосистемі. Бібл. 16, рис. 3, табл. 3.

https://doi.org/10.15407/techned2020.02.067
ARTICLE_10 PDF

Посилання

Chernenko P.A., Pryhno. V.L. Operational calculation of the stationary mode of energy connection with a shortage telemetry. Elektrichestvo. 1985. No 12. Pp. 12-15. (Rus)

Gusejnov F.G., Chernenko P.A. To the statistic analysis of the load node of the energy system. Problemy` tekhnicheskoi elektrodinamiki. 1971. No 30. Pp. 15-20. (Rus)

Chernenko P.A., Kuzneczov G.G. Determination of information content and short-term forecasting of periodically unsteady random processes in electric power systems. Prieprint-157. Kiev: Institut Electrodіnamiki Natsionalnoi Academii Nauk Ukrainy, 1977. P. 39. (Rus)

Valtin Yu.Yu., Meldorf M.V. Forecasting the load of power system nodes according to expert data. Trudy Tallinskogo politekhnicheskogo instituta. 1978. No 453. Pp. 17-22. (Rus)

Shumilova G.P., Gotman N.Je., Starceva T.B. Prediction of the active and reactive load of EPS units using inversion of an artificial neural network. Elektrichestvo. No 6. 2007. Pp. 7-13.

Han X.S., Han L., Gooi H.B., Pan Z.Y. Ultra-short-term multi-node load forecasting - a composite approach IET Generation, Transmission & Distribution. 2012. No 6. DOI: http://dx.doi.org/10.1049/iet-gtd.2011.0524

Falcao D.M., Bezerra U.H. Short-term forecasting of nodal active and reactive load in electric power system. 2nd IEE lnt. Conf. on Power Systems Monitoring and Control Durham, UK, July. 1986. Pp. 18-22.

Chernenko P., Miroshnyk V. Increasing the accuracy of short-term electrical load forecasting with considering to changes in the structure of consumption during the year. Pratsi Instytutu Elektrodynamiky Natsionalnoi Academii Nauk Ukrainy. 2017. No 48. Pp. 5-11. (Ukr) DOI: https://doi.org/10.15407/publishing2017.48.005

Aoyang Han, Bin Zhang, Zhongliang Sun, Zhiqiang Niu, Junxiong Wang Nodal load forecast model considering network topology constraints. IEEE PES Asia-Pacific Power and Energy Conference. Xi'an.China. 2016. Pp. 939-943.

Hochreiter Sepp, Schmidhuber Jürgen. Long Short-term Memory. Neural computation. 1997. No 9. Pp 1735-1780. DOI: https://doi.org/10.1162/neco.1997.9.8.1735

Klambauer G., Unterthiner T., Mayr A., Hochreiter S. Self-Normalizing Neural Networks. Advances in Neural Information Processing Systems. 2017. No 30. Pp. 971-980.

Veit A., Wilber M., Velongie S. Residual networks behave like ensembles of relatively shallow networks. Advances in Neural Information Processing Systems. 2016. No 29. Pp. 550-558.

Li H., Xu Z., Taylor G., Studer C., Goldstein T. Visualizing the loss landscape of neural nets. Proceedings of the 32nd International Conference on Neural Information Processing Systems (NIPS'18). Montréal. Canada. 2018. Pp. 6391-6401.

Kingma D.P., Ba J. Adam. A Method for Stochastic Optimization. Proc. of the 3rd International Conference on Learning Representations (ICLR). San Diego. USA. 2014. Pp.1-15.

Jensen T.V., Pinson P. RE-Europe, a large-scale dataset for modeling a highly renewable European electricity system. Scientific Data. 2017. 4, 170175. DOI: https://doi.org/10.1038/sdata.2017.175

Chernenko P.O., Miroshnik V.O. Short-term electrical load forecasting for the electrical supply company with deep neural network. Pratsi Instytutu Elektrodynamiky Natsionalnoi Academii Nauk Ukrainy. 2018. No 50. Pp. 5-11. (Ukr) DOI: https://doi.org/10.15407/publishing2018.50.005

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.

Авторське право (c) 2020 Array

Переглядів анотації: 9 | Завантажень PDF: 9

Завантаження

Дані завантаження ще не доступні.