Прогнозирование динамики энергопотребления города Севастополя при использовании нейросетевых алгоритмов
DOI:
https://doi.org/10.22213/2413-1172-2021-1-78-86Ключевые слова:
прогнозирование, энергопотребление, распределенные сети, методика, нейросетевая классификацияАннотация
Мировое потребление электрической энергии с каждым годом заметно возрастает, что приводит к повышению интереса крупных потребителей и производителей электроэнергии к такой процедуре, как прогнозирование энергопотребления. Информация, полученная в результате прогнозирования, может быть использована для рационального распределения текущей нагрузки во времени, а также корректного расчета перспективной нагрузки; помимо этого становится возможным уменьшение продолжительности пиковых нагрузок, что позволит повысить надежность энергопотребления. Благодаря результатам прогноза компании – производители электроэнергии смогут выстроить более точную экономическую модель развития и принять решение о целесообразности расширения уже имеющейся инфраструктуры. Из вышеуказанного следует, что прогноз энергопотребления позволит уменьшить финансовые потери компаний – производителей и потребителей электроэнергии.
Предложена методика выявления типовых профилей суточной динамики энергопотребления, основывающаяся на методах нейросетевого анализа и нейросетеваой классификации. Выявленные типовые профили в дальнейшем стали базисом для проведения процедуры прогнозирования энергопотребления. Профили представлены в виде графиков суточной динамики энергопотребления, что позволяет наглядно и точно оценивать особенности энергопотребления для каждого из фидеров распределительной сети. Также описаны промежуточные этапы, которые были осуществлены для выявления типовых профилей. Проведена процедура прогнозирования энергопотребления, основывающаяся на использовании выявленных типовых профилей, а также оценка ее достоверности.Библиографические ссылки
Чебоксаров В. В., Кузнецов П. Н. Пути решения проблемы нестабильности энерговыработки установок возобновляемой энергетики // Дневник науки. 2019. № 4 (28). С. 60–66.
Прогнозирование энергопотребления при использовании данных мониторинга электрических параметров / П. Н. Кузнецов, Д. Ю. Котельников, Д. Ю. Воронин, А. Г. Хомюк // Энергетические уста-новки и технологии. 2020. Т. 6, № 2. С. 71–76.
Ma Z., Yan R., Nord N. A variation focused cluster analysis strategy to identify typical daily heating load profiles of higher education buildings. Energy, 2017, no. 134, pp. 90-102. DOI: 10.1016/j.energy.2017.05.191.
Delzendeh E., Wu S., Lee A. The impact of occupants’ behaviors on building energy analysis: A research review. Renewable and Sustainable Energy Reviews, 2017, no. 80, pp. 1061-1071. DOI: 10.1016/j.rser.
05.264.
Hong T., Yan D., D’Oca S. Ten questions concerning occupant behavior in buildings: The big picture. Building and Environment, 2017, no. 114, pp. 518-530. DOI: 10.1016/J.BUILDENV.2016.12.006.
Haben S., Singleton C., Grindrod P. Analysis and clustering of residential customers energy behavioral demand using smart meter data. Energy & Buildings, 2019, no. 203, pp. 231-240. DOI: 10.1016/j.enbuild.
109455.
Rajabi A., Eskandari M., Ghadi M.J. A pattern recognition methodology for analyzing residential customers load data and targeting demand response applications. Energy & Buildings, 2019, no. 203, pp. 231-240. DOI: 10.1016/j.enbuild.2019.109455.
Yang T., Ren M., Zhou K. Identifying household electricity consumption patterns: A case study of Kunshan, China. Renewable and Sustainable Energy Review, 2018, no. 91, pp. 861-868.
Wang Y., Chen Q., Kang C. Clustering of Electricity Consumption Behavior Dynamics toward Big Data Applications. IEEE Transactions on Smart Grid, 2016, no. 7, pp. 2437-2447.
Zhou K., Yang C., Shen J. Discovering residential electricity consumption patterns through smart-meter data mining: A case study from China. Utilities Policy, 2017, no. 44, pp. 73-84. DOI: 10.1016/j.jup.2017.01.004.
Wang Y., Chen Q., Hong T. Review of smart meter data analytics: applications, methodologies, and challenges. IEEE Transactions on Smart Grid, 2019, no. 10, pp. 3125-3148. DOI: 10.1109/TSG.2018.2818167.
Drechny M. The method of consumers identification based on compressed power load profiles. IEEE in 2018 Innovative Materials and Technologies in Electrical Engineering, 2018, no. 18, pp. 55-58. DOI: 10.1109/IMITEL.2018.8370464.
Piscitelli M.S., Piscitelli M.S., Brandi S., Capoz-zoli A. Recognition and classification of typical load profiles in buildings with non-intrusive learning approach. Applied Energy, 2019, no. 255, pp. 227-244.
Методика нейросетевого прогнозирования энергопотребления для устойчивого развития умной городской среды / П. Н. Кузнецов, Д. Ю. Котельников, Д. Ю. Воронин, А. Г. Хомюк // Дневник науки. 2020. № 5 (41). С. 30–44.
Кузнецов П. Н., Хомюк А. Г., Котельников Д. Ю. Методика оценки остаточного ресурса силового трансформатора // Дневник науки. 2020. № 5 (41). С. 44–59.
