Нейросетевой подход для нормирования энергопотребления образовательных учреждений^*

Одним из эффективных методов интеллектуального анализа является построение искусственных нейронных сетей (ИНС). Нейросетевому подходу в энергетике в настоящее время уделяется большое внимание. С помощью ИНС эффективно решаются задачи диагностики состояния и определения неисправностей оборудования, оценка устойчивости энергосистемы, а также задачи краткосрочного прогнозирования потребления топлива, выработки мощности энергоустановками, потребления электрической и тепловой энергии.

В основном ИНС используются для прогнозирования энергопотребления и нагрузки. Первые статьи по применению ИНС для краткосрочного прогнозирования электрической нагрузки появились в 1991 году. В настоящее время нейросетевые предикторы электрической нагрузки нашли применение на диспетчерских центрах энергосистем во многих странах мира - США, Канаде, Греции, Великобритании, Франции, Бельгии [Вороновский, 2006]. Наиболее известной из нейросетевых систем прогнозирования является ANNSTLF, развиваемая Electric Power Research Institute (США) с 1992 года по сегодняшний день. Примером использования нейросетевого метода в России является краткосрочное прогнозирование электропотребле­ния ОАО «Мордовская энергосбытовая компания» [Соломкин, 2009]. Относительная погрешность прогноза на 3-4 дня составила не более 5%.

Применение ИНС для решения задачи нормирования энергопотребления ОУ обладает следующими преимуществами:

1.    Возможность учета большого количества разнообразных входных переменных.

2.     Возможность учета категориальных входных данных.

3.     Возможность повышения точности прогноза.

4.     От специалистов не требуется опыт работы с энергосистемой.

На рис. 2 представлена схема нейросетевого подхода применительно к разработке норм энергопотребления ОУ.

Рис. 2. Структура нормирования энергопотребления ОУ

Входными переменными для обучения ИНС являются общая площадь здания, численность обучающихся и определенные категориальные переменные.

Площадь зданий является параметром, по которому в настоящее время в основном осуществляется планирование энергопотребления ОУ. Однако площадь ОУ величина условно постоянная, мало изменяющаяся во времени. Изменение объемов потребления электрической и тепловой энергии по годам во многом связано с ежегодными изменениями численности обучающихся. Поэтому при определении величины удельного энергопотребления необходимо учитывать как площадь зданий, так и численность обучающихся.

Для повышения эффективности ИНС необходим учет дополнительных входных переменных (температура воздуха в отопительный период), в том числе категориальных (тип остекления и материал ограждающих конструкций ОУ - стены, крыша). Уточнение зависимости удельного энергопотребления от различных категориальных переменных требует отдельных исследований.

Большое количество исследуемых ОУ и относительная легкость получения информации обеспечит необходимый объем данных для обучения, тестирования и контроля ИНС. Обученная сеть приобретет способность моделировать функцию, связывающую значения входных данных с удельными расходами электрической и тепловой энергии ОУ. Впоследствии такую сеть можно использовать для прогнозирования в ситуации, когда выходные значения неизвестны.

Выходными переменными ИНС являются удельные расходы электрической энергии на одного обучающегося (кВтч/чел) и удельные расходы тепловой энергии на одного обучающегося (т у.т./чел).

Для получения прогнозных значений годовых общих расходов электрической и тепловой энергии удельные расходы электрической и тепловой энергии умножаются на количество обучающихся исследуемого учебного заведения.

В пакете Neurosolutions созданы примеры нейронных сетей для определения значений электро- и теплопотребления классических университетов. Исходные данные разделены на обучающую совокупность (100 значений) и контрольное множество (40 значений). На основе анализа научных работ [Шумилова] и результатов экспериментов выбрана архитектура сетей - пер­септрон с одним скрытым слоем, сигмоидальной функцией активации, с обучением по методу обратного распространения ошибки. Полученные результаты моделирования расходов электрической и тепловой энергии представлены на рис. 3.

Рис. 3. Прогнозирование энергопотребления классических университетов

Для отдельных ОУ расхождение между контрольными данными и выходными величинами ИНС составило до 50%. Высокий процент расхождения объясняется:

1)      недостаточным объемом исходной информации;

2)      коррелированностью входных переменных (коэффициент корреляции между численностью обучающихся и площадью зданий составляет 0,211);

3)      слабой корреляцией между удельным энергопотреблением и количеством обучающихся.

ВЫВОДЫ

Полученные результаты показывают, что применение нейросетевого подхода для нормирования энергопотребления ОУ требует использования большего количества обучающих данных, а также учет дополнительных входных переменных, в том числе категориальных переменных. Исследования показали целесообразность дальнейших исследований по использованию нейронных сетей для прогнозирования энергопотребления ОУ.

1. Чучуева И.А. Модель экстраполяции временных рядов по выборке максимального подо­бия. − Информационные технологии, 2010, № 12, с. 43-47.
2. Вагин Г.Я., Дудникова Л.В. Исследование эффективности использования энергоносите­лей в образовательных учреждениях. − Энергобезопасность и энергосбережение, №6, 2010.
3. Соснина Е.Н., Шалухо А.В. Моделирование энергопотребления образовательных учре­ждений. − Информационно-измерительные и управляющие системы, 2011, № 7, с. 66-70.
4. Гнатюк В. И. и др. − Электрика, 2003, № 2 – 6;2004, № 7; 2005, № 2; 2006, № 1, 7, 12; 2007, № 2, 3, 7, 8, 11, 12; 2008, № 4, 8.
5. Вороновский Г.К., Махотило К.В., Сергеев С.А. Проблемы и перспективы использова­ния искусственных нейронных сетей в энергетике. − Проблеми загальноi енергетики, 2006, №6.
6. Соломкин А.В. Применение нейросетевых методов для прогнозирования потребления электроэнергии. − Электроника и информационные технологии, 2009, №3.
7. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Прогнозирование нагрузки ЭЭС на базе но­вых информационных технологий. − В кн.: Новые информационные технологии в зада­чах оперативного управления электроэнергетическими системами / Н.А.Манов, Ю.Я.Чукреев, М.И.Успенский и др. Екатеринбург: УрО РАН,2002, с.127−156.