Нейронные сети: прогнозирование электрической нагрузки и потерь мощности в электрических сетях. От романтики к прагматике

 

 
 
 
 
 
РЕДАКЦИОННАЯ КОЛЛЕГИЯ 
СЕРИИ «МОНОГРАФИИ НГТУ» 
 
 
д-р техн. наук, проф. (председатель) А.А. Батаев 
д-р техн. наук, проф. (зам. председателя) А.Г. Вострецов 
д-р техн. наук, проф. (отв. секретарь) В.Н. Васюков 
 
д-р техн. наук, проф. А.А. Воевода 
д-р техн. наук, проф. В.И. Денисов 
д-р физ.-мат. наук, проф. А.К. Дмитриев 
д-р физ.-мат. наук, проф. В.Г. Дубровский 
д-р филос. наук, проф. В.И. Игнатьев 
д-р филос. наук, проф. В.В. Крюков 
д-р социол. наук, проф. Л.А. Осьмук 
д-р техн. наук, проф. Н.В. Пустовой 
д-р техн. наук, проф. Г.И. Расторгуев 
д-р физ.-мат. наук, проф. В.А. Селезнев 
д-р техн. наук, проф. Ю.Г. Соловейчик 
д-р техн. наук, проф. А.А. Спектор 
д-р техн. наук, проф. А.Г. Фишов 
д-р экон. наук, проф. М.В. Хайруллина 
д-р техн. наук, проф. В.А. Хрусталев 
д-р техн. наук, проф. А.Ф. Шевченко 
 

 

 

 

УДК 004.032.26:621.311 
   М 241 
 
 
 
Рецензенты: 
д-р техн. наук, профессор Г.И. Самородов,  
АО «НТЦ ФСК ЕЭС» – СибНИИЭ 
канд. техн. наук, профессор Ю.М. Сидоркин 
 
 
 
 
Манусов В.З. 
М 241 
Нейронные сети: прогнозирование электрической нагрузки и 
потерь мощности в электрических сетях. От романтики к прагматике: монография / В.З. Манусов, С.В. Родыгина. – Новосибирск: Изд-во НГТУ, 2018. – 303 с. (Серия «Монографии 
НГТУ»). 

ISBN 978-5-7782-3745-2 

Рассматриваются основные понятия и определения искусственных нейронных сетей, представлен обзор методов обучения нейронных сетей, где 
наибольшее внимание уделено многослойному персептрону. Показано применение традиционных и нейросетевых методов для прогнозирования электрической нагрузки и оценки потерь мощности в электрических сетях. 
Книга предназначена научным сотрудникам, аспирантам и магистрантам, 
занимающимся разработкой и исследованием нейросетевого прогнозирования в 
области электроэнергетики и электротехники. 
 
 
УДК 004.032.26:621.311 
 
 
 
ISBN 978-5-7782-3745-2 
 Манусов В.З., Родыгина С.В, 2018 
 
 Новосибирский государственный 
 
    технический университет, 2018 

 

УДК 004.032.26:621.311 
   М 241 
 
 
 
Reviewers: 

Professor G.I. Samorodov D. Sc. (Eng.),  
“STC FGC UES” – SibNIIE JSC  

Professor Yu.M. Sidorkin, PhD (Eng.) 
 
 
 
Manusov V.Z. 
М 241 
Neural networks: forecasting of electrical loads and power losses 
in electric grids. From romanticism to pragmatism: monograph /  
V.Z. Manusov, S.V. Rodygina. – Novosibirsk: NSTU Publisher, 
2018. – 303 p. (“NSTU Monographs” series).  

ISBN 978-5-7782-3745-2 

The main concepts and definitions of artificial neural networks are considered in the book. A review of methods of neural network learning is presented, with greatest attention given to a multilayer perceptron. The applica-
tion of traditional and neural network methods of electrical load forecasting 
and power loss estimation in electric grids is shown.  
The monograph is intended for researchers, graduate and postgraduate 
students involved in developing and investigating neural network forecasting 
in power and electrical engineering.   
 
 
 
 
 
УДК 004.032.26:621.311 
 
 
 
ISBN978-5-7782-3745-2 
 Manusov V.Z., Rodygina S.V., 2018 
 
 Novosibirsk State  
 
    Technical University, 2018 

ÂÂÅÄÅÍÈÅ 

 настоящее время в научной и технической среде все больший 
интерес вызывают методологии, основанные на применении 
искусственных нейронных сетей. Это обусловлено тем, что искусственные нейронные сети (ИНС) представляют собой важный компонент искусственного интеллекта, который занимает все больше места в 
нашей современной жизни. Искусственные нейронные сети являются 
весьма продуктивным дополнением к существующим методам обработки тех или иных статистических данных и формирования на этой 
основе некоторых уже имеющихся или будущих образов. При этом 
нейросетевые модели особенно эффективны при анализе взаимозависимостей между отдельными переменными. Важное преимущество 
ИНС – способность анализа сложных зависимостей и отношений. 
Нейронные сети нашли значительное практическое применение для 
решения задач классификации, прогнозирования и управления и представляют собой исключительно эффективный метод моделирования. 
По своей природе ИНС являются нелинейными и поэтому хорошо 
адаптированы к нелинейным моделям любой природы. Особенно их 
применение эффективно, когда между входными независимыми переменными и выходными параметрами (часто это прогнозируемые параметры) существует сложная взаимосвязь, которую трудно описать известными статистическими терминами (например, корреляцией). 
Таким образом, ИНС особенно эффективны для нелинейных систем, для которых линеаризация и линейная аппроксимация в значительной степени «загрубляют» модель, а таких случаев в технических 
системах достаточно много. Наряду с этим искусственные нейронные 
сети весьма хорошо решают многомерные задачи, преодолевая так 

Â

называемое «проклятие размерности» для случаев с большим числом 
переменных. 
Ключевая феноменальная особенность ИНС – их способность к самообучению. Они учатся на основе некоторых примеров, представляющих собой репрезентативные выборки, применительно к которым 
подключается алгоритм обучения, при этом они накапливают опыт. 
Разумеется, что от пользователя требуются также некоторые эвристические знания, чтобы задать необходимые данные, выбрать нужную 
архитектуру сети и правильно интерпретировать полученные результаты. В целом же уровень необходимых знаний пользователя ИНС может быть значительно скромнее, чем при овладении другими математическими методами искусственного интеллекта. 
Искусственные нейронные сети также привлекательны с интуитивной точки зрения, так как в их основе лежат биологические системы, 
базирующиеся на нервных клетках, т. е. на нейробиологии. Глубокое 
понимание ИНС требует также некоторых знаний нейрофизиологии 
проблем искусственного интеллекта, статистической математики,  
распознавания образов, теории управления и других дисциплин. К основным проблемам, решаемым с помощью нейронных сетей, можно 
отнести классификацию образов, аппроксимацию функции, прогнозирование, оптимизацию и управление, в том числе для трудно формализуемых задач. 
В предлагаемой читателю книге рассмотрены и исследованы методы формализации и решения задач, относящихся преимущественно к 
области электроэнергетики. Это задачи прогнозирования нагрузки 
электроэнергетических систем и отдельных промышленных предприятий, а также планирования и оценки потерь активной мощности в 
электрических сетях. Приведен сравнительный анализ ИНС с методом 
авторегрессии и скользящего среднего. Представлено описание программной реализации прогноза мощности электроэнергетической системы в краткосрочной перспективе погрешностью менее 2 %. 
 
 
 

1.2. ÀÐÕÈÒÅÊÒÓÐÀ ÍÅÉÐÎÍÍÎÉ ÑÅÒÈ 

 
9 

1. ÈÑÊÓÑÑÒÂÅÍÍÛÅ ÍÅÉÐÎÍÍÛÅ ÑÅÒÈ 
ÎÑÍÎÂÍÛÅ ÏÎÍßÒÈß È ÎÏÐÅÄÅËÅÍÈß 

 
 
 

1.1. ÈÑÊÓÑÑÒÂÅÍÍÛÉ ÍÅÉÐÎÍ  
È ÅÃÎ ÔÓÍÊÖÈÎÍÈÐÎÂÀÍÈÅ 

сследования в области искусственных нейронных сетей 
(ИНС) пережили три периода активизации. Первый пик в 
1940-х годах был обусловлен пионерской работой У. МакКаллока и 
У. Питтса. Второй возник в 1958 году благодаря теореме сходимости 
перцептрона Ф. Розенблата и работе М. Минского и C. Пейперта, указавшей ограниченные возможности простейшего перcептрона. Она получила название Perceptron и была предназначена для моделирования 
деятельности мозга человека при обработке визуальных данных и при 
обучении распознаванию объектов. 
Результаты М. Минского и С. Пейперта погасили энтузиазм большинства исследователей, особенно тех, кто работал в области вычислительных наук. Возникшее в исследованиях по нейронным сетям затишье продлилось почти 20 лет. С начала 1980-х годов ИНС вновь 
привлекли интерес исследователей, что связано с энергетическим подходом Дж. Хопфилда и алгоритмом обратного распространения для 
обучения многослойного перcептрона (многослойные сети прямого 
распространения), впервые предложенного П. Вербосом и независимо 
разработанного рядом других авторов. Алгоритм получил известность 
благодаря Д. Румельхарту, а в 1986 году Дж. Андерсон и Э. Розенфельд 
подготовили подробную историческую справку о развитии ИНС. 
Нейрон (нервная клетка) является особой биологической клеткой, 
которая обрабатывает информацию (рис. 1.1). Он состоит из тела клетки (cell body), или сомы (soma), и двух типов внешних древоподобных 
ветвей: аксона (axon) и дендритов (dendrites). Тело клетки включает 
ядро (nucleus), содержащее информацию о наследственных свойствах, 
и плазму, обладающую молекулярными средствами для производства 

È 

 

1. ÈÑÊÓÑÒÂÅÍÍÛÅ ÍÅÉÐÎÍÍÛÅ ÑÅÒÈ 

10 

необходимых нейрону материалов. Нейрон получает сигналы (импульсы) от других нейронов через дендриты (приемники) и передает сигналы, сгенерированные телом клетки, вдоль аксона (передатчика), который в конце разветвляется на волокна (strands). На окончаниях этих 
волокон находятся синапсы (synapses) [1]. 
 

Дендриты

Аксоны

Синапсы 

Тело нейрона

Движение импульса

Аксон

 

Рис. 1.1. Строение биологического нейрона 

Синапс является элементарной структурой и функциональным узлом между двумя нейронами (волокно аксона одного нейрона и дендрит другого). Когда импульс достигает синаптического окончания,  
высвобождаются определенные химические вещества, называемые 
нейротрансмиттерами. Нейротрансмиттеры диффундируют через синаптическую щель, возбуждая или затормаживая, в зависимости от 
типа синапса, способность нейрона-приемника генерировать электрические импульсы. Результативность синапса может настраиваться проходящими через него сигналами, так что синапсы могут обучаться в 
зависимости от активности процессов, в которых они участвуют. Эта 
зависимость от предыстории действует как память, которая, возможно, 
ответственна за память человека.  
Можно считать, что при прохождении синапса сила импульса меняется в определенное число раз, которое мы будем называть весом 
синапса. Импульсы, поступившие к нейрону одновременно по нескольким дендритам, суммируются. 
Если суммарный импульс превышает некоторый порог, нейрон 
возбуждается, формирует собственный импульс и передает его далее 
по аксону. Важно отметить, что веса синапсов могут изменяться