Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Оптимизация управления распределительными энергетическими сетями с помощью робастного нейросетевого прогнозирования и системы поддержки принятия решений

Покупка
Основная коллекция
Артикул: 879265.01.99
Доступ онлайн
426 ₽
В корзину
Монография посвящена проблеме повышения точности краткосрочного прогнозирования потребления электроэнергии электротехнического комплекса районных электрических сетей с помощью инструментов глубокого машинного обучения. Создан и протестирован генетический алгоритм подбора гиперпараметров нейронной сети на языке программирования Python. Новизной разработанной структуры интеллектуального устройства прогнозирования режимов электропотребления, является система помощи принятия решения, позволяющая реализовать планово-упреждающее управление, основываясь на данных, снимаемых со счетчика электроэнергии и полученных в результате работы НС-модели прогнозирования. Книга предназначена для исследователей в электроэнергетических системах, персонала энергосбытовых компаний, ответственного за составление заявок на закупку электроэнергии, и студентов электротехнических специальностей.
21
117
167
214
Полуянович, Н. К. Оптимизация управления распределительными энергетическими сетями с помощью робастного нейросетевого прогнозирования и системы поддержки принятия решений : монография / Н. К. Полуянович, О. В. Качелаев, М. Н. Дубяго ; Южный федеральный университет. – Ростов-на-Дону ; Таганрог : Издательство Южного федерального университета, 2025. - 286 с. – ISBN 978-5-9275-5106-4. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2252565 (дата обращения: 18.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
Оглавление 
МИНИСТЕРСТВО  НАУКИ  И  ВЫСШЕГО  ОБРАЗОВАНИЯ 
РОССИЙСКОЙ  ФЕДЕРАЦИИ 
Федеральное государственное автономное  
образовательное учреждение высшего образования  
«ЮЖНЫЙ  ФЕДЕРАЛЬНЫЙ  УНИВЕРСИТЕТ» 
Инженерно-технологическая академия 
 
 
 
 
Н. К. ПОЛУЯНОВИЧ 
О. В. КАЧЕЛАЕВ 
М. Н. ДУБЯГО  
 
 
 
ОПТИМИЗАЦИЯ  УПРАВЛЕНИЯ   
РАСПРЕДЕЛИТЕЛЬНЫМИ  ЭНЕРГЕТИЧЕСКИМИ 
СЕТЯМИ  С  ПОМОЩЬЮ  РОБАСТНОГО 
НЕЙРОСЕТЕВОГО  ПРОГНОЗИРОВАНИЯ  
И  СИСТЕМЫ  ПОДДЕРЖКИ  
ПРИНЯТИЯ  РЕШЕНИЙ 
 
Монография 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
Ростов-на-Дону – Таганрог  
Издательство Южного федерального университета 
2025 
 
 
 


Оглавление  
УДК 621.315.3: 621.316.99 
ББК  31.19 
 П536 
Печатается по решению экспертного совета «Инженерные науки»  
комитета по инженерному направлению науки и образования  
при Ученом совете Южного федерального университета  
(протокол № 1 от 10 октября 2025 г.) 
Рецензенты: 
профессор Высшей школы технологий искусственного интеллекта  
ФГАОУ ВО «Санкт-Петербургский политехнический университет  
Петра Великого», д.т.н., проф. А. А. Большаков 
доктор технических наук, доцент, кафедры «Теоретическая и общая  
электротехника» ОмГТУ К. И. Никитин 
Полуянович, Н. К.  
П536        Оптимизация управления распределительными энергетическими сетями 
с помощью робастного нейросетевого прогнозирования и системы поддержки принятия решений : монография / Н. К. Полуянович, О. В. Качелаев, 
М. Н. Дубяго ; Южный федеральный университет. – Ростов-на-Дону ; Таганрог : Издательство Южного федерального университета, 2025. – 284 с. 
ISBN 978-5-9275-5106-4 
DOI 10.18522/801346258 
Монография посвящена проблеме повышения точности краткосрочного 
прогнозирования потребления электроэнергии электротехнического комплекса 
районных электрических сетей с помощью инструментов глубокого машинного 
обучения. Создан и протестирован генетический алгоритм подбора гиперпараметров нейронной сети на языке программирования Python. Новизной разработанной структуры интеллектуального устройства прогнозирования режимов 
электропотребления, является система помощи принятия решения, позволяющая 
реализовать планово-упреждающее управление, основываясь на данных, снимаемых со счетчика электроэнергии и полученных в результате работы НС-модели 
прогнозирования. 
Книга предназначена для исследователей в электроэнергетических системах, 
персонала энергосбытовых компаний, ответственного за составление заявок на закупку электроэнергии, и студентов электротехнических специальностей. 
ISBN 978-5-9275-5106-4  
 
 
 
      УДК 621.315.3: 621.316.99 
ББК 31.19 
© Южный федеральный университет, 2025 
© Полуянович Н. К., Качелаев О. В.,  
    Дубяго М. Н., 2025 
© Оформление. Макет. Издательство  
    Южного федерального университета, 2025
 
 


Оглавление  
ОГЛАВЛЕНИЕ 
ОПРЕДЕЛЕНИЯ,  ОБОЗНАЧЕНИЯ,  СОКРАЩЕНИЯ   
И  НОРМАТИВНЫЕ  ССЫЛКИ .....…………………………………... 
7 
ВВЕДЕНИЕ …………………………………………………………….. 
10 
Глава 1. АНАЛИЗ  ХАРАКТЕРА  ЭЛЕКТРОПОТРЕБЛЕНИЯ   
И  ВОЗДЕЙСТВИЯ  ШУМА  НА  КАЧЕСТВО  ОБУЧЕНИЯ 
НЕЙРОСЕТИ …………………………………………………………... 
21 
1.1. Обзор существующих технических решений нейросетевого 
прогнозирования электропотребления ……………………………… 
22 
1.1.1. Анализ моделей искусственного интеллекта, применяемых 
в задачах принятия решения в области электроэнергетики …….. 
23 
1.1.2. Методы обработки данных ……………………………………… 
28 
1.2. Анализ электропотребления …………………………………….. 
31 
1.2.1. Влияние характера электропотребителя на точность прогнозирования ………………………………………………………………... 
34 
1.2.2. Анализ профилей потребителей ………………………………… 
44 
1.3. Зашумление данных об электропотреблении на датчиках тока 
и напряжения …………………………………………………………. 
57 
1.3.1. Методы предварительной обработки данных и обнаружения аномалий ……………………………………………………………….. 
64 
1.3.2. Удаление шума в динамических данных по методу скользящего среднего ………………………………………………………………. 
65 
1.3.3. Применение метода кластерного анализа в задаче обнаружения аномалий ……………………………………………………………. 
68 
1.4. Разработка программного модуля обработки и идентификации 
аномалий во входных данных ………………………………………... 
74 
Выводы по главе 1 ……………………………………………………. 
79 
Глава 2. ИССЛЕДОВАНИЕ  ВЛИЯНИЯ  ПАРАМЕТРОВ 
НЕЙРОСЕТИ  НА  ТОЧНОСТЬ  ПРОГНОЗИРОВАНИЯ  
ЭЛЕКТРОПОТРЕБЛЕНИЯ …………………………………………… 
81 
2.1. Структурная оптимизация нейросети …………………………... 
82 
 


Оглавление  
2.2. Метод обратного распространения ошибки. Математическая 
модель …………………………………………………………………. 
84 
2.3. Исследование влияния гиперпараметров нейронной сети на 
точность прогнозирования …………………………………………... 
86 
2.4. Разработка и исследование пошагового метода НС-модели прогнозирования электропотребления с подбором гиперпараметров 
вручную …………………………………………………………... 
99 
2.4.1. Разработка алгоритма метода скользящего окна ………….. 
99 
2.4.2. Реализация НС на Python ………………………………………….. 100 
2.5. Оценка эффективности решения задачи прогнозирования электропотребления от параметров нейросети ………………………….. 106 
2.5.1. Пример реализации применения метода скользящего окна ... 108 
Выводы по главе 2 ……………………………………………………. 114 
Глава 3. НЕЙРОЭВОЛЮЦИОННЫЙ  ПОДХОД   К СИНТЕЗУ  
АРХИТЕКТУРЫ  НЕЙРОННОЙ  СЕТИ …………………………….. 117 
3.1. Разработка генетического алгоритма настройки искусственной 
нейронной сети ……………………………………………………….. 117 
3.1.1. Обзор нейроэволюционных методов проектирования архитектуры …………………………………………………………………….. 119 
3.1.2. Этапы эволюционного проектирования ………………………. 121 
3.1.3. Эволюционное проектирования архитектуры нейронной сети 132 
3.2. Реализация генетического алгоритма без оператора кроссинговера ……………………………………………………………………. 135 
3.2.1. Разработка способа подбора параметров НС-модели …….. 135 
3.3. Гибридный алгоритм прогнозирования аддитивного потребителя для интеллектуальной поддержки при принятии управленческих решений …………………………………………………………. 136 
3.3.1. Обучения НС с использованием генетических алгоритмов ... 137 
3.3.1.1. Алгоритм синтеза нейросети прямой связи с обратным 
распространением ошибки с применением ГА ……………………... 139 
3.3.1.2. Описание кода гибридного алгоритма обучения НС …….. 143 
3.4. Реализация гибридного алгоритма прогнозирования на Python 157 
3.4.1. Автоматический подбор гиперпараметров НС-модели …… 159 
3.4.1.1. синтез структур НС-моделей с помощью ГА …………….. 161 


Оглавление  
Выводы по главе 3 ……………………………………………………. 165 
Глава 4. ОЦЕНКА  ЭФФЕКТИВНОСТИ  НЕЙРОСЕТЕВОЙ   
МОДЕЛИ  В  ЗАДАЧАХ  ПРОГНОЗИРОВАНИЯ   
ЭЛЕКТРОПОТРЕБЛЕНИЯ …………………………………………… 167 
4.1. Примеры НС-прогнозирования с подбором гиперпараметров 
вручную ……………………………………………………………….. 168 
4.1.1. Примеры прогнозирования для разных типов потребителей 
(цикличные, аддитивные) ………………………………………………… 168 
4.1.2. Примеры прогнозов НС со скользящим окном ………………… 170 
4.1.3. Примеры прогнозов на разные промежутки времени ………. 172 
4.2. Подбор НС-гиперпараметров с помощью ГА ………………….. 179 
4.2.1. Примеры прогнозов для разных потребителей ………………. 179 
4.2.2. Примеры НС-прогнозирования со скользящим окном ………. 181 
4.2.3. Исследование НС-модели со скользящим окном и без на разные сроки прогнозирования ……………………………………………… 183 
4.2.3.1. Примеры прогнозирования ……………………………………. 186 
4.2.4. Сравнение методов прогнозирования ………………………….. 193 
4.3. Робастное обучение нейронных сетей для решения задач прогнозирования …………………………………………………………. 
194 
4.3.1. Робастный подход обучения НС ………………………………… 196 
4.3.2. Алгоритм обучения НС ……………………………………………. 200 
4.3.3. Оценка качества работы нейронной сети ……………………. 203 
4.3.4. Построение робастной НС-модели прогнозирования ЭП и 
оценка точности ее прогноза …………………………………………… 205 
Выводы по главе 4 ……………………………………………………. 212 
Глава 5. АРХИТЕКТУРА  И  РЕАЛИЗАЦИЯ  СИСТЕМЫ   
ПОМОЩИ  ПРИНЯТИЯ  РЕШЕНИЙ  В  КОНТУРЕ   
УПРАВЛЕНИЯ  SCADA ……………………………………………… 
214 
5.1. Упреждающее управление в энергосистемах ………………….. 214 
5.1.1. Методы упреждающего управления …………………………… 216 
5.2. Управление энергосетью с применением нейросетевых моделей и СППР …………………………………………………………… 223 
5.2.1. Нейрокомпьютерные системы ………………………………….. 223 
5.2.1.1. Выбор нейрокомпьютера ……………………………………... 223 


Оглавление  
5.2.2. Структура и алгоритм работы нейрокомпьютерной системы ………………………………………………………………………… 233 
5.3. Разработка алгоритма системы поддержки принятия решений 
235 
5.3.1. Взаимодействие СППР и SCADA-системы …………………… 235 
5.3.2. Функциональные требования к СППР в энергосетях ……….. 240 
5.3.3. Модель данных и логика принятия решений ………………….. 241 
5.3.3.1. Пример работы предлагаемой логики ……………………… 245 
5.3.4. Алгоритмы обработки аномалий в данных ……………………. 247 
5.4. Структура и программная реализация системы ………………... 249 
5.4.1. Выбор технологий и инструментов ……………………………. 249 
5.4.2. Схема взаимодействия модулей …………………………………. 250 
5.4.2.1. Описание работы экспертной системы …………………. 250 
5.4.3. Реализация СППР …………………………………………………... 253 
5.4.3.1. Описание интерфейса …………………………………………. 255 
Выводы по главе 5 …………………………………………………….. 262 
ЗАКЛЮЧЕНИЕ ………………………………………………………… 264 
СПИСОК  ЛИТЕРАТУРЫ ……………………………………………... 269 
ПРИЛОЖЕНИЯ ………………………………………………………... 280 
Приложение 1 …………………………………………………………. 280 
Приложение 2 …………………………………………………………. 282 
 
 
 


Определения, обозначения, сокращения и нормативные ссылки 
ОПРЕДЕЛЕНИЯ,  ОБОЗНАЧЕНИЯ,  СОКРАЩЕНИЯ  
И   НОРМАТИВНЫЕ  ССЫЛКИ 
C# – объектно-ориентированный язык программирования 
CPU – central processing unit, центральный процессор 
GPU – graphics processing unit, графический процессор
SCADA – supervisory control and data acquisition, диспетчерское управление и сбор данных 
SGD – stochastic gradient descent, стохастический градиентный спуск 
STLF – Short-term load forecast, краткосрочное прогнозирование 
нагрузки 
АИИСКУЭ – Автоматизированная информационно-измерительная система коммерческого учета 
Аллель – совокупность подряд идущих генов  
АСУ – автоматизированная система управления 
Батч (Batch) – набор данных (датасет), который используется для обучения модели 
Булев вектор – вектор, компоненты которого принимают значения из 
двухэлементного (булева) множества, например, {0, 1} или {−1, 1} 
Вектор – упорядоченный набор чисел, называемых компонентами вектора. Так как вектор можно представить в виде строки его координат, то в 
дальнейшем понятия вектора и строки считаются идентичными 
ГА – генетический алгоритм 
ГП – гиперпараметры 
ГС – гибридная система 
ИИ – искусственный интеллект 
Инверсия – изменение порядка следования битов в хромосоме или в ее 
фрагменте. Например, 1100 −→ 0011  
Индивидуум (генетический код, особь) – набор хромосом (вариант решения задачи). Обычно особь состоит из одной хромосомы, поэтому в дальнейшем особь и хромосома – идентичные понятия  
ИНС – искусственная нейронная сеть 
ИЭС – интеллектуальная энергетическая система  
Кроссинговер (кроссовер) – операция, при которой две хромосомы обмениваются своими частями. Например, 1100&1010 → 1110&1000  
 


Определения, обозначения, сокращения и нормативные ссылки 
Локус – позиция гена в хромосоме  
МАКР – Международный аэропорт Краснодар 
Моделирование – математическая имитация ситуации в целях ее исследования 
Мутация – случайное изменение одной или нескольких позиций в хромосоме. Например, 1010011 → 1010001  
МП – многослойный персептрон 
НК – нейрокомпьютер 
Популяция – совокупность индивидуумов 
Пригодность (приспособленность) – критерий или функция, экстремум которой следует найти  
Расстояние – хеммингово расстояние между бинарными хромосомами  
РЭС – распределительные энергетические системы 
Сигмоида – гладкая монотонная нелинейная функция, имеющая форму 
буквы "S" 
СО – скользящее окно 
СО ЕЭС – Системный оператор Единой энергетической системы 
СППР – система поддержки принятия решения 
ТПиР – техническое перевооружение и реконструкция 
УСПД – устройство сбора и передачи данных 
Хромосома – вектор (или строка) из каких-либо чисел. Если этот вектор представлен бинарной строкой из нулей и единиц, например, 1010011, 
то он получен либо с использованием двоичного кодирования, либо кода 
Грея. Каждая позиция (бит) хромосомы называется геном  
ЦУС – центр управления сетью 
Экстраполяция – особый тип аппроксимации, при котором функция 
аппроксимируется вне заданного интервала 
ЭМ – электромагнитная 
ЭП – электропотребление 
Эпистаз – влияние гена на пригодность индивидуума в зависимости от 
значения гена, присутствующего в другом месте. Ген считают эпистатическим, когда его присутствие подавляет влияние гена в другом локусе. Эпистатические гены из-за их влияния на другие гены иногда называют ингибирующими. Подавление проявления гена неаллельным ему геном называется гипостазом, а сам подавляемый ген – гипостатическим 


Определения, обозначения, сокращения и нормативные ссылки 
ЭТК РЭС – электротехнический комплекс РЭС 
ЭЭ – электроэнергия 
ЭЭС – электроэнергетическая система 
ЮЗЭС – Юго-Западные электрические сети
 


 
Развитие электроэнергетических систем осуществляется в соответствии с реализацией концепции Smart Grid, определяемой в России как интеллектуальная энергетическая система (ИЭС). У крупных промышленных 
предприятий в современных условиях потребления электроэнергии возникает задача составления заявки в энергоснабжающую организацию на 
объем электроэнергии, необходимый в определенный период времени. 
Оперативное планирование энергопотребления, основанное на достоверных прогнозах, является ключевым фактором для выбора наиболее эффективного режима функционирования энергосистемы. Актуальность данной 
задачи обусловлена строгими требованиями рыночных правил: коммерческие предприятия обязаны заранее заказывать объем электроэнергии, и в 
случае, если фактическое потребление отклоняется от заявленного более 
чем на 5 %, субъекту грозят существенные финансовые санкции [1]. Помимо этого, значительные расхождения между прогнозируемыми и реальными объемами закупки на оптовом рынке могут привести к применению в 
отношении энергосбытовой компании мер оперативного воздействия. Следовательно, создание и внедрение математической модели прогнозирования 
для энергосбытовых предприятий представляет собой насущную практическую проблему, решение которой позволит повысить точность планирования и, как следствие, минимизировать финансовые потери.
Важнейшим элементом в системе мер по оптимизации энергетических 
расходов предприятия выступает прогнозирование суточных объемов потребления электрической энергии. 
Среди существующих подходов широкое распространение получил 
метод, базирующийся на применении удельных норм расхода электроэнергии с последующей экспертной корректировкой, известный как корреляционно-регрессионный анализ [2]. Для аппроксимации графиков нагрузки и 
построения прогнозных значений также успешно применяются полиномиальные разложения [2]. При необходимости составления долгосрочных 
прогнозов часто используются авторегрессионные модели [3]. Однако все 
перечисленные методики имеют ряд существенных ограничений: 
• их реализация требует постоянного участия высококвалифицированных специалистов-аналитиков; 


Доступ онлайн
426 ₽
В корзину