Ключові слова
ринок електричної енергії
короткострокове прогнозування
прогнозний інтервал
нейронні мережі глибинного навчання
Як цитувати
Анотація
Запропоновано архітектуру штучної нейронної мережі глибинного навчання для короткострокового прогнозування сумарного відпуску електроенергії виробниками з відновлюваних джерел енергії (ВДЕ). Показано, що за допомогою такої нейронної мережі, крім точкового прогнозу найбільш ймовірного значення відпуску, доцільно прогнозувати 10-й та 90-й перцентилі розподілу похибки, що дає нижню і верхню межі прогнозного інтервалу з імовірністю попадання 0,8. Для навчання використовувалась функція похибки, яка є комбінацією середнього квадрату відхилень та похибкою квантильної регресії для моделі перцентилів. Апробація моделі проводилась на реальних даних сумарного відпуску виробників з ВДЕ, які публікував ДП «Енергоринок». Якість прогнозу порівнювалась з прогнозами виробників. Мінімальної середньої похибки досягнуто шляхом усереднення прогнозів нейронної мережі та виробників, найнижчу максимальну похибку забезпечує самостійний прогноз нейронної мережі. Прогнозний інтервал забезпечує ймовірність потрапляння фактичного значення 0,82 замість очікуваного 0,8. Бібл. 9, рис. 4, таблиця.
Посилання
Blinov I.V. , Parus Ye.V., Ivanov H.A. Imitation modeling of the balancing electricity market functioning taking into account system constraints on the parameters of the ips of Ukraine mode. Tekhnichna Elektrodynamika. 2017. No 6. Pp. 72–79.
Kutsan Yu.H., Blinov I.V., Ivanov H.A. Modelling of Tariff and Price Formation on Retain Market of Electrical Energy of Ukraine in New Conditions of its Functioning. Electronic modeling. 2017. Vol. 39 (5). Pp. 71–80.
Croonenbroeck C., Stadtmann G. Renewable generation forecast studies–Review and good practice guidance. Renewable and Sustainable Energy Reviews. 2019. Vol. 108. Pp. 312–322.
Liu H., Chen C., Lv X., Wu X., Liu M. Deterministic wind energy forecasting: A review of intelligent predictors and auxiliary methods. Energy Conversion and Management. 2019. Vol. 195. Pp. 328–345.
Mellit, A., & Kalogirou, S. A. Artificial intelligence techniques for photovoltaic applications. A review. Progress in energy and combustion science. 2008. Vol. 34, I. 5. Pp. 574–632.
Khosravi A., Nahavandi S., Creighton D. Comprehensive Review of Neural Network-Based Prediction Intervals and New Advances. IEEE Transactions on neural networks. 2011. Vol. 22. I. 9. Pp. 1341–1356.
Dybowski R, Roberts S. Confidence intervals and prediction intervals for feed-forward neural networks. Clinical Applications of Artificial Neural Networks. 2000.
Chernenko P.O., Miroshnyk V.O. Short-term electrical load forecasting for electrical supply company with deep neural network. Pratsi Instytutu Elektrodynamiky Natsionalnoi Akademii Nauk Ukrainy. 2018 р. No 50. Pp. 5–11.
Smith, S. L., Kindermans, P. J., Ying, C.,Le, Q. V. Don't decay the learning rate, increase the batch size. 2017. arXiv preprint arXiv:1711.00489.
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Авторське право (c) 2019 Блінов І.В., Мірошник В.О., Шиманюк П.В.