^ ;П S-raf--1 44'-Ъ '
КРАТКОСРОЧНО ПРОГНОЗИРАНЕ НЛ КОНСУМАЦИЯТА НА ТОПЛИННА КНКРГИИ <
И.'ШОЛШШШ НА НЕВРОННА МРЕЖА
инж. Цветелин Христов Минков Отоплителна централа 'Земляне' гр.София
Ключови думи: Отоплителна централа, Краткосрочно прогнозиране. Невронна мрежа
РЕЗЮМЕ
Оптималният, от гледна точки на икономия на енергия, производствен мениджмънт на еднп отоплителна централа изисква предсказване на бъдещите състояния на обслужваната от нея топлофикационна система. Основен показател, определящ състоянието на една таказп
система, е нейното топлинно натоварване. Прогнозирането на топлинното натоварване от своя страна се свежда до прогнозиране на температурния график и прогнозиране на консумацията на топлинна енергия от потребителите.
В доклада е предложен подход за краткосрочно прогнозиране на консумацията на топлинна енергия от потребителите, основан на използването на изкуствена невронна мрежа.
Изследванията се базират на реални данни от функционирането на Отоплителна централа
"Земляне" град София
УВОД
Оптималният, от гледна точка на икономия на енергия, производствен мениджмънт па една отоплителна централа изисква предсказване на бъдещите състояния на съответната топлофикационна система (2, 5|. Основен показател, определящ състоянието на една такава система, е нейното топлинно натоварване. Така възниква проблемът за прогнозиране на топлинното натоварване на отоплителната централа, основен топлоизточник в системата ?я топлоснабдяване. Така поставената задача се характеризира с наличието на два основни проблема: ,•
Първо, необходимост от поддържане на определен температурен график на подавания към потребителите топлоносител с цел спазване на нормативните изисквания относно качеството на отоплението и битовото горещо водоснабдяване;
Второ, консумацията на топлинна енергия от потребителите се отразява в температурата на връщащия се обратно е централата топлоносител при установен хидравличен режим ма топлофикационната система.
По такъв начин, предсказването на натоварването на ОЦ се свежда до прогнозиране на температурния график и прогнозиране на консумацията на топлинна енергия от страна на потребителите.
В доклада е описан подход за реализация на изкуствена невронна мрежа предназначена за краткосрочно прогнозиране на консумацията на топлинна енергия от потребителите на топлофикационна система. Описани са архитектурата и метода за обучение на мрежата.
МЕТОДИ ЗА КРАТКОСРОЧНО ПРОГНОЗИРАНЕ
Както бе отбелязано, прогнозирането на топлинното натоварване на една отоплителна централа се свежда до прогнозиране на топлинния график и прогнозиране на консумацията на топлинна енергия от потребителите. Известни са множество методи, широко използвани за цедите на краткосрочното прогнозиране на натоварването на различните енергийни системи. В зависимост от прилагания подход за прогнозиране, тези методи могат да бъдат класифицирани в няколко основни групи:
Времеви редове
Тази група методи за прогнозиране се базира на анализа на времеви редове чрез използване на профилите на натоварването на енергийната система. Идеята, заложена в този подход, се състои в предположението, че профилът на натоварването не е нищо повече от един елемент на времевия ред с известна сезонна, седмична и дневна периодичност (3]. Тази периодичност осигурява възможност за грубо предсказване на натоварването за дадения сезон, ден на седмицата и време на деня. Разликата между предсказаната и истинската стойност на натоварването може да се разглежда като стохастичен процес. Чрез подходящ анализ на този процес е възможно достигане до по-точна прогноза на натоварването, като най- разпространените подходи, използвани за извършване на такъв анализ, са филтър на Калман.
метод на Бокс и Джвнкинс, модели на авторегресията и пълзящото средно (ARMA модели) Методите с използване на времеви редове се прилагат главно при отсъствие на резки изменения^ на променливите, влияещи върху профила на натоварването. Освен това, при тях често се налага да се отчитат сложни зависимости между тези променливи, което води до рязко увеличаване на времето за изчисление и числова некоректност на полученото решение
Регресионен анализ
Тази група методи се базира на използването на подхода на регресионния анализ Целта при тези методи е да се определи функционалната зависимост между елементите на климата и текущото натоварване на разглежданата енергийна система. Много често за постигане на тази цел се използва линейно или по-части линейно представяне на прогнозиращата функция, факт е обаче, че зависимостта между натоварването и елементите на климата има силно изразен нестационарен характер, зависещ от редица пространствено- времеви фактори. Регресията не притежава необходимата гъвкавост за отчитане на тези фактори, поради което се налага използването на допълнителни подходи за адаптиране на конкретния регресионен метод към реалните условия.
Изкуствени невронни мрежи
В последните няколко години се обръща голямо вимание на приложението на изкуствените невронни мрежи за прогнозиране на натоварването в енергийните системи [4]
Предимството на невронните мрежи пред описаните по горе подходи се състои във възможността чрез тях да се моделират многомерни задачи, при което отпада необходимостта да се отчитат сложните зависимости между входните променливи. Резултатите, получени от редица автори са многообещаващи.
ИЗКУСТВЕНИ НЕВРОННИ МРЕЖИ
Тъй като невронните мрежи са основния подход, използван при реализацията на прогнозирането на топлинното натоварване на отоплителната централа, ще се спрем по- подробно на тяхната същност.
изходен слой L
скрит слой К
' V Т
входен слой J
фигура I Обща структура на изкуствената невронна мрежа
Архитектура на невронните мрежи
Изкуствените невронни мрежи се изграждат на принципа слой след слой (фиг. I), като първия слой J се нарича "входен" и играе ролята на разпределител. Следва слой К (или поредица от слоеве), наречен "скрит" слой, и накрая мрежата завършва с т.нар. "изходен" слой от неврони L. Всеки слой на невронната мрежа се състои от определен брой неврони, които са основния градивен елемент на мрежата (фиг. 2).
Входовете на даден неврон са свързани с изходите на невроните от предишния слой или, ако неврона е разположен във "входния" слой, тези входове са вход на и.режата от външната среда.
Всеки вход на неврона P(j) се умножава с определен тегловен коефициент W(1, j) от тегловната матрица W, и получените произведения се сумират. Тази сума от произведения п е вход за г нар. активираща функция F, и по този начин се получава изхода на неврона а.
входове НЕВРОН
фигура 2. Структура на неврона
Действието на неврона може да бъде описано с помощта на следното уравнение:
а - i-(W*P t Ь)
където с b e означено отместването, представляващо параметър за настройка на неврона.
Обикновено матрицата на тегловните коефициенти W( I, j) и масива на входовете на неврона P(j) се представят съответно като вектор-ред W и вектор-стълб Р. Особен интерес при изграждането на невронните мрежи представлява изборът на активиращата функция F. Най- широко разпространение е намерила сигмоидалната активираща функция, "смачкваща" сумата от входовете на неврона в диапазон от 0 до 1. Такава активираща функция се прилага най- често при мрежи, използващи алгоритъм 'обратно развитие* за процеса на обучение.
Снгмоид без изместване Сигмоид с изместване
При използване на алгоритми от типа Backpropagation ("обратно развитие") сигмоидалната активираща функция може да се представи чрез следното уравнение:
1 ( 1 1 ) - •-•-
1 i ехр( п)
където п сумата от претеглените входове на неврона. Честото използване на сигмоидална активираща функция се обуславя от факта, че тя има проста производна, и освен това осигурява необходимата нелинейност за увеличаване на изчислителната мощ на мрежата.
Обучение на мрежата
Целта на обучението на невронната мрежа е тя да установи теглата в отделните неврони по такьв начин, че прилагането на комплект от входни стойности на входа да доведе до получаване на комплект от желани изходни стойности. Прието е тези входни и изходни стойности да бъдат наричани съответно входен и изходен вектори Обучението на мрежата се основава на факта, че всеки входен вектор е свързан с един изходен вектор, представляващ желаната цел. Тези два вектора се наричат обучаващ чифт, а групата от обучаващи чифтове се нарича обучаващ комплект.
Преди началото на процеса на обучение е необходимо всички тегла да бъдат установени първоначално с малки случайни числа. Това гарантира ненасищане на мрежата и предотвратява други аномалии в процеса на обучение.
Обучението на мрежата се осъществява на принципа 'слои след слой" и преминава през следните етапи:
1. Избор на обучаващ чифт от обучаващия комплект и прилагане на входния вектор към входа на мрежата;
2. Изчисляване на изхода на мрежата;
3 Изчисляване на грешката между получения и желания изход на мрежата;
4 Установяване на теглата на мрежата посредством минимизация на грешката;
5 Повторение на стъпки от t до 4 за всеки вектор от обучаващия комплект докаю грешката, за съответния обучаващ комплект, стане приемливо малка.
След многократни проигравания на така описания алгоритъм, известен в теорията на невронните мрежи като алгоритъм "обратно развитие* (The Back Propagation Algorithm), грешката между изходните и целевите стойности се редуцира до приемлива стойност при което мрежата се счита за обучена.
ПРОГНОЗИРАНЕ НА КОНСУМАЦИЯТА НА ТОПЛИННА ЕНЕРГИЯ
В настоящия раздел на доклада е опиоан подхода за реализация на невронна мрежа за краткосрочно прогнозиране на консумацията на топлинна енергия от потребителите на топлофикационната система чрез използване на алгоритъм от типа "обратно развитие". Трябва да отбележим, че тази консумация на топлинна енергия силно зависи от сезонни, климатични и социални фактори
Избор на входни променливи на мрежата. Профилът на консумацията на топлинна енергия силно се променя а различните сезони, но е даден сезон той демонстрира твърда периодичност. При избора на входни променливи трябва да отбележим, че профилите на консумация на енергия през седмицата се разделят на две групи: профили през делнични и профили през почивни дни. За разграничаване на двата типа в мрежата се използват два входни възела, кодирани по Булева схема. За да може невронната схема точно да отчита кривата на консумацията през денонощието, част от входните променливи формират индексиране на часа от денонощието. Тази информация също е представена в Булев формат и по този начин кодиращата схема изисква наличието на 5 входни възела за определяне на 2Л дискретни стойности на натоварването. Освен изброените, невронната мрежа отчита текущите и миналите стойности на температурата на подавания топлоносител, температурата на юплонпситепя от консуматорите, температурата на околната среда и др По този начин входния слой на мрежата включва още 11 възела. В заключение, предвидени са и няколко възела за отчитане на прогнозни стойности на някои от изброените вече параметри.
Архитектура на невронната мрежа Определянето на архитектурата на невронните мрежи е сложен процес, смисълът на който се състои в търсенето на отговор на въпросите - "Колко слоя трябва да има мрежата ?" и "Колко неврона трябва да съдържа всеки слой ?".
Архитектурата на невронната мрежа е определена с помощта на известен в теорията на невронните мрежи подход. При избраната реализация на мрежата (фиг 1) т.е. при наличие на един "г.крит" слой. същността на използвания "Dynamic-Node-Crearion" |1] метод се състои в следното:
Първоначално невронната мрежа се обучава с малък брой неврони в "скрития" слой и след приключване на обучението чрез алгоритъма 'обратно развитие' се изчислява средноквадратичната грешка между получената и желаната стойност на изхода. След това се добавя един неврон в "скрития" слой на мрежата и процедурата се повтаря отново.
Изчисленията продължават до момента, когато след поредното включване на неврон в
"скрития" слой, стойността на средноквадратичната грешка стане по-голяма от стойността на грешката изчислена при предишната стъпка.
Резултатите от прилагането на метода при избор на архитектура на невронната мрежа j a краткосрочно прогнозиране на консумацията на топлинна енергия са показани в Таблица 1.
От нея ясно се вижда, че оптимална архитектура на мрежата се получава при наличие на 14 неврона в "скрития" слой, тъй като в този случай грешката е минимална и увеличаването на броя на невроните не води до подобряване на нейната стойност
ТАБЛИЦА 1. Определяне на броя на невроните в "скрития" слой.
СРЕДНО КВАДР.
ГРЕШКА
БРОЙ НЕВРОНИ В СКРИТИЯ "СЛОЙ НА МРЕЖАТА 10
1.912
11 1.417
12 1.284
13 1.176
14 1.133
15 1.165
Обучаващият комплект на разработената невронна мрежа е формиран на базата на архивни данни за функционирането на Отоплителна централа "Земляне" за период от 5 месеца.
Описаната невронна мрежа за краткосрочно прогнозиране на консумацията на топлинна енергия бе тествана върху независима от обучаващия комплект извадка от данни обхващаща интервал от 7 дни Резултатите от теста за едноседмичен период са представени на фигура 3.
58 о 56 й 54
о5 50 S48
г8 42
I 40
I-
38 .Реална стойност - • - Невронна
24 48 72 96
Часове
120 144
фиг.З Резултати от тестването на невронната мрежа
ЗАКЛЮЧЕНИЕ
В настоящия доклад е представена невронна мрежа предназначена за краткосрочно прогнозиране на консумацията на топлинна енергия от потребителите в топлофикационната система, обслужвана от Отоплителна централа 'Земляне' гр София Моделът на мрежата е разработен чрез Neural Desk версия 2.11 за персонален компютър Средната грешка при
тестване на мрежата е около 1.5 %. Авторът смята, ме излолзиинею на иунуо! вените невронни мрежи е удачен подход за решаване на задачите за прогнозиране на натоварването на такъв тип енергийни обекти.
ЛИТЕРАТУРА
1. Минков Цв., Миланов Г., Ненов P., Краткосрочно прогнозиране на натоварването на отоплителна централа с използване на невронна мрежа, Национална конференция
"Автоматика'93", София, 18-19 Октомври, 1993 г.
2. Bercan, R.C., Upadhyaya, B.R., Tsoukalas, L.H., R.A. Klsner and R.L. Bywater, Advanced Automation Concepts for Large-Scale Systems, IEEE Control Systems, Vol.6, Oct. 1991, pp.4-12.
3. G.E. Box, G.M. Jenkins, Time Series Analysis - Forecasting and Control, Holden-day, San Francisco, 1976.
4 D C Park, M.A.EI-Sharkawl, R.J. Marks II, L.E.Atlas and M J Damborg, Electric Load Forecasting Using An Artificial Neural Network, IEEE Transactions on Power Systems, Vol.6, No.2, May 1991.
5. A.J.Wood and B.F.Wollenberg, Power Generation, Operation and Control, John Wiley & Sons, 84.
