Опыт краткосрочного прогнозирования электропотребления на примере прокатного цеха металлургического предприятия

И. О. Кожевников; Г. П. Корнилов; А. Н. Шеметов

Опыт краткосрочного прогнозирования электропотребления на примере прокатного цеха металлургического предприятия

И. О. Кожевников, Г. П. Корнилов, А. Н. Шеметов

Аннотация

Приведен опыт использования математического аппарата рекуррентных нейронных сетей для краткосрочного прогнозирования потребления электрической энергии цеха холодной прокатки металлургического предприятия. Подробно рассмотрены способы консолидации исходных данных с учетом различия динамических характеристик технологических и энергетических параметров производственного процесса. Описана методика машинного обучения нейросетевой модели с использованием архитектуры LSTM и показаны особенности оценки адекватности прогноза. Модель обрабатывает массив, включающий более 40 исходных технологических и производственных параметров для реального комплекса в составе непрерывных травильных линий, прокатных и дрессировочных станов, агрегатов продольной и поперечно резки. Разработан новый алгоритм учёта и представления производственных показателей с учётом их корреляции с целевой переменной. Результаты моделирования с использованием рекуррентных нейронных сетей и архитектуры двунаправленных LSTM-слоев показали достаточно высокую точность прогнозирования потребления электроэнергии по принятым оценочным показателям. Основные результаты работы внедряются на реальном промышленном объекте.

Ключевые слова

электропотребление, прогнозирование, временны¢е ряды, машинное обучение, нейронная сеть, датасет, консолидация данных, конструирование признаков

Полный текст:

PDF

Литература

Копцев, Л. А. Энергетическая результативность. Методы улучшения: опыт работы / Л. А. Копцев. — Магнитгогорск: Магнитогорский Дом печати, 2019. — 236 с.

Никифров Г. В. Энергосбережение и управление энергопотреблением. Теория и практика: монография / Г. В. Никифров, В. К. Олейников, Б. И. Заславец, А. Н. Шеметов. — Магнитогорск: Изд-во Магнитогорск. гос. техн. ун-та им. Г. И. Носова, 2013. — 422 с.

Нильсен, Эйлин. Практический анализ временных рядов: прогнозирование со статистикой и машинное обучение: Пер. с англ. / Нильсен, Эйлин. — СПб. : ООО «Диалектика», 2021. — 544 с.

Кассем, С. А. Прогнозирование электропотребления предприятия с применением искусственных нейронных сетей / С. А. Кассем, А. Х. А. Ибрагим, А. М. Хасан, А. Г. Логачева // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. — 2021. — Т. 7. № 1 (25). — С. 177 – 193.

Корнилов, Г. П., Возможности и реализация прогнозирования электрических нагрузок мощных электроприёмников на сутки вперёд / Г. П. Корнилов, Р. Р. Храмшин, И. О. Кожевников // Актуальные проблемы современной науки, техники и образования. Тезисы докладов 81-й международной научно-технической конференции. 2023. — С. 315.

Шолле, Франсуа. Глубокое обучение на Python / Шолле, Франсуа — СПб.: Питер, 2023. — 576 с.

Николенко С. И. Глубокое обучение. Погружение в мир нейронных сетей / С. И. Николенко, А. А. Кадурин, Е. О. Архангельская. — СПб.: Питер, 2023. — 480 с.

Кирпичникова И. М. Прогнозирование объемов потребления электроэнергии / И. М. Кирпичникова, Л. A. Cаплин, К. Л. Cоломаxо // Bеcтник ЮУрГУ. Cер. Энергетика. — 2014. — T. 14. № 2. — C. 16 – 21.

Иванин, О. А. Применение искусственных нейронных сетей для прогнозирования энергетических нагрузок обособленных потребителей / O. A. Иванин, Л. Б. Директор // Tеплоэнергетика. — 2018. — № 5. — C. 17 – 26.

Xомутов, C. O. Методика формирования обучающей выборки в задачаx краткосрочного прогнозирования электропотребления гарантирующего поставщика / C. O. Xомутов, P. H. Xамитов, A. C. Грицай, H. A. Cеребряков // Известия Tульского государственного университета. Tеxнические науки. — 2021. — Bып. 2. — C. 227 – 233.

Chirag Deb. A review on time series forecasting techniques for building energy consumption / Chirag Deb, Fan Zhang, Junjing Yang, Siew Eang Lee, Kwok Wei Shah // Renewable and Sustainable Energy Reviews. — 2017. — Vol. 74. — Pp. 902 – 924.

Худжасаидов, Д. Х. Разработка моделей прогнозирования электропотребления на основе временных рядов в изолированных энергосистемах / Д. Х. Худжасаидов, А. Г. Русина, П. В. Матренин, С. А. Дмитриев, М. Х. Сафаралиев // Электротехнические системы и комплексы. — 2020. — № 3(48). — С. 23–27.

Серебряков, Н. А. Анализ факторов, влияющих на совокупное электропотребление гарантирующего поставщика / Н. А. Серебряков // Вестник Иркутского государственного технического университета. — 2020. — Т. 24. — № 2. — С. 366 – 381.

Deng, Z. Multi-scale convolutional neural network with time-cognition for multi-step short-term load forecasting / Z. Deng, B. Wang, Y. Xu, T. Xu, C. Liu, Z. Zhu // IEEE Access. — 2019. — Vol. 7. — Pp. 88058 – 88071.

Wu, L. A short-term load forecasting method based on GRU-CNN hybrid neural network model / L. Wu, C. Kong, X. Hao, W. Chen // Mathematical Problems in Engineering. 2020. Pp. 1 – 10.

Ryu, S. Deep neural network based demand side short term load forecasting / S. Ryu, J. Noh, H. Kim // Energies. — 2016. — Vol. 10. — No. 1. — Pp. 1 – 20.

Chen, K. Short-Term Load Forecasting with Deep Residual Networks / K. Chen Q. Wang, Z. He, J. Hu, J. He // IEEE Trans. Smart Grid. 2019. — Vol. 10, No. 4. — Pp. 3943 – 3952.

Cai, M. Day-ahead building-level load forecasts using deep learning vs. traditional time-series techniques / M. Cai, M. Pipattanasomporn, S. Rahman // Applied Energy. — 2019. — Vol. 236. — Pp. 1078 – 1088.

Kong, W. Short-term residential load forecasting based on LSTM recurrent neural network / W. Kong, Z. Dong, Y. Jia, D. Hill, Y. Xu, Y. Zhang // IEEE Transactions on Smart Grid. — 2019. — Vol. 10. No. 1. — Pp. 841 – 851.

Hochreiter S., Schmidhuber J. Long short-term memory / S. Hochreiter, J. Schmidhuber // Neural Computation. — 1997. — Vol. 9. No. 8. — Pp. 1735 – 1780.