Доцент кафедри інформаційних технологій в бізнесі нду вше в пермі олексій кичкін спільно з вченим центру компетенцій з програмного забезпечення хагенберга (австрія) георгієсом чапарісом побудували моделі прогнозування енергоспоживання для житлових будівель на добу вперед. Зумовлений на добу вперед профіль енергоспоживання групи житлових будівель дозволить більш ефективно управляти попитом на електроенергію.
Результати дослідження представлені в журналі energy and buildings.
Для ринків електроенергії та ширшої інтеграції відновлюваних джерел електроенергії дуже важливо отримувати точні прогнози навантажень у житлових будинках. Дослідники пермського кампусу нду вше спільно з австрійськими колегами кілька років вивчали різні прогнозні моделі, які зараз використовуються в електроенергетиці росії та європи, для побудови профілів навантаження житлового будинку на добу вперед.
Спочатку були розглянуті стандартні методології прогнозування. Вчені з’ясували, що поведінка електронавантажень для груп будівель, підключених до однієї підстанції або знаходяться в одному енергорайоні, сильно змінюється з плином часу, а значить, точність прогнозування за допомогою стійких моделей систематично падає і не вирішує поставлене завдання проекту.
Дослідники спробували вибудувати найкращу комбінацію стійких моделей. Але будь-який набір моделей прогнозування завжди трохи програвав найкращою по точності моделі на конкретному інтервалі часу. Тоді вчені вирішили розробити серію моделей машинного навчання, що реалізують селективний вибір прогнозної стратегії з урахуванням адаптивної стратегії. У підсумку в статті представлені три моделі прогнозування: модель авторегресії на основі стійкості (par), модель регресії на основі сезонної стійкості (spr) і модель нейронної мережі на основі сезонної стійкості (spnn). За допомогою моделювання вчені продемонстрували точність прогнозування всіх розглянутих моделей на основі реальних даних енергоспоживання великої кількості будівель.
В результаті проведених експериментальних розрахунків виявилося, що запропоновані моделі селективного вибору підвищують якість прогнозування енергоспоживання. Такі моделі мають більшу робастностью по відношенню до стійких моделей на тривалих інтервалах часу, вони готові до змін характеру одиночних енергоспоживачів, що формують груповий профіль навантаження, змін в поведінці користувачів і сезонним кліматичним змінам.
Найбільш високу точність і адаптивність показала модель регресії на основі сезонної стійкості (spr) при розмірі навчальної вибірки до 1 місяця. Вона може використовуватися на ранніх стадіях прогнозування енергоспоживання будівель.
У міру накопичення навчальної вибірки вчені рекомендують перемикатися на моделі, що використовують нейронні мережі як інструмент для визначення нелінійних залежностей в режимі селективного вибору.
Представлена в статті стратегія прогнозування дозволяє гарантовано підвищити точність стійких моделей не менше ніж на 5%, що може виявитися критично важливим у великих енергосистемах. Зумовлений на добу вперед профіль енергоспоживання групи житлових будівель дозволяє прийняти рішення про доцільність участі в подіях цінозалежного управління попитом на електроенергію.
Можливість точного передбачення енергоспоживання будівель дозволяє також формувати сценарії для управління накопичувачами енергії, що в сукупності з моделями ціноутворення може бути використано для балансування генерації і споживання, в тому числі з використанням поновлюваних джерел енергії.
