Кратко рассмотрено состояние энергосетей в Украине и за рубежом. Показана актуальность создания сетей нового поколения, а также приведена постановка задачи управления смарт гридом и подзадач, которые при этом возникают. Предложено решение задачи прогнозирования электроэнергии с помощью нейронных сетей. Рассмотрена структура и описан выбор параметров нейронной сети для составления суточных прогнозов потребления электричества. Описан алгоритм обучения сети, входные и выходящие данные. Описана процедура отбора входных признаков. Проведён анализ зависимости точности прогноза от выбора входных признаков. Выявлено, что при подаче на вход сети в качестве отдельных признаков индикаторов праздничных дней, можно улучшить качество прогнозируемого результата. Также показано влияние погодных факторов на точность получаемых прогнозов.
Коротко розглянуто стан енергомереж в Україні і за кордоном. Показано актуальність створення мереж нового покоління, а також наведено постановку задачі управління смарт грідом і підзадач які при цьому виникають. Запропоновано вирішення задачі прогнозування електроенергії за допомогою нейронних мереж. Розглянуто структуру й описанио вибір параметрів нейронної мережі для складання добових прогнозів споживання електрики. Описано алгоритм навчання мережі, вхідні та вихідні дані. Описано процедуру відбору вхідних ознак. Проведено аналіз залежності точності прогнозу від вибору вхідних ознак. Виявлено, що під час на вхід мережі в якості окремих ознак індикаторів святкових днів, можна поліпшити якість прогнозованого результату. Також показано вплив погодних факторів на точність одержуваних прогнозів.
In this article, the state of the electrical grid in Ukraine and abroad is briefly described. The urgency of creating a new generation networks is explained. The formulation of the Smart Grid control problem is presented as well as other subtasks which occur dur ing the problem solving process. The paper provides a solution to the problem of forecasting electric power using neural networks. The neural network structure and selection of the input parameters as well as an algorithm for network training are described to produce daily forecasts of electricity consumption. The input data, output data, and feature selection algorithm are described. Authors studied the dependence between the accuracy of prediction and the choice of input features. An interesting fact was revealed that when holidays data were added as separate features indicators to the network input, the quality of the forecast results could be improved. Also, the effect of weather conditions on the accuracy of the forecasts is shown.
