В статті описано вирішення задачі прогнозування сумарного електричного навантаження (СЕН) електроенергетичної системи (ЕЕС) двома способами. Перший (для побудови математичної моделі) використовує параметричний метод аналізу та прогнозування нестаціонарних часових рядів, другий – нейро-фаззі мережі. Наведено адитивну математичну модель СЕН, алгоритми моделювання та прогнозування її складових. Описано архітектуру нейро-фаззі мережі та алгоритм її навчання. Для адекватного порівняння результатів виконано прогнозування СЕН ЕЕС на тижневий інтервал упередження з використанням єдиної вихідної інформації. Показано переваги ієрархічного вирішення задачі короткострокового прогнозування сумарного електричного навантаження ЕЕС із використанням математичних моделей СЕН обласних енергосистем. Сформульовано шляхи подальшого підвищення точності та надійності результатів короткострокового прогнозування СЕН ЕЕС.
В статье приведено описание решения задачи краткосрочного прогнозирования суммарной электрической загрузки электроенергетической системы (ЭЭС) двумя способами. Первый (для построения математической модели) использует параметрический метод анализа и прогнозирования нестационарных временных рядов. Второй – нейро-фаззи сеть. Приведены аддитивная математическая модель СЭН, алгоритмы моделирования и прогнозирования ее составляющих. Описаны архитектура нейро-фаззи сети и алгоритм ее обучения. Для адекватного сравнения результатов выполнено прогнозирование СЭН ЭЭС на недельный интервал упреждения с использованием единой исходной информации. Показаны преимущества иерархического решения задачи краткосрочного прогнозирования суммарной электрической нагрузки ЭЭС с использованием математических моделей СЭН областных энергосистем. Сформулированы пути дальнейшего повышения точности и надежности результатов краткосрочного прогнозирования СЭН ЭЭС.
This paper deals with the solution of the problem of short-term forecasting of the power system active load (PSAL) in two ways. First, to build a mathematical model using parametric method of analysis and prediction of non-stationary time series. The second - the neuro-fuzzy network. The additive mathematical model of PSAL, algorithms of modelling and prediction of its components are presented. The architecture of the neuro-fuzzy network and learning algorithm are described. With the purpose of adequate comparing of results, using the same informations, the forecasting of PSAL for a week are performed. The advantages of hierarchical problem solving short-term forecasting electrical load of united power systems with using the mathematical models load of regional power systems are demonstrated. The ways of further improving of the accuracy and reliability results of the short-term forecasting of PSAL are formulated.
