Порівняльний аналіз методів короткострокового прогнозування електричного навантаження на один крок вперед

Abstract

Короткострокове прогнозування електричного навантаження (ПЕН) проми-слових підприємств і цивільних об’єктів є важливим та складним науковим зав-данням, оскільки дає змогу реалізувати функції керування електроспоживанням і забезпечити енергоефективні режими функціонування систем електрозабезпе-чення цих та цивільних об’єктів. У статті досліджено математичні моделі на основі статистичних мето-дів і методів штучного інтелекту для прогнозування електричного навантаження (ПЕН) промислових підприємств на один крок вперед. Опрацювання літератури показало, що найбільш ефективні та поширені методи короткострокового ПЕН на один крок вперед такі: авторегресивна інтегрована модель ковзного се-реднього (ARIMA), «наївний» прогноз та адаптивна система нейро-нечіткого висновку (ANFIS). З метою вибору методу ПЕН, який забезпечить вирішення задач керування електроспоживанням та електропостачанням, були проведе-ні розрахункові дослідження вказаних методів ПЕН. При прогнозуванні з викори-станням ANFIS враховувалися такі зовнішні факторі: фактор дня (якщо будній день, то 1, якщо вихідний, то 0), час доби, день тижня. Об’єктом дослідження є методи ПЕН, які проводилися на основі виміряних даних електричного навантаження промислового підприємства з виготовлен-ням пластмасових виробів. Вимірювання проводилися щоденно з 11 січня 2015 ро-ку по 11 червня 2015 року (з урахуванням святкових і вихідних днів) кожні пів години (відповідно, 48 вимірювань на добу). Для оцінки якості моделей прогнозу-вання використовувалася стандартна величина: середньоквадратична похибка (RMSE). Розрахункові дослідження виконані у програмному середовищі MATLAB 2020b, з набором інструментів: Fuzzy Logic Toolbox та Econometrics Toolbox. З використанням методів ARIMA, «наївного» прогнозу та адаптивної систе-ми ANFIS розроблені моделі ПЕН на один крок вперед. Результати розрахункових досліджень показали, що прогнозування з використанням моделі ARIMA (2,1,2) забезпечує найменшу похибку RMSE на рівні 0,0317 і 0,0354 відповідно для нав-чальної й тестової вибірки. В подальших дослідженнях планується розробка моделей багатокрокового прогнозування електричного навантаження.