Все новости

Ученые создали нейросеть для оптимизации работы электростанций

Модель машинного обучения, способную прогнозировать графики потребления электроэнергии, на протяжении трех лет апробировали на реальных данных Центральной энергосистемы Монголии

ЕКАТЕРИНБУРГ, 17 октября. /ТАСС/. Международный коллектив ученых разработал новую систему прогнозирования графиков электропотребления. Испытания новой модели проводили на данных Центральной энергосистемы Монголии, они показали точность полученных результатов в 98,75%, сообщили ТАСС в пресс-службе Уральского федерального университета, ученые которого принимали участие в исследовании. Описание модели и результаты прогнозирования опубликованы в журнале Inventions.

"Ученые создали модель, способную прогнозировать суточный график потребления электроэнергии. Модель апробировали на реальных данных Центральной энергосистемы Монголии на протяжении трех лет. Результаты показали: модель имеет высокую точность - в краткосрочном периоде (на сутки вперед) средняя погрешность прогноза составляет 1,25%. Это высокий показатель, поскольку средняя погрешность прогнозирования у аналогов - 1-4%", - сказали в вузе.

Как пояснил ведущий научный сотрудник кафедры электротехники УрФУ Павел Матренин, полученные результаты помогут правильно планировать нагрузку на энергетические объекты, чтобы эффективно распределять электроэнергию среди потребителей. В целом прогнозирование позволит лучше планировать работу всей электроэнергетической системы, добавил ученый. Современные электроэнергетические системы сложны и включают множество структурных элементов, в том числе слабо предсказуемых объектов генерации и потребления.

"Проблема прогнозирования энергопотребления заключается в том, что на него влияет большое количество факторов, таких как погода, технологические процессы крупных предприятий, распорядок дня людей. Эксперты, прогнозирующие такие зависимости, приобретают опыт в течение месяцев и лет работы, но этот опыт очень трудно формализовать. Для снижения риска ошибок из-за человеческого фактора, повышения точности и уровня автоматизации прогнозов можно использовать программное обеспечение на основе машинного обучения", - сказал Павел Матренин.

Разработанная система основана на использовании программного обеспечения с открытым исходным кодом, метеорологических данных, а также данных об использовании электроэнергии Центральной энергосистемы Монголии, которая вырабатывает и потребляет более 94% электроэнергии страны. Чтобы построить модель и обучить ее, ученые применили алгоритм экстремального градиентного бустинга, основанного на ансамбле "деревьев решений". Такой метод подразумевает, что каждое "дерево" делает свой независимый прогноз, а итоговый результат определяется путем взвешенного усреднения прогнозов всех деревьев.

Исследование ученые УрФУ проводили совместно с коллегами из Новосибирского государственного технического и Рижского технического университетов. Исследование выполнено при финансовой поддержке по программе "Приоритет-2030". В планах исследователей апробировать модель на электроэнергетических системах других стран.