Разработка нейросетевой модели для оценки и прогнозирования нагрузок на электростанции в условиях возрастающего потребления

Введение: В настоящее время в условиях стремительного роста потребления электроэнергии и повышения требований к надежности и эффективности работы электростанций, возникает острая необходимость в разработке передовых методов оценки и прогнозирования нагрузок на энергетические системы. Данная статья посвящена исследованию возможностей применения нейросетевых моделей для решения этих задач. Материалы и методы: В рамках исследования были использованы исторические данные о потреблении электроэнергии и соответствующих нагрузках на электростанции за период с 2015 по 2022 годы, предоставленные энергетической компанией "ЭнергоСети". Для обработки и анализа данных применялись методы машинного обучения, в частности, нейронные сети прямого распространения (feedforward neural networks) и рекуррентные нейронные сети (recurrent neural networks). Разработка и обучение моделей осуществлялись с использованием фреймворка TensorFlow 2.5 и языка программирования Python 3.8. Результаты: В ходе исследования были разработаны и обучены несколько нейросетевых моделей, демонстрирующих высокую точность оценки и прогнозирования нагрузок на электростанции. Лучшая из полученных моделей, основанная на архитектуре Long Short-Term Memory (LSTM), показала среднюю абсолютную ошибку (MAE) в 4,7% на тестовом наборе данных, охватывающем период с января по июнь 2022 года. Кроме того, была проведена оценка влияния различных факторов, таких как температура воздуха, время суток и день недели, на точность прогнозирования. Результаты показали, что учет этих факторов позволяет повысить качество прогнозов на 10-15% по сравнению с базовыми моделями.

Introduction: Currently, with the rapid growth of electricity consumption and increasing requirements for the reliability and efficiency of power plants, there is an urgent need to develop advanced methods for assessing and predicting loads on energy systems. This article is devoted to the study of the possibilities of using neural network models to solve these problems. Materials and methods: As part of the study, historical data on electricity consumption and related loads at power plants for the period from 2015 to 2022, provided by the EnergoSeti energy company, were used. Machine learning methods were used for data processing and analysis, in particular, feedforward neural networks and recurrent neural networks. The models were developed and trained using the TensorFlow 2.5 framework and the Python 3.8 programming language. Results: In the course of the study, several neural network models were developed and trained, demonstrating high accuracy in estimating and predicting loads at power plants. The best model obtained, based on the Long Short-Term Memory (LSTM) architecture, showed an average absolute error (MAE) of 4.7% on a test dataset covering the period from January to June 2022. In addition, the impact of various factors, such as air temperature, time of day and day of the week, on the accuracy of forecasting was assessed. The results showed that taking these factors into account makes it possible to improve the quality of forecasts by 10-15% compared to the basic models.