Дата публикации в реестре: 2024-10-01T15:49:43Z

Аннотация:

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.

Тип: Article

Источник: Инновации и инвестиции