Детальная информация

Тема: «Применение нейросетевого моделирования для прогнозирования нагрузки электроэнергетических систем». Объем выпускной квалификационной работы составляет 74 страницы, на которых размещены 26 рисунков, 1 таблица. При написании использовалось 21 источников. Ключевые слова: методы прогнозирования, анализ временных рядов, рекуррентные нейронные сети, график электрической нагрузки, краткосрочное прогнозирование. Объект исследования – электроэнергетические объекты Новосибирской области. Предмет исследования – график потребления электроэнергии от Новосибирского РДУ. Предмет исследования – Повышение точности прогнозирования электропотребления энергосистем для повышения эффективности функционирования электрических станций. Цель и задачи работы - Разработка программного обеспечения (ПО) с применением нейросетей и машинного обучения для повышения качества прогнозирования электропотребления энергосистем на примере НСО. Чтобы достичь цели исследования были сформулированы и решены следующие задачи: - Анализ существующих методов и подходов прогнозирования графиков нагрузки в краткосрочной перспективе. - Разработка и сравнение двух алгоритмов прогнозирования с использованием различных нейронных сетей. - Оценка применимости разработанного ПО на примере энергосистемы НСО.

Topic: «Application of neural network modeling to predict the load of electric power systems». The volume of the final qualifying work is 74 pages, which contain 26 figures, 1 table. When writing, 21 sources were used. The object of study is electric power facilities of the Novosibirsk region. The subject of the study is a schedule of electricity consumption from the Novosibirsk Regional Dispatch Office. Key words: forecasting methods, time series analysis, recurrent neural networks, electrical load graph, short-term forecasting. Subject of the study: Improving the accuracy of forecasting power consumption of power systems to improve the operating efficiency of power plants. The purpose and objectives of the work is development of software using neural networks and machine learning to improve the quality of forecasting power consumption of power systems using the example of NSO. To achieve the goal of the study, the following tasks were formulated and solved: - Analysis of existing methods and approaches for forecasting load schedules in the short and medium term. - Development and comparison of two forecasting algorithms using a neural network and determining the best one based on the criterion of minimum error. - Assessment of the applicability of the developed software using the example of the NSO power system.

• ВКР_Белов АВ
• Задание_ВКР_Белов_АВ
• ВКР_Белов АВ
  • РЕФЕРАТ
  • ABSTRACT
  • ВВЕДЕНИЕ
  • 1 Анализ методов прогнозирования
    • 1.1 Экстраполяция
      • 1.1.1 Метод наименьших квадратов
      • 1.1.2 Метод экспоненциального сглаживания
      • 1.1.3 Основные плюсы и минусы метода прогнозной экстраполяции
    • 1.2 Корреляционный анализ
      • 1.2.1 Недостаток корреляции
      • 1.2.2 Регрессионный анализ
      • 1.2.3 Условия применения линейной регрессии
      • 1.2.4 Недостатки регрессивного анализа
    • 1.3 Интегрированная авторегрессионная модель ARIMA и её разновидности
      • 1.3.1 Авторегрессионная модель AR
      • 1.3.2 Модель скользящего среднего MA
      • 1.3.3 модель ARMA (p, q)
      • 1.3.4 модель ARIMA (p, d, q)
      • 1.3.5 Недостатки модели ARIMA
      • 1.3.6 Модель SARIMA
    • 1.4 Прогнозирование с помощью адаптивных методов
    • 1.5 Модели на основе нейронных сетей [7-9]
      • 1.5.1 Структура нейронной сети
    • 1.6 Эволюция нейронных сетей в прогнозировании энергопотребления
    • 1.7 Long Short-Term Memory (LSTM) [8]
      • 1.7.1 Структура LSTM
      • 1.7.2 Преимущества LSTM
      • 1.7.3 Применение LSTM
      • 1.7.4 Заключение
    • 1.8 Рекуррентные нейронные сети и GRU [8]
      • 1.8.1 Структура GRU
      • 1.8.2 Преимущества GRU
      • 1.8.3 Применение GRU
      • 1.8.4 Заключение
        • Заключение
  • 2 Иерархическая система прогнозирования электропотребления
    • 2.1 Этапы акцептирования в ИСП
  • 3 Построение модели
    • 3.1 Рекуррентная нейронная сеть LSTM
      • 3.1.1 Оптимизация и оценка модели
      • 3.1.2 Методы одномерной оптимизации
        • Минимизация функции без производной: метод золотого сечения, метод парабол
        • Гибридный метод минимизации Брента
        • Метод секущей
        • Минимизация функции с известной производной: кубическая аппроксимация и модифицированный метод Брента
        • Поиск ограничивающего сегмента
      • 3.1.3 Методы многомерной оптимизации
        • Метод покоординатного спуска;
        • Методы градиентного спуска: наискорейший спуск, спуск с неточной одномерной оптимизацией, зависимость от шкалы измерений признаков
        • Метод Ньютона, подбор длины шага
      • 3.1.4 Оптимизатор ADAM
        • Основные принципы работы ADAM
        • Преимущества и особенности ADAM
      • 3.1.5 Результаты моделирования первой модели
    • 3.2 Рекуррентная нейронная сеть GRU
    • 3.3 Метрики для оценки моделей
      • 3.3.1 Среднеквадратичное отклонение
      • 3.3.2 Максимальное отклонение
      • 3.3.3 Среднее абсолютное отклонение
      • 3.3.4 Средняя абсолютная процентная ошибка
      • 3.3.5 Медианное абсолютное отклонение
      • 3.3.6 Среднее смещение
      • 3.3.7 Симметричная средняя абсолютная процентная ошибка
      • 3.3.8 Коэффициент детерминации (R-квадрат)
      • 3.3.9 Заключение
    • 3.4 Оценка модели LSTM
    • 3.5 Оценка модели GRU
    • 3.6 Сравнение моделей
  • Заключение
  • Список использованных источников
  • ПРИЛОЖЕНИЕ А
  • ПРИЛОЖЕНИЕ Б
  • ПРИЛОЖЕНИЕ В