Доцент кафедры информационных технологий в бизнесе НИУ ВШЭ в Перми Алексей Кычкин совместно с ученым Центра компетенций по программному обеспечению Хагенберга (Австрия) Георгиесом Чапарисом построили модели прогнозирования энергопотребления для жилых зданий на сутки вперед. Предопределенный на сутки вперед профиль энергопотребления группы жилых зданий позволит более эффективно управлять спросом на электроэнергию.
Результаты исследования представлены в журнале Energy and Buildings.
Для рынков электроэнергии и более широкой интеграции возобновляемых источников электроэнергии очень важно получать точные прогнозы нагрузок в жилых зданиях. Исследователи пермского кампуса НИУ ВШЭ совместно с австрийскими коллегами несколько лет изучали различные прогнозные модели, которые сейчас используются в электроэнергетике России и Европы, для построения профилей нагрузки жилого дома на сутки вперед.
Первоначально были рассмотрены стандартные методологии прогнозирования. Ученые выяснили, что поведение электронагрузок для групп зданий, подключенных к одной подстанции или находящихся в одном энергорайоне, сильно меняется с течением времени, а значит, точность прогнозирования с помощью устойчивых моделей систематически падает и не решает поставленную задачу проекта.
Исследователи попытались выстроить наилучшую комбинацию устойчивых моделей. Но любой набор моделей прогнозирования всегда немного проигрывал самой лучшей по точности модели на конкретном интервале времени. Тогда ученые решили разработать серию моделей машинного обучения, реализующих селективный выбор прогнозной стратегии с учетом адаптивной стратегии. В итоге в статье представлены три модели прогнозирования: модель авторегрессии на основе устойчивости (PAR), модель регрессии на основе сезонной устойчивости (SPR) и модель нейронной сети на основе сезонной устойчивости (SPNN). С помощью моделирования ученые продемонстрировали точность прогнозирования всех рассмотренных моделей на основе реальных данных энергопотребления большого количества зданий.
В результате проведенных экспериментальных расчетов оказалось, что предложенные модели селективного выбора повышают качество прогнозирования энергопотребления. Такие модели обладают большей робастностью по отношению к устойчивым моделям на продолжительных интервалах времени, они готовы к изменениям характера одиночных энергопотребителей, формирующих групповой профиль нагрузки, изменениям в поведении пользователей и сезонным климатическим изменениям.
Наиболее высокую точность и адаптивность показала модель регрессии на основе сезонной устойчивости (SPR) при размере обучающей выборки до 1 месяца. Она может использоваться на ранних стадиях прогнозирования энергопотребления зданий.
По мере накопления обучающей выборки ученые рекомендуют переключаться на модели, использующие нейронные сети в качестве инструмента для определения нелинейных зависимостей в режиме селективного выбора.
Представленная в статье стратегия прогнозирования позволяет гарантированно повысить точность устойчивых моделей не менее чем на 5%, что может оказаться критически важным в больших энергосистемах. Предопределенный на сутки вперед профиль энергопотребления группы жилых зданий позволяет принять решение о целесообразности участия в событиях ценозависимого управления спросом на электроэнергию.
Возможность точного предсказания энергопотребления зданий позволяет также формировать сценарии для управления накопителями энергии, что в совокупности с моделями ценообразования может быть использовано для балансировки генерации и потребления, в том числе с использованием возобновляемых источников энергии.
