Механизмы вычислительного интеллекта при решении задачи автоматизации прогнозирования электроэнергии

Аннотация

Р.С. Кузнецов, Ю.В. Тимофеев, Н.А. Смирнов, М.С. Тютяев, А.П. Черкис, Н.Л. Щербакова

В статье рассматривается проблема эффективного прогнозирования потребления электроэнергии для множества объектов, в автоматическом режиме. Предлагается подход к автоматизации процесса прогнозирования основанный на CRISP-DM. Рассматриваются методы вычислительного интеллекта для предварительной обработки данных – заполнение пропусков и идентификация выбросов, методы построения и настройки моделей прогнозирования. В качестве вычислительного базиса используются коннективистские модели на основе нейронных сетей и конструктивных нейронных сетей. Показана архитектура системы, реализующая механизмы вычислительного интеллекта и представлены результаты испытания.
Ключевые слова: Потребление электроэнергии, автоматизация прогнозирования, вычислительный интеллект, идентификация выбросов, коннективистские модели.

Ключевые слова:

05.13.18 - Математическое моделирование, численные методы и комплексы программ

Введение
В данной статье рассматривается решение проблемы автоматического прогнозирования потребления электроэнергии. Такая постановка задачи обусловлена следующими тенденциями: 1) удешевление процесса сбора информации о потреблении электроэнергии; 2) невозможности решения задач для большого количества объектов с привлечением экспертов в заданные (относительно короткие) сроки. Все это привело к необходимости разработки механизмов интеллектуальной обработки большого количества информации [1]. В статье предлагается подход основанный на инвариантном процессе интеллектуальной обработки данных (CrossIndustryStandardProcessforDataMining, CRISP DM) [2, 3]. Для реализации подходов разработана концепция интеллектуальной системы управления энергосбережением и реализован прототип [1, 4].

1. Прогнозирование потребления электроэнергии в автоматическом режиме

 Предлагаемый подход автоматизации процесса прогнозирования потребления электроэнергииоснован на CRISP DM и на оригинальных подходах применения коннективистских систем для прогнозирования потребления электроэнергии. В качестве объектов прогнозирования рассматривается широкий класс потребителей электроэнергии: жилые и нежилые помещения и здания различных типов. Данные о потреблении электроэнергии собираются и передаются на сервер сбора данных (система EcoSCADA, разработанная Бельгийско-Польской компанией Порта Капена) [5]. Фиксация информации о потреблении осуществляется в режиме реального времени каждые 15 минут. Дадим общее описание подхода.
Шаг 1. Добавление объекта потребителя. Данная процедура включает следующие основные шаги: 1) указание название объекта; 2) позиционирование объекта на карте и 3) загрузка данных о потреблении электроэнергии (исторические значения). Позиционирование на карте позволяет использовать информацию о месторасположении и получать информацию о погоде, которая используется для построения более точных и полных моделей прогнозирования. Для этого используются API погодных сервисов http://www.worldweatheronline.com , http://www.noaa.gov/ и других.
Шаг 2. Предварительная обработка информации. Можно выделить две основные процедуры, связанные с оценкой качества данных. Первая процедура  выявление и заполнение пропусков в данных, вторая выявление выбросов и аномалий.
Шаг 3. Автоматическое построение семейства прогнозирующих моделей, параметрическая оптимизация и выбор наиболее точной модели.
Шаг 4. Оценка качества прогнозирующих моделей и выбор наиболее адекватной модели.
Шаг 5. Реализация и визуализация результатов прогноза.
Рассмотрим метод более подробно, с выделением процедур обработки данных. Пусть в системе фиксируется информация о m зданиях,  для каждого из которых необходимо сформировать прогноз на h значений вперед с таким же дискретным интервалом (15 минут). Формально информация о здании имеет представление

где  – информация о расположении здания, – информация о потреблении электроэнергии, – информация о погоде (температура, влажность, давление).
На первом шаге реализуются следующие процедуры. Процедура позиционирования здания на карте BP. Для упрощения будем считать, что пользователь формирует отметку на карте (MicrosoftBing) и в содержатся значения широты и долготы. Для получения значений для произвольного здания на основании  используется процедура веб-майнинга

Процедура работает с погодными сервисами.
На втором шаге реализована процедура выявления и заполнения пропусков в данных

Регрессионные модели  и интерполяция кубическим сплайном используются в качестве базовых, реализованных в процедуре. 
Процедура выявления выбросов и аномалий

использует подход AD и ADAM [6].
Процедура (5) синтеза и настройки моделей использует обработанные на предыдущих этапах данные. Исходя из предыдущих исследований [3, 4] входными переменными являются: 1) потребление электроэнергии в предыдущие моменты времени,  2) информация о погоде (для обучения) и о прогнозе погоды (для расчета прогнозирования) и 3) календарные данные. В качестве вычислительного базиса используются коннективистские системы: конструктивные многослойные нейронные сети и эволюционные коннективистские системы Касабова на базе многослойных нейронных сетей. [7].
Сформированы 2 модели прогнозирования, отличающиеся набором входных переменных. Модель 1 включает 4 входные авторегрессионные переменные:

Модель 2, помимо авторегрессионных, включает еще 3 входные переменные: режим работы здания (бинарная переменная, 0 – не работает, 1 – работает), день недели {1,…,7}, и номер квартала {1, 2, 3, 4}.
Для оценки качества и выбора реализована процедура

оценки качества моделей на основе множества оценок  [8].

  Для расчета прогноза  реализована процедура

1. Концепция интеллектуальной системы

Общее описание. Для реализации предложенного подхода и рассмотренных механизмов вычислительного интеллекта разработан прототип интеллектуальной системы.

Рис 1. Архитектура интеллектуальной системы

Система имеет следующие компоненты (рис 1): 1) семантический слой для выбора (описания) проблемы; 2) диспетчер загрузки и определения качества данных (процедуры BP,,,); 3) диспетчер запросов; 4) хранилище данных со структурой OLAP с диспетчером загрузки информации со внешних источников данных и с прослойкой, обеспечивающей доступ к хранилищу (например, объектная схема данных, linq);5) компоненты библиотек моделей и методов;6) компоненты библиотек процессов (процесс –последовательность вызовов методов для решения проблемы, процедуры,, );метаданные или база знаний;компонента интеллектуального формирования и управления процессами и потоками потока метаданных.
Реализация в виде веб приложения и облачного приложения.

Рис 2. Диаграмма развертывания приложения

Облачная реализация представляет собой SaaS-систему, состоящую из хранилища данных со статистикой измерений и рассчитанными прогнозными значениями иоблачной интернет-службы WorkerCloudService, развернутых в облаке WindowsAzure, а также, непосредственно, системы автоматического прогнозирования, развернутой на обыкновенном хостинге и обращающейся к данным развернутого в облаке хранилища.
Приложения-клиенты, собирающие статистику измерений с датчиков в зданиях и помещениях, в автоматическом режиме с определенной периодичностью отправляют данные облачному сервису в виде XML-пакетов.
Структура XML-пакета представлена ниже:
<data>
<userid>1875</userid>
<num>148</num>
<measures>
<measure>
<datetime>10:06:41 01.06.2008</datetime>
<value>0,2</value>
</measure>
<measure>
<date>10:26:41 01.06.2008</date>
<value>0,8</value>
</measure>
…
</measures>
</data>
Пакет данных содержит в себе идентификатор пользователяв тегеuserid, число измерений в тегеnum и, непосредственно, массив измеренных значений, заключенный в тегmeasures. Каждое измерение в массиве содержит в себе дату и время произведения измерения, а также полученное значение.
После отправки XML-пакет обрабатывается сервисом, который добавляет вновь полученные данные в хранилище, а также передает системе автоматического прогнозирования команду на обновление значений прогноза с учетом вновь загруженных данных.
Полученные прогнозные значения загружаются системой в хранилище данных, откуда, в свою очередь, их выгружает сервис и возвращает клиенту XML-пакет с результатами прогноза (структура XML с данными прогноза идентична структуре пакета с данными измерений).

Выводы
Для апробации предложенного подхода были проведены эксперименты с использованием информации за 2009 – 2010 годы о 17 комерческих зданиях. Выборка данных была разделена на обучающую и тестовую. Все процедуры были реализованы в атоматическом режиме, средняя ошибка составила 11% (средняя относительная ошибка, MAPE).
Одним из направлений развития данной работы является формирование записей в таблицу метаданных для выявления закономерностей между данными и структурами наиболее точных моделей.

Литература:

1. 1.Камаев, В.А. Интеллектуальные системы автоматизации управления энергосбережением / В.А. Камаев, М.В. Щербаков, А. Бребельс // Открытое образование. - 2011. - № 2. - C. 227-231.
   2.Larose, D. T. Discovering knowledge in data: an introduction to data mining / Daniel T. Larose // John Wiley & Sons, Inc. ISBN 0-471-66657-2 (cloth). – 2005.
   3.Камаев В. А., Щербаков М. В., Панченко Д. П., Щербакова Н. Л., Бребельс А. Применение коннективистских систем для прогнозирования потребления электроэнергии в торговых центрах / Управление большими системами. Выпуск 31. М.: ИПУ РАН, 2010. С.92-109.
   4.Щербаков, М.В. Методика выявления потенциала энергосбережения на основе интеллектуального анализа данных / М.В. Щербаков, Т.А. Яновский, А. Бребельс, Н.Л. Щербакова // Прикаспийский журнал: управление и высокие технологии. - 2011. - № 2. - C. 51-55.
   5.Hill, D.J., Minsker, B.S., Anomaly detection in streaming environmental sensor data: A data-driven modeling approach, Environ. Model. Softw. (2009), doi:10.1016/j.envsoft.2009.08.010
   6. Коннективистские модели идентификации динамики систем на коротких интервалахнаблюдения с заданным множеством классов поведения / М.В. Щербаков, Н.Л. Щербакова, И.П. Козлов, В.А. Камаев // Известия ЮФУ. Технические науки. - 2012. - № 1. - C. 83-91.
   7.Brebels A., Shcherbakov M. (2011) Calculation method for the selection of the best scale- and domain- independent forecast model In The 31st Annual International Symposium on Forecasting (ISF 2011), 26-29 June, 2011, Prague, ISSN 1997-4, pp. 157. http://www.forecasters.org/isf/pdfs/ISF11_Proceedings.pdf