СмартЭнергоПрогноз - интеллектуализация систем коммерческого и технического учета электроэнергии

Область знаний: «Информатика, Математика»

Тематика Энергопрорыв 2016: «Интеллектуализация городской инфраструктуры»

Тематика Энергопрорыв-2017: «Модели с интеллектуальной логикой в управлении активами: моделирование, оценка и прогнозирование технического состояния инфраструктуры и оборудования»

Социальная активность: 53

Команда + Вступить в команду

Описание

На сегодняшний день на предприятиях топливно-энергетического комплекса (ТЭК) России широкое распространение получили автоматизированные системы коммерческого и технического учета электроэнергии. Сама система учета (будь то АИИСКУЭ/АИИСТУЭ) представляют собой комплекс программно-технических средств, включая приборы учета электроэнергии, устройства передачи данных на сервер системы или рабочие станции. Вся работа системы направлена на создание условий качественного и своевременного контроля ресурсов: электроэнергии.

Необходимым условием дальнейшего развития систем учета (АИИСУЭ) становится их интеллектуализация, которая связана с аналитической обработкой поступающих данных с целью прогнозирования энергопотребления и оценкой технического состояния энергосетевой инфраструктуры.

Цель проекта: совершенствование существующих автоматизированных систем коммерческого и технического учета электроэнергии за счет их интеллектуализации. Применение программных аналитических модулей с целью прогнозирования энергопотребления, исключения недостоверных и восполнение недостающих данных о потреблении, мониторинга потерь, оценки состояния активных устройств сети (счетчики, измерительные ТТ/ТН ит.д.), поддержки принятия решения при стратегическом планировании.

Команда проекта занимается разработкой отчуждаемого программного модуля предназначенного для обработки массивов данных поступающих от АИИСКУЭ/АИИСТУЭ, а также собранных в ручную, с целью прогнозирования энергопотребления объекта (или всей системы) в краткосрочной (час, сутки вперед), среднесрочной (неделя, месяц вперед) или долгосрочной (год вперед) перспективе. Модуль интегрируется в существующие системы АИИСУЭ.Разрабатываемая система универсальна (инвариантна) к типам потребителей, видам графиков нагрузки, вариантам представления обрабатываемой информации.

Проект находится на этапе опытной эксплуатации в филиале ПАО «МРСК Центра» - «Костромаэнерго». Проект является полуфиналистом федерального акселератора технологических стартапов Generation S (трек Power&Energy). За время акселерационной программы проект получил много положительных отзывов и поддержку индустриального партнера конкурса «Иркутскэнерго».

Полученный результат прогноза энергопотребления и оценка состояния сетевой инфраструктуры будет использоваться службами функционального заказчика (энергосбыт, электросети, частные предприятия, конечные потребители) в качестве поддержки в принятии решений в текущей ситуации и на стратегическую перспективу. К примеру, вопросы по модернизации/ремонтам активных устройств сетевой инфраструктуры (счетчики, измерители ТТ/ТН, ССПИ), перспективное развитие районов электрических сетей (технологические присоединения), перспективные сервисы по взаимодействию с потребителями.

Заинтересованные службы: служба режимов электрических сетей; служба прогнозирования энергопотребления, баланса мощности и анализа потерь; служба тарифов; оперативно-технологическая служба; служба учета электроэнергии; служба перспективного развития; служба управления активами предприятия.

Проект нуждается в финансировании с целью совершенствования "умного прогнозирования", а именно в реализации на существующей отчуждаемой программной платформе наиболее эффективных прогнозных моделей (с точностью прогноза 99,9 %) и в разработке сервисов для конечных служб (потребителей). Также проект нуждается в плотном взаимодействии со службами функционального заказчика с целью выработки совместного технического задания (ТЗ) на разрабатываемый программный продукт.

Проект может предложить: уникальный аналитический программный модуль для прогнозирования энергопотребления на сутки/неделю/месяц/год. Данный модуль интегрируется в существующие системы АИИСУЭ с целью исключения недостоверных и восполнение недостающих (ассоциативная память) данных об энергопотреблении, для мониторинга потерь, оценки состояния активных устройств сети (счетчики, измерительные ТТ/ТН ит.д.), поддержка принятия решения при стратегическом планировании.

Команда имеет все необходимые компетенции и опыт для реализации данного проекта.

В чем нуждается проект

Проект нуждается в финансировании с целью совершенствования программного модуля прогнозирования, а именно реализации на собственной программной платформе наиболее эффективных прогнозных моделей (читай приложенные файлы)

Что может предложить проект

Уникальный программный продукт для прогнозирования энергопотребления на сутки/неделю/месяц/год, с целью исключения недостоверных и восполнение недостающих (ассоциативная память) данных потребления, мониторинга потерь, оценки состояния сетев.инфрастр

Комментарии

Татьяна Жукова

Добрый день! Скажите, если Вы проводили сравнение результатов прогнозирования с фактическим энергопотреблением, то какая получается погрешность прогнозирования?

Андрей Мозохин

Добрый день, Татьяна. При апробировании информационно-аналитического комплекса прогнозирования для нужд распределительной сетевой компании в качестве входных данных использовалась ретроспективная информация о реальном потребления электроэнергии в филиале «Костромаэнерго» за последние 3 года с периодом в один день, а также информация по энергопотреблению за предыдущие 7 лет с периодом в один месяц. Из этого массива данных выделялась выборка для обучения нейронной сети и её тестирования. Результаты прогноза оправдали ожидание функционального заказчика (Управление реализации услуг/отдел прогнозирования балансов электроэнергии, мощности и анализа потерь ), показав отклонение от реальных значений энергопотребления менее 1 % в целом за год, и менее 5 % в отдельных месяцах.
Подробно о методе прогнозирования на основе ИНС можете посмотреть в наших доп. материалах приложенных к проекту (статьи в журналах). О самом проекте подробно можно узнать через презентацию, тоже приложение к проекту.

Ответить +4 25 июня 2016 в 09:59
Иван Лейник

Андрей, добрый день!
Вы наверное не будете спорить, что потребление электрической энергии (или природного газа) зависит от температуры окружающего воздуха?
Согласен, что температуру окружающего воздуха прогнозировать на месяц и более трудно, поэтому параметр "температура" Вы исключили из своей модели.
Тогда вопрос:
с какими параметрами коррелирует "потребление электрической энергии" в Вашей конкретной модели?

Ответить +1 27 июня 2016 в 18:35
Андрей Мозохин

Иван, добрый день! Да температура существенно влияет на энергопотребления, однако мы нивелировали её влияние на расчет птребления путем использования синтезированного входного вектора для обучения искусственных нейронных сетей.
Разработанный нашей командой метод высокоточного прогнозирования потребления электроэнергии построен на базе ансамбля искусственных нейронных сетей, что позволяет осуществлять прогноз потребления (с периодичностью сутки, неделя, месяц, квартал, год) независимо от вида графиков потребления , нагрузочных диаграмм, часовых поясов и погодных условий. В качестве входных данных используется: статистические переменные - день недели, месяц, час, а также динамические переменные - почасовое потребление электроэнергии (для сбытовых компаний), и посуточное потребление (для РСК). Система изначально обучается по архивным данным энергопотребления службы учета (глубина 3 года посуточного потребления, 7 лет помесячного потребления), а в дальнейшем корректирует тренды потребления по on-line данным АИСКУЭ (подробно о разработке ансамбля нейронных сетей можете прочитать в доп. материалах к проекту ).
Пилотные испытания проводимые в сбытовой компании и филиале РСК позволили подтвердить высокую точность прогнозирования без учета температурного фактора ( результаты апробации приведены в презентации к проекту).

Ответить +2 27 июня 2016 в 19:49
Иван Лейник

Андрей, у нас на предприятии есть система учета потребления газа. Можно ли использовать суточное потребление газа (глубиной 3 года) в качестве динамических переменных в Вашем алгоритме для высокоточного прогнозирования потребления газа? Каким образом можно реализовать работу Вашего алгоритма на нашем предприятии? Какие аппаратно-программные требования предъявляются к вычислительной платформе? И как быстро адаптируется Ваш алгоритм под новые условия (нанапример: если на нашем предприятии вводятся дополнительные мощности, после чего потребление газа резко увеличивается)?

Ответить +3 28 июня 2016 в 01:17
Андрей Мозохин

Иван, как я говорил ранее, система универсальна для детерминированных параметров, по которым возможно построение трендов. Если динамические данные о потреблении газа на вашем предприятии являются не детерминированными и по ним невозможно построить тренд, то система выдаст ответ о том, что необходимы дополнительные данные, к примеру ещё за 3 года посуточного потребления, пока не зацепится за тренд. Однако, вариант ввода дополнительной мощности не является принципиальным фактором при построении прогноза, так как система дообучится на вновь поступивших on-line данных из системы учета и скорректирует прогноз на ближайшую перспективу, а в последствии и на долгосрочную.
Таким образом, развернуть ПАК прогнозирования потребления газа на вашем предприятии возможно проведя предварительный анализ архивных данных, которые вы можете выслать в формате .csv или .xml на мой e-mail - mozokhin@mail.ru.
Аппаратная реализация будет требовать сервер (около 70 тыс.руб.) с ОС Windows, а также дополнительно расходы на составление модели нейронной сети для вашего предприятия, стоимость оговаривается после оценки специалистами входных данных.

Ответить +2 28 июня 2016 в 09:47
Татьяна Жукова

Андрей, из Ваших ответов следует, что система обучаема, то есть имеет интеллект. Можете вкратце рассказать как Вам удалось построить такой алгоритм действия системы?

Андрей Мозохин

Татьяна, спасибо за интерес к нашему проекту.
Метод прогнозирования энергопотребления является ядром информационно-аналитического комплекса. Собственно метод уникален и представляет из себя ансамбль многослойных искусственных нейронных сетей, имитирующих работу мозга человека. Каждый слой и каждый каскад сети выполняет распределенное вычисление по зашитым в них правилам и по итогу их совместной работы на выходе мы получаем прогноз энергопотребления с дискретностью в сутки и глубиной в год.
Как и сам человек нейронная сеть всегда готова к обучению, на вновь поступающих данных, которые мы получаем из всевозможных источников (АИСКУЭ, ручной съем показаний и тп). Поступившие данные мы переводим в стандартный формат понятный сети (.csv .xml). Так как новые данные поступают ежедневно то сеть можно дообучать хоть каждый день, но чаще всего это бывает раз в месяц или квартал, как требует служба учета энергопотребления (служба прогнозирования энергопотребления и потерь) сетевых компаний.
Вот так в общих словах работает наша система изнутри. У неё есть свой интерфейс, который постоянно совершенствуется под требования заказчика.
Если возникают дополнительные вопросы, буду рад ответить.

Ответить +2 30 июня 2016 в 12:59
Сергей Венедиктов

День добрый! Точность годового прогноза в 1% получена без добавления суточных, (месячных) отклонений?

Андрей Мозохин

Сергей, доброго времени суток. Да с учетом суточных отклонений (ошибок).
Если вкратце: наилучшая точность, менее 1%, получена при прогнозировании на год вперед ансамблем нейронных сети обученным на данных посуточного потребления с глубиной в 3 года. То есть мы прогнозируем энергопотреблении с шагом в сутки (при этом ошибка суточного прогноза не превышает 10 %).
Экспериментальным путем мы пришли к выводу, что точность прогноза (будь то месяц, квартал или год) выше при обучении нейронной сети на архивных данных суточного потребления. В отличии от прогноза выдаваемого нейронной сетью обученной на месячных данных энергопотреблении (в этом случае относительная ошибка составляет менее 4.5% при прогнозе на месяц, менее 3% на квартал, менее 1% на год), прогноз с дискретностью в сутки увеличивает точность (при этом снижается относительная ошибка прогноза на месяц и составляет менее 3%). Подобной точности достаточно, чтобы руководствоваться прогнозом ИНС в повседневной работе службам РСК.

Ответить +1 1 июля 2016 в 23:55
Сергей Венедиктов

Андрей, здравствуйте! При добавлении даже суточных отклонений годовой давности получается задача определения вероятности простуды молодого человека при наличии у него двух подружек, имеющих "интересные" штаммы разной степени вирулентности. При добавлении оперативных (!) суточных отклонений теряется смысл годового прогноза. Какой математикой преодолеваете названное противоречие?

Ответить 0 2 июля 2016 в 00:18
Андрей Мозохин

Вы не так поняли, месячные прогнозы складываются из суточных, квартальные (сезонные )из месячных прогнозов, а годовые уже из квартальных. Каскады сетей работают с детерминированными параметрами (в данном случае энергопотреблением) с целью поиска трендов. При формировании обучающей выборки использовались архивные данные реального энергопотребления по Костромской области для построения трендов энергопотребления на год, квартал, месяц вперёд. Система в данном случае выполняет роль экспертной, поедставляя информацию для функционального заказчика который принимает конечное решение. Подробный результат прогноза представлен в презентации.

Ответить +1 2 июля 2016 в 01:13
Сергей Венедиктов

Андрей, поясните, как из исходных (суточных)данных с достоверностью 0,9 получаете прогноз на год с достоверностью 0,99 и учитывает ли Ваша прогнозная модель случайные воздействия (обрыв фидера, банкротство потребителя и т.д.).

Ответить 0 2 июля 2016 в 01:34
Андрей Мозохин

Сергей, поясняю, суточные данные имеют относительную ошибку не превышающую 10 %, то есть от 0 до 10. Таким образом, как я уже писал ранее, относительная ошибка месячного прогноза по суточным данным не превышает 3 % (от 0 до 3), а относительная ошибка годового прогноза не превышает 1 %.
В нашей модели данные об отключениях, аварийных событиях также используются нейронной сетью для обучения. Она выделяет их как выпадающие значения (используя аппарат математической статистики), сигнализирует об этих значениях, отмечает их, но не отбрасывает использует для обучения. Соглашусь что аварийные ситуации сложно прогнозируемые, мы над этим работаем. Для улучшения прогноза мы предлагаем разбивать потребителей на группы, так физические лица (рядовые потребители) имеют вполне детерминированные, а значит прогнозируемые величины потребления, в отличии от промышленных потребителей, где требуется больше данных для построения конечного тренда.

Ответить +1 2 июля 2016 в 09:59
Ответить +1 2 июля 2016 в 15:42
Игорь Хузмиев

Добрый день! Можно ли вашу НС обучить прогнозированию потребления отдельной квартиры или частного дома на сутки вперед с дискретностью 1 час и на неделю вперед посуточно? Не делали ли таких экспериментов? Какая может быть достигнута точность?

Андрей Мозохин

Игорь, доброго времени суток. Изначально структура сети затачивалась под нужды сбытовой компании, а именно прогнозирование почасового энергопотребления на ближайшие сутки с целью закупок на оптовом рынке электроэнергии (ФОРЭМ). Для прогнозирования с высокой точность (95-99,9%) для нужд сбытовых компаний нам потребовались архивные данные суточного потребления за последние 3 года. Для прогнозирования годового потребления электроэнергии для РСК, нам потребовались данные ежемесячного потребления за 7 лет (или суточного за 3 года).
Таким образом задача прогнозирования потребления отдельной квартиры или частного дома вполне реальная с высокой точностью и дискретностью, если предварительно провести исследовательскую работу по выявлению типовых профилей потребления по данному сегменту рынка. Однако, на данный момент подобной задачи не ставилось.
В перспективе, вполне реально.

Ответить +3 4 июля 2016 в 00:24
Игорь Хузмиев

Андрей, приветствуем тебя и команду проекта! Скажи, пожалуйста, с какой АИИСКУЭ вы тестируйте ваше ПО в Костроме? Как происходит загрузка массивов из АИИС в Смартэнергопрогноз? Через промежуточные файлы экспорта-импорта или напрямую из базы данных?

Андрей Мозохин

Игорь, рад снова тебя слышать. На данный момент АИИСКУЭ в Костроме представлены несколькими производителями СИСТЕЛ, МАТРИЦА, ПРОСОФТ И ПИРАМИДА. Данные для обработки мы вытаскиваем из СУБД каждого конкретного производителя и формируем единый пул, с которым и работаем. В планах перевести учёт на одну систему и интегрировать в неё наш интеллектуальный модуль.

Ответить +1 31 августа 2017 в 21:54
Ответить +1 31 августа 2017 в 21:58

Добавление комментария