Sähkön käytön ennustaminen neuraaliverkolla

Abstract

Sähkön käytön ennusteet ovat nousseet keskeiseen asemaan sähkön tuotannon ja sen jakelun suunnittelussa. Tarkat ennusteet mahdollistavat tuotantolaitosten tehokkaan ja taloudellisen toiminnan. Myös sähkön jakelua voidaan optimoida ennusteiden pohjalta. Ennusteiden laatimisessa perinteisesti käytettyjä menetelmiä ovat lineaariseen aikasarja-analyysiin perustuvat erilaiset tasoitus- sekä Box-Jenkins menetelmät. Viime aikoina myös moderneja epälineaarisia menetelmiä on alettu soveltaa yhä enenevässä määrin ennusteiden laatimiseen. Työssä selvitetään aluksi sähkönkäytön ennustamisen ongelmakenttää ja kuvataan perinteisiä lineaarisia ennustusmenetelmiä. Lineaarisista menetelmistä tarkastellaan eksponentiaaliseen tasoitukseen perustuvaa Holt-Winters menetelmää ja Box-Jenkins menetelmien yleisimpiä mallityyppejä. Moderneista epälineaarisista menetelmistä esitetään yksityiskohtaisesti paikallisesti lineaarinen regressiomenetelmä ja neuro-sumea menetelmä. Nämä menetelmät muokattiin sähkönkäytön ennustamisen ongelmakenttään soveltuviksi. Malleille etsittiin systemaattisesti sähkönkäyttöä parhaiten selittävät sisäänmenosuureet. Sisäänmenosuureista kellonajan ja viikonpäivän ilmaisevien suureiden esittämiseen kehitettiin uusi osoitinkoodausmenetelmä. Neuro-sumeassa mallissa sääntöjen lisäämiseen kehitettiin oma algoritminsa. Algoritmikehitys tehtiin Matlab-ohjelmistolla, ja parhaiksi havaitut algoritmit toteutettiin C-kielisillä ohjelmilla. Laadituista ohjelmista selvitetään eri funktioiden merkitys ja rakenne sekä niiden käyttö ennusteiden laadinnassa. Ennustussimuloinneilla testattiin työssä kehitettyjen menetelmien suorituskykyä. Vertailun vuoksi vastaavat ennusteet laadittiin myös Holt-Winters menetelmällä. Tulosten mukaan paikallisesti lineaarinen regressiomenetelmä on testatuista paras tuottaen tarkimmat ennusteet. Tähän verrattuna neuro-sumean menetelmän ennustustarkkuus on huonompi, mutta useimmissa tapauksissa kuitenkin tarkempi kuin vertailukohtana olleen lineaarisen menetelmän tarkkuus. /Kir10