júl 30. 2021

Aplikácia biologicky inšpirovaných algoritmov ako pomoc na spresnenie predikcií v energetike

Marek Lóderer je naším novým doktorom a vo svojej dizertačnej práci sa venoval metódam prediktívnej analýzy v oblasti energetiky. Radi by sme vás v krátkosti oboznámili s jeho výskumom a výsledkami.

V súčasnosti dochádza k rozsiahlej transformácii energetickej siete. Sieť sa stáva viac a viac flexibilnejšou, robustnejšiu, adaptívnejšou, inými slovami Smart. Do energetickej siete sú zavádzané nové technológie a komponenty ako obnoviteľné zdroje energie, veľkokapacitné batérie či elektromobily (obr. 1.), ktoré so sebou prinášajú mnohé benefity, ale aj výzvy. Výzvy týkajúce sa zabezpečenia spoľahlivej dodávky energie, návrhu robustnej architektúry či bezpečnosti zbieraných dát.

Neoddeliteľnou súčasťou energetickej siete sa stávajú inteligentné merače, ktoré v pravidelných intervaloch zaznamenávajú množstvo spotrebovanej a vyrobenej energie. Nevídané množstvo získavaných údajov poskytuje priestor na vývoj sofistikovanejších predikčných modelov, ktoré dokážu presnejšie predpovedať budúci stav v sieti. Vďaka presným predpovediam je možné efektívnejšie využiť výrobné zdroje, minimalizovať výdavky spojené s regulačnými poplatkami za spôsobené výkyvy a znižovať negatívny dopad na životné prostredie. Presné a spoľahlivé krátkodobé predikcie sú pre oblasť energetiky kľúčové a preto sa im venuje zvýšená pozornosť.

Model of Smart grig

Na riešenie problému spoľahlivej krátkodobej predikcie som sa rozhodol použiť prístup nazývaný Učenie súborom metód (Ensemble Learning), do ktorého som vo svojej dizertačnej práci integroval rôzne vylepšenia.

Zjednodušene sa dá učenie súborom metód (obr. 2.) opísať ako proces využívajúci sadu viacerých modelov, ktorých výstupy sú kombinované takým spôsobom, aby vznikol čo najpresnejší finálny výsledok. V našom prípade je to predikcia spotreby elektrickej energie na najbližší deň.

Ensemble learning process

Vo svojom výskume som si zadefinoval uvedenú kombináciu modelov ako optimalizačný problém, ktorý som sa rozhodol riešiť pomocou meta-heuristických optimalizačných algoritmov, ako napríklad Genetický algoritmus, Optimalizácia svorkou sivých vlkov, Umelá kolónia včiel, či Optimalizácia založené na bio-geografii. Tieto algoritmy boli vybrané z dôvodu, že dosahujú vysokú úspešnosť aj pri riešení náročných optimalizačných úloh.

Navyše, využitie meta-heuristických optimalizačných algoritmov v kombinácii s učením súborom metód nie je v súčasnosti plne preskúmané. Okrem spresnenia predikcii sa nám vďaka výsledkom experimentálneho overenia podarilo odpovedať na viacero otvorených otázok, čím sme posunuli poznanie v tejto oblasti. Na základe nášho výskumu už v súčasnosti poznáme odpoveď, ktorá skupina optimalizačných algoritmov v kombinácii s učením súborom metód poskytuje najlepšie výsledky, alebo do akej miery vplýva orezávanie súboru metód na celkovú presnosť predikcie.

V záverečnej etape dizertácie som sa venoval aj kombinácii modelov založenej na metóde dynamických váh (DWM) a rozklade časových radov na viaceré zložky. Uvedený prístup dosahuje vysokú presnosť a rýchlu adaptivitu na neočakávané zmeny v spotrebe energie.

Výsledky experimentov, vykonaných na reálnych datasetoch spotreby elektrickej energie, ukazujú úspešné zníženie chyby predikcie. Na obrázku 3 sa nachádza ukážka výsledkov jedného z viacerých vykonaných experimentov, kde je možné porovnať presnosť navrhnutej metódy DWM a iných predikčných metód.

Comparison of the prediction error of the proposed DWM method and other commonly used methods.

Poznatky, ktoré som nadobudol počas riešenia dizertačnej práce, sú uplatniteľné v praxi, najmä pri riešení úloh vyžadujúcich predikciu spotreby elektrickej energie alebo pri detekcii anomálnych stavov v sieti. Získané poznatky budú určite využité v ďalších energetických projektoch, ktorým sa v KInITe venujeme. 

Jedným z najnovších projektov, na ktorom participujem, je disagregácia (rozklad krivky) celkovej spotreby elektrickej energie na spotrebu jednotlivých elektrospotrebičov v domácnosti, ktorú realizujeme v spolupráci so spoločnosťou ZSE. Rozklad spotreby pomáha dodávateľom energie lepšie pochopiť potreby svojich zákazníkov, vďaka čomu je možná efektívnejšia dodávka elektriny, nastavovanie zákaznícky výhodnejších taríf a presnejší manažment Smart domácností.

Výber z Marekových publikácií:

  1. M. Cuper, M. Lóderer, and V. Rozinajová (2019). Detection of abnormal load consumption in the power grid using clustering and statistical analysis. In Intelligent Data Engineering and Automated Learning – IDEAL 2019. Springer International Publishing. pp. 464–475.
  2. P. Laurinec, M. Lóderer, M. Lucká, and V. Rozinajová (2019). Density-based unsupervised ensemble learning methods for time series forecasting of aggregated or clustered electricity consumption. In Journal of Intelligent Information Systems. Vol. 53, 219.
  3. V. Rozinajová, A. Bou Ezzeddine, M. Lóderer, J. Loebl, R. Magyar and P. Vrablecová (2018). Computational intelligence in smart grid environment. In A. K. Sangaiah, Z. Zhang, & M. Sheng (Eds.), Computational intelligence for multimedia big data on the cloud with engineering applications, Intelligent Data-Centric Systems. (pp. 23-59). Cambridge, MA, USA: Elsevier.
  4. M. Lóderer, P. Pavlík, and V. Rozinajová (2018). Improving time series prediction via modification of dynamic weighted majority in ensemble learning. In Intelligent Data Engineering and Automated Learning – IDEAL 2018. Springer International Publishing. pp. 651–660.
  5. P. Halaš, M. Lóderer, and V. Rozinajová (2017). Prediction of electricity consumption using biologically inspired algorithms. In 2017 IEEE 14th International Scientific Conference on Informatics (IEEE). (Poprad, 2017) pp. 98-103.

Čítať viac