Современные электроэнергетические сети должны обеспечивать бесперебойное энергоснабжение промышленности и населения, при этом немаловажным фактором является энергосбережение, которое наиболее остро затрагивается в наше время, особенно при работе генерирующих и сетевых организаций на оптовом рынке электроэнергии и мощности (ОРЭМ). Поэтому для вопроса нахождения наилучшего соотношения экономичности, эффективности, надежности и устойчивости электроснабжения необходимо разрабатывать современные методы и модели организации таких условий и критериев.
Проблемы увеличения эффективности, надежности и устойчивости энергосистем, уменьшение потерь электроэнергии являются основными на сегодняшний день.
С достаточно быстрым развитием электронно-вычислительных машин и соответствующих программных комплексов стало возможным создавать и реализовать математические методы и модели оперативной оптимизации режимов функционирования электроэнергетических систем. Использование таких методов дает возможность снизить фактические потери в энергосистемах, а связи с этим, увеличивается надежность, устойчивость и качество функционирования электротехнических и электроэнергетических систем.
Одним из самых перспективно развиваемых на сегодняшний день является нейросетевой анализ данных для осуществления оптимизации электроэнергетических систем.
За последние 10 лет количество научных работ и публикаций по теме использования искусственных нейронных сетей для различных программных обработок массивов данных выросло в разы, несмотря на то, что первые попытки применения еще были в середине XX века. С помощью искусственных нейронных сетей можно решать различные задачи классификации и экстраполяции данных в разных проблемных областях.
Используя некоторую выверку архивных баз данных, нейросеть постепенно обучается и исправляет ошибки в случае критического отклонения. На основе обученной информации искусственная нейронная сеть формирует выдает экстраполяционные данные — прогнозирование с максимальным приближением.
Использование искусственных нейронных сетей в электроэнергетических и электротехнических система позволяет оптимизировать процесс генерации, передачи, распределения электроэнергии на всех уровнях.
Основными задачами, решаемыми с помощью искусственных нейронных сетей является: предсказание нагрузки, регулирование напряжения, прогнозирование влияния температуры окружающей среды на нагрузку, оперативная оптимизация режима энергосистемы, обеспечение устойчивости, мониторинг безопасности электроэнергетических и электротехнических систем, режимное управления текущим процессом производства тепла и электроэнергии на тепловых и конденсационных электростанциях.
Перечень применения искусственных нейронных сетей как инструмента управления различными системами постоянно растет.
В России и странах СНГ оперативное прогнозирование электрической нагрузки в электроэнергетических системах происходит с упреждением от 10 минут до 1 часа. Такая задача прогнозирования решается оперативно — диспетчерскими управлениями объединенной энергосистемы. Правильное и достоверное прогнозирование нагрузок позволяет обеспечить центральные диспетчерские пункты региональных и объединенных энергосистем основной исходной информацией для возможности принятия верного решения при оперативном управлении электроэнергетическими и электротехническими системами. Помимо этого, позволяет производить своевременное оценивание текущего состояния, надежности, качества, устойчивости функционирования энергосистемы.
Точность оперативного и краткосрочного прогнозирования нагрузок потребления электроэнергии позволяет существенно влиять на экономическую составляющую объектов электросетевого хозяйства, а также систем генерации электроэнергии.
На сегодняшний день при составлении прогноза электрической нагрузки энергосистемы учитывают такие факторы как: диспетчерский график электрических нагрузок текущего дня, метеорологические прогнозы, предложенные мероприятия электросетевых и генерирующих компаний по обеспечению подачи электроэнергии потребителям энергосистемы, режимы работы градообразующих предприятий, а также наиболее крупных потребителей.
Качество и точность получения спрогнозированных данных во многом зависит от выбора правильной математической модели и ее алгоритма. Искусственная нейронная сеть может состоят из нескольких слоев нейронов(уровней). Но упрощенная структура будет состоять как минимум из 3 слоев — входные параметры, скрытый слой, выходные данные. Искусственная нейронная сеть может устанавливать сколь угодно сложные соотношения между входными и выходными данными на уровне скрытых нейронов, а также непрерывно изменяющимися исходными и оперативно вводимыми данными.
Немало важным является и то, что информация которую нейросеть имеет о задаче, может содержаться в наборе примеров для обучения. Поэтому количество входных параметров и количество нейронов напрямую влияет на качество и точность получения спрогнозированных данных. Считается, что для полного обучения искусственной нейронной сети необходимо хотя бы несколько десятков примеров.
Метод искусственных нейронных сетей достаточно конкурентоспособен с традиционными и имеющимися на сегодняшний день методами оперативного и краткосрочного прогнозирования электрической нагрузки. Необходимо включать методы нейросетевого анализа в создание комплексых моделей оптимизации электрического режима.