TelPROGNOSE
System prognozowania poboru mediów w oparciu o sieci neuronowe
Prognozowanie z wykorzystaniem AI
System TelPROGNOSE to zaawansowane narzędzie służące do prognozowania zapotrzebowania na gaz (lub inne media) w sieciach dystrybucyjnych i przesyłowych. Proces ten, ze względu na dużą bezwładność systemu, jest kluczowy dla efektywnego zarządzania siecią.
Pakiet oprogramowania wykorzystuje sztuczne sieci neuronowe (Sztuczna Inteligencja), co pozwala na zautomatyzowanie procesu tworzenia i adaptacji modelu matematycznego. Użytkownik nie musi ręcznie dobierać parametrów ani znać skomplikowanych zależności fizycznych – system 'uczy się' ich na podstawie danych historycznych.
TelPROGNOSE jest w pełni zintegrowany z systemem TelWin SCADA, a wyniki prognoz oraz dane historyczne przechowywane są w bazie danych Oracle, co zapewnia łatwy dostęp i bezpieczeństwo danych.
Moduły systemu
TelProgCfg
Moduł konfiguracyjny służący do definiowania tzw. węzłów prognozy. Umożliwia tworzenie prognoz dla pojedynczych stacji lub grup stacji (węzłów bilansowych). Pozwala na elastyczne dostosowanie struktury prognozowanej sieci.
TelProgRun
Moduł obliczeniowy (Run-time). Działa w trybie ciągłym lub na żądanie, realizując proces uczenia sieci neuronowej oraz generowania prognoz na podstawie aktualnych danych wejściowych.
Metodyka prognozowania
Jak działa nasza sieć neuronowa?
Wielowarstwowa sieć neuronowa
System TelPROGNOSE wykorzystuje zaawansowane algorytmy sieci neuronowych do modelowania i prognozowania poboru gazu. Proces ten eliminuje konieczność ręcznego strojenia, a system samodzielnie adaptuje się do zmieniających się warunków.
Struktura Sieci
Wielowarstwowa sieć neuronowa (min. 3 warstwy: wejściowa, ukryta, wyjściowa). Liczba neuronów w warstwach ukrytych dobierana jest empirycznie dla optymalizacji wyników. Neuron wyjściowy zwraca prognozowaną wartość.
Dane Wejściowe
Parametry środowiskowe (temperatura, wiatr) z możliwością agregacji z wielu obszarów oraz historia przepływów. Wejścia są standaryzowane do przedziału [0,1].
Proces Uczenia
Algorytm wstecznej propagacji błędu. Dane dzielone na zbiory uczące i testowe. Proces uczenia trwa zazwyczaj około 200 epok, co zapobiega przeuczeniu sieci (utracie elastyczności).
Prognozowanie
Generowanie wektora prognozy na 7 dni do przodu. Wartość dobowa dla zespołu stacji jest rozdzielana na poszczególne obiekty z uwzględnieniem ograniczeń technicznych i kontraktowych.
Funkcja aktywacji (Sigmoidalna)
Ocena jakości prognozy
Proces uczenia polega na minimalizacji błędu prognozy. Jako miarę błędu przyjęto średni błąd procentowy (MAPE), który jest standardem w ocenie jakości prognoz energetycznych.
Średni Bezwzględny Błąd Procentowy (MAPE)
- Ei: Błąd prognozy dla i-tego dnia
- Ri: Wartość rzeczywista (zrealizowana)
- Fi: Wartość prognozowana
- E: Sumaryczny błąd średni dla danego okresu
Wyniki i Konfiguracja
Przykłady konfiguracji węzłów oraz wykresy przedstawiające skuteczność prognoz w porównaniu do rzeczywistego zużycia.
Zwiększ efektywność sieci
Skontaktuj się z nami, aby dowiedzieć się więcej o możliwościach wdrożenia systemu TelPROGNOSE.