Logo programu TelPROGNOSE firmy TEL-STER Sp. z o.o.

Znajomość zjawisk i zdarze?, które występi? w przysz?ości  interesuje ludzkość od wieków. Najbardziej oczywistym przykładem mogą być próby prognozowania zmian pogodowych. Pocz?tkowo wnioski dotyczące przysz?ości byćy wynikiem obserwacji otoczenia i bazowa?y na wiedzy oraz doświadczeniu poszczególnych osób - ekspertów. Postęp technologiczny i rozwój nauki pozwoli?y zastąpił „eksperta” specjalistycznym oprogramowaniem, które pozwala bada? zjawiska zachodz?ce w przysz?ości.  

W obecnych czasach trafna prognoza ró?nych zjawisk w przysz?ości przekłada się w gospodarce na wymierne korzyści materialne. Przykładem takiej sfery gospodarki jest przesy? i dystrybucja gazu ziemnego. Wiarygodna informacja dotycząca wielkości poboru paliwa gazowego przez odbiorców w przysz?ości pozwala na optymalne przygotowanie konfiguracji sieci gazowej i gwarantuje utrzymanie dostaw zgodnie z ustalonymi parametrami, co z uwagi na inercj? całego systemu nie jest Łatwym zadaniem. Z punktu widzenia procesu prognozowania zapotrzebowania paliwa gazowego mo?na wyró?ni? dwie kategorie odbiorców. Pierwsza kategoria to odbiorcy wykorzystujący paliwo gazowe do celów utrzymania bieżącej działalności, gdzie zużycie paliwa gazowego jest ?ci?le związane ze skal? produkcji. Druga kategoria, to odbiorcy wykorzystujący paliwo gazowe do celów bytowych (ogrzewanie, przygotowanie posięków). O ile w przypadku pierwszej kategorii, dany odbiorca znając plany dotyczące bieżącej działalności może poinformowa? dostawc? o zapotrzebowaniu na paliwo gazowe w przysz?ości (składając np. nominacje), to w przypadku drugiej kategorii odbiorców, zużycie gazu jest uzależnione takich czynników jak temperatura, się? wiatru, dzień tygodnia, pora dnia i nocy. Dla grupy takich odbiorców daje się zauwa?y? i opisa? zależność zużycia gazu od wymienionych czynników, dzięki czemu wykorzystując odpowiednie modele matematyczne i algorytmy w powiązaniu z dostępn? histori? i prognoz? dotycząca warunków atmosferycznych, możemy dokona? prognozy zużycia gazu w przysz?ości.

W firmie TEL-STER od d?u?szego czasu prowadzone są badania nad algorytmami związanymi z zagadnieniami prognozowania zużycia paliwa gazowego. Wynikiem tych bada? są interesujące algorytmy bazujące na sieciach neuronowych, które z powodzeniem zostały zaimplementowane w gotowych produktach. Bazując na elementach tzw. sztucznej inteligencji, do jakich zalicza się rozwiązania oparte na sieciach neuronowych, uda?o się zaproponowa? rozwiązania, które zwalniaj? użytkownika z konieczności ?mudnego budowania modelu dla celów prognozy. Efektem wspomnianych prac jest pakiet TelPrognose, który z powodzeniem uzupełnia oferowany przez firm? TEL-STER system TelWin SCADA o funkcje związane z analizę zachowania sieci gazowej w przysz?ości. Podstawowym za?o?eniem przy projektowaniu pakietu TelPrognose byća pe?na integracja z systemem TelWin SCADA. Zarówno dane wejściowe jak również wyniki są przechowywane w bazie Oracle systemu TelWin SCADA i są dostępne przez standardowe mechanizmy wizualizacji.

W skład pakietu TelPrognose wchodzą dwa moduły:

  • TelProgCfg moduł wspierający proces konfiguracji,
  • TelProgRun moduł obliczeniowy.

Etap konfiguracji pakietu TelPrognose sprowadza się do okre?lenia tzw. w?z?ów prognozy dla których jest wyznaczana prognoza. Dostępne są dwa typy:

  • pojedyncza stacja (rys.1),
  • zespó? stacji (rys.2).

Opis programu TelPROGNOSE firmy TEL-STER Sp. z o.o.

Rys. 1 TelProgCfg - w?ze? prognozy jako stacja

Opis programu TelPROGNOSE firmy TEL-STER Sp. z o.o.

Rys. 2 TelProgCfg - w?ze? prognozy jako zespó? stacji

W ramach każdego z w?z?ów prognozy następuje przypisanie zmiennych ?rodowiskowych (z danymi meteo) z systemu TelWin SCADA, które reprezentuj?:

  • zmierzon? w przesz?ości ?redni? dobow? pr?dkość wiatru,
  • zmierzon? w przesz?ości ?redni? dobow? temperatur? powietrza,
  • prognozowan? ?redni? dobow? pr?dkość wiatru,
  • prognozowan? ?redni? dobow? temperatur? powietrza.

Wykorzystanie sieci neuronowych - opis algorytmu

Sytuacj? idealn? byćby przypadek, gdy dla każdego w?z?a prognozy dostępne są odpowiednie dane ?rodowiskowe. W praktyce, ze względu na koszty pozyskania danych meteo, przyjmowane są większe obszary terytorialne, obejmujące swym zasięgiem szereg w?z?ów prognozy.  W przypadku gdy w?ze? prognozy jest po?o?ony w pobli?u granicy obszarów dla których pozyskiwane są dane meteo, istnieje możliwość dodania zmiennych ?rodowiskowych pochodz?cych z wielu obszarów z określonymi wagami. W praktyce, dzięki wspomnianemu mechanizmowi  mo?na znacząco poprawi? jakość prognozy. Kolejnym parametrem okre?lanym w ramach w?z?a prognozy jest historia przep?ywu dla stacji, powiązana ze zmienn? systemu TelWin SCADA. W przypadku w?z?a typu zespó?, dla każdej stacji indywidualnie. Wszystkie wymienione parametry ?rodowiskowe i historia przep?ywu są danymi wejściowymi do algorytmu prognozującego, zawartego w drugim z modułów pakietu TelPrognose – TelProgRun, który jest cz??ci? obliczeniow?. Dodatkowym parametrem wprowadzanym na wejście algorytmu prognozującego jest informacja o rodzaju dnia: dzień pracujący lub świąto. Jak już wcześniej wspomniano, wykorzystywane algorytmy bazuj? na koncepcji sieci neuronowych, co w praktyce eliminuje proces strojenia procesu obliczeń.  
Sieci? neuronową okre?la się struktury matematyczne realizujące obliczenia lub przetwarzanie sygnałów poprzez elementy, zwane neuronami, wykonujące pewn? podstawową operacj? na swoim wejściu. Podstaw? wspomnianej koncepcji byća budowa naturalnych neuronów oraz układów nerwowych, w szczególności mózgu. Neurony u?o?one są w warstwy. Sygna?y z każdego neuronu warstwy poprzedzającej dochodz? do każdego neuronu warstwy następnej. Do celów prognostycznych używa się sieci kilku warstwowych (minimum 3 – warstwa wejściowa, warstwa ukryta (tych warstw może być więcej) i warstwy wyj?ciowej). Liczba neuronów w warstwie wejściowej odpowiada liczbie parametrów wejściowych. Ostania warstwa ma jeden neuron (na jego wyj?ciu jest prognozowana wartość). Warstwy ukryte, pomi?dzy warstw? wejściow? a wyj?ciow?, mogą mieć ró?n? liczb? neuronów. Ich liczba w praktyce jest dobierana empirycznie i jest istotnym elementem wpływającym na jakość wyników. Jak już wcześniej wspomniano, sztuczny neuron jest matematycznym modelem (oczywi?cie uproszczonym) naturalnego neuronu. Sztuczny neuron ma n wej?? i tylko jedno wyj?cie. Sygna?y na wejściu są mno?one przez wagi wej?? i następnie sumowane ze sob?. Ta suma jest wejściem funkcji aktywacji (1).

Opis programu TelPROGNOSE firmy TEL-STER Sp. z o.o.

(1)

Wej?cia do sieci neuronowej są zawsze standaryzowane do przedzia?u [0,1]. Na wyj?ciu również pojawia się liczba z zakresu 0 - 1 i należy j? przeliczyć na wartość rzeczywist?. Zgodnie z ide? działania algorytmów bazujących na sieciach neuronowych, moduł TelProgRun pracuje w dwóch trybach: uczenia oraz prognozowania. Uczenie odbywa się za pomocą danych z przesz?ości. Jeden przykład uczący to tzw. wektor wejściowy. Dane są dzielone na 2 zbiory (pierwszy du?o większy od drugiego). W pierwszym znajduj? się  dane uczące a w drugim dane testowe. Podczas procesu uczenia na wejścia sieci dostarczany jest losowy wektor wejściowy ze zbioru uczącego i jest on propagowany przez sie? na wyj?cie. Następnie zestawiając otrzymany wynik z wartością rzeczywist? wyznaczany jest błąd jaki popełni?a sie?, gdy? wartość realizacji jest znana. Za pomocą algorytmu wstecznej propagacji b??du wyznaczane są nowe wagi dla wejścia każdego z neuronów w każdej warstwie. Pocz?tkowe wagi, przed procesem uczenia, są losowe. Następnie wprowadzany jest kolejny, losowy wektor, obliczana są błąd i korekta wag za pomocą algorytmu wstecznej propagacji b??du. Proces kończy się w momencie wyczerpania wszystkich wektorów ze zbioru uczącego. W dalszej kolejności na wejście sieci dostarczane są wszystkie wektory ze zbioru testowego i obliczany jest błąd ?redniokwadratowy. Jedno przetworzenie danych uczący nazywa się epok?. W kolejnym kroku sie? ponownie zaczyna być uczona losowymi wektorami ze zbioru uczącego, do momentu zaprezentowania sieci całej epoki. Wprowadzane zostają ponownie dane testowe i obliczany jest błąd ?redniokwadratowy. Prowadzone testy i analizy wykaza?y, że dla zaproponowanego modelu wystarcza przetworzenie 200 epok. W trakcie nauki, pomi?dzy poszczególnymi epokami, błąd ?redniokwadratowy maleje, a pó?niej zaczyna wzrasta? (sie? zacz??a uczyć się na pami?? – następuje bardzo dobre dopasowanie sieci do danych uczących ale naruszona zostaje elastyczność sieci). Wybierana jest ta konfiguracja wag w której błąd ?redniokwadratowy jest najmniejszy. Konfiguracja wag i wspó?czynniki do standaryzacji (0 - 1) danych wejściowych są zapisywane do bazy danych. W trakcie prowadzonych bada? nad wyborem rozwiązania i modelu przyj?to, że każdy w?ze? prognozy będzie dysponowa? własn? konfiguracj?, w ramach której b?d?: wspomniane wcześniej dane ?rodowiskowe (meteo), przep?yw archiwalny niezb?dny do procesu nauki sieci oraz cała konfiguracja sieci (wagi dla neuronów). Moduł TelProgRun umożliwia otrzymanie wektora prognozy na 7 dni do przodu. Wartości wyliczona przez algorytm prognozujący jest wartością dobow?. Wartość dobowa w przypadku prognozowania dla zespo?u stacji jest rozbijana proporcjonalnie do poprzedniego dnia  na poszczególne stacje, na podstawie realizacji, z uwzględnieniem ogranicze? (maksymalnego przep?ywu ustawianego w TelProgCfg, mocy dobowej z TelGAZ, prac planowych z TelGAZ i ogranicze? z TelGAZ-Limits. Jeżeli występi przekroczenie dla jednej z stacji z zespo?u, nadmiar jest rozdzielany proporcjonalnie na pozostałe stacje.

Efekt działania programu - przykładowe wyniki

Na rysunkach 3 - 6 przedstawiono przykładowe wyniki działania pakietu TelProgRun. Uzyskane wyniki wykaza?y słuszność przyj?tych rozwiązań. Dla stacji, z minimalnym udziałem poboru gazu przez odbiorców przemysłowych wyniki charakteryzowa?y się b??dem na poziomie 3 – 5 % w skali miesięca, liczonym zgodnie ze wzorem (2).

Opis programu TelPROGNOSE firmy TEL-STER Sp. z o.o.

(2)

gdzie:  Ei– błąd prognozy dla dnia, R– wartość realizacji dla dnia,  Fi - wartość prognozy,  E – błąd prognozy dla okresu czasu

 

Opis programu TelPROGNOSE firmy TEL-STER Sp. z o.o.

Rys. 3 TelProgRun - przykładowe wyniki

Opis programu TelPROGNOSE firmy TEL-STER Sp. z o.o.

Rys. 4 TelProgRun - przykładowe wyniki

Opis programu TelPROGNOSE firmy TEL-STER Sp. z o.o.

Rys. 5 TelProgRun - przykładowe wyniki

Opis programu TelPROGNOSE firmy TEL-STER Sp. z o.o.

Rys. 6 TelProgRun - przykładowe wyniki

Braku konieczności ?mudnego strojenia modelu do warunków panujących w danym punkcie odbioru gazu zyska? uznanie użytkowników. Dzięki zastosowaniu sieci neuronowych cały proces strojenia algorytmu sprowadza się do procesu uczenia sieci, który przebiega automatycznie.