Эффективное управление режимами электроэнергетических систем было и остается первостепенной задачей науки и практики, так как связано с экономией энергетических ресурсов, развитием технической базы и сложностью задачи.
В практике анализа и управления режимами доминируют методы, основанные на балансах узловых мощностей и токов [1], алгоритмы которых громоздки. Характеристики нагрузочных узлов в основном представляются детерминированными моделями с учетом или без учета статизма. Модели для разных видов прогноза нагрузок базируются на рядах или численных статистических методах [2], хотя функционирование электрических систем идет в сложных условиях с элементами неопределенности. В условиях развития рыночных отношений актуальным становится совершенствование моделей краткосрочного прогнозирования нагрузок в узлах электрических систем, что будет соответствовать оптимальному расходу электроэнергии и энергоресурсов. Не утрируя теоретических разработок в области моделирования прогнозов режимных узловых параметров, можно открыть возможность применения математических моделей с использованием элементов искусственного интеллекта, которые в последнее время системно развиваются. Ниже проиллюстрирован один из нетрадиционных подходов моделирования узловых нагрузок, основанный на применения нейронных сетей [3] как элемента искусственного интеллекта.
Для осуществления указанной задачи потребовалась разработка модели нейронной сети для прогнозирования нагрузок в узлах сети. Технология разработки состояла из двух этапов.
На первом этапе были проведены исследования по определению состава исходных данных для обучения и работы с нейронной сетью. В некоторых источниках [4] отмечается, что этот вопрос решается на практическом уровне. В данной работе вместо приближенного способа используется другой подход, основанный на следующем приеме. С учетом статистических исследований физических процессов в узлах электропотребления электрической сети одного из регионов найдены специфические свойства, в виде величин скалярных произведений относительных рельефов суточных графиков нагрузки [5], характерных для определенных суток недели. Проанализированы рельефы автокорреляционных функций для различных периодов времени в тех же узлах потреблении нагрузки. Данные операции позволили определить объем ретроспективной входной информации для обучения сети, обеспечивающий достаточную точность и надежность функционирования нейронной сети, что будет показано ниже.