PROJEKT

Projekt specjalnościowy ARK

Temat projektu: Prognozowanie zużycia energii elektrycznej w budynku inteligentnym

Nazwisko i Imię prowadzącego kurs: mgr inż. Jerzy Kraśniewski

Wykonawcy: Imię i nazwisko, nr indeksu	Mateusz Gąsiorek 180514
Termin zajęć: dzień tygodnia, godzina	Czwartek, 19:05
Data oddania dokumentacji:	05.06.2014
Ocena końcowa:

Data i podpis prowadzącego zajęcia …………………………………………………

ROZDZIAŁ 1

Wstęp

Na całym świecie coraz więcej urządzeń pobiera energię elektryczną do pracy. Urządzenia mechaniczne zostają unowocześniane do nowych, lepszych urządzeń elektronicznych. Na każdym kroku można zaobserwować „płynącą” zewsząd energię elektryczną. Na światowy rynek powoli zaczynają wchodzić środki transportu pracujące z wykorzystaniem źródła prądu. Już dziś ciężko sobie wyobrazić choć jeden dzień bez prądu, a wiele firm pracuje ciągle nad nowymi technologiami udogadniającymi nasze życie. W każdym mieszkaniu, domu, budynku pracują komputery, telewizor, kuchenki, lampy, wszystko to powoduje zużycie energii a przez to większe miesięczne opłaty. Coraz częściej ludzie decydują się również na ogrzewanie elektryczne w domu, pompy ciepła, grzejniki olejowe, halogenowe, termowentylatory, które pochłaniają bardzo wiele energii elektrycznej. Kolejną wygodą dla użytkowników budynków są klimatyzacje, wentylatory pracujące w cieplejsze dni, te urządzenia pobierają podobną ilość energii elektrycznej, do tych dających ciepło w chłodne dni. Mimo nadchodzącego trendu na energooszczędność – ludzie coraz częściej wybierają urządzenia oznaczane coraz wyższymi klasami energooszczędności, wymieniają żarówki na LEDowe, pobierające mniej prądu, korzystają z alternatywnych źródeł energii, a to wszystko po to aby zużywać mniej energii – ludzie płacą za rachunki ciągle porównywalne stawki.

Na początku lat 90., całkowite zużycie energii elektrycznej w Polsce systematycznie malało. Było to spowodowane transformacją ustrojową, jaką przechodziła Polska w latach 90. Dopiero w 2000 roku udało się osiągnąć poziom z 1990 roku. Całkowite zużycie energii elektrycznej w latach 1990 – 2007 i prognozę zużycia na lata 2010 – 2030 na tle produktu krajowego brutto przedstawiono na  Rysunek 1.1.

Rysunek 1.1 - Produkcja brutto energii elektrycznej w latach 1998 – 2010

Na Rysunek 1.2 przedstawiono także prognozę zużycia energii elektrycznej dla Polski do roku 2030.

Rysunek 1.2 - Prognoza zużycia energii w Polsce do 2030r

Źródła obu prognoz są różne, a wyniki przedstawiają podobny schemat sytuacji na następne lata. Polska z roku na rok zużywa i będzie zużywać coraz więcej energii elektrycznej. Obecnie w Polsce energia produkowana jest w większości z wykorzystaniem źródeł deficytowych w naszym kraju. Na Rysunek 1.3 widać że Polska uzyskuje ponad 90% energii korzystając z konwencjonalnych metod.

Rysunek 1.3 - Struktura produkcji energii elektrycznej brutto w 2007 roku

Tabela 1.1 przedstawia energie produkowaną w Polsce na przestrzeni lat. Porównując powyższe wykresy można łatwo zauważyć że energia produkowana jest z dużą nadwyżką.

Tabela 1.1 – energia wyprodukowana w Polsce

Aby redukować nadwyżki produkcji energii elektrycznej, coraz częściej wykorzystuje się prognozę. Spółdzielnie mieszkaniowe oferują już od kilku lat, rachunki za prąd w formie prognozy na podstawie zużycia z poprzednich okresów rozliczeniowych. Wszelkiego rodzaju różnice w opłatach regulowane są jednorazowo na końcu danego okresu rozliczeniowego. Na podstawie przybliżonych danych dystrybutorzy energii dostarczają energię do obiektów. Każda wartość posiada zawsze nadwyżkę, tak aby nie było przestoju w dostarczaniu energii. Coraz częściej normą staje się prognozowanie energii elektrycznej na większych obiektach, biurowcach, budynkach naukowych. Nadchodzące zmiany prawne będą wymagać od wszystkich odbiorców określenia pewnych limitów w których każdy będzie musiał się zmieścić z zużyciem energii. Spowoduje to znaczny spadek produkowanej nadwyżki w elektrowniach a co za tym idzie ogromne korzyści zarówno finansowe jak i ekologiczne.

Opis obiektu

Aby przeprowadzić wiarygodne badania należy algorytm testować na rzeczywistych pomiarach. W tym celu wykorzystano istniejący już obiekt z zainstalowanym analizatorem sieci. Analizatory pozwalają na odczyt wszelkiego rodzaju parametrów sieci elektrycznej. Dzięki wykorzystaniu na obiekcie systemu BMS, wszystkie dane są rejestrowane w sposób ciągły i przechowywane w formie bazy danych. Użytkownicy systemu mogą sprawować kontrolę w czasie rzeczywistym nad parametrami sieci, mogą wykrywać spadki napięć, oraz zawyżone zużycie energii. Przykładowymi parametrami jakie warto odczytywać z analizatora sieci są:

• wartości napięcia na fazach,

• wartości prądów,

• zużycie energii elektrycznej,

• cosinus,

• moc czynna, pozorna, bierna,

• czas pracy analizatora sieci,

• liczba impulsów spadków napięć.

Obiekt na którym rejestrowano wartości zużycia energii elektrycznej to dziesięciopiętrowy biurowiec mieszczący się w Warszawie. Budynek przeznaczony jest do wynajmu dla firm zewnętrznych.

Na zużycie energii na obiekcie składają się:

• centrala wentylacyjna mieszcząca się na dachu budynku,

• agregat wody lodowej mieszczący się na dachu budynku,

• klimakonwektory ulokowane na poszczególnych piętrach,

• serwerownia,

• windy,

• system monitoringu i kontroli dostępu,

• system automatyki budynku,

• komputery i inne urządzenia elektryczne,

• oświetlenie budynku.

Konfiguracja sieci

Budynek wyposażony jest w system BMS, m.in. dzięki któremu możliwe jest rejestrowanie danych z analizatorów sieci. Dodatkowo na obiekcie znajdują się sterowniki firmy Siemens komunikujące się z wykorzystaniem sieci KNX, BACNET, M-BUS, MODBUS. Każda sieć odpowiada za inne informacje przesyłane pomiędzy sterownikami. Dodatkowo na obiekcie znajduje się router, który tworzy węzeł informacyjny, tak aby w prosty sposób przesłać wszystkie informacje do komputera.

Najważniejszym punktem automatyki obiektu jest centrala wentylacyjna, która działa z wykorzystaniem recyrkulacji powietrza. Dodatkowo wyposażona jest ona w nagrzewnice, oraz chłodnicę, które odpowiednio dostosowują temperaturę powietrza nawiewanego do pomieszczeń. Jednym z wymogów budynku biurowego jest umieszczenie na nawiewie czujnika jakości powietrza VOC. Czujnik ten w sposób automatyczny wymusza pracę przepustnic dostarczających do obiektu świeże powietrze. Poglądowy wygląd centrali wentylacyjnej przedstawia poniższy schemat.

Sporządzenie danych wejściowych

Rzeczywiste dane ściągane z obiektu zależą od bardzo wielu czynników m.in.:

• ilości osób najmujących budynek,

• strat cieplnych obiektu,

• wymaganych norm jakości powietrza,

• wymaganej temperatury wewnątrz budynku,

• zużycia energii elektrycznej przez pracowników obiektu,

• automatyzacji systemu oświetlenia.

Dodatkowo na zużycie energii elektrycznej wpływa pogoda, oraz pora roku. Zimą centrala wentylacyjna pracuje pełną mocą ogrzewając powietrze, dodatkowo zimą powietrze wywiewane ze względu na niską jakość nie nadaje się do recyrkulacji, przez co świeże powietrze dostarczane musi być na nowo ogrzewane.

Wiosną i latem natomiast wysoka temperatura zewnętrzna powoduje załączenie się agregatu wody lodowej, oraz chłodnicy, które ochładzają wywiewane oraz świeże powietrze. Urządzenia te zużywają porównywalną ilość energii, natomiast latem, są dni w których zużycie to znacząco spada wraz ze spadkiem temperatury otoczenia.

Dodatkowo dostarczone oprogramowanie pozwala na analizę kalendarza i ustawianie osobnego trybu pracy w czasie świąt, dłuższych przerw. W tym czasie centrale pracują w trybie ekonomicznym utrzymując jedynie wartości graniczne, zużywając przy tym jak najmniejszą ilość energii.

Dane wejściowe z obiektu przedstawiały wartość odczytu z analizatora sieci w kWh. Dla ułatwienia badań dane te przekształcono do postaci przedstawiającej zużycie energii, czyli różnicę pomiędzy pomiarem bieżącym a poprzednim. Analizator odczytywał te wartości co 30 minut w okresie od 1.09.2013 do 31.04.2014. Kilka przykładowych wartości przedstawia poniższa tabela.

Liczba pomiaru	data i godzina pomiaru	ZONE
1	2013-09-01 00:00	165,4443809
2	2013-09-01 00:30	90,73855755
3	2013-09-01 01:00	176,8293961
4	2013-09-01 01:30	105,4736588
5	2013-09-01 02:00	111,4668772
6	2013-09-01 02:30	88,13727829
7	2013-09-01 03:00	54,5630163
8	2013-09-01 03:30	151,1362825
9	2013-09-01 04:00	152,9201438
10	2013-09-01 04:30	154,8893826

Wszystkie wartości zgromadzono w tabeli a ich prezentacje graficzną przestawia poniższy wykres:

Na wykresie widoczne są zmiany pory roku, oraz okres w którym przypada uruchomienie trybu ekonomicznego dla obiektu.

ROZDZIAŁ 2

Opis algorytmu

Szeregiem czasowym nazywamy ciąg informacji uporządkowanych w czasie, których pomiary dokonywane są z dokładnym krokiem czasowym. Zagadnienie prognozowania szeregów czasowych jest bardzo istotną kwestią w dziedzinach takich jak giełda, czy zużycie energii. Dokładne metody prognozowania szeregów czasowych pozwalają osiągać większe zyski na giełdzie, oraz umożliwiają dokładniejsze dopasowanie produkcji energii elektrycznej do faktycznego zapotrzebowania. Dzięki temu możliwa jest większa oszczędność wyczerpujących się surowców naturalnych.

Cel i zakres projektu

Celem projektu jest zbadanie wpływu ilości neuronów w warstwie ukrytej sieci neuronowej, na jakość prognozy szeregu czasowego.

Zakres projektu obejmuje:

• zaprojektowanie generatora przykładowego szeregu czasowego,

• wybranie długości ciągu uczącego,

• wybranie formatu wejść oraz wyjść sieci,

• wybranie wskaźników oceny jakości prognozy,

• przeprowadzenie badań wpływu ilości neuronów w warstwie ukrytej na jakość prognozy.

W projekcie użyta została sieć neuronowa posiadająca liniowe funkcje aktywacji w warstwie wyjściowej, oraz sigmoidalne funkcje aktywacji w warstwie ukrytej. Do badań wykorzystano oprogramowanie Matlab w wersji 2013b.

Badania

W celu przeprowadzenia badań konieczne było skonstruowanie powtarzalnego generatora przykładowego szeregu czasowego. Należało również ustalić długość ciągu uczącego oraz format wejść i wyjść sieci.

Projekt generatora szeregu czasowego

Projekt generatora oparto o faktyczny wykres zużycia energii elektrycznej przez miasto Bełchatów, oparty o dane pomiarowe z Elektrowni Bełchatów. Odstęp czasowy pomiędzy poszczególnymi próbkami z generatora wynosi 20 minut.

Przebieg skonstruowany został na bazie sinusoidy z uwzględnieniem większego zapotrzebowania na energię w godzinach wieczornych. Ciąg próbek został zaszumiony, jednak w celu uzyskania powtarzalności badań, ziarno szumu zostało ustalone na wartość stałą. Próbkę uzyskanego przebiegu przedstawia

Rysunek 2.4.

Rysunek 2.4 Trzydniowa próbka przebiegu czasowego uzyskanego z generatora

W przypadku generowania przebiegu rocznego, uwzględniono zwiększone zużycie energii elektrycznej w zimie, poprzez dodanie wolno zmiennego sinusa do wyjścia generatora. Przykładowy przebieg roczny przedstawia

Rysunek 2.5.

Rysunek 2.5 Przykładowy przebieg roczny

Generator umożliwia generowanie próbek w trzech trybach. Pierwszy pozwala na generowanie przebiegu rocznego, drugi na generowanie przebiegu od zadanego miesiąca początkowego do zadanego miesiąca końcowego ale bez uwzględniania, że na zużycie energii ma wpływ pora roku. Tryb trzeci jest bardzo zbliżony do trybu drugiego jednak uwzględnia zmianę zużycia energii w cyklu rocznym.

Wybór długości ciągu uczącego

W przypadku sieci neuronowych, na jakość odwzorowania, a więc i prognozy szeregu czasowego, duży wpływ ma długość ciągu uczącego. Dłuższy ciąg uczący pozwala zawrzeć więcej informacji o zmienności szeregu czasowego, a więc pozwala na dokładniejsze prognozy. W projekcie postanowiono ustalić długość ciągu uczącego na rok.

Formatowanie wejść oraz wyjść sieci neuronowej

Odpowiednie formatowanie wejść sieci ma wpływ na ilość informacji uwzględnionych w prognozie. Na wejście można podać tylko czas, jednak jest to mało efektywne. Znacznie lepsze wyniki można uzyskać podając na wejście sieci, wartości poprzednich wyjść. Jednakże ilość wejść ma duży wpływ na ilość neuronów w warstwie ukrytej, ponieważ większa ilość wejść wymaga większych możliwości przetwarzania a więc większej ilości neuronów.

Aby uzyskać lepszą jakość prognozy należy ustalić również ilość wyjść sieci. Można prognozować na podstawie jedynie wyjścia aktualnego, jednak znacznie lepsze wyniki uzyskuje się poprzez ustalenie z góry prognozy kilku kolejnych próbek czasowych.

Testy przeprowadzono głównie na sieciach o następującej formie ciągu wejściowego:

$$\begin{bmatrix} miesiac \\ dzien \\ \begin{matrix} \text{godzina} \\ \text{minuta} \\ \begin{matrix} y(t - 1) \\ y(t - 2) \\ \begin{matrix} y(t - 3) \\ y(t - 4) \\ \begin{matrix} y(t - 5) \\ y(t - 6) \\ \begin{matrix} y(t - 7) \\ y(t - 8) \\ y(t - 9) \\ \end{matrix} \\ \end{matrix} \\ \end{matrix} \\ \end{matrix} \\ \end{matrix} \\ \end{bmatrix}$$

oraz o następującej formie ciągu wyjściowego:

$$\begin{bmatrix} y(t) \\ y(t + 1) \\ \begin{matrix} y(t + 2) \\ y(t + 3) \\ y(t + 4) \\ \end{matrix} \\ \end{bmatrix}$$

W celach porównawczych przeprowadzono również testy na sieciach które na wejściu pobierały próbki do y(t − 287), oraz dawały na wyjściu prognozę do y(t + 143).

Ocena jakości prognozy

Oceny prognozy dokonano na dwa główne sposoby. Pierwszym była wartość błędu średniokwadratowego. Błąd ten obliczany był przez narzędzie programu Matlab do uczenia sieci. Następnie na wejście sieci podawany był ciąg próbek z okresu rocznego jednak z zupełnie innym zaszumieniem. Ostatnią wartość błędu średniokwadratowego pobrano po podaniu na wejście sieci próbek z okresu od marca do kwietnia jednak bez uwzględniania wpływu pory roku. Ciąg taki ma bardzo podobny charakter do ciągu uczącego jednak ma też jedną bardzo istotną różnicę.

Drugim wyznacznikiem jakości było sprawdzenie jak daleko można przewidywać z pomocą sieci neuronowej, dysponując jedynie jednym zestawem danych wejściowych. Badania sieci przeprowadzone zostały na okresie od stycznia do marca z uwzględnieniem zmienności sezonowej. Na wejście sieci podany został jeden zestaw danych faktycznych. Następnie na wejście podawany był prognozowany wynik. Co oczywiste, takie zachowanie powoduje akumulację błędów, jednak badanie miało na celu sprawdzenie jak długo można utrzymać błąd prognozy w zakresie dopuszczalnym. Błąd obliczany był jako wartość bezwzględna z odpowiadających sobie próbek, a następnie wyrażany był jako wartość procentowa w stosunku do średniej wartości próbek docelowych.

Badania błędu średniokwadratowego

Badania te przeprowadzono dla sieci o 5, 15, i 25 neuronach w warstwie ukrytej oraz 13 wejściach i 5 wyjściach. Sieć ta dalej nazywana będzie małą siecią. Przeprowadzono również badania dla sieci o 25, 100 i 200 neuronach w warstwie ukrytej oraz 291 wejściach i 144 wyjściach. Sieć ta dalej nazywana będzie dużą siecią. Program Matlab w czasie uczenia dzieli ciąg testowy losowo na trzy podciągi: ciąg uczący, testujący i walidujący. Służy to zapobieganiu przeuczeniu sieci, czyli zjawisku w którym sieć traci możliwość generalizacji i jest w stanie rozpoznawać tylko ciąg uczący.

• Mała sieć o 5 neuronach w warstwie ukrytej

Rysunek 2.6 Błąd średniokwadratowy po uczeniu

Rysunek 2.7 Błąd średniokwadratowy po podaniu próbek z okresu roku z innym zaszumieniem

Rysunek 2.8 Błąd średniokwadratowy po podaniu próbek bez uwzględniania zmienności sezonowej

Sieć ta, mimo małych rozmiarów, całkiem nieźle poradziła sobie z prognozą. Błąd średniokwadratowy wynosi około 10% wartości minimalnej z szeregu. Dodatkowo warto zauważyć że błąd dla ciągu bez zmienności sezonowej, nie różni się znacznie od pozostałych błędów.

• Mała sieć o 15 neuronach w warstwie ukrytej

Rysunek 2.9 Błąd średniokwadratowy po uczeniu

Rysunek 2.10 Błąd średniokwadratowy po podaniu próbek z okresu roku z innym zaszumieniem

Rysunek 2.11 Błąd średniokwadratowy po podaniu próbek bez uwzględniania zmienności sezonowej

Na tym przykładzie wyraźnie widać, że wzrost liczby neuronów w warstwie ukrytej poprawia wyniki uczenia oraz testu na ciągu bardzo zbliżonym do uczącego, jednak powoduje również znacznie większą specjalizację sieci przez co ciąg bez zmienności sezonowej jest już rozpoznawany źle.

• Mała sieć o 25 neuronach w warstwie ukrytej

Rysunek 2.12 Błąd średniokwadratowy po uczeniu

Rysunek 2.13 Błąd średniokwadratowy po podaniu próbek z okresu roku z innym zaszumieniem

Rysunek 2.14 Błąd średniokwadratowy po podaniu próbek bez uwzględniania zmienności sezonowej

Dalsze zwiększanie rozmiarów sieci nie wnosi już żadnej istotnej poprawy.

• Duża sieć o 25 neuronach w warstwie ukrytej

Rysunek 2.15 Błąd średniokwadratowy po uczeniu

Rysunek 2.16 Błąd średniokwadratowy po podaniu próbek z okresu roku z innym zaszumieniem

Rysunek 2.17 Błąd średniokwadratowy po podaniu próbek bez uwzględniania zmienności sezonowej

Znaczne zwiększenie ilości wejść oraz wyjść spowodowało zwiększenie błędu średniokwadratowego.

• Duża sieć o 100 neuronach w warstwie ukrytej

Rysunek 2.18 Błąd średniokwadratowy po uczeniu

Rysunek 2.19 Błąd średniokwadratowy po podaniu próbek z okresu roku z innym zaszumieniem

Rysunek 2.20 Błąd średniokwadratowy po podaniu próbek bez uwzględniania zmienności sezonowej

Ponownie można zauważyć iż zwiększenie ilości neuronów w warstwie ukrytej powoduje zmniejszenie błędu średniokwadratowego. Dodatkowo sieć o większej ilości wejść oraz wyjść jest bardziej odporna na przeuczenie.

• Duża sieć o 200 neuronach w warstwie ukrytej

Rysunek 2.21 Błąd średniokwadratowy po uczeniu

Rysunek 2.22 Błąd średniokwadratowy po podaniu próbek z okresu roku z innym zaszumieniem

Rysunek 2.23 Błąd średniokwadratowy po podaniu próbek bez uwzględniania zmienności sezonowej

W tym przypadku błąd średniokwadratowy wręcz wzrósł, jednak może to wynikać z pewnej niedeterministyczności zawartej w metodzie uczącej sieć.

Badania długości prognozy z prognozy

Badania te przeprowadzono dla dużej sieci 25 i 200 neuronów.

1. Duża sieć o 25 i 200 neuronach w warstwie ukrytej

Rysunek 2.21 Błąd bezwzględny wyrażony procentowo w stosunku do wartości średniej

Rysunek 2.22 Błąd bezwzględny wyrażony procentowo w stosunku do wartości średniej

Podsumowanie

W ramach projektu z powodzeniem wykonano generator przykładowego szeregu czasowego, imitującego zużycie energii. W generatorze uwzględniono zmienność dobową wraz ze skokiem zapotrzebowania w godzinach popołudniowych, zmienność roczną, oraz zakłócenia. Generator ten posłużył do uczenia i testowania założonych sieci neuronowych.

Dodatkowo przetestowano sieć na problem prognozowania z prognozy, i określony optymalny punkt dla którego osiągamy błąd zakłócający pożądaną informację.

Badania przeprowadzane w ramach projektu, tworzą gotowy model pozwalający na prognozowanie zużycia energii na obiektach wykorzystujących analizatory/liczniki energii elektrycznej.

Prognoza zużycia pozwoli w przyszłości uniknąć dodatkowych kosztów związanych z założonym planem, oraz w prostszy sposób dopasować budynek do pozyskiwania energii z odnawialnych źródeł energii.

Bibliografia

W pracy wykorzystano badania przeprowadzone w ramach projektu wykonywanego w zakresie przedmiotu „Obliczenia neuronowe”, oraz pracy magisterskiej.