- •Глава 3. Характеристика основных типов статистических прогнозирующих математических моделей
- •3.1. Регрессионные статистические модели временных рядов (ar-, ari-, arx-, armax-, arma-, arima-, arimax- модели процессов)
- •3.2. Модели экспоненциального сглаживания Брауна, взвешенного среднего, Холта – Уинтерса и подобные
- •3.3. Спектральные статистические модели (канонические разложения, разложение Карунена – Лоэва, модели компонентного и факторного анализов)
- •3.4. Обобщенный фильтр Винера (метод прогнозирования Заде – Рагаззини)
- •3.5. Прогнозирующий фильтр Калмана (фильтр Калмана – Бьюси)
- •3.6. Модель многомерной (векторной) регрессии
- •3.7. Модели кластерного анализа и теории распознавания образов
- •Литература к главе 3
- •Глава 4. Характеристика основных типов детерминированных прогнозирующих математических моделей
- •4.1. Формулировка условия для эффективного применения детерминированного подхода решения проблемы прогнозирования
- •4.2. Характеристика основных типов детерминированных прогнозирующих математических моделей
- •4.2.1. Составляющие детерминированных временных рядов
- •4.2.2. Полиномиальные модели
- •4.2.3. Конечные гармонические ряды Фурье
- •4.2.4. Детерминированные модели спектрального разложения по ортогональным функциям, декомпозиционный метод моделирования
- •4.2.5. Нейросетевая модель и модели на основе нечетких множеств
- •4.2.6. Модели процессов на основе метода группового учета аргумента (мгуа)
- •4.2.7. Модели на основе алгебраических регрессионных зависимостей
- •4.2.8. Метод сингулярного спектрального анализа (метод Caterpillar или «гусеницы»)
- •Заключение
- •Литература к главе 4
- •Глава 5. Характеристика основных типов комбинированных вероятностно-детерминированных прогнозирующих математических моделей процессов
- •5.1. Комбинированные вероятностно-детерминированные модели
- •5.2. Характеристика основных типов комбинированных вероятностно-детерминированных математических моделей
- •5.3. Выводы по анализу прогнозирующих математических моделей процессов
- •Литература к главе 5
3.5. Прогнозирующий фильтр Калмана (фильтр Калмана – Бьюси)
В настоящее время все шире начинают применяться при моделировании и прогнозировании графиков нагрузки методы и модели адаптивной цифровой фильтрации, модели оценивания состояния, в частности, фильтрация Калмана [1, 2, 4, 15, 19, 63].
Алгоритм оптимальной фильтрации (идентификации) для динамической системы электропотребления представляет собой рекуррентную реализацию алгоритма МНК, оценивания вектора параметров модели по имеющейся предыстории (дискретный оптимальный фильтр Калмана-Бьюси). Рекуррентные алгоритмы позволяют адаптивно с минимальными вычислительными затратами обновлять параметры модели. Общий вид модели прогнозирующего фильтра Калмана может быть представлен [1, 5, 9, 14, 15] как:
(3.25)
,
, (3.26)
где
– вектор измерений входных
и выходных
величин (векторов) процесса в j – 1
момент времени;
– значение i-го выходного параметра
процесса в j-й момент времени;
– ошибка оценивания параметра
,
случайная стационарная величина,
распределенная по нормальному закону.
Моделируемое значение
может представлять как остаточную
составляющую
графика нагрузки или непосредственно
весь график нагрузки
.
В качестве выходной величины в (3.26) могут рассматриваться либо значение электропотребления в j-й интервал времени в отдельном i-ом узле сети [1], либо точка j-го суточного графика нагрузки в i-й момент времени [2, 4, 5, 8].
В развернутой форме последнее рекуррентное выражение (3.25) записывают в виде [1, 5, 9, 14, 15]:
(3.27)
,
где
– корреляционная матрица ошибок
оценивания
параметров модели;
– начальная оценка корреляционной
матрицы
,
обеспечивающая монотонный характер
сходимости оценок параметров к истинным
значениям.
Данная рекуррентная
модель Калмана, представленная в форме
алгоритма оптимальной фильтрации
(3.25), (3.26) имеет ряд существенных недостатков
[9, 64, 65]. В частности, алгоритм
рекуррентной идентификации является
не асимптотически устойчивым по Ляпунову,
это означает, что он становится
неустойчивым при постоянстве измеренных
сигналов
,
т.е. при неинформативных измерениях
происходит накопление ошибок оценки
параметров модели. Это обстоятельство
определяет только эпизодическое
применение данного алгоритма при
возникновении в объекте динамических
режимов.
Еще одна трудность, возникающая при практическом использовании оптимальных фильтров (3.26), состоит в проблеме расходимости фильтра. Основными причинами потери устойчивости фильтра, являются потеря положительной определенности корреляционной матрицы вследствие вычислительных ошибок, либо нестационарность или нелинейность моделируемого объекта, когда параметры уравнения движения объекта априори неизвестны или известны с малой точностью.
Перечисленные проблемы оптимальной фильтрации характерны и для процессов в энергетических системах [1, 2, 5]. Определение параметров фильтра требует оценки статистических характеристик моделируемого сигнала и помехи. Кроме того, полагают, что эти характеристики неизменны для моделируемого процесса (что не всегда верно). Учет изменчивости характеристик процесса и устранение эффекта “расходимости” увеличивает число вычислений [5, 64, 65], во время идентификации и требует итерационной настройки фильтра. Это, в свою очередь, в некоторых случаях приводит к расходимости фильтра вследствие ошибок вычислений.
Другая особенность прогнозирующего фильтра Калмана (3.25) – (3.27) состоит в том, что при моделировании процесса электропотребления не реализуется концепция многомерного моделирования графиков нагрузки. В выражениях фильтра Калмана, если скалярная величина представляет значение процесса в j-й интервал времени в отдельном i-м узле сети, то реализуется моделирование и прогнозирование «продольного среза» изменения потребления в одном из узлов во времени, причем в модели не учитывается «поперечная» зависимость отдельных потребителей (узлов) сети. Если же скалярная величина представляет собой точку j-го суточного графика нагрузки в i-й момент времени, то при ее прогнозировании учитывается «поперечное» изменение нагрузки внутри суток, но не учитывается «продольная» зависимость изменения этой i-й точки от графика к графику.
В работе [66] фильтр Калмана сравнивается с ARIMA-моделью (в обобщенном виде (3.5) при прогнозировании процесса и показано, что результаты прогнозирования очень близки между собой, это позволяет говорить о взаимозаменяемости моделей. Кроме того, показано [79], что калмановская фильтрация повышает точность прогнозирования при использовании ее совместно с моделями типа экспоненциального сглаживания.
Все вышесказанное ограничивает применимость фильтра Калмана при прогнозировании нагрузки. Основное применение оптимальных фильтров рассмотренного типа – это выделение и моделирование полезного сигнала на уровне шумов (в том числе оценивание состояния в различных точках электрической сети в реальном масштабе времени [2, 5], первичная обработка быстроизменяющейся информации и т.п. [19, 65]), при этом процессы линейные и имеют гауссовский характер [65] с известными характеристиками, а входные возмущения и шумы не коррелированы между собой.
