Содержание к диссертации
Введение
Глава 1 Задачи краткосрочного прогнозирования электрической нагрузки на современном этапе развития электроэнергетики 12
1.1 Задача учёта и контроля электрической энергии 12
1.2 Статистические исследования электрических нагрузок 27
1.3 Повышение эффективности прогноза за счёт внедрения интеллектуальных информационных технологий для решения задачи прогнозирования 29
1.4 Актуальность задачи прогнозирования в условиях рынка электрической энергии 36
1.5 Выводы 43
Глава 2 Модели и методы прогнозирования электрической нагрузки 44
2.1 Постановка задачи прогнозирования 44
2.2 Цели использования и особенности реализации методов прогнозирования 45
2.3 Обзор традиционных методов прогнозирования 55
2.4 Методы обучения нейронных сетей и анализ нейросетевого прогнозирования 65
2.5 Выбор нейросетевого алгоритма для решения задачи краткосрочного прогнозирования электрической нагрузки 83
Глава 3 Исследование нейросетевого алгоритма прогнозирования электрической нагрузки 89
3.1 Постановка задачи прогнозирования 89
3.2 Анализ развития промышленных предприятий 91
3.3 Предлагаемая методология прогнозирования электрической нагрузки с помощью интеллектуальных информационных технологий 98
3.4 Описание нейросетевого алгоритма прогнозирования электрической нагрузки 103
3.5 Практическая реализация задачи прогнозирования электрической нагрузки 107
Глава 4 Модель авторегрессии и проинтегрированного скользящего среднего для прогнозирования электрической нагрузки 126
4.1 Постановка задачи 126
4.2 Построение модели авторегрессии и проинтегрированного скользящего среднего при краткосрочном прогнозировании нагрузки 127
4.3 Модель ARIMA для машиностроительного завода 132
4.4 Модель ARIMA для газонефтеперерабатывающего завода 141
4.5 Сравнительный анализ и обсуждение результатов расчёта 145
Глава 5 Сравнение эффективности нейросетевых методов прогнозирования электрической нагрузки промышленных предприятий 148
5.1 Постановка задачи 14 8
5.2 Сравнительный анализ алгоритмов обучения многослойных персептро-нов 149
5.3 Определение минимально достаточного периода предистории для задачи краткосрочного прогнозирования 162
5.4 Краткосрочное прогнозирование электрической нагрузки с учётом изменяющейся топологии электрической сети 164
5.5 Выводы 166
Заключение 169
- Статистические исследования электрических нагрузок
- Цели использования и особенности реализации методов прогнозирования
- Анализ развития промышленных предприятий
- Построение модели авторегрессии и проинтегрированного скользящего среднего при краткосрочном прогнозировании нагрузки
Введение к работе
Актуальность темы
Одной из основных частей любого проекта электроснабжения промышленных предприятий является определение ожидаемых электрических нагрузок. Именно нагрузки определяют необходимые технические характеристики элементов электрических сетей - сечения и марки проводников и токопроводов, мощности и типы трансформаторов. Преувеличение ожидаемых нагрузок приводит к перерасходу проводов и кабелей и неоправданному омертвлению средств, вложенных в избыточную стоимость мощность трансформаторов, преуменьшение - к излишним потерям в сетях, перегреву проводников и трансформаторов, повышенному тепловому износу и. сокращению нормального срока их «жизни».
В обоих случаях приведённые затраты, которые являются критерием экономичности принимаемых проектных решений, а также себестоимости передачи электроэнергии возрастают. Точное определение электрических нагрузок обеспечивает правильный выбор и экономичную работу средств компенсации реактивной мощности и устройств регулирования напряжения, а также релейной защиты и автоматики.
Проблемам изучения закономерностей и изменения электрической нагрузки во времени, прогнозированию электрических нагрузок в процессе планирования электрическими режимами электроэнергетических систем (ЭЭС) посвящено большое количество работ. Большой вклад в изучение этих вопросов внесли Д.А. Арзамасцев, А.А. Бесчинский, А.З. Гамм, П.И. Головкин, Ю.М. Коган, И.Н. Колосок, Б.И. Кудрин, В.З. Ману сов, A.M. Меламед, Л. А. Мелентьев, А.С. Некрасов, В.Ф. Тимченко, С.А. Совалов, Т.А. Филиппова, Г.П. Шумилова, D. Neubor, R. L. King и др.
Прогнозирование нагрузки относится к такому классу задач, где зависимость между входными и выходными переменными сложна, а нахождение закономерностей в больших объёмах данных требует нетривиальных алгоритмов и занимает много времени. На настоящий момент спектр методик прогнозирования достаточно широк. Однако сегодня все большее распространение получают интеллектуальные информационные технологии (ИИТ), связанные с использованием искусственных нейронных сетей (ИНС).
Нейронные сети являются перспективной альтернативой традиционным методам решения нелинейных задач прогнозирования временных рядов (ВР). Эффективность применения нейросетевых алгоритмов для решения задач прогнозирования обусловлено следующими причинами: реализации простой, но достаточно эффективной схемы вычислений; возможности применения, как при непрерывном, так и при дискретном характере переменных.
Применение ИНС обусловлено тем, что нейронные сети позволяют воспроизводить чрезвычайно сложные зависимости, которые сопутствуют плохо формализованным задачам. А также предпочтение их традиционным моделям обусловлено тем, что не требуется построения модели объекта, не теряется работоспособность при неполной входной информации.
По сравнению с линейными методами статистики (линейная регрессия, авторегрессия, линейный дискриминант) нейронные сети позволяют эффективно строить нелинейные зависимости, более точно описывающие наборы данных.
Наиболее ценное свойство нейронных сетей - способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности зависимостей между входными и выходными данными.
Прогнозирование режимных параметров и технико-экономических показателей является одной из-важных задач, как при планировании, так и при ведении текущих режимов ЭЭС. Создание условий для свободной конкуренции на оптовом рынке электроэнергии является частью комплекса мероприятий, проводимых в рамках реформирования отрасли, и направлено на выработку нового механизма образования цен на электрическую энергию, отражающего баланс интересов производителей и потребителей электроэнергии. Цена ошибок прогнозирования и планирования становится всё более высокой. Оценочные расчеты, проводимые для энергообъединения России с уровнем месячного потребления около 1500 млн. кВт-ч, показали, что улучшение качества прогнозирования только месячного потребления на 0,1% способно в настоящих условиях снизить затраты на оплату отклонений от плана по поставкам электроэнергии на 3-5 млн. рублей в год. Еще больший эффект приносит уточнение краткосрочного и оперативного прогноза графиков потребления мощности.
График нагрузки каждого предприятия формируется под влиянием большого количества различных факторов, полный учёт которых невозможен вследствие техноценологических свойств предприятия. Кроме того, всегда существуют отклонения от запланированного режима ведения технологического процесса, что заставляет руководствоваться не только планированием, но и прогнозированием электропотребления предприятия.
В условиях современного энергорынка для крупных предприятий, важное значение, имеет создание системы прогнозирования почасового потребления электрической энергии в операционные сутки, позволяющей минимизировать отклонения потребляемой от заявленной на рынке на сутки вперед мощности. Разработанные ранее методы прогнозирования были ориентированы на стационарные условия развития экономических процессов.
Таким образом, актуальным является совершенствование методов анализа и прогнозирования электрической мощности на основе искусственных нейронных сетей, а так же минимизация ошибки прогнозирования при использовании небольшого объема ретроспективной информации.
Цель и задачи работы
Целью диссертационной работы является разработка моделей расчёта краткосрочного (до двух суток вперед) прогнозирования электрической нагрузки предприятий различных отраслей промышленности с применением искусственных нейронных сетей, а так же оценка возможности применения методов искусственных нейронных сетей для снижения погрешности планирования технико-экономических показателей в условиях современного энергорынка. На основе методов искусственного интеллекта возможно предсказание более точного значения переменных, важных в процессе принятия решений. Эти методы анализируют ретроспективные исторические данные о переменной с целью оценить ее будущее изменение.
Для достижения поставленной цели решены следующие задачи исследования:
- создана информационная база ретроспективных данных электрической нагрузки двух промышленных предприятий различных по потребляемой мощности, по значениям температуры окружающего воздуха региона с учётом типа дня и номера рассматриваемого временного интервала в сутках;
- проведен анализ степени влияния погодных условий и типа дня на точность краткосрочного прогнозирования электрической нагрузки;
- выбраны и адаптированы прогностические аппараты традиционного вероятностно-статистического метода прогнозирования и методов ИНС для обеспечения необходимой точности и устойчивости прогноза;
- разработаны математические модели краткосрочного прогнозирования электрической нагрузки, основанные на нейросетевом анализе с учётом зависимости электрической нагрузки от ряда факторов;
- показана эффективность применения нейронных сетей на уменьшение ошибки прогноза электрической нагрузки с учётом выхода на оптовый рынок;
- выполнен сравнительный анализ методов нейросетевых алгоритмов и математической статистики при решении задач прогнозирования электрической нагрузки для необходимости постоянного поддержания электрического баланса - точного соответствия генерирующих мощностей уровню потребления. Методы исследований
При решении поставленных задач были использованы теоретически обоснованные методы математического моделирования и прогнозирования временных рядов, теория искусственных нейронных сетей, математические пакеты STATISTIC А и STATISTIC A Neural Networks.
Научная новизна
Научная новизна работы заключается в том, что впервые:
1 Разработана структура базы данных электрической нагрузки для использования нейросетевого моделирования при краткосрочном прогнозировании нагрузки промышленных предприятий и обоснован необходимый минимум периода предистории по часовым и суточным расходам мощности.
2 Дано обоснование применения определенного класса интеллектуальных информационных технологий в виде нейросетевых методов для прогнозирования краткосрочного потребления электрической нагрузки, отличающихся различными компонентами исходной информации, такими как электрическая нагрузка (P(t)), температура (7), рабочие и праздничные (выходные) дни (D) и учёт изменяющейся топологии электрической сети, для обеспечения более высокой точности прогнозирования.
3 Выявлен значимый параметр модели авторегрессии и проинтегрированного скользящего среднего, влияющий на величину ошибки краткосрочного прогнозирования электрической нагрузки.
4 Разработаны и исследованы нейросетевые модели различной архитектуры, функций активации и алгоритмов обучения искусственных нейронных сетей, позволяющие улучшить качество прогноза за счёт снижения ошибки краткосрочного прогнозирования электрической нагрузки промышленных предприятий.
Достоверность результатов
Достоверность полученных результатов и выводов подтверждается сопоставлением результатов анализа и прогнозирования электрической нагрузки с традиционным методом, к которому относится модель авторегрессии и проинтегрированного скользящего среднего и достаточно хорошим совпадением с реальными данными.
Практическая значимость
Выполненный анализ, а также разработанные модели исследования электрической нагрузки предприятия с использованием неиросетевых моделей для цели краткосрочного прогнозирования нагрузки промышленных предприятий могут использоваться в городских электрических сетях, проектных и исследовательских организациях.
Предложенные модели нейросетевого прогноза являются более эффективными при прогнозе параметров электропотребления по сравнению с моделью авторегрессии и проинтегрированного скользящего среднего.
Исследовано влияние погодных условий, типа дня и учёт изменяющейся топологии электрической сети на точность краткосрочного прогнозирования электрической нагрузки.
На защиту выносится следующие положения:
1 Основные принципы формирования ретроспективных данных почасового и суточного электропотребления в форме временных рядов вместе с атрибутами, влияющими на качество прогноза.
2 Обоснование использования неиросетевых моделей в форме многослойного персептрона, включая выбор оптимальной архитектуры нейронной сети, функции активации и метода обучения.
3 Методика прогнозирования основанная на модели авторегрессии и проинтегрированного скользящего среднего с выявлением более значимого параметра.
4 Результаты прогнозирования максимумов электрической нагрузки предприятия и суточных графиков для трёх сменных и односменных технологических производств.
5 Результаты влияния изменения топологии электрической сети на качество прогнозирования электрической нагрузки. Апробация работы
Основные положения и научные результаты диссертационной работы докладывались и обсуждались на региональной научной конференции «Наука, техника, инновации НТИ-2002» (Новосибирск, 2002); научной студенческой конференции «Дни науки НГТУ-2003» (Новосибирск, 2003); на девятой международной научно-практической конференции «Современные техника и технологии» (Томск, 2003); международной научно-технической конференции «Электроэнергетика, электротехнические системы и комплексы» (Томск, 2003); на 10-ой, 11-ой, 13-ой всероссийской научно-технической конференции «Энергетика: Экология, надёжность, безопасность» (Томск, 2004, 2005, 2007); на второй всероссийской научно-технической конференции «Энергосистема: управление, качество, конкуренция» (Екатеринбург, 2004); всероссийской научной конференции «Наука, технологии, инновации НТИ-2006» (Новосибирск, 2006); всероссийской научно-технической конференции «Электроэнергия: от получения и распределения до эффективного использования» (Томск, 2006, 2008).
Публикации
Основное содержание диссертации опубликовано в четырнадцати печатных работах, в том числе в одной статье периодического издания по перечню ВАК.
Структура и объем работы
Диссертация состоит из введения, 5 глав, заключения, списка литературы и приложения. Общий объём 185 страниц текста. Основной материал изложен на 170 страницах текста, иллюстрирован 62 рисунками, содержит 32 таблицы. Список литературы включает 98 наименований.
Статистические исследования электрических нагрузок
Исследования электрических нагрузок, проводимые для решения тех или иных инженерных задач, всегда связаны с необходимостью статистического анализа натуральных графиков, т.е. графиков нагрузок действующих потребителей, записанных каким-либо способом за определенные циклы времени.
Существуют два основных, принципиально отличающихся метода регистрации электрических нагрузок: 1 Запись процесса изменения нагрузки в его действительном виде, реализуемая самопишущими приборами. 2 Регистрация информации, предварительно обработанной в целях её уплотнения. Этот метод состоит в периодической записи определенных характеристик изучаемого процесса на последовательных интервалах времени. Так как при анализе графиков электрических нагрузок в качестве этих характеристик используются обычно средние или среднеквадратические значения нагрузок, то эти интервалы принять называть интервалами осреднения. Величина интервалов осреднения определяет степень приближения записанной информации к реальному графику электрической нагрузки. В большинстве случаев эта информация записывается в виде ряда средних значений процесса изменения нагрузки на последовательных интервалах его осреднения величиной 15, 30 или 60 минут. При этом средние значения нагрузок изменяются счетчиками электрической энергии, которые являются интегрирующими приборами.
Выбор метода записи графика электрических нагрузок в каждом отдельном случае должен производиться в соответствии с решаемой задачей. Для анализа режима электропотребления за длительные циклы времени, связанных с необходимостью получения больших объемов информации, наиболее целесообразным признан второй метод, т.к. он обеспечивает удобную с точки зрения обработки информации запись непрерывных графиков нагрузок в виде последовательного ряда усредненных значений.
Проблема получения информации о процессах изменения нагрузок в течение длительного времени, помимо решения задач выборочного статистического исследования нагрузок, в последние годы приняла ряд новых аспектов, связанных с развитием энергетики и программных комплексов.
Интенсивный рост электропотребления по отраслям, вызван необходимостью контроля за режимом электропотребления потребителей со стороны энергосистем. Этот контроль заключается в стимулировании потребителей с помощью тарифных скидок или штрафов к увеличению равномерности их графиков нагрузок, что в свою очередь связано с необходимостью постоянной регистрации процессов изменения нагрузок в течение всего времени работы потребителей.
Обработка зарегистрированной информации в целях вычисления тарифных скидок или штрафов должна производиться, очевидно, с применением новейших информационных технологий.
В последнее время решение задач оптимизации и управления большими системами в энергетике все теснее связываются с разработкой автоматизированных систем управления (АСУ) энергосистемами. Эффективная реализация таких АСУ возможна лишь при решении проблемы непрерывного получения необходимой информации о функционировании энергосистемы, которая включает информацию о режимах изменения нагрузок потребителей.
Одно из решений задачи сбора информации об электрических нагрузках с последующей обработкой возможно на основе использования АИИС КУЭ. Автоматизированная система создана для работы энергосистемы по более ровному графику нагрузок. Система предназначена для сбора, обработки, хранения и передачи данных о потребляемой электрической энергии в центр сбора информации. АИИС КУЭ позволит вести оперативный контроль за генерацией, передачей, распределением и потреблением электроэнергии. Ее внедрение дает возможность применять гибкие тарифные системы в условиях рынка энергии для выявления технических и коммерческих потерь.
Интеллектуальные технологии - один из последних этапов развития аналитических технологий. Аналитическими технологиями называют методики, которые на основе каких-либо моделей, алгоритмов, математических теорем позволяют по известным данным оценить значения неизвестных характеристик и параметров.
Аналитические технологии нужны в первую очередь людям, принимающим важные решения - руководителям, аналитикам, экспертам, консультантам. Доход компании в большой степени определяется качеством этих решений - точностью прогнозов, оптимальностью выбранных стратегий. Наиболее распространенные аналитические технологии используются для решения следующих задач: для прогнозирования курсов валют, цен на сырье, спроса, дохода компании, уровня безработицы, числа страховых случаев, и для оптимизации расписаний, маршрутов, плана закупок, плана инвестиций, стратегии развития. Как правило, для реальных задач бизнеса и производства не существует четких алгоритмов решения. Раньше руководители и эксперты решали такие задачи только на основе личного опыта, а с помощью современных аналитических технологий строятся системы, позволяющие существенно повысить эффективность решений.
Наиболее ранние традиционные технологии — это детерминированные технологии. Аналитические технологии типа теоремы Пифагора используются человеком уже много веков. За это время было создано огромное количество формул, теорем и алгоритмов для решения классических задач - определения объемов, решения систем линейных уравнений, поиска корней многочленов. Разработаны сложные и эффективные методы для решения задач оптимального управления, решения дифференциальных уравнений и т.д. Все эти методы действуют по одной и той же схеме. Для того, чтобы алгоритм был применим, необходимо, чтобы данная задача полностью описывалась определенной детерминированной моделью, в таком случае алгоритм дает точный ответ.
Параметры вероятностных моделей - это распределения случайных величин, их средние значения, дисперсии и т.д. Как правило, эти параметры изначально неизвестны, а для их оценки используются статистические методы, применяемые к выборкам наблюдаемых значений (историческим данным). Но такого рода методы также предполагают, что известна некоторая вероятностная модель задачи.
К сожалению, классические методики оказываются малоэффективными во многих практических задачах. Это связано с тем, что невозможно достаточно полно описать реальность с помощью небольшого числа параметров модели, либо расчет модели требует слишком много времени и вычислительных ресурсов.
Цели использования и особенности реализации методов прогнозирования
Прогнозирование - это ключевой момент при принятии решений. Конечная эффективность любого решения зависит от последовательности событий, возникающих уже после принятия решения. Возможность предсказать неуправляемые аспекты этих событий перед принятием решения позволяет сделать наилучший выбор, который, в противном случае, мог бы быть не таким удачным [64].
Целью прогнозирования является уменьшение риска при принятии решений. Прогноз обычно получается ошибочным, но ошибка зависит от используемой прогнозирующей системы. Предоставляя прогнозу больше ресурсов, мы можем увеличить точность прогноза и уменьшить убытки, связанные с неопределенностью при принятии решений.
Поскольку прогнозирование никогда не сможет полностью уничтожить риск при принятии решений, необходимо явно определять неточность прогноза. Обычно, принимаемое решение определяется результатами прогноза (при этом предполагается, что прогноз правильный) с учетом возможной ошибки прогнозирования.
Сказанное выше предполагает, что прогнозирующая система должна обеспечивать определение ошибки прогнозирования, также как и само прогнозирование. Такой подход значительно снижает риск объективно связанный с процессом принятия решений.
Необходимо отметить, что прогнозирование это не конечная цель. Прогнозирующая система это часть большой системы и как подсистема, она взаимодействует с другими компонентами системы, играя немалую роль в получаемом результате.
Для примерной классификации и анализа рассматриваемых методов прогнозирования можно использовать три важные характеристики. Методы оперативного прогнозирования можно разделить по следующим признакам: использование стандартных графиков нагрузки; учет метеорологической информации; использование мгновенных или интегрированных за определенный отрезок времени фактических значений нагрузки.
Стандартные графики нагрузки, называемые также базисными или эталонными, часто используются при прогнозировании. Средний за достаточно продолжительный интервал времени суточный график обычно принимается как типовой или стандартный. В течение данных суток вычисляются и адаптивно прогнозируются текущие отклонения фактических значений нагрузки от среднего графика. Эта концепция прогнозирования с готовностью принимается администрацией и оперативным персоналом энергоуправлений, поскольку их ежедневная озабоченность формой суточного графика нагрузки дает им глубокое понимание причин и характера каких-либо изменений в суточных графиках. С учетом возможностей использования субъективных знаний персонала, процедуры оперативного прогнозирования могут существенно, выигрывать за счет использования интерактивных средств; более того, возможна формализация учета субъективного опыта при прогнозировании нагрузки. Концепция типовых графиков допускает участие оперативного персонала в прогнозировании нагрузки, и это важнейшая причина ее популярности. Существуют различные способы построения стандартных графиков нагрузки. Влияние метеорологических факторов на потребление электроэнергии исследуется в ряде работ. К примеру, в одной из работ основными факторами, влияющими на нагрузку в краткосрочном диапазоне, в Великобритании считаются температура (с различной инерционностью), скорость ветра и эффективная освещенность (функция облачности, видимости и наличия осадков). В других странах, в частности таких, где в составе электрической нагрузки велика доля кондиционеров воздуха, важное значение может иметь дополнительный фактор - относительная влажность воздуха. Модели, учитывающие влияние метеофакторов, необходимы для прогнозирования нагрузки с упреждением несколько часов и более для. решения задач планирования оптимальных суточных режимов энергосистем и выбора состава генерирующего оборудования. Их применение в рассматриваемом оперативном диапазоне связано с определенными ограничениями, обусловленными несколькими причинами. Во-первых, для оперативного использования метеорологических данных в прогнозирующих системах реального времени, требуется надежная регистрация метеорологических параметров, а также регулярное поступление прогнозов погоды от метеорологической службы. Кроме того, для достижения требуемой надежности оперативных расчетов в этом случае необходимы специальные средства обеспечения работы системы в случае отсутствия этих данных. Во-вторых, предполагается, что в краткосрочном диапазоне одномерные адаптивные методы прогнозирования косвенным образом отслеживают большую часть изменений нагрузки, обусловленных колебаниями температуры, в связи с чем применение более сложных многомерных моделей не дает заметного увеличения точности прогнозирования.
Анализ развития промышленных предприятий
В связи с дефицитом мощности большое значение приобретает целенаправленное регулирование режимов электропотребления промышленных предприятий с целью выравнивания графиков нагрузки. Это можно осуществить: 1 экономическими методами с использованием многоставочных, дифференцированных по времени суток тарифов; 2 оперативным контролем за электропотреблением со стороны энергосистемы и потребителей; 3. непосредственным управлением нагрузкой предприятий для выравнивания графика.
Решение указанных задач возможно только при условии широкого внедрения на промышленных предприятиях АИИС КУЭ, позволяющих: повысить точность, оперативность и достоверность учета расхода электроэнергии и мощности; выполнять оперативный контроль за режимами электропотребления, в том числе контроль договорных величин электроэнергии и мощности; оперативно предъявлять санкции предприятиям за превышение договорных и разрешенных величин мощности. В структуре потребления ОАО "Новосибирскэнерго" свыше 60% составляют двухставочные потребители, в том числе 16 крупных предприятий, нагрузка каждого из которых превышает 40 МВт. Системы электропотребления этих предприятий имеют разветвленные электрические сети с собственными питающими подстанциями ПО, 220 кВ и большим числом распределительных подстанций, к которым кроме своих потребителей подключены десятки субабонентов. Расчетный учет большинства промышленных предприятий осуществляется на их собственных подстанциях. Установка коммерческих систем учета электроэнергии в этих условиях возможна только на подстанциях потребителей. Это позволяет персоналу предприятий использовать АИИС КУЭ и для оперативного контроля, и для регулирования режимов собственного энергопотребления.
Для оперативного контроля за соблюдением режимов на центральном диспетчерском пункте АО "Новосибирскэнерго" осуществляется прием 5- и 30-минутных значений мощности. На основании этих данных принимается решение об ограничении нагрузки предприятия. Для выставления штрафных санкций пункт сбора и обработки информации ежедневно проводит сбор 30-минутных значений мощности и представляет данную информацию службе контроля за отпуском энергии (СКОЭ) Энергосбыта. По окончании расчетного периода служба автоматизированного учета (САУ) Энергосбыта осуществляет ежемесячный сбор информации с систем учета и в виде утвержденных форм передает данные в СКОЭ. В отчетных формах приводится следующая информация: 1 показания счетных механизмов счетчиков на начало и окончание расчетного периода; 2 электропотребление по каждому расчетному счетчику; 3 суммарное электропотребление по абоненту, его субабонентам и узлу потребления как по активной, так и по реактивной энергии с учетом ночной и дневной зон суток; 4 максимальное значение мощности в часы максимума за расчетный период с указанием даты и времени их достижения по абоненту, его субабонентам и узлу потребления.
После анализа полученной информации СКОЭ передает данные в службы сбыта энергии ПЭС ОАО "Новосибирскэнерго".
Это дает не только экономический эффект, но и повышает ответственность потребителей за использование энергии, побуждает их проводить энергосберегающие мероприятия с целью сокращения энергопотребления.
Использование АИИС КУЭ позволяет энергосистеме осуществлять целенаправленное регулирование режимов электропотребления, существенно снижая при этом дефицит мощности в энергосистеме и более полно обеспечивая электроснабжение потребителей.
Иерархическая структура системы электроснабжения промышленного предприятия в общем случае имеет от трех уровней (при питании от КТП напряжением 0,4 кВ) до шести уровней (при питании от ГПП, ПГВ напряжением 110-220 кВ). На рисунке.3.1 показана упрощенная схема системы электроснабжения промышленного предприятия, имеющего 6 уровней (1УР-6УР). Элементы системы электроснабжения (трансформаторы ТП и ГПП, коммутационная и защитная аппаратура, сечения проводников сети) определяются расчетной нагрузкой по допустимому нагреву.
Построение модели авторегрессии и проинтегрированного скользящего среднего при краткосрочном прогнозировании нагрузки
Если рассматривать последовательность электрической нагрузки, то, очевидно, что будет иметь место повторяемость от времени суток (ночью, как правило, электричества расходуется меньше, днем - больше). Можно заметить и другие закономерности, зимой среднее потребление будет выше, чем летом, в выходные меньше, чем в будни. Это соответственно, сезонный и недельный периоды.
Можно привести еще одно соображение: скорее всего нагрузка в следующий час будет близка по величине к предыдущему часу, то есть, не будет резких разрывов в графике энергопотребления.
Таким образом, априорные знания приводят к мысли, что, имея определенный набор известных параметров, можно с той или иной точностью прогнозировать электрическую нагрузку на некоторое время вперед. Если будущие значения нагрузки сколько-нибудь предсказуемы, то они являются функцией от прошлых значений этой переменной. В данной части проведем анализ составляющих однофакторного стохастического процесса в контексте авторегрессионной интегрированной модели со скользящей средней.
Авторегрессионным называется процесс, при котором значение ряда находится в линейной зависимости от предыдущих значений. Если анализируемый динамический процесс зависит от значений, отстоящих от 1 до п временных лагов назад, то это авторегрессионный процесс порядка п, т.е. AR(n). Авторегрессионный процесс и процесс скользящей средней предполагают, что анализируемые данные являются стационарными. Интеграция означает, какого порядка разности должны быть рассчитаны для того, чтобы получить стационарный временной ряд. Здесь нахождение разностей всего лишь нахождение изменений значения переменной в последующие периоды.
Если во временном ряду должны быть рассчитаны разности первые, чтобы получить стационарный ряд, то первоначальный ряд называется интегрированным рядом первого порядка, или 1(1). Если же требуется рассчитать вторые разности для получения стационарного ряда, то это интегрированный ряд второго порядка, или 1(2). Если же ряду вообще не требуется вычислять разности, то он называется проинтегрированным рядом нулевого порядка, или 1(0).
Если ряд 1(0), то его дисперсия будет конечна. Изменения рассматриваемой переменной будут иметь только промежуточные влияния на временной ряд. Коэффициенты автокорреляции будут постепенно убывать таким образом, что их сумма станет конечной. И наоборот, если ряд 1(1), то изменения будут иметь постоянный эффект, дисперсия с течением времени будет возрастать до бесконечности.
В модели скользящей средней моделируемая величина задается линейной функцией от прошлых ошибок, то есть разностей между прошлыми смоделированными значениями и прошлыми фактическими наблюдениями.
Разработаны модели авторегрессии скользящей средней или ARMA (AutoRegressive Moving Average). Модель ARMA(pq) имеет р временных лагов в авторегрессионном процессе и q интервалов в модели скользящей средней.
Если перед применением ARMA необходимо определить разности уровней с целью получения стационарного ряда, то нужно будет знать порядок этих разностей. Таким образом, процесс ARIMA обладает тремя параметрами:/? - порядок авторегрессии, d — требуемый порядок предварительно определяемых разностей ид — порядок скользящей средней в модели.
Многие динамические процессы можно рассматривать как ARIMA -процессы. Данные могут иметь авторегрессионный компонент (AR). Ряд может обладать определенной степенью интегрирования: 1(1), 1(2) и даже 1(0). Наконец, может присутствовать компонент скользящей средней. Очень важно разбить временной ряд на эти три составляющие для того, чтобы определить структуру моделируемого процесса. Первая стадия — это расчет разности, чтобы получить стационарный ряд. Затем можно попытаться смоделировать стационарный ряд с помощью ARMA.
