Содержание к диссертации
Введение
ГЛАВА 1. Прогнозирование электропотребления 12
1.1. Общие положения 12
1.2. Актуальность прогнозирования электропотребления в условиях рынка электрической энергии 13
1.3. Задачи суточного планирования режимов ЭЭС 20
1.4. Общие подходы к построению прогнозной модели процесса электропотребления 23
1.5. Методы краткосрочного прогнозирования электропотребления 26
1.5.1. Обзор традиционных методов и средств краткосрочного прогнозирования потребления электроэнергии 26
1.5.2. Метод Сааренда в исследовании динамики электропотребления в региональной энергосистеме 32
1.5.3. Метод экспоненциального сглаживания линии тренда временного ряда в сочетании с методом индексов сезонности 39
1.6. Целесообразность использования искусственных нейронных сетей в системах прогнозирования 49
1.7. Выводы 52
ГЛАВА 2. Искусственные нейронные сети 53
2.1. Общие положения 53
2.2. Искусственные нейронные сети. Основные понятия и определения 58
2.3. Свойства систем, построенных на основе ИНС 61
2.4. Представление нейронных сетей с помощью ориентированных графов 63
2.5. Архитектура сетей 67
2.6. Представление знаний 68
2.7. Краткосрочное прогнозирование электропотребления ЭЭС с использованием ИНС 70
2.7.1. Общие замечания 70
2.7.2. Определение набора входных данных ИНС для краткосрочного прогнозирования электропотребления энергосистемы 75
2.7.3. Построение модели ИНС и определение неизвестных весовых коэффициентов выходного слоя сети методом интерполяции 80
2.7.4. Алгоритм обучения ИНС прямого распространения 86
2.8. Выводы 90
ГЛАВА 3. Описание зависимости электропотребления от температуры наружного воздуха 93
3.1. Общие замечания 93
3.2. Анализ статистических данных электропотребления и температуры наружного воздуха ЭЭС Самарской губернии за весенний и летний период года 96
3.3. Анализ статистических данных электропотребления и температуры наружного воздуха ЭЭС Самарской губернии за осенний и зимний период года 114
3.4. Методика учета температуры наружного воздуха в модели ИНС при прогнозировании электропотребления 132
3.5. Выводы 135
ГЛАВА 4. Методика, алгоритм и программный пакет расчета прогнозных значений электропотребления энергосистемы на основе ИНС 137
4.1. Общие замечания 137
4.2. Описание методики краткосрочного прогнозирования электропотребления на основе ИНС 138
4.3. Алгоритм и программа расчета прогнозных значений электропотребления ЭЭС методом на основе ИНС 141
4.4. Результаты работы модели ИНС и сравнение результатов прогнозирования с другими методами 147
4.5. Выводы... 158
Заключение 160
Список использованной литературы 162
- Методы краткосрочного прогнозирования электропотребления
- Представление нейронных сетей с помощью ориентированных графов
- Анализ статистических данных электропотребления и температуры наружного воздуха ЭЭС Самарской губернии за весенний и летний период года
- Описание методики краткосрочного прогнозирования электропотребления на основе ИНС
Введение к работе
Актуальность работы. В условиях становления рыночных отношений в электроэнергетике задача совершенствования методов краткосрочного прогнозирования электропотребления и создания соответствующего программного обеспечения для повышения точности планирования оптимальных режимов электроэнергетических систем (ЭЭС) является важной и актуальной. Повышение точности планирования предполагает обеспечение наиболее экономичной работы ЭЭС при рациональном расходовании энергоресурсов и удовлетворении требований надежности энергоснабжения и качества электроэнергии. Прогнозы нагрузки играют решающую роль при ценообразовании на электроэнергию на оптовом рынке электроэнергии и мощности и становятся все более важными как для ее производителей, так и для потребителей.
В условиях функционирования оптового рынка электроэнергии необходимость точного прогнозирования электропотребления обусловлена технологическими и экономическими причинами. Для ЭЭС повышение точности прогноза необходимо для поддержания оптимального плана генерации электроэнергии с точки зрения обеспечения минимума расхода энергоресурсов, недопущения перегрузки генерирующих мощностей и ухудшения качества электроэнергии. Энергосбытовые компании и гарантирующие поставщики осуществляют планирование потребления групп и отдельных потребителей. Генерирующие компании и электростанции участвуют в процессе планирования электропотребления, определяя расход электроэнергии на нужды эксплуатации электростанций. В данной ситуации необходим точный прогноз «на сутки вперед».
Точность прогнозирования напрямую зависит от методик расчета. Существует большое количество моделей и методов краткосрочного прогнозирования нагрузки. Становление и развитие методов математического моделирования, прогнозирования и планирования электропотребления связано с работами таких отечественных и зарубежных ученых: Аюев Б.И., Бартоломей П.И., Бердин А.С., Богданов В.А., Вагин В.П., Васильев И.Е., Веников В.А., Гордеев В.И., Гурский С.К., Калюжный А.С., Карпов В.В., Кудрин Б.И., Куренный Э.Г., Липес А.В., Меламед А.М., Макоклюев Б.И., Праховник А.В., Рабинович М.А., Степанов В.П., Тимченко В.Ф., Фокин Ю.А., Черныш Е.А., Bunn D.W., Farmer E.D., Ackerman G.B., Gupta P.C., Baker A.B. и других.
Качество прогноза во многом зависит от выбранной математической модели. Наибольшее распространение получили модели, разлагающие нагрузку на две составляющие: базовую (регулярную) и зависящую от погоды (нерегулярную). Однако, имеющиеся в эксплуатации методы краткосрочного прогнозирования электропотребления, не удовлетворяют в полной мере технологии их использования при управлении режимами. Основным недостатком существующих методов является необходимость построения модели на-
грузки и постоянное уточнение готовой модели. Другим недостатком этих методов является неточное установление соотношения между входными и выходными переменными, так как зависимости между ними нелинейные.
В последнее десятилетие с развитием теории искусственного интеллекта решение задачи прогнозирования нагрузки осуществляют с использованием моделей на основе искусственных нейронных сетей (ИНС). Большой вклад в развитие теории ИНС при прогнозировании электропотребления внесли работы следующих авторов: Манусова В.З., Седова А.В., Надтока И.И., Демура А.В., Кушнарева Ф.А., Шумиловой Г.П., Готман Н.Э., Старцевой Т.Б., Круглова В.В., Борисова В.В., Гордиенко Е.К., Лукьяница А.А., Харитонова Е.В. и других.
Наиболее точным и перспективным методом краткосрочного прогнозирования электропотребления в настоящее время является метод с использованием ИНС, позволяющий производить учет метеофакторов.
Цель работы – разработка модели краткосрочного прогнозирования потребления электроэнергии с использованием ИНС для повышения точности планирования оптимального режима электроэнергетической системы (на примере ЭЭС Самарской области) и повышения достоверности при решении технических и экономических задач.
Задачи исследования:
-
Анализ существующих методов прогнозирования электропотребления.
-
Выбор входных данных ИНС для прогнозирования электропотребления в ЭЭС.
-
Выбор модели ИНС и ее обоснование.
-
Построение структуры и разработка математической модели ИНС прямого распространения для целей прогнозирования потребления электроэнергии.
-
Определение значений исходных весовых коэффициентов ИНС прямого распространения для ЭЭС.
-
Анализ влияния температуры наружного воздуха на электропотребление и разработка методики учета температуры в прогнозной модели ИНС для ЭЭС.
-
Разработка и реализация алгоритма и программы расчета прогнозных значений электропотребления методом ИНС для ЭЭС.
-
Исследование нейромодели с разным количеством нейронов в скрытом и входном слое для оценки влияния изменения топологии ИНС на точность прогнозирования.
-
Сравнительный анализ методов краткосрочного прогнозирования электропотребления и оценка эффективности применения метода на основе ИНС.
Методы исследования. Для решения поставленных задач использовались положения теории вероятности, методы математической статистики и нейросетевого моделирования, корреляционного и регрессионного анализа.
Научная новизна и значимость полученных результатов диссертационной работы заключается в следующем:
-
Разработана модель ИНС с автоматизированным выбором входных переменных для краткосрочного прогнозирования электропотребления в ЭЭС.
-
Определены основные факторы, оказывающие влияние на электропотребление и произведена оценка их влияния на точность прогнозирования.
-
Разработана методика учета температуры наружного воздуха в модели ИНС для повышения точности прогнозирования.
Достоверность и обоснованность положений диссертации подтверждается корректным использованием математического аппарата, адекватного решаемым задачам. Обоснованность основных научных положений и выводов работы подтверждается результатами сравнительного анализа метода прогнозирования электропотребления на основе ИНС с традиционными методами с использованием фактических данных действующей ЭЭС.
Обоснование соответствия диссертации паспорту научной специальности 05.14.02 – Электрические станции и электроэнергетические системы.
Соответствие диссертации формуле специальности: «… проводятся исследования по развитию и совершенствованию теоретической … базы электроэнергетики с целью обеспечения экономичного и надежного производства электроэнергии, ее транспортировки и снабжения потребителей электроэнергией в необходимом для потребителей количестве и требуемого качества».
Соответствие диссертации области исследования специальности
согласно п. 6 паспорта специальности: «разработка методов математического … моделирования в электроэнергетике»;
согласно п. 10 паспорта специальности: «теоретический анализ … по транспорту электроэнергии переменным … током …»
согласно п. 13 паспорта специальности: «разработка методов использования ЭВМ для решения задач в электроэнергетике».
Практическая ценность.
1. Составлен алгоритм оптимального прогнозирования потребления
электроэнергии ЭЭС с использованием ИНС.
2. Разработана программа автоматизированного выбора оптимального
набора входных переменных для модели ИНС.
3. Разработан программный комплекс расчета прогнозных значений
потребления электроэнергии ЭЭС на ПЭВМ в среде FANN (Fast Artifical
Neural Network) для операционных систем Linux и Windows.
Реализация.
Результаты диссертационной работы реализованы в филиале ОАО «СО ЕЭС» Самарское РДУ и внедрены в учебный процесс на электротехническом факультете ФГБОУ ВПО «СамГТУ» в дисциплинах: «Проектирование электроэнергетических систем», «Передача и распределение электроэнергии», «Оптимизация электроэнергетических систем».
Объектом исследования является электроэнергетическая система.
Предмет исследования – процесс потребления электроэнергии ЭЭС.
Основные положения, выносимые на защиту:
-
Модель краткосрочного прогнозирования электропотребления с использованием ИНС.
-
Методика учета температуры в прогнозной модели ИНС для повышения точности прогнозирования.
-
Влияние изменения топологии представленной модели ИНС на точность прогнозирования электропотребления.
Личный вклад автора заключается в разработке модели краткосрочного прогнозирования потребления электроэнергии в ЭЭС на основе ИНС с автоматизированным выбором входных переменных и методики учета влияния температуры в модели ИНС, в апробации и практической реализации метода прогнозирования электропотребления на основе ИНС в региональной электроэнергетической системе.
Апробация работы. Основные положения диссертации докладывались и обсуждались на XIV международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика» (МЭИ, г. Москва, 2007 г.) и на молодежной научно-практической конференции РДУ Татарстана (г. Казань, 2010 г.).
Публикации. Результаты исследований опубликованы в 6 печатных работах, в том числе в 3-х научных статьях в рецензируемых научных журналах, входящих в перечень рекомендуемых изданий ВАК РФ.
Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы из 81 наименования и двух приложений. Основной текст включает 157 страниц и содержит 54 рисунка, 14 таблиц. Общий объем работы 176 страниц.
Методы краткосрочного прогнозирования электропотребления
В условиях становления рыночных отношений в электроэнергетике является актуальной задача создания методик и соответствующего программного обеспечения для моделирования электропотребления с высокой степенью вероятности с целью повышения точности планирования оптимального режима электроэнергетической системы (ЭЭС). Точное прогнозирование электропотребления обеспечивает оптимальное распределение нагрузок между потребителями.
Решение задачи прогнозирования электрических нагрузок традиционным способом состоит из двух этапов [1, 5-22]: - построение математической модели, с помощью которой обрабатываются данные о нагрузках за прошедший период времени; - получение прогноза на базе построенной модели.
Качество прогноза во многом зависит от выбранной математической модели. В настоящее время существует много методов, способных прогнозировать нагрузки в ЭЭС. Наиболее успешные среди них — регрессионные модели и модели временных рядов [1, 5-22]. Однако, имеющиеся в эксплуатации методы оперативного и краткосрочного прогнозирования, не удовлетворяют в полной мере технологии их использования при управлении режимами [23, 24]. Основным недостатком существующих методов является необходимость построения модели нагрузки и постоянное уточнение готовой модели. Другим недостатком этих методов является неточное установление соотношения между входными и выходными переменными, так как зависимости между ними нелинейные [25-29]. Внедрение высокопроизводительных вычислительных систем на базе ПЭВМ дает возможность применять новые, более совершенные методы моделирования и прогнозирования, основанные на глубоком анализе значительных по объему массивов статистических данных [1, 24, 26, 30]. Соблюдение требований методики прогнозирования позволяет разрабатывать прогнозы относительно высокой степени точности.
Переход к рыночным принципам взаимоотношений между потребителями электроэнергии и энергосистемой повышает требования к точности прогнозирования электропотребления, как для отдельных предприятий, так и для энергосистемы и ответственность за решения, принятые на основе результатов прогнозирования. Прогнозирование электрических нагрузок играет важную роль при ценообразовании на рынке электроэнергии. Своевременное получение информации о предстоящей нагрузке имеет большое значение для достижения оптимального режима в ЭЭС [1, 21-29]. Точность прогнозов потребления существенно влияет на итоговые технологические и экономические показатели ЭЭС в условиях функционирования рынка электроэнергии.
С 1 сентября 2006г. запущен реальный конкурентный сектор рынка, где цена на электроэнергию формируется на основе спроса и предложения. Правовой основой организации функционирования и развития новой модели оптового рынка электроэнергии и мощности (НОРЭМ) является Постановление Правительства РФ от 31 августа 2006г. №529 «О совершенствовании порядка функционирования оптового рынка электрической энергии (мощности)». Преобразование рынка позволило создать систему, отражающую реальную стоимость электроэнергии в стране. С 1 января 2011 г. на новом оптовом рынке электроэнергия и мощность поставляются по свободным (нерегулируемым) ценам, за исключением поставок населению.
НОРЭМ представляет собой систему договорных отношений множества его участников (субъектов), связанных между собой единством технологического процесса производства, передачи, распределения и потребления электроэнергии (рис. 1.1). Участниками НОРЭМ являются производители электроэнергии - генерирующие компании (ТГК, ОГК), и покупатели электроэнергии - энергосбытовые компании (АО-энерго). Организатор рынка НОРЭМ осуществляет поддержание электрических сетей в надежном состоянии, обеспечивающем передачу электроэнергии и мощности между субъектами рынка - производителями и покупателями электроэнергии, организация параллельной работы энергосистем
Представление нейронных сетей с помощью ориентированных графов
Преимущество нейронных сетей состоит не только в способности распараллеливания обработки информации, но и в способности самообучаться, создавать обобщения, т.е. получать обоснованный результат на основании данных, которые не встречались в процессе обучения. Эти свойства позволяют нейронным сетям решать сложные задачи [2-4, 51-58].
Нейронные сети необходимо интегрировать в сложные системы, т.к. работая автономно, они не могут обеспечить готовые решения.
Это обеспечивает следующие полезные свойства систем [3, 44-47, 51-58]:
1. Нелинейность. Искусственные нейроны могут быть линейными и нелинейными. Нейронные сети, построенные из соединений нелинейных нейронов, сами являются нелинейными. Нелинейность распределена по сети.
2. Отображение входной информации в выходную. Одной из популярных парадигм обучения является обучение с учителем. Каждый пример состоит из входного сигнала и соответствующего ему желаемого отклика. Из этого множества случайным образом выбирается пример, а нейронная сеть модифицирует синаптические веса для минимизации расхождений между желаемым выходным сигналом и сигналом, формируемым сетью согласно выбранному статистическому критерию. Это обучение проводится до тех пор, пока изменения синаптических весов не станут незначительными. Нейронная сеть обучается на примерах, составляя таблицу вход-выход для конкретной задачи.
3. Адаптивность. Нейронные сети обладают способностью адаптировать синаптические веса к изменениям окружающей среды. Основные параметры системы, при этом, должны быть достаточно стабильными и гибкими.
4. Очевидность ответа. В контексте задачи классификации образов можно разработать нейронную сеть, собирающую информацию не только для определения конкретного класса, но и для увеличения достоверности принимаемого решения. Впоследствии эта информация может использоваться для исключения сомнительных решений, что повысит продуктивность нейронной сети.
5. Отказоустойчивость. Нейронные сети потенциально отказоустойчивы. При неблагоприятных условиях их производительность падает незначительно.
6. Аналогия с нейробиологией. Строение нейронных сетей определяется аналогией с человеческим мозгом. В ИНС входной сигнал, подаваемый на связь между нейронами входного и скрытого, а также скрытого и выходного слоя, представляет собой аналог дендритов и аксонов. Входной сигнал, подаваемый на входной слой нейронов аналогичен внешнему сигналу, передаваемому через синапс на дендрит. Нейроны входного слоя являются аналогом дендритов, по которым внешний сигнал передается в сому - аналог скрытых слоев ИНС. Нейроны скрытого слоя со своими активационными функциями являются аналогами синаптических связей. Выходной нейрон, выдающий результат работы сети — искусственное отражение аксона, выдающего через отходящие дендриты и синапсы выходное воздействие на дендриты других нейронов (реакцию мозга). Медиаторы в неиросетевом моделировании могут быть представлены весовыми коэффициентами. Например, если весовой коэффициент данного параметра равен 0, то функция активации не действует на данный нейрон, что аналогично тормозному действию медиатора. Чем больше весовой коэффициент, тем большее воздействие оказывает соответствующий ему параметр на получаемый результат работы нейронной сети, что аналогично большему возбуждающему воздействию медиатора.
Представление нейронных сетей с помощью ориентированных графов
Блочные диаграммы, представленные на рис. 2.4, 2.5 обеспечивают функциональное описание различных элементов, из которых состоит модель искусственного нейрона. Внешний вид модели можно упростить, применив идею графов прохождения сигнала. Графы прохождения сигнала дают хорошее представление о передаче сигнала по нейронным сетям [3, 55, 56].
Граф передачи сигнала - это сеть направленных связей, соединяющих отдельные точки (узлы). С каждым узлом / связан сигнал х,-. Обычная направленная связь начинается в некотором узле у и заканчивается в другом узле к. С ней связана некоторая передаточная функция, определяющая зависимость сигнала у к узла к от сигнала х, узлау.
Существует следующих три основных правила прохождения сигнала по различным частям графа [3]. Правило 1. Направление прохождения сигнала вдоль каждой связи определяется направлением стрелки.
Приэтом можно выделить два типа связей. Синаптические связи. Их поведение определяется линейным соотношением вход-выход. Сигнат узла Xj умножается на синаптический вес (Оф в результате чего получается сигнал узла (см. рис. 2.6, а). Активационные связи. Их поведение определяется нелинейным соотношением вход-выход. Этот вид связи показан на рис. 2.6, б, где р(.) — нелинейная функция активации. Правило 2. Сигнал узла равен алгебраической сумме сигналов, поступающих на его вход - синаптическая сходимость (см. рис.2.6, в). Правило 3. Сигнал данного узла передается по каждой исходящей связи без учета передаточных функций исходящих связей -синаптическая дивергенция или расходимость (см. рис.2.6, г).
Анализ статистических данных электропотребления и температуры наружного воздуха ЭЭС Самарской губернии за весенний и летний период года
В осенний период зависимость электропотребления от температуры воздуха по статистическим данным Самарской энергосистемы можно проанализировать на основании графиков рис. 3.15, 3.16, 3.18, 3.20, и диаграмм рассеяния рис. 3.17, 3.19, 3.21, Значения числовых характеристик потребляемой мощности и температуры наружного воздуха за осенние месяцы 2007г., полученные с помощью программного комплекса «Statistica 6.0», приведены в табл. 3.3. По оси X на графиках временных рядов отмечены номера наблюдений, начиная с 0:00 часов первого числа месяца и далее до конца месяца с интервалом дискретизации 30 мин.
В сентябре корреляция носит отрицательный характер, коэффициент корреляции г = -0,0083«О (рис. 3.17). С понижением (ростом) температуры увеличивается (снижается) потребление электроэнергии (рис. 3.16). Среднее значение температуры воздуха за месяц — +15,6 С, минимальное - +7,6 С, максимальное - +30,9 С. Среднее значение потребляемой мощности -2430,88 МВт. По данным табл. 3.3 видно, что в сентябре отклонение температуры на 4,1 С сопровождается отклонением мощности на 249,1 МВт.
В октябре корреляция также отрицательна, коэффициент корреляции г = -0,2089 (рис. 3.19). Снижение (рост) температуры воздуха сопровождается увеличением (снижением) уровня потребления электроэнергии (рис. 3.18). Среднее значение температуры воздуха за месяц - +7,41 С, минимальное --0,4 С, максимальное - +21,4 С. Среднее значение потребляемой мощности - 2697,84 МВт. В большей степени характер зависимости электропотребления от температуры воздуха прослеживается во второй половине месяца. Это связано с тем, что с 15 октября начинается отопительный сезон, в последней декаде месяца отмечается понижение температуры воздуха ниже 0 С, и основной расход электроэнергии идет на обогрев и отопление. При отклонении температуры на 4,62 С отклонение мощности составляет 290,34 МВт (табл. 3.3).
В ноябре корреляция отрицательна, коэффициент корреляции г = -0,1896 (рис. 3.21). С уменьшением (ростом) температуры увеличивается (снижается) потребление электроэнергии (рис. 3.20). Продолжается отопительный сезон, оказывая свое влияние на уровень электропотребления. Среднее значение температуры воздуха за месяц —3,46 С, минимальное --10,9 С, максимальное - +8,3 С. Среднее значение потребляемой мощности -2983,57 МВт. Отклонение температуры на 4,12 С сопровождается отклонением мощности на 309,52 МВт (табл. 3.3).
В зимний период 2006-2007г. временной ряд электропотребления и температуры наружного воздуха по данным ЭЭС Самарской области изображен на рис. 3.22, за декабрь - на рис. 3.23, за январь - на рис. 3.25, за февраль - на рис. 3.27. Диаграммы рассеяния за июнь, июль, август представлены соответственно на рис. 3.24, 3.26, 3.28. Значения числовых характеристик потребляемой мощности и температуры наружного воздуха за указанные месяцы, полученные с помощью программного комплекса «Statistica 6.0», приведены в табл. 3.4. По оси X на графиках временных рядов отмечены номера наблюдений, начиная с 0:00 часов первого числа месяца и далее до конца месяца с интервалом дискретизации 30 мин.
В декабре корреляция отрицательна, коэффициент корреляции г == -0,0109 = 0 (рис. 3.24). С уменьшением (ростом) температуры увеличивается (снижается) потребление электроэнергии (рис. 3.23). Продолжается отопительный сезон, оказывая свое влияние на уровень электропотребления. Среднее значение температуры воздуха за месяц --12,614 С, минимальное - -23,4 С, максимальное - +1,3 С. Среднее значение потребляемой мощности - 3158,71 МВт. Отклонение температуры на 5,73 С сопровождается отклонением мощности на 305,53 МВт (табл. 3.4).
В январе корреляция отрицательна, коэффициент корреляции г = -0,0332» 0 (рис. 3.26). С уменьшением (ростом) температуры увеличивается (снижается) потребление электроэнергии (рис. 3.25). В первой декаде месяца наблюдается низкий уровень потребления электроэнергии за счет праздничных дней и температуры наружного воздуха выше 0 С. Электропотребление увеличивается во второй декаде января с наступлением рабочей недели. Среднее значение температуры воздуха за месяц —1,4 С, минимальное - -14,0 С, максимальное - +5,0 С. Среднее значение потребляемой мощности - 2801,0 МВт. Отклонение температуры на 3,85 С сопровождается отклонением мощности на 347,0 МВт (табл. 3.4).
В феврале корреляция носит положительный характер, коэффициент корреляции г = 0,0768«0 (рис. 3.28). С ростом (уменьшением) температуры увеличивается (снижается) потребление электроэнергии (рис. 3.27). Продолжается отопительный сезон, оказывая свое влияние на уровень электропотребления. Среднее значение температуры воздуха за месяц --11,52 С, минимальное - -24,0 С, максимальное - +2,0 С. Среднее значение потребляемой мощности - 3026,8 МВт. Отклонение температуры на 6,41 С сопровождается отклонением мощности на 274,88 МВт (табл. 3.4).
Описание методики краткосрочного прогнозирования электропотребления на основе ИНС
В осенний период зависимость электропотребления от температуры воздуха по статистическим данным Самарской энергосистемы можно проанализировать на основании графиков рис. 3.15, 3.16, 3.18, 3.20, и диаграмм рассеяния рис. 3.17, 3.19, 3.21, Значения числовых характеристик потребляемой мощности и температуры наружного воздуха за осенние месяцы 2007г., полученные с помощью программного комплекса «Statistica 6.0», приведены в табл. 3.3. По оси X на графиках временных рядов отмечены номера наблюдений, начиная с 0:00 часов первого числа месяца и далее до конца месяца с интервалом дискретизации 30 мин.
В сентябре корреляция носит отрицательный характер, коэффициент корреляции г = -0,0083«О (рис. 3.17). С понижением (ростом) температуры увеличивается (снижается) потребление электроэнергии (рис. 3.16). Среднее значение температуры воздуха за месяц — +15,6 С, минимальное - +7,6 С, максимальное - +30,9 С. Среднее значение потребляемой мощности -2430,88 МВт. По данным табл. 3.3 видно, что в сентябре отклонение температуры на 4,1 С сопровождается отклонением мощности на 249,1 МВт.
В октябре корреляция также отрицательна, коэффициент корреляции г = -0,2089 (рис. 3.19). Снижение (рост) температуры воздуха сопровождается увеличением (снижением) уровня потребления электроэнергии (рис. 3.18). Среднее значение температуры воздуха за месяц - +7,41 С, минимальное --0,4 С, максимальное - +21,4 С. Среднее значение потребляемой мощности - 2697,84 МВт. В большей степени характер зависимости электропотребления от температуры воздуха прослеживается во второй половине месяца. Это связано с тем, что с 15 октября начинается отопительный сезон, в последней декаде месяца отмечается понижение температуры воздуха ниже 0 С, и основной расход электроэнергии идет на обогрев и отопление. При отклонении температуры на 4,62 С отклонение мощности составляет 290,34 МВт (табл. 3.3).
В ноябре корреляция отрицательна, коэффициент корреляции г = -0,1896 (рис. 3.21). С уменьшением (ростом) температуры увеличивается (снижается) потребление электроэнергии (рис. 3.20). Продолжается отопительный сезон, оказывая свое влияние на уровень электропотребления. Среднее значение температуры воздуха за месяц —3,46 С, минимальное --10,9 С, максимальное - +8,3 С. Среднее значение потребляемой мощности -2983,57 МВт. Отклонение температуры на 4,12 С сопровождается отклонением мощности на 309,52 МВт (табл. 3.3).
В зимний период 2006-2007г. временной ряд электропотребления и температуры наружного воздуха по данным ЭЭС Самарской области изображен на рис. 3.22, за декабрь - на рис. 3.23, за январь - на рис. 3.25, за февраль - на рис. 3.27. Диаграммы рассеяния за июнь, июль, август представлены соответственно на рис. 3.24, 3.26, 3.28. Значения числовых характеристик потребляемой мощности и температуры наружного воздуха за указанные месяцы, полученные с помощью программного комплекса «Statistica 6.0», приведены в табл. 3.4. По оси X на графиках временных рядов отмечены номера наблюдений, начиная с 0:00 часов первого числа месяца и далее до конца месяца с интервалом дискретизации 30 мин.
Значения числовых характеристик потребляемой мощности Р и температуры Т наружного воздуха в зимний период 2007г. (декабрь, январь, февраль)
В декабре корреляция отрицательна, коэффициент корреляции г == -0,0109 = 0 (рис. 3.24). С уменьшением (ростом) температуры увеличивается (снижается) потребление электроэнергии (рис. 3.23). Продолжается отопительный сезон, оказывая свое влияние на уровень электропотребления. Среднее значение температуры воздуха за месяц --12,614 С, минимальное - -23,4 С, максимальное - +1,3 С. Среднее значение потребляемой мощности - 3158,71 МВт. Отклонение температуры на 5,73 С сопровождается отклонением мощности на 305,53 МВт (табл. 3.4).
В январе корреляция отрицательна, коэффициент корреляции г = -0,0332» 0 (рис. 3.26). С уменьшением (ростом) температуры увеличивается (снижается) потребление электроэнергии (рис. 3.25). В первой декаде месяца наблюдается низкий уровень потребления электроэнергии за счет праздничных дней и температуры наружного воздуха выше 0 С. Электропотребление увеличивается во второй декаде января с наступлением рабочей недели. Среднее значение температуры воздуха за месяц —1,4 С, минимальное - -14,0 С, максимальное - +5,0 С. Среднее значение потребляемой мощности - 2801,0 МВт. Отклонение температуры на 3,85 С сопровождается отклонением мощности на 347,0 МВт (табл. 3.4).
В феврале корреляция носит положительный характер, коэффициент корреляции г = 0,0768«0 (рис. 3.28). С ростом (уменьшением) температуры увеличивается (снижается) потребление электроэнергии (рис. 3.27). Продолжается отопительный сезон, оказывая свое влияние на уровень электропотребления. Среднее значение температуры воздуха за месяц --11,52 С, минимальное - -24,0 С, максимальное - +2,0 С. Среднее значение потребляемой мощности - 3026,8 МВт. Отклонение температуры на 6,41 С сопровождается отклонением мощности на 274,88 МВт (табл. 3.4).
