Содержание к диссертации
Введение
Глава 1. Управление режимами электроэнергетических систем с учетом особенностей их функционирования на электроэнергетическом рынке 11
1.1. Задача управления режимами электроэнергетических систем 11
1.2. Особенности управления режимами региональной ЭЭС 17
1.3. Особенности функционирования региональной ЭЭС на оптовом рынке электроэнергии и мощности 23
1.4. Модели управления режимами ЭЭС 32
1.5. Цели и задачи диссертационной работы 35
1.6. Выводы 36
Глава 2. Принципы и методика статистического моделирования графиков нагрузки 37
2.1. Энергетические балансы и роль прогнозов электропотребления и графиков нагрузки 37
2.2. Моделирование графиков нагрузки энергосистемы 38
2.3. Методы моделирования ГН и электропотребления 45
2.4. Основы статистического моделирования 51
2.5. Свойства и параметры (факторы), характеризующие график нагрузки59
2.6. Учет технологических факторов производства потребителей при разработке модели прогнозирования ГН 63
2.7. Основные положения моделирования ГН для задачи определения покупной электроэнергии и мощности на свободном оптовом рынке 65
2.8. Моделирование потерь мощности и энергии 70
2.9. Структурная схема составляющих модели прогнозирования графика нагрузки ЭЭС 74
2.10. Выводы 77
Глава 3. Статистические модели графиков нагрузки и их адаптация на примере Новосибирской энергосистемы 79
3.1. Методика статистических расчетов графиков нагрузки 79
3.2. Статистические модели ГН .-81
3.3. Определение характерных параметров модели ГН и статистическая обработка информации для периодов ретроспекции от нескольких лет до месяца 86
3.4. Многолетний и годовой процесс изменения характерных показателей мощности нагрузки 88
3.5. Статистические модели прогнозирования оперативных ГН 96
3.6. Выводы 115
Глава 4. Методика моделирования поправок к статистическим графикам нагрузки и влияние их на достоверность прогнозов 117
4.1.Общие положения расчетов и методики внесения поправочных коэффициентов к прогнозу ГН 117
4.2.Анализ влияния температуры на нагрузку 119
4.3. Влияние облачности на прогноз ГН 127
4.4. Методика расчета поправок на изменение частоты 132
4.5. Влияния электрических режимов работы межсистемных электрических сетей 110 - 220 кВ Новосибирской области на электропотребление и нагрузку 135
4.6. Тестирование предложенной методики прогнозирования ГН 137
4.7. Выводы 143
Заключение 145
Список использованных источников
- Особенности управления режимами региональной ЭЭС
- Методы моделирования ГН и электропотребления
- Определение характерных параметров модели ГН и статистическая обработка информации для периодов ретроспекции от нескольких лет до месяца
- Методика расчета поправок на изменение частоты
Введение к работе
Актуальность работы.
В энергетике России за последние 15 лет произошли большие изменения. Изменились формы собственности, энергетика стала сферой бизнеса, создан и развивается рынок электроэнергии и мощности. Это вновь возродило интерес к моделям и методам расчета режимов системы, так как электроэнергетический рынок требует учета многих новых факторов.
Разработке методов, моделей и принципов расчета режимов электроэнергетической системы всегда уделялось большое внимание. Имеются громадные наработки в теории и методах управления электроэнергетическими режимами. Известны труды многих ученых: Д.А. Арзамасцева, П.И. Бартоломея, В.А. Веникова, А.З. Гамма, О.Т. Гераскина, В.М. Горнштейна, Журавлева В.Г, Идельчика В.И., Крумма, В.З. Манусова, И.М. Марковича, Т.А. Филипповой, Е.В. Цветкова, A.M., Н.М. Merrill, В. W. Erickson, F.C. Schweppe, M.C.Caramanis и др. Сейчас в новых условиях теория и методы расчета режимов электроэнергетических систем (ЭЭС) приобрели большую актуальность, но требуется их развитие. В настоящее время во многих организациях (Оперативно диспетчерское управление Урала, Уральский политехнический институт, Сибирский энергетический институт, Всероссийский научно-исследовательский институт энергетики, Центральное диспетчерское управление единой энергетической системы) ведется работа по усовершенствованию существующих алгоритмов и программ с учетом современных требований и для современной компьютерной базы. В основном эти работы дают методологию и научный аппарат управления режимами ЭЭС. На их основе разработано множество прикладных задач.
Одной из главных задач управления ЭЭС является составление баланса электрической мощности и энергии. От балансов зависят технические, экономические и коммерческие решения по управлению ЭЭС. К достоверности балансов предъявляются очень высокие требования, так как это влияет на коммерческие результаты многих участников рынка. И на региональном и особенно на оптовом рынках сейчас большое внимание уделяется определению электропотребления и графиков нагрузки, которые являются основой составления энергетических балансов. В настоящее время в практике преобладают методы прогнозирования графиков нагрузки и электропотребления, основанные на практических знаниях и интуиции, что приводит к достаточно большим погрешностям прогнозов. Проблема повышения точности прогнозов является общей для энергосистем. Если при управлении технической деятельностью прогнозы графиков нагрузки (ГН) могут иметь погрешности 2... 10%, то существующие положения на электроэнергетическом рынке требуют абсолютной точности (0%). Конечно, такое условие в принципе невыполнимо, но проблема повышения достоверности прогнозов ГН и электропотребления стоит повсеместно и остро. Единственный путь ее развития - это применение математических (а не эвристических) методов прогнозирования и современных компьютерных технологий обработки информации.
В работе предложены модели и методы текущего и оперативного прогнозирования ГН и электропотребления, которые приводят к существенному улучшению достоверности прогнозов и дают возможность широко использовать информационные технологии при планировании режимов ЭЭС.
Цель и задачи работы. Целью работы является разработка принципов, моделей и методов прогнозирования электропотребления и графиков нагрузки электроэнергетической системы с учетом современных требований к управлению технической, экономической и коммерческой деятельности ЭЭС на электроэнергетическом рынке и обеспечивающих повышение достоверности прогнозов. Основой исследования являются:
• применение методов статистического анализа,
• применение эвристических методик,
• автоматизация расчетов,
• применения компьютерных технологий,
Для достижения поставленной цели решены следующие задачи:
1. На основе изучения и критического анализа имеющихся работ определен состав задач прогнозирования электропотребления и графиков нагрузки и выявлены требования к методам и алгоритмам их решения.
2. Разработаны основы статистического моделирования для рассматриваемых задач. Классическая теория статистического анализа использована при разработке моделей и методики решения поставленной цели.
3. Разработан комплекс статистических моделей ГН, статистических поправок на метеорологические факторы, расчетных поправок на плановые режимы.
4. Определена алгоритмизация и методика процесса прогнозирования на основе сочетания статистических моделей и экспертных методов, вносимых в прогноз при интерактивном режиме.
5. Выполнена численная проверка предложенных теоретических положений на основе вычислительных экспериментов, тестирования и практической апробации. Получены количественные оценки, подтверждающие правомерность и продуктивность предлагаемых моделей и методов.
6. Разработана прикладная методика расчетов на основе MS Excel. Объектом исследования является региональная электроэнергетическая система. Все расчеты выполнялись для Новосибирской энергосистемы, обладающей достаточно общими характеристиками для региональных систем.
Предметом исследования являются принципы, модели и методы прогнозирования электропотребления и графиков нагрузки электроэнергетической системы с выполнением условий и ограничений электроэнергетического рынка.
Методы исследования. В работе используются методы статистического анализа, классический математический аппарат прогнозирования, методы моделирования процессов системы; аппарат регрессионного анализа; имитационные методы проведения вычислительных экспериментов с учетом изменчивости исходной информации; методы экспертного анализа, вычислительные инструментарии современных компьютерных средств и официальные методики выполнения расчетов по управлению режимами ЭЭС.
Достоверность. Сформулированные в диссертации научные положения, выводы и рекомендации обоснованы приведенными теоретическими положениями, экспериментальными расчетами, расчетами для реальных условий, реальным опытом применения полученных результатов, апробацией результатов на конференциях и семинарах. Результаты внедрены в практику ЗАО «Новосибирский региональный диспетчерский центр» (ЗАО «НРДЦ»), о чем имеются акты внедрения.
Научная новизна работы. Научным результатом данной работы является:
1. принципы, модели и методы моделирования графиков нагрузки, их параметров и факторов, влияющих на нагрузку с использованием классических положений статистического анализа, детализированных для рассматриваемых задач;
2. принципы и методы статистического моделирования поправок к нагрузкам на прогноз метеорологических факторов и плановых расчетов режимов работы ЭЭС;
3. принципы и методы прогнозирования электропотребления и графиков нагрузки на основе сочетания статистических моделей, методов эконометрики и эвристических методов, накопленных в практике. Этот комплекс обеспечивает повышение достоверности прогнозов.
На защиту выносятся следующие основные результаты.
1. Разработка статистических моделей и методов прогнозирования графиков нагрузки, основанных на принципах целевого моделирования и прикладного использования аппарата математической статистики.
2. Разработка моделей и методов прогнозирования электропотребления и графиков нагрузки с упреждением от суток до года с использованием предлагаемых статистических моделей, эвристических методов инженерных расчетов и аппарата эконометрики.
3. Разработаны статистические модели регрессионного вида для внесения поправок на метеорологические факторы, частоту системы, потери от транзита мощности в статистический прогноз ГН.
4. Алгоритм интерактивных расчетов по прогнозированию графиков нагрузки ЭЭС с использованием компьютерных технологий.
5. Обобщенные количественные оценки, подтверждающие правомерность использования предложенных моделей и методов и общность научных результатов для различных ЭЭС.
Практическая полезность и реализация результатов работы. Основные практические результаты заключаются в следующем.
1. Разработана прикладная методика расчетов по прогнозированию электропотребления и ГН, которая имеет общий характер и может применяться в различных ЭЭС. Она успешно применяется в ЗАО «НРДЦ».
2. Получены обобщенные статистические оценки предложенных моделей и методов прогнозирования и показаны их преимущества, перед другими методами, основанными на экспертных решениях, применяемых на практике.
3. Разработана методика расчетов на основе MS Excel для статистического анализа, разработки статистических моделей и для прогнозирования.
4. Получены количественные оценки эффективности решения задач прогнозирования на основе сочетания "статистических моделей и эвристических методов. Они показывают экономические и коммерческие выгоды применения предлагаемых алгоритмов расчета.
Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на научных семинарах кафедры «Автоматизированных электроэнергетических систем» и кафедры «Систем управления и экономики энергетики» Новосибирского государственного технического университета (НГТУ), на Всероссийской научной конференции молодых ученых «Наука. Технологии. Инновации» в 2006 и 2007 гг., на Всероссийской конференции «Энергетика: экология, надежность, безопасность» в 2006 г., на рабочих совещаниях ЗАО «НРДЦ». По теме диссертации имеется зарегистрированный отчет о научно-исследовательской работе.
Публикации. Результаты диссертационного исследования отражены в шести публикациях, из них три научные статьи, входящие в перечень рецензируемых ведущих изданий, рекомендованных ВАК РФ (в том числе одна статья в приложении рецензируемого журнала, входящего в перечень), три публикации в материалах Всероссийских конференций.
Структура и объем работы. Диссертация состоит из введения, L четырех глав, заключения, списка использованной литературы, состоящего из 118 наименований, и приложений. Работа содержит 158 страниц основного текста, в том числе 52 рисунка и 13 таблиц.
Особенности управления режимами региональной ЭЭС
В период действия Федерального оптового рынка электроэнергии и мощности, субъектами рынка в большинстве случаев выступали АО-Энерго. Они были, как правило, сформированы по административно территориальному принципу и совпадали по зонам ответственности с территориальными границами субъектов РФ [36, 100, 111, 117]. По этому же принципу после «распаковки» АО-энерго сформировано централизованное диспетчерское управление электроэнергетической отраслью страны. На базе бывших АО-энерго была начата работа по реформированию отрасли и организации работы нового оптового рынка (табл. 1.1).
В результате преобразования АО-энерго на территории субъектов РФ появились новые участники рынка: генерирующие компании (ГК) или их филиалы; гарантирующие поставщики (ГП); крупные потребители; независимые энергосбытовые компании (ЭСК); сетевые компании; системный оператор (его филиалы - РДУ); НП «АТС» - некоммерческое партнерство «Администратор торговой системы».
Объектом исследования в данной работе является региональная ЭЭС. Применение теоретических положений осуществлялось в ЭЭС дефицитной по мощности и самобалансирующейся по энергии. В ее структуре установленных мощностей имеются только ТЭЦ и небольшая ГЭС, работающая в вынужденном режиме по водо - хозяйственным требованиям. Однако общие положения справедливы для других типов региональных ЭЭС.
Энергетические балансы для ЭЭС. Практически все режимные задачи решаются на основе энергетических балансов. Энергетические балансы составляются для тепловой и электрической энергии на каждом рассматриваемом интервале t.
По тепловой энергии - Equation Chapter (Next) Section J zimenn 2- хітзцг J-nom V ) і По электрической энергии Эээс = Z Зтщі ± S Эс_п - ЛЭ. (1.2) / т По электрической активной мощности РЬэС=ЪРт щ±ЪРс-п-ЬР. (1.3) / т
Условные обозначения: Qmem - тепловая нагрузка потребителей; YjQm3ui " суммарная выработка тепловой энергии ТЭЦ; AQnom - потери тепловой энергии при транспорте; Эд с - электропотребление потребителей системы; Т,Этэц1 - выработка электроэнергии всех ТЭЦ;. Эс-п - сальдо переток электроэнергии по межсистемным присоединениям; АЭ - потери электроэнергии в сетях; Р сс " нагрузка потребителей ЭЭС; ЦРщзці і мощность ТЭЦ; Рс-п мощность сальдо-перетока по межсистемным присоединениям; АР-потери мощности в сетях; / - номер ТЭЦ; j - номер потребителя электроэнергии; т - номер ЛЭП, связывающей ЭЭС с сетями оптового рынка.
При составлении энергетических балансов возникают следующие достаточно сложные задачи.
1. Определение ограничений, которые зависят от множества факторов: температуры наружного воздуха, КПД, потребностей потребителей.
2. Определение электрической мощности ТЭЦ по теплофикационному и конденсационному циклам, экономичность которых существенно различается.
3. Определение мощности потребления. Электрическая мощность потребителей подвержена множеству случайных и неопределенных факторов. В их числе: технология производства на промышленных объектах, случайное потребление электроэнергии в быту, метеорологических условиях и пр. Применяя самые разнообразные методы прогнозирования не удается их «угадать» точно.
4. Определение энергетических балансов с различной заблаговременностью от часа до нескольких лет. Для различных временных периодов точность прогнозов электрической нагрузки меняется от 1 до 25 %.
5. Определение величины покупной электроэнергии.
6. Определение режимов работы электрической сети и загрузки контрольных сечений.
7. Определение коммерческих результатов деятельности ЭЭС (плановой прибыли, рентабельности) зависящих от множества случайных факторов и всегда имеющих риски.
Методы моделирования ГН и электропотребления
Годовые графики характеризуются значительным летним провалом (рис. 2.4). Это связано с сезонными изменениями нагрузки. Максимум нагрузки имеет место в зимние периоды и в зависимости от температуры наблюдается в январе, феврале, декабре. Динамика нагрузки отражает не только сезонные изменения, но и прирост нагрузки за счет ввода новых потребителей или расширения существующих производственных мощностей. Минимальная нагрузка наблюдается в летние месяцы (июль, август) и может снижаться на 30...40% и больше. Решающее значение здесь имеет сезонность и технология производства потребителей.
Случайные и неопределенные факторы изменения мощности нагрузки в ЭЭС. Основными группами факторов неопределенности являются: технологические процессы производства потребителей; технологический процесс ЭЭС (активная, реактивная мощности станций, режим электрических сетей, напряжение, потери мощности, частота); метеорологические факторы;
Их влияние на общую нагрузку ЭЭС может составлять 5...15%. Все составляющие меняются во времени. Следовательно, нагрузка имеет следующую структуру: Equation Chapter (Next) Section 1 pt = ppeat + АРнерегі (2- ) где Pf - нагрузка ЭЭС на интервале t, Ppezt регулярная нагрузка всех потребителей, АРНЄрегі " нерегулярная нагрузка всех потребителей.
Регулярные и случайные составляющие характерных величин. Поскольку процессы потребления энергии и мощности в ЭЭС подвержены множеству случайных и неопределенных факторов, то возникает необходимость выделения регулярной и нерегулярной составляющих. Следовательно характерный показатель должен представляться в виде (рис. 2.5): Х = Хрег±АХ (2.2) a Предельные отклонения «+» Вероятностные отклонения «+» Средняя Вероятностные отклонения «-» Предельные отклонения «-» Качественная картина задания характерных величин.
При этом, ДА" = &Х\ + &%2 гДе 4 " нерегулярная составляющая, которая подчиняется вероятностным законам, ДЛ — случайная, непрогнозируемая составляющая, которая формирует величину предельных отклонений.
Область использования различных графиков нагрузки. Подведем некоторые итоги по применению различных видов графиков нагрузки (табл. 2.1). Все задачи, в которых используются данные об электропотреблении и нагрузке, перечислять не имеет смысла. Их очень много. В таблице приведены только примеры задач, которые наглядно говорят о необходимости этих данных.
Указанные ниже краткие сведения о ГН, говорят о важности и сложности этой многопараметрической задачи. Прогнозировать ГН с учетом всех его свойств невозможно, и таких работ нет. Можно только идти по схеме: цель прогноза; свойства ГН, влияющие на цель; моделирование ГН; прогнозирование ГН. Таблица 2.1 Использование графиков нагрузки при решении задач управления системой Суточный график нагрузки Недельный график нагрузки Годовой графикнагрузки Оперативноепланирование ирегулирование балансовэлектрической энергии имощности сзаблаговременностью отминут до несколькихсуток. Регулированиеотношений купли-продажи наэлектроэнергетическомрынке. Определениеготовности работыоборудования. Управлениережимами с учетомнедельнойнеравномерностинагрузки. Проведениетекущих ремонтов,осмотров, ревизий. Недельноерегулирование водно-энергетическихрежимов ГЭС. Планированиехозяйственнойдеятельности.Планированиекапитальныхремонтов. Планированиеобеспечениятопливом.Водно-энергетическоерегулированиересурсовводохранилищ ГЭС. Планированиетоварно-ценовойдеятельности.
Методы моделирования ГН и электропотребления Наибольшее распространение получили четыре направления моделирования. Применение эвристических методов. Практики разрабатывают свои приемы. В них учитывается на интуитивном предыстория, последние данные, климатические факторы, режим электрических сетей, ремонты в сетях, ввод новых потребителе и пр. Все расчеты не формализованы и решения принимаются по «ситуации». Анализ показывает, что погрешности таких прогнозов меняются в пределах 2.. .10% и больше. Методы эконометрики - временные ряды и регрессионный анализ. Известно много примеров моделирования нагрузки и электропотребления с использованием этих методов. Методы теории вероятностей и математической статистики. Методы нейронных сетей, которые активно исследуются, но пока широкого практического применения не нашли. Остановимся кратко на математических основах тех методов, которые в дальнейшем используются в работе.
Вероятностные методы. Использование теории вероятностей объясняется тем, что параметры режима, зависят от факторов, многие из которых имеют случайный характер (температура окружающего воздуха, количество подключенных электроприемников). Вследствие этого процесс изменения нагрузки является совокупностью реализаций случайного процесса и не обладает свойствами стационарности и эргодичности. То есть это сложный стохастический процесс.
Вероятностные методы применяются часто при исследовании задачи. В эксплуатационной практике они в полном виде пока не нашли применения. Объясняется это отсутствием достоверных законов распределения вероятностей случайных величин. Для получения вероятностных характеристик нужна разнообразная статистика. Но ее чаще всего нет. Вместе с тем нельзя создавать модель прогнозирования ГН без учета вероятностных факторов. Кроме того управление в инженерной практике основано на детерминированных планах.
Регрессионный анализ. Методы статистического анализа используются при прогнозировании, при обобщении ретроспективной и расчетной информации. Остановимся на содержании регрессионного анализа [92, 98, 112].
В регрессионном анализе рассматривается связь между одной переменной, называемой зависимой переменной или функцией отклика, и одной или несколькими другими переменными, называемыми независимыми переменными или воздействующими факторами. Эта связь представляется в виде математической модели, задаваемой некоторым аналитическим выражением, называемым уравнением регрессии.
Определение характерных параметров модели ГН и статистическая обработка информации для периодов ретроспекции от нескольких лет до месяца
Модель графика нагрузки. График нагрузки включает различные характеристики и показатели. В рассматриваемой задаче прогнозирования среднесезонных и среднемесячных ГН использовались следующие величины: ГН с общей конфигурацией за сутки; зоны ГН, которые задаются временными границами; параметры по зонам (X): максимальные нагрузки, минимальные нагрузки, электропотребление; статистические значения X и их динамика для сезона и для каждого месяца сезона; оценки всех X по модулю среднеарифметической погрешности и отклонениям от нее, %. і Принята следующая методика анализа статистической информации (рис. 1 .Для каждого года принимаются постоянные периоды внутригодовых сезонов: зима (январь, февраль, декабрь), весна (март, апрель, май), лето (июнь, июль, август), осень (сентябрь, октябрь, ноябрь) $ 2.Анализируются суточные графики нагрузки с часовой дискретностью нагрузок по типовым дням. і 3.Определяются осредненные значения всех рассматриваемых показателей для каждого года и всех рассматриваемых лет для периодов: месяц, сезон, которые принимаются за регулярную составляющую нагрузки. 4.Определяются предельные и среднеквадратичные отклонения данных от среднего для всех рассматриваемых показателей и периодов 5. Разрабатывается модель ГН
Многолетний и годовой процесс изменения характерных показателей мощности нагрузки
Модели разрабатывались с использованием временных рядов. Рассматривались четыре показателя графика нагрузки (Приложение 1, рис. П. 1.1 - П. 1.4): утренний и вечерний максимум, ночной минимум и средняя. Пример дан на рис. 3.5. Из рисунков приложения 1 видно, что все показатели меняются во времени и можно выделить тренд и сезонную составляющую. В годовом и многолетнем разрезе они растут. Максимум растет примерно на 3%, минимум на 3,2 %, средняя на 3,5%. Следовательно, конфигурация графика в динамике меняется, и строить осредненные ГН за многолетний период не целесообразно [12, 24, 30].
Предельные отклонения рассмотренных показателей ГН за год очень большие 10...20%, среднеквадратичные отклонения примерно 10% (Приложение 2, табл. П.2.1), Это говорит о том, что и годовой период для разработки модели ГН для оперативных целей использовать нельзя. Долгосрочные ГН могут использоваться для ориентировочных экономических оценок.
Прогнозы с использованием различных моделей параметров ГН. Были проведены расчеты прогноза показателей по полученным многолетним моделям для трех месяцев (январь, февраль, март) 2006 года (табл. 3.1). В этом году отмечен довольно значительный рост нагрузки. Показатели прогнозного графика нагрузки имеют погрешности по модулю 5...20 %. Для годового периода такие величины допустимы.
Сезонный процесс изменения характерных показателей графика нагрузки. Как указано выше, в 2006 году отмечен рост нагрузки, поэтому период ретроспекции сокращен до одного предшествующего года (2005 год с суточным интервалом дискретности данных). В приложении 3 рис. П.3.1 — П.3.4 представлены характеристики показателей по сезонам. Внутри сезона выделяются типовые дни. Процесс моделируется линейной регрессией, поскольку периодическая составляющая явно не проявляется. В приложении 4 в табл. П.4.1-П.4.4 приведены данные погрешностей моделей. Из них видно, что сезонные погрешности летнего и зимнего сезона доходят до 20%. Для весеннего и осеннего сезонов погрешности намного больше из-за ряда факторов, например, прохождения отопительного сезона [47, 48, 62]. Анализ данных позволяет сделать следующие выводы.
Электропотребление и характерные параметры нагрузки при прогнозировании с годовым и сезонным упреждением имеют существенные погрешности. Если эти параметры учитываются в договорных соглашениях между субъектами электроэнергетического рынка, то всегда имеется риск нарушения соглашений и следовательно это требует специальных решений по его учету.
Линейная регрессия отражает процесс изменения всех показателей лучше, чем другие виды регрессий. Хотя из рисунков видно, что погрешности при этом достаточно велики и это будет проявляться в погрешностях прогнозов. Пример дан на рис. 3.6, из которого видно, что в отдельных точках погрешности доходят до 10%.
Линейная регрессии внутри сезона может иметь возрастающую, убывающую и стабильную форму.
Погрешности рассмотренных показателей по сезону примерно такие же, как для годового периода.
Изменения информации по сезону показывает, что имеются разные процессы изменения нагрузки и не целесообразно использовать сезонный период для прогнозирования нагрузки на месяц и меньшие периоды. Наибольшие погрешности моделей имеют место в весенний и осенний сезоны.
Необходимо выделять переходные периоды для сезонов. Особенно в отопительный и не в отопительный периоды. Это позволит существенно понизить погрешности в осенний и весенний сезоны при выборе периода ретроспекции.
Максимальные погрешности наблюдались в январе месяце в связи с изменением календаря праздников. Статистические методы для прогнозирования ГН на этот период не могут применяться.
Методика расчета поправок на изменение частоты
Наиболее существенное влияние на электропотребление из метеорологических факторов (МФ) оказывает температура и освещенность. Они в значительной степени отражают глубокие сезонные колебания и суточную неравномерность графиков потребления.
Процессы изменения температуры всегда анализируются за определенный период, поэтому для этой поправки может быть разработана статистическая модель АРМФ МФ) » гДе &МФ " функция метеофактора, АРд ф - колебания нагрузки, связанное с метеофакторами.
Колебания нагрузки, вызванные метеофакторами, имеют различную природу и характер влияния на основной процесс, поэтому необходимо их разделение на устойчивые колебания и неустойчивые. Устойчивые сезонные и суточные циклы колебаний МФ и их влияние учитываются в статистической модели ГН, полученной за период ретроспекции. Поправочные коэффициенты позволяют учитывать неустойчивые колебания МФ, то есть изменений нагрузки, которые произошли от резкого их изменения в течение короткого периода времени. Необходимо исследовать и обосновать неустойчивость процесса изменения нагрузок от температуры. Следовательно, модель поправок имеет вид функции bPmycm(FM0). (4.2)
Коэффициент влияния температуры, используемый в Новосибирской ЭЭС на практике для анализа и прогноза нагрузки достаточно стабилен 0,5...1 % на 1 С. В климатических условиях Новосибирской энергосистемы, когда колебания температуры в сутки могут составлять до 20С это может привести к очень весомым колебаниям нагрузки.
В последние годы возникли два обстоятельства, определяющие необходимость более точного и полного учета влияния МФ при планировании-и управлении режимами ЭЭС. В первую очередь, это общее изменение структуры потребления - снижение доли промышленной и увеличение коммунально-бытовой и осветительной нагрузки и, как следствие, увеличение влияния МФ на потребление. Второе обстоятельство - возникновение в последние годы устойчивых аномальных отклонений МФ, особенно температуры наружного воздуха. Аномальные колебания особенно сильно сказываются в весенний и осенний периоды, непосредственно примыкающих к отопительному сезону. В эти периоды эпизодические похолодания заставляют население прибегать к альтернативным источникам тепла, которыми, большей частью, становятся все возможные виды электронагревателей. Для летнего периода необходимо отметить кондиционирование как нагрузку. Как правило, в большинстве регионов эти похолодания наступали при отключенном центральном отоплении.
Для энергообъединений с концентрированной коммунально-бытовой и осветительной нагрузкой к температурному влияющему фактору добавляются факторы естественной освещенности (облачности) и некоторых дополнительных - влажность, сила ветра. Однако учет таких факторов как влажность и сила ветра весьма затруднителен из — за отсутствия информации, поэтому чаще всего влажность и ветер обычно не рассматриваются, как определяющие для электропотребления, а рассматриваются как факторы, усиливающие действие основных влияющих факторов - температуры и естественной освещенности. При этом внесение поправок на эти усиливающие факторы рекомендуется выполнять на основе экспертных оценок.
Подробное исследование влияния температуры на нагрузку для условий Новосибирской энергосистемы выполнено в [67] и автор диссертации принимал в ней непосредственное участие. В диссертацию включены принципы решения и методические положения. В литературе описаны различные зависимости основных показателей ГН от температуры[67, 96]: влияние на нерегулярную часть ЭП Т(Эиерег); влияние на ЭП в целом Т(Э); корреляция температуры и ЭП по рабочим Т(Эра )я нерабочим днямТ(Эиераб); корреляция колебаний температуры и нерегулярной части ЭП А- СЭНерег ); корреляция мощности нагрузки и температуры Т(Р); корреляция максимальной мощности и температуры в этот час /max (/max / корреляция средней мощности и среднесуточной температуры ср\ ср)
По каждой из этих зависимостей были произведены расчеты за период 2003...2006 г. для различных месяцев года, и показано, что все они справедливы. Так потребление в зимний период (пример дан для декабря 2005 г.) года существенно зависит от температуры и коэффициент корреляции находится в пределах 0,7...0,8 (рис. 4.1). На данном графике также четко видна зависимость колебаний потребления от резких изменений температуры. В табл. 4.2 приведены статистические данные за 2005г. по месяцам: значения среднесуточной нагрузки, среднесуточная температура, величина поправки на 1 С. Поправки меняются в пределах 5...60 МВт/градус.
