Содержание к диссертации
Введение
1 Методологический анализ проблемы краткосрочного прогнозирования электропотребления электротехнической системы предприятия в условиях оптового рынка электроэнергии и мощности 13
1.1 Особенности оборота электроэнергии на оптовом рынке электроэнергии и мощности 13
1.2 Электрическое хозяйство предприятия как объект прогнозирования 22
1.3 Выбор метода прогнозирования электропотребления 27
1.4 Обзор методов краткосрочного прогнозирования электропотребления 33
1.5 Требования к системе прогнозирования электропотребления 44
Выводы по разделу 1 46
2 Теоретические основы построения модели краткосрочного прогнозирования электропотребления предприятия 48
2.1 Постановка задачи краткосрочного прогнозирования электропотребления предприятия 48
2.2 Искусственные нейронные сети как инструмент прогнозирования электропотребления 53
2.3 Анализ качества модели прогнозирования электропотребления 67
2.4 Алгоритм построения модели прогнозирования электропотребления 73
2.5 Традиционные методы прогнозирования электропотребления 75
Выводы по разделу 2 79
3 Теоретическая и алгоритмическая разработка системы краткосрочного прогнозирования электропотребления предприятия 82
3.1 Концепция построения системы прогнозирования электропотребления предприятия 82
3.2 Структура системы прогнозирования электропотребления предприятия 89
3.3 Краткий обзор программных средств реализации системы прогнозирования электропотребления 96
3.4 База данных системы прогнозирования электропотребления 98
3.5 Поиск информативных признаков модели прогнозирования электропотребления 101
3.6 Идентификация модели прогнозирования электропотребления 114
Выводы по разделу 3 118
4 Практическая разработка системы краткосрочного прогнозирования электропотребления горного предприятия 121
4.1 Особенности электропотребления Сорского производственного комплекса 121
4.2 Формализация входной информации модели прогнозирования электропотребления Сорского производственного комплекса 129
4.3 Идентификация модели прогнозирования электропотребления Сорского производственного комплекса 133
4.4 Тестирование модели прогнозирования электропотребления Сорского производственного комплекса 139
Выводы по разделу 4 141
5 Анализ практического использования системы краткосрочного прогнозирования электропотребления горного предприятия 143
5.1 Анализ результатов тестирования модели прогнозирования электропотребления Сорского производственного комплекса 143
5.2 Особенности системы прогнозирования электропотребления Сорского производственного комплекса 152
Выводы по разделу 5 156
Заключение 159
Список литературы 161
Приложения 176
- Выбор метода прогнозирования электропотребления
- Искусственные нейронные сети как инструмент прогнозирования электропотребления
- Особенности электропотребления Сорского производственного комплекса
- Особенности системы прогнозирования электропотребления Сорского производственного комплекса
Введение к работе
Актуальность работы. Необходимость точного определения будущих значений параметров электротехнических систем возникла с момента начала глобальной электрификации отраслей экономики развитых стран. Результаты прогнозирования электропотребления и мощности являются информационной основой процессов планирования оптимальных режимов работы электротехнических систем предприятий. В последние годы необходимость прогнозирования электропотребления обострилась, в том числе и для потребителей электроэнергии, в связи с формированием конкурентных отношений в электроэнергетической отрасли и запуском оптового рынка электроэнергии и мощности (ОРЭМ).
Выход на ОРЭМ крупных предприятий, суммарная присоединенная мощность которых превышает 20 МВА, стал следствием необходимости повышения рентабельности производства в современных условиях рыночной экономики. Высокая энергоемкость производства отечественных предприятий и стабильный рост уровня цен на электроэнергию в современных условиях приводят к значительному увеличению себестоимости продукции, что снижает конкурентоспособность отечественных предприятий на мировом рынке. Выход крупного предприятия на ОРЭМ позволяет существенно оптимизировать затраты на покупку электроэнергии преимущественно за счет организационных мероприятий.
Регламент ОРЭМ выставляет ряд требований к его участникам. Одним из наиболее серьезных требований является организация качественной работы в области подачи ценовых заявок на покупку электроэнергии «рынка на сутки вперед» (РСВ). Некачественная подача ценовых заявок вследствие неточного краткосрочного прогнозирования электропотребления может свести к минимуму все выгоды, связанные с выходом предприятия на ОРЭМ, так как приведет к дополнительным издержкам, вызванным выходом на «балансирующий рынок» (БР). В таких условиях для покупателей электроэнергии ОРЭМ актуальной является задача обеспечения качественного краткосрочного прогнозирования электропотребления.
Решению задачи прогнозирования параметров электротехнических систем предприятий посвящены работы многих отечественных и зарубежных исследователей: Б.И. Кудрин, Б.И. Макоклюев, В.И. Гнатток, А.Н. Митрофанов, В.З. Манусов, И.И. Надотка, Дж. Тейлор и другие.
В настоящее время для обеспечения качественного краткосрочного прогнозирования электропотребления электротехнических систем предприятий требуется система прогнозирования, обеспечивающая эффективное хранение и использование необходимой информации, реализующая все этапы прогнозирования и управляемая посредством графического пользовательского интерфейса. Система прогнозирования должна быть адаптивна, должна использовать современные методы анализа данных и в полной мере использовать вычислительные мощности современных ЭВМ.
Целью диссертационной работы является разработка системы краткосрочного прогнозирования электропотребления электротехнической системы горного предприятия, обеспечивающей прогнозирование заявленных объемов электропотребления на оптовом рынке электроэнергии.
Для достижения указанной цели в диссертации поставлены и решены следующие задачи:
Методологический анализ проблемы краткосрочного прогнозирования электропотребления электротехнических систем предприятий в условиях работы на ОРЭМ.
Разработка алгоритма построения модели краткосрочного прогнозирования временного ряда электропотребления электротехнической системы на основе интеллектуальных методов анализа данных.
Разработка концепции построения системы краткосрочного прогнозирования электропотребления предприятия.
Разработка структуры и программного обеспечения системы краткосрочного прогнозирования электропотребления электротехнической системы горного предприятия.
Экспериментальные исследования прогнозирующих свойств системы краткосрочного прогнозирования электропотребления горного предприятия.
Методы исследования. При решении поставленных задач были использованы современные методы анализа данных, математическая статистика, корреляционно-регрессионный анализ, теория искусственных нейронных сетей, теория реляционных баз данных, принцип системного подхода. Расчеты и математическое моделирование проводились с использованием программных продуктов MATLAB, Statistica, MySQL.
Основные новые научные результаты, выносимые на защиту:
Разработана концепция построения системы краткосрочного прогнозирования электропотребления предприятия, характеризующаяся тем, что ею может быть охвачено большинство современных электротехнических систем предприятий, содержащая полное описание процесса построения системы прогнозирования, последовательно излагающая и полностью описывающая основные этапы с указанием степени участия сторон в выполнении каждого этапа.
Предложен и обоснован алгоритм построения модели краткосрочного прогнозирования временного ряда электропотребления с суточной цикличностью, отличающийся тем, что для прогнозирования электропотребления каждого часа суток используется индивидуальная часовая модель, которая, в свою очередь, состоит из комбинации искусственных нейронных сетей типа многослойный персептрон, с различной степенью адекватности описывающих разные стороны процесса электропотребления.
Разработаны структура и алгоритм работы и обоснована структура программного обеспечения системы краткосрочного прогнозирования электропотребления предприятия, отличающаяся полным охватом всех основных этапов прогнозирования
(обработка данных, пополнение базы данных, поиск информативных признаков, идентификация модели прогнозирования, формирование прогноза) и обладающая пользовательским графическим интерфейсом.
4. Предложен и обоснован алгоритм поиска входных признаков модели прогнозирования электропотребления, позволяющий выявлять комплексные нелинейные зависимости электропотребления от признаков различной природы, отличающийся использованием нейронных сетей с обобщенной регрессией и возможностью применения экспертной оценки и реализованный в виде специальной функции MATLAB.
Теоретическая значимость результатов работы заключается в развитии методов краткосрочного прогнозирования электропотребления электротехнических систем предприятий на основе искусственных нейронных сетей, а также методов построения современных систем прогнозирования электропотребления.
Результаты диссертации, обладающие практической значимостью:
Для проведения технико-экономического обоснования принимаемых решений была выведена эмпирическая формула вычисления издержек, вызванных выходом участника ОРЭМ на «балансирующий рынок» вследствие неточного краткосрочного прогнозирования электропотребления.
С целью эффективного хранения и использования информации, необходимой для обеспечения краткосрочного прогнозирования электропотребления, создана информационная база параметров электропотребления и метеорологических факторов Сорского производственного комплекса.
Система краткосрочного прогнозирования электропотребления, спроектированная для горного предприятия с использованием системы MATLAB 7 и СУБД MySQL 5, позволяет снизить погрешность прогнозирования электропотребления в 1,2 раза по сравнению с традиционными методами прогнозирования и в 2,0 раза по сравнению с методами, используемыми в настоящий момент на предприятии.
Для повышения качества краткосрочного прогнозирования электропотребления предприятия предложен и обоснован перечень практических мероприятий.
Достоверность научных положений, результатов и выводов подтверждается корректным использованием применяемых методов анализа данных и прогнозирования, обобщающих передовой опыт отечественных и зарубежных исследователей, и экспериментальной проверкой теоретических результатов путем построения модели краткосрочного прогнозирования электропотребления существующего горного предприятия и сопоставления прогнозных значений, полученных с помощью модели, с фактическими значениями электропотребления предприятия.
Реализация работы. Результаты работы использованы на ООО «Сорский горнообогатительный комбинат» и в учебном процессе Политехнического института Сибирского федерального университета.
Апробация работы. Основные положения работы докладывались на научных семинарах и конференциях: всероссийской научно-технической конференции «Элек-
троэнергия: от получения и распределения до эффективного использования» (Томск, 2010), межрегиональной научно-практической конференции «Инновационное развитие, модернизация и реконструкция объектов ЖКХ в современных условиях» (Абакан, 2010), всероссийской научно-практической конференции «Энергоэффективность систем жизнеобеспечения города» (Красноярск, 2010), всероссийской научно-технической конференции «Молодежь и наука» (Красноярск, 2011).
Публикации. По теме диссертационной работы опубликовано 10 научных работ, 2 из которых опубликованы в ведущих рецензируемых изданиях, рекомендованных действующим перечнем ВАК.
Структура и объем работы. Диссертационная работа состоит из введения, пяти разделов с выводами, заключения, списка литературы и приложений. Основная часть работы изложена на 160 страницах машинописного текста. Работа содержит 37 рисунков и 5 таблиц, список литературы содержит 136 наименований.
Выбор метода прогнозирования электропотребления
Прогноз - научно-обоснованное суждение о возможных состояниях объекта в будущем и (или) об альтернативных путях и сроках их осуществления [92].
Прогностика - наука о способах и законах разработки прогнозов [6, 31].
Прогнозирование - процесс разработки прогноза. Прогнозирование состоит из ряда взаимосвязанных этапов, на каждом из которых решаются совершенно оригинальные задачи с помощью присущей только этому этапу совокупности методов и подходов.
В зависимости от периода упреждения прогноза выделяют оперативные, текущие, краткосрочные, среднесрочные, долгосрочные и дальнесрочные прогнозы. Соответствие периода упреждения прогноза его определенному виду основывается на свойствах объекта прогнозирования и, в первую очередь, на периоде его инерционности.
Инерционность - способность объекта сохранять прежнее состояние и его характеристики в течение некоторого промежутка времени при незначительных воздействиях на объект. Таким образом, традиционно в электроэнергетике к оперативным относятся прогнозы до часа вперед, текущим - до суток вперед, краткосрочным - до месяца вперед и т.д. Однако с позиции методологического основания оперативные, текущие и краткосрочные прогнозы можно отнести к группе краткосрочных прогнозов, так как они основаны на использовании одного и того же подхода. Краткосрочный прогноз - это прогноз на такой промежуток времени, который мал по отношению к периоду инерционности.
Метод — это способ познавательной или практической деятельности, представляющий собой унифицированную систему предписаний, рекомендаций, предостережений, последовательность операций, выполнение которых способствует успешному достижению поставленной цели. Этим понятие «метод» отличается от понятия «способ». При разработке прогноза конкретного объекта часто разрабатывается свой уникальный способ прогнозирования, но их на несколько порядков больше, чем методов прогнозирования. Как правило, изучению и классификации подвергаются именно методы - универсальные способы решения типичных задач [92].
Разработка современных методов прогнозирования является сложной наукоемкой областью знаний, для которой характерны ряд специфических проблем. Во-первых, необходимость определения перечня входных параметров модели прогнозирования, который является необходимым и достаточным для оценки состояния исследуемой предметной области. Во-вторых, преодоление так называемого «проклятия размерности», которое возникает при желании учесть в модели как можно больше показателей и критериев оценки, в результате чего происходит резкое увеличение количества обрабатываемой информации. В-третьих, наличие феномена «надсистемности», заключающееся в том, что взаимодействующие системы образуют систему более высокого уровня, обладающей собственными свойствами, что делает принципиально недостижимой возможность надсистемного отображения с точки зрения систем, входящих в состав надсистемы [17, 98].
Следует отметить, что не существует единой классификации методов прогнозирования, каждый исследователь проводит собственную классификацию методов в зависимости от особенностей решаемой им задачи.
Различают простые и комплексные методы прогнозирования. Под простым методом прогнозирования понимают метод, неразложимый на еще более простые методы прогнозирования, и, соответственно, под комплексным - метод, состоящий из взаимосвязанной совокупности нескольких простых.
Множество методов прогнозирования электропотребления можно разделить на экспертные, фактографические и комбинированные (рис. 1.4) [20]. К экспертным (интуитивным) относят методы прогнозирования, базирующиеся на интуитивной информации специалистов (описание объекта на вербальном уровне). К фактографическим относят методы прогнозирования, основанные на обработке объективных данных о прогнозируемом объекте. Фактографические методы опираются на факты, информация о которых получена, измерена и обработана, в то время как основой экспертных методов является мнение экспертов (мнение - не является фактом). К комбинированным (смешанным) методам прогнозирования относятся методы, основанные как на обработке объективных данных, так и мнений экспертов. Например, к комбинированному методу можно отнести распространенный на практике так называемый «ручной прогноз», который заключается в усреднении экспертом значений электропотребления за прошлые периоды с поправкой на выявленную сезонную или межгодовую тенденцию и, иногда, с поправкой на коэффициенты влияния температуры и принятии их в качестве прогноза [17, 72].
Экспертные методы прогнозирования можно разделить на методы индивидуальных экспертных оценок и методы коллективных экспертных оценок. По способу получения прогнозной информации в группу индивидуальных экспертных оценок могут быть включены метод «интервью», аналитические докладные записки, написание сценария. В группу коллективных экспертных оценок входят анкетирование, методы «комиссий», «мозговых атак» (коллективной генерации идей). Также методы экспертного оценивания можно разделить на прямые экспертные оценки и экспертные оценки с обратной связью.
Преимущество экспертных методов прогнозирования перед фактографическими заключается в том, что на данном этапе научного развития ни одна искусственно созданная вычислительная система не в состоянии смоделировать интеллектуальную работу эксперта, обладающего большим объемом плохо формализуемых и неформализуемых знаний, многолетним опытом работы и интуицией. Однако данный прием прогнозирования обладает рядом очевидных недостатков, таких, как длительный период составления прогноза, сбои в работе при отсутствии по каким-либо причинам эксперта на рабочем месте, а также невозможность быстрой и высокоточной обработки большого объема информации различного характера [17, 45].
Практика показывает, что для задач краткосрочного прогнозирования электропотребления адекватный фактографический метод в большинстве случаев более эффективен, чем экспертный. Однако существуют ситуации, когда экспертный метод способен давать более качественные прогнозы. Главным образом это относится к тем случаям, когда нет достаточного количества информации для использования фактографического метода. Например, произошли изменения структуры электропотребления объекта из-за подключения нового или отключения старого электрооборудования, и при этом достаточный объем статистической информации для нового режима работы не был собран. Таким образом, для задач краткосрочного прогнозирования оптимальным вариантом является использование адекватного фактографического метода прогнозирования для поддержки принятия решений эксперта-энергетика [20, 21].
Множество фактографических методов прогнозирования можно условно разделить на экстраполяционные и системно-структурные (рис. 1.4). Экстрапо-ляиионные методы основаны на принципе переноса в будущее тенденций, действовавших в прошлом и в настоящем, а также на предположении, что обнаруженные и математически описанные структурные взаимосвязи не претерпят в будущем особых изменений. В класс экстраполяционных методов входит множество простых и сложных методов прогнозирования, в том числе так называемые ассоциативные методы (методы имитационного моделирования, исто-рико-логического анализа), которые иногда выделяют в отдельную группу [21,92].
В группу системно-структурных методов относят методы функционально-иерархического моделирования, морфологического анализа, матричный метод, принципы сетевого моделирования и другие методы, отличающиеся широтой охвата и необходимостью учета всех факторов и возможных вариантов. При этом делаются попытки очень подробного изучения явления с позиций системного подхода.
Экстраполяционные методы преимущественно ориентированы на составление краткосрочных прогнозов, в то время как объектно-структурные - на составление средне- и долгосрочных прогнозов. Например, развивающиеся методы прогнозирования электропотребления, основанные на использовании техно-ценлогических свойств крупных энергетических объектов и устойчивости Н-распределения [34, 59], которые могут быть отнесены к классу объектно-структурных методов, показывают высокие результаты прогнозов с периодом упреждения от месяца [34, 99] до нескольких десятков лет вперед [62].
Таким образом, благодаря значительной инерционности объектов энергетики для решения задач прогнозирования электропотребления с необходимым для работы на ОРЭМ периодом упреждения от 36 часов, как показывает практика, наиболее действенными являются экстраполяционные методы прогнозирования. Следовательно, задача выбора метода краткосрочного прогнозирования электропотребления сводится к задаче выбора адекватного экстраполяци-онного метода прогнозирования.
В класс экстраполяционных входит множество методов прогнозирования, которые могут быть достаточно условно разделены на однофакторные и многофакторные, линейные и нелинейные, стационарные и нестационарные, традиционные и нетрадиционные и т.п. Выбор метода прогнозирования должен определяться особенностями решаемой задачи: спецификой объекта прогнозирования, особенностями используемой информации, особенностями использования метода на практике, сложностью реализации, экономической эффективностью и т.п. При этом следует учитывать, что далеко не всегда при практическом использовании более сложные нелинейные модели прогнозирования показывают результат лучше, чем более простые линейные [20, 47].
Искусственные нейронные сети как инструмент прогнозирования электропотребления
Подавляющее большинство всех прикладных задач, решаемых методами математического моделирования, сводится к нахождению некоторой сложной функции, осуществляющей многомерное преобразование вектора входных параметров X на вектор выходных параметров Y. Универсальным инструментом построения такой функции являются нейросетевые технологии [111]. Задача прогнозирования является стандартной задачей искусственных нейронных сетей, сводящейся к аппроксимации функции многих переменных. В настоящей работе в качестве функции аппроксимации процесса электропотребления электротехнической системы предприятия (2.2) используются искусственные нейронные сети типа многослойный персептрон.
Многослойным персептроном (MLP - multi layer perceptron) называют искусственную нейронную сеть с прямым распространением сигнала (feed forward) с сигмоидальными функциями активации нейронов. Входной сигнал распространяется в прямом направлении от слоя к слою. На рис. 2.1 в общем виде представлена архитектура многослойного персептрона с к входами, / выходами и п промежуточными (скрытыми) слоями.
Единицей обработки информации многослойного персептрона является искусственный нейрон [100]. На рис. 2.2 представлена модель искусственного нейрона.
Основные элементы модели искусственного нейрона: набор синапсов (synapse) или связей, каждый из которых характеризуется весом (weight); сумматор (adder) складывает входные сигналы, взвешенные относительно соответствующих синапсов нейрона; нелинейная функция активации (activation function) ограничивает амплитуду выходного сигнала нейрона.
Нейроны входного слоя используются только для подачи сигнала на нейроны скрытого слоя (hidden layer). В нейронах скрытых слоев и выходного слоя производятся преобразования сигнала.
Проектирование многослойного персептрона представляет собой сложный многоэтапный цикличный процесс, включающий в себя следующие основные этапы:
определение входных и выходных параметров;
составление обучающей выборки;
преобразование обучающей выборки;
определение структуры сети;
выбор функций активации нейронов;
определение начальных условий обучения сети;
выбор алгоритма обучения;
выбор критерия остановки обучения;
обучение;
оценка качества обучения.
Определение входных и выходных параметров нейронной сети. Для обучения многослойного персептрона решению определенной задачи эта задача должна быть сформулирована в терминах набора входных векторов и ассоциированных с ними эталонных выходных значений (эталонов) [100]. Важным достоинством нейронных сетей является отсутствие ограничений на характер используемой информации, то есть может быть использована как количественная, так и качественная информация, и при этом отсутствуют ограничения на характер распределения используемых данных.
Определение выходных параметров, как правило, не вызывает больших трудностей; для задачи прогнозирования электропотребления выходным параметром является суммарное электропотребление предприятия в данный час. Серьезные трудности вызывает определение входных параметров (на основе определения входных и выходных параметров формируется обучающая выборка нейронной сети). От удачного подбора обучающих примеров во многом зависит успех проектирования нейронной сети, адекватно моделирующей предметную область. Совершенно очевидно, что не все параметры предметной области влияют на выходной вектор Y. Параметры, которые не оказывают влияния на вектор Y, называют незначимыми для этого выходного вектора (неинформативные признаки), остальные - соответственно, значимыми (информативные признаки) [111].
Определение необходимого и достаточного набора входных параметров, моделирующих предметную область, является одной из основных проблем прогностики [98]. Стремление учесть как можно больше потенциально полезной информации приводит к появлению избыточности, необходимости использования большего количества обучающих примеров, значительному усложнению нейронной сети, резкому увеличению вычислительных операций («проклятие размерности»). Кроме того, включение неинформативного признака ухудшает моделирующие качества нейронной сети. С другой стороны, не включение информативного признака приводит к ухудшению обобщающей способности нейронной сети - сеть становится неспособна моделировать предметную область.
На практике часто бывает трудно и даже невозможно установить, какие из параметров предметной области являются значимыми, а какие нет. С этой целью проводят дополнительный анализ с использованием специальных процедур (более подробно рассмотрены в подразделе 3.5).
Составление обучающей выборки нейронной сети. После определения входных и выходных параметров сети, используемой для ее обучения, необходимо составить множество обучающих примеров - обучающую выборку. Определение количества обучающих примеров, достаточных для решения поставленной задачи, является сложной и до конца не решенной задачей теории искусственных нейронных сетей. В общем случае данное количество зависит от сложности нейронной сети и от сложности отображаемой зависимости [100].
В ходе решения задачи прогнозирования электропотребления количество обучающих пар (примеров) в общем случае определяется выбранным периодом основания прогноза. Выбор оптимального периода основания прогноза не является тривиальной задачей [24], так как структура объекта прогнозирования потенциально претерпевает изменения, а экстраполяционные методы прогнозирования основаны на предположении о сохранении структуры объекта прогнозирования на периодах основания и упреждения прогноза.
На практике бывает крайне сложно выявить степень изменения структурных зависимостей объекта прогнозирования и определить оптимальный период основания прогноза. Использование слишком короткого периода основания прогноза приводит к тому, что нейронная сеть обучается на слишком малом количестве обучающих примеров, которого недостаточно для моделирования предметной области. В свою очередь, использование слишком длинного периода основания прогноза приводит к использованию «старых» обучающих примеров, что может привести к моделированию уже не существующих зависимостей.
Преобразование обучающей выборки нейронной сети. После определения состава обучающих примеров и их количества необходимо представить их в виде, удобном для обработки нейронной сетью. Нейростевые алгоритмы работают только с числами, так как их работа базируется на арифметических операциях умножения и сложения. Однако не вся входная-выходная переменная в исходном виде может иметь числовое выражение. Соответственно, все такие переменные следует закодировать - перевести в числовую форму [43].
Задача нейросетевого моделирования заключается в нахождении зависимостей между входными и выходными переменными, и единственным источником информации для статистического моделирования являются примеры из обучающей выборки. Чем больше бит информации принесет каждый пример, тем лучше используются имеющиеся данные [43].
Особенности электропотребления Сорского производственного комплекса
Сорский производственный комплекс (СПК) представляет собой предприятие добычи, переработки молибденового концентрата и получения ферромолибдена [19, 22, 23, 24, 25]. Юридически СПК состоит из ООО «Сорский горно-обогатительный комбинат» и 000 «Сорский ферромолибденовый завод» (см. рис. 1.4). СПК создан на базе Сорского месторождения медно-молибденовых руд в Усть-Абаканском районе (Республика Хакасия) на восточных отрогах Кузнецкого Алатау. Сегодня СПК - это современное предприятие замкнутого цикла производства, от добычи руды до выплавки ферромолибдена, использующее передовые технологии.
В настоящее время молибден является одним из важнейших легирующих металлов, более 75 % молибдена применяют для легирования жаростойких и жаропрочных сталей. Значительная доля металла используется в высоких химических технологиях, в авиакосмической индустрии, энерготурбинах, автостроении. Благодаря тугоплавкости и низкому коэффициенту теплового расширения этот металл широко применяют в электротехнике, радиоэлектронике, технике высоких температур. Наметившийся тренд в развитии российской энергетики, предполагающий постройку большого количества турбин для новых станций, увеличение заказов в оборонной промышленности, новые перспективы авиакомплекса дают основания считать, что потребности в молибдене и его производных будут с каждым годом расти. Аналогичные процессы происходят и на мировых рынках.
Электроснабжение Сорского производственного комплекса осуществляется от двух главных понизительных подстанций Дзержинская-1 (ТРДН-25000/110 2Т) и Дзержинская-3 (ТРДН-40000/110 2Т). Нарис. 1.4 представлена структурная схема электроснабжения СПК. Согласно принятой иерархии энергетических объектов СПК относится к крупным потребителям, имеющим главную понизительную подстанцию (подстанции) с высшим напряжением 35-330 кВ и специализированные цеха (подразделения в составе электрослужб) [63]. СПК является градообразующим предприятием и участвует в электроснабжении города Сорска (Республика Хакасия).
Основными потребителями электроэнергии на СПК являются обогатительная фабрика, цех ферромолибдена, рудник открытых работ, ТЭЦ, ремонтные мастерские, погрузочно-транспортное хозяйство, автотранспортный и вспомогательные цеха. Общее количество изделий, узлов, деталей, образующих электрическое хозяйство СПК и указанных в какой-либо спецификации, может быть оценено порядка 1010. Электрическое хозяйство СПК обладает всеми признаками техиоценоза - ограниченная во времени и пространстве искусственная система, сообщество изделий со слабыми связями и едиными целями [63].
Электропотребление СПК определяется совокупностью электропотребления всех его установок и представляет сложный нестационарный процесс, на который оказывает влияние множество производственных, технологических, горно-геологических, климатических, социальных и других факторов [19].
Для первичного анализа особенностей электропотребления СПК был сформирован предварительный перечень доступной информации о значениях прогнозируемого показателя (суммарного электропотребления СПК) и влияющих факторов и осуществлен ее сбор за 2008-2009 гг. На рис. 4.1 представлен график почасовых значений электропотребления СПК в 2009 году.
На приведенном графике (рис. 4.1) присутствуют значения, значительно отличающиеся от типичных. Часть из них являются ошибочными (выбросы), которые необходимо удалить и восстановить, а другая часть соответствует интервалам ремонтного отключения электрооборудования комплекса.
Практика прогнозирования параметров сложных электротехнических систем показывает, что в ходе решения данной задачи необходим учет цикличностей прогнозируемого временного ряда электропотребления, соизмеримых с периодом упреждения прогноза. В условиях работы предприятия на ОРЭМ необходимо обеспечение прогнозирования электропотребления с периодом упреждения от 36 часов [17, 19, 21]. Таким образом, в первую очередь, необходим анализ суточной и недельной цикличностей. На рис. 4.2 представлен график электропотребления СПК за три недели.
На рис. 4.3 и рис. 4.4 представлены диаграммы типа «ящик-усы» распределения величины электропотребления СПК по различным дням недели (рис. 4.3) и различным часам суток (рис. 4.4). По приведенным графикам и диаграммам можно сделать вывод об отсутствии недельной цикличности и наличии суточной цикличности электропотребления комплекса.
Спектральный анализ Фурье [96, ПО] помимо суточной цикличности (продолжительностью 24 периода) выявил также наличие цикличностей в пределах суток продолжительностью 8 и 12 периодов, что обусловлено смешанной работой предприятия в 3 смены по 8 часов, и в 2 смены по 12 часов [19, 24]. По рис. 4.4 также можно визуально судить о неравномерности вариации величины электропотребления комплекса для различных часов суток.
На электропотребление СПК оказывает влияние множество факторов различной природы: производственные, технологические, горно-геологические, климатически, социальные и др. [19], однако уровень детализации учета по основным влияющим факторам не отвечает необходимым требованиям. Доступная информация о значениях влияющих факторов включает в себя информацию о почасовых режимах работы обогатительной фабрики (нормальный-ремонтный), о показателях переработки обогатительной фабрики (тыс. т) за месяц, о показателях добычи рудника открытых работ (тыс. куб. м) за месяц, о почасовых значениях температуры окружающего воздуха (С), о почасовых значениях атмосферного давления (мм.рт.ст.) и о среднесуточных значениях облачности (по 10-бальной шкале) за 2008-2009 гг.
Для задачи краткосрочного прогнозирования с периодом упреждения до двух суток и дискретностью прогнозируемого показателя в 1 час степень информативности данных о значениях влияющих факторов дискретностью в 1 месяц является низкой. Таким образом, было принято решение в дальнейшем не использовать информацию о месячных показателях переработки обогатительной фабрики и о месячных показателях добычи рудника открытых работ.
Влияние температуры окружающего воздуха на электропотребление предприятия обусловлено ее влиянием на ряд производств, связанным с изменением мощности, потребляемой на обогрев помещений и вентиляцию. Вследствие тепловой инерционности электропотребление с некоторой задержкой реагирует на изменения температуры воздуха. В связи с этим была произведена предварительная оценка статистического влияния различных лагов (задержек) температуры на величину электропотребления СПК. На рис. 4.5 представлена диаграмма рассеяния для сдвига между температурой воздуха и электропотреб лением СПК, при котором был получен наибольший по абсолютному значению коэффициент линейной корреляции Пирсона (Pearson) г = - 0,44.
На рис. 4.6 представлена диаграмма рассеяния между часовым электропотребления СПК и величиной атмосферного давления. Слабую корреляцию (г = 0,21), скорее всего, можно интерпретировать как ложную, так как между температурой окружающего воздуха и атмосферным давлением прослеживается обратная корреляционная связь.
Влияние облачности на электропотребление предприятия обусловлено изменением осветительной нагрузки при изменении освещенности (главным образом в часы восхода и захода солнца). На рис. 4.7 представлена диаграмма рассеяния между среднесуточной облачностью (по 10-бальной шкале) и суточным электропотреблением СПК. Форма зависимости и величина коэффициента корреляции (/- = - 0,18) позволяют сделать вывод о несущественной связи, что объясняется незначительной долей мощности осветительных установок в суммарной мощности электрооборудования комплекса.
Таким образом, в ходе первичного анализа доступной информации была исключена наименее информативная информация. В итоге для построения системы прогнозирования электропотребления комплекса было принято решение использовать данные о почасовом электропотреблении предприятия, о почасовых режимах работы обогатительной фабрики (нормальный-ремонтный) и о почасовых значениях температуры окружающего воздуха. В соответствии с предложенной структурой, представленной на рис. 3.3, была спроектирована база данных системы прогнозирования СПК и произведено ее заполнение с предварительной обработкой данных.
Особенности системы прогнозирования электропотребления Сорского производственного комплекса
Построенная система прогнозирования электропотребления горного предприятия (на примере Сорского производственного комплекса) осуществляет работу в четырех основных режимах:
пополнение базы данных;
идентификация модели прогнозирования;
корректировка параметров модели прогнозирования;
прогнозирование и визуализация.
На рис. 5.5 представлено главное окно пользовательского режима системы прогнозирования, выполненное с использованием средств дескрипторнои графики системы MATLAB.
Пополнение базы данных производится ежедневно один раз в сутки непосредственно перед формированием прогноза электропотребления на следующие операционные сутки.
Режим идентификации модели прогнозирования предполагает полную настройку модели прогнозирования (определение перечня используемых входных признаков, определение количества нейронных сетей, их структуры и параметров для каждой часовой модели) в полуавтоматическом режиме с привлечением эксперта-прогнозиста. Идентификация модели прогнозирования производится непосредственно после установки системы прогнозирования на предприятии, а также по мере необходимости в ходе эксплуатации системы. Например, если в ходе эксплуатации системы прогнозирования наблюдается снижение качества прогнозирования (при этом корректировка параметров модели не способствует восстановлению требуемого качества прогнозирования), то необходимо заново пройти все этапы идентификации модели прогнозирования (рассмотрены в подразделе 3.6). Кроме того, если в модель прогнозирования вносятся изменения (например, за счет использования информации о новых влияющих факторах), то необходимо также произвести полную идентификацию модели с учетом новых входов модели прогнозирования [17].
Режим корректировки параметров модели прогнозирования предполагает только перенастройку параметров используемых нейронных сетей в автоматическом режиме с использованием поступивших с момента последней настройки данных (перечень входных признаков, структура нейронных сетей и их количество остается неизменным) без привлечения эксперта-прогнозиста. В ходе эксплуатации системы прогнозирования корректировка параметров модели производится по мере необходимости при снижении качества прогнозирования.
В режиме прогнозирования и визуализации пользователем задаются границы интервала упреждения прогноза, после чего производится расчет прогнозных значений и визуализация результатов. При необходимости пользователь имеет возможность вручную скорректировать прогноз, после чего он будет внесен в базу данных системы прогнозирования для дальнейшего анализа ошибок прогнозирования [17].
Разработанная система прогнозирования электропотребления обладает гибкостью и возможностью своего дальнейшего усовершенствования. Система прогнозирования позволяет безболезненно ввести в модель прогнозирования дополнительную информацию (как о влияющих факторах, так и об электропотреблении различных подразделений), а также дополнительные методы прогнозирования. При необходимости система прогнозирования может быть переведена на другой язык программирования благодаря встроенным компиляторам системы MATLAB.
Для повышения прогнозирующих качеств системы прогнозирования электропотребления предприятия предлагаются следующие практические мероприятия.
1) Организация детализированного учета основных факторов, влияющих на электропотребление.
Анализ результатов прогнозирования электропотребления Сорского производственного комплекса (приведены в табл. 5.1 и прил. Ш), показал, что показатель МАРЕ, определяющий среднюю относительную точность прогнозирования, для различных прогнозных суток изменяется в достаточно широком диапазоне [19, 24]. Кроме того, показатель МРЕ, позволяющий судить об относительной степени смещенности прогнозов, для большинства прогнозных суток значителен и соизмерим с показателем МАРЕ. Подобные результаты позволяют сделать вывод о том, что значимые факторы (как правило, для промышленных предприятий такими факторами являются в первую очередь технологические или производственные), влияющие на процесс электропотребления предприятия, в необходимой мере не учтены в модели прогнозирования [17].
Организация учета по основным влияющим факторам и введение их в модель прогнозирования способствует снижению неопределенной компоненты 6(t) формулы (2.2), что в дальнейшем позволит повысить среднюю точность прогнозирования, стабилизировать значение ошибки прогнозирования и снизить степень смещенности прогнозов. При этом необходимо, чтобы уровень дискретности учета основных влияющих факторов был соизмерим с уровнем дискретности прогнозируемого показателя, то есть необходима организация учета с почасовой, посменной или посуточной дискретностью.
Разработанная система прогнозирования электропотребления позволяет безболезненно ввести в модель прогнозирования новую входную информацию о влияющих факторах. В этом случае будут созданы дополнительные таблицы базы данных, сформированы дополнительные входы модели и соответствующие им SQL запросы, а также произведена идентификация новой модели прогнозирования.
2) Организация детализированного учета электропотребления по основным подразделениям предприятия.
Если осуществлять прогнозирование электропотребления каждого подразделения предприятия в отдельности и формировать результирующий прогноз предприятия как сумму прогнозов отдельных его подразделений, то можно добиться повышения точности прогнозирования суммарного электропотребления предприятия [17]. Это обусловлено, во-первых, диверсификацией ошибок отдельных прогнозов (взаимоустранение отрицательных и положительных отклонений) и, во-вторых, повышением качества прогнозирования электропотребления отдельных подразделений, так как процесс электропотребления каждого подразделения является индивидуальным, характеризуется собственными циклами, набором влияющих факторов и т.п., что необходимо учитывать при прогнозировании.
Необходимо отметить еще один положительный эффект от организации учета электропотребления по основным подразделениям предприятия. Различные подразделения предприятия претерпевают различные структурные изменения, вызванные непрерывной реконструкцией и обновлением их электрического хозяйства, а также особенностями деятельности человека. Если, например, в одном из подразделений произошли значительные изменения в составе или в режимах работы электрооборудования, и при этом учет электропотребления осуществлялся только в целом по предприятию, то вся статистика электропотребления по предприятию теряет свою состоятельность для прогнозирования будущих значений электропотребления. Этого можно избежать, организовав учет по всем основным подразделениям.
3) Использование приборов учета электропотребления более высокого класса точности.
4) Использование дополнительных методов прогнозирования.
В настоящей работе для прогнозирования электропотребления используется комбинирование моделей прогнозирования на основе многослойного пер-септрона. В то же время дополнительно могут быть использованы модели, построенные на основе других методов прогнозирования (как на основе искусственных нейронных сетей другой архитектуры, так и на основе прочих методов, например, описанных в подразделе 1.4). При этом система MATLAB предоставляет богатые возможности для использования различных методов прогнозирования и построения комбинации моделей.
