Содержание к диссертации
Введение
ГЛАВА 1. Оптовый рынок электроэнергии, основные положения, постановка задачи 12
1.1 Текущее состояние оптового рынка электроэнергии, 12
основные этапы и пути его развития 12
1.2 Принципы организации модели оптового рынка электроэнергии 14
1.3 Проблемы и специфика приобретения электроэнергии на рынке «на сутки вперед» энергосбытовыми предприятиями 20
1.4 Проблемы участников оптового рынка электроэнергии 22
1.5 Требования к программной реализации метода краткосрочного прогнозирования электропотребления энергосбытового предприятия 25
1.6 Выводы по первой главе 29
ГЛАВА 2. Анализ методов краткосрочного прогнозирования электропотребления 30
2.1 Классификация методов прогнозирования электропотребления 30
2.1.1 Экстраполяция со скользящей средней 33
2.1.2 Регрессионные методы 34
2.1.3 Методы временных рядов 35
2.1.4 Экспертные методы 37
2.1.5 Методы с использованием нейронных сетей 37
2.1.6 Метод опорных векторов 39
2.1.7 Техноценоз 41
2.1.8 Гибридные методы 42
2.2 Обзор методов краткосрочного прогнозирования электропотребления, 43
применяемых на практике 43
2.3 Выводы по второй главе 58
ГЛАВА 3. Разработка гибридного метода краткосрочного прогнозирования объемов электропотребления энергосбытового предприятия и программы 59
3.1 Спектральный анализ ретроспективных данных об электропотреблении 59
3.2 Влияние метеофакторов и ветро-холодового индекса в задаче краткосрочного прогнозирования электропотребления 62
3.3 Формирование обучающей выборки с использованием функции конкурентного сходства FRiS-Stolp 66
3.4 Модель краткосрочного прогнозирования электропотребления, основанная на искусственной нейронной сети 71
3.5 Гибридный метод краткосрочного прогнозирования объемов электропотребления для энергосбытового предприятия 76
3.6 Модель краткосрочного прогнозирования электропотребления для энергосбытового предприятия, с учетом метеофакторов и ветро-холодового индекса 3.6 Программная реализация метода краткосрочного прогнозирования электропотребления 89
3.7 Выводы по третьей главе 92
ГЛАВА 4. Экспериментальное исследование программы краткосрочного прогнозирования электропотребления энергосбытового предприятия
4.1 Структура потребителей и основные бизнес-процессы энергосбытового предприятия 93
4.2 Планирование исследования, характеристика ретроспективных данных и параметров 99
4.3 Применение модели на основе гибридного метода краткосрочного прогнозирования электропотребления для энергосбытового предприятия 100
4.4 Исследование модели без влияющих метеофакторов 105
4.5 Исследования с учетом средней температуры окружающего воздуха 106
4.6 Исследования с учетом средней температуры окружающего воздуха, и витро-холодового индекса 107
4.7 Результаты тестирования с учетом используемой программно-аппаратной платформы 109
4.8 Вывод доверительного интервала при отображении полученных результатов эксперту 116
4.9 Обоснование эффективности 122
4.10 Выводы по четвертой главе 125
Заключение 126
Литература
- Проблемы и специфика приобретения электроэнергии на рынке «на сутки вперед» энергосбытовыми предприятиями
- Экстраполяция со скользящей средней
- Модель краткосрочного прогнозирования электропотребления, основанная на искусственной нейронной сети
- Результаты тестирования с учетом используемой программно-аппаратной платформы
Введение к работе
Актуальность работы. Современные условия развития электроэнергетики в РФ характеризуются, с одной стороны, повышением цен на топливно-энергетические ресурсы для производства электроэнергии, с другой стороны, удорожанием строительства электростанций при применении более высокотехнологического оборудования и ужесточением требований по охране окружающей среды. Основные этапы развития Российской электроэнергетики регламентируются Федеральным законом «Об электроэнергетике» №35-ФЗ от 26 марта 2003г.
Развитие оптового рынка электроэнергии создало дополнительные экономические рычаги для его субъектов, которые позволяют наиболее рационально использовать ресурсы и обеспечивать баланс между выработкой электроэнергии и её потреблением. В настоящее время оптовый рынок электроэнергии РФ представляет собой модель конкурентного рынка, которая включает в себя рынок долгосрочных двусторонних договоров; рынок на сутки вперёд; балансирующий рынок. Постановлением правительства РФ №529 от 31 августа 2006г. определены планы развития оптового рынка электроэнергии. Так, доля регулируемых договоров в 2016 году распространяется на тарифную группу «население» и приравненных к ней потребителей. Порядок работы по регулируемым договорам для субъектов оптового рынка электроэнергии определен регламентом регистрации регулируемых договоров купли-продажи электрической энергии и мощности и утвержден Ассоциацией Некоммерческое партнерство «Совет рынка по организации эффективной системы оптовой и розничной торговли электрической энергией и мощностью» (с изменениями от 7 октября 2015 г., 18 ноября 2015 г.). При этом основной объем покупки электроэнергии для энергосбытовых предприятий формируется на конкурентной основе электрогенерирующими предприятиями и гидроэлектростанциями по ценовым зонам.
Согласно Постановления правительства РФ от 31 августа 2006 г. №530 «Об утверждении Правил функционирования розничных рынков электрической энергии в переходной период реформирования электроэнергетики», определяющего политику взаимодействия электроэнергетических предприятий в России, энергосбытовые предприятия выполняют функции расчетно-кассового центра и осуществляют покупку необходимых объемов электроэнергии на оптовом рынке электроэнергии, а также продажу необходимых объемов электроэнергии потребителям (физическим и юридическим лицам). В Европейских странах, такая практика сложилась ранее, но отличительной ее особенностью является принадлежность всей сетевой инфраструктуры государству, а наряду с энергосбытовыми предприятиями на рынке представлены обслуживающие организации, которые осуществляют непосредственную работу с потребителями.
В 2010-2014 годах в РФ наблюдалось активное перераспределение потребителей между энергосбытовыми компаниями, оно было характерно в основном для крупных потребителей, у которых месячный объем электропотребления составлял более 500000 КВтчасов, поскольку такая величина электропотребления позволяла в значительной степени обеспечить существенную экономическую эффективность за счет построения более точного прогноза электропотребления и возможностей оптового рынка электроэнергии, обеспеченных законодательством. Международная практика показывает, что фундаментом целевой модели является конкуренция, при обеспечении надежного энергоснабжения потребителей — именно этот принцип заложен в основе модели оптового рынка электроэнергии в РФ.
Основным фактором для энергосбытового предприятия, при расчете конечной цены электроэнергии для потребителей является стоимость ее приобретения на рынке «на сутки вперед». При этом в коммерческих интересах субъектов оптового рынка электроэнергии является использование и развитие актуальных методик и инфраструктуры – систем автоматизированного контроля и учета электроэнергии, а также, использование современного программного обеспечения с единой базой данных, отражающей все бизнес-
процессы компании. В РФ цены на балансирующем рынке, как правило, отличаются от цен на рынке «на сутки вперед» на 10-30% в сторону увеличения, в странах – лидерах по оснащению системами автоматизированного коммерческого учета электроэнергии (Канада, Франция, Германия), где нет проблем со сбором интервальных показаний приборов учета, этот показатель отличается в 2-5 раз, что несет повышенные требования к построению прогностических моделей потребления электроэнергии.
Действующая модель оптового рынка электроэнергии в РФ определяет правила покупки необходимого объема электроэнергии для субъектов следующим образом: экспертами осуществляется прогноз в режиме «на сутки вперед» с использованием наработанных методик / информационных систем и подается заявка «Администратору торговой системы» на покупку необходимых объемов электроэнергии на рынке «на сутки вперед» на каждый час последующих суток. Стоимость киловатт-часа перебора/недобора от поданной величины, рассчитывается по сложившемуся факту – по тарифу балансирующего рынка. В связи с этим, возрастает степень важности процесса краткосрочного/среднесрочного прогнозирования необходимых объемов электроэнергии на «рынке на сутки вперед» и формирования плана в среднесрочной перспективе для энергосбытового предприятия.
Ввиду вышесказанного, каждому субъекту оптового рынка электроэнергии необходимо иметь базу ретроспективных данных и апробированных методологических моделей для построения краткосрочных/среднесрочных прогнозов электропотребления, с целью приобретения наибольшего объема электроэнергии на рынке «на сутки вперед» и обеспечения наименьших отклонений, от прогнозных величин, на «балансирующем рынке». К сожалению, до настоящего времени, единой и общепринятой методологической базы не создано. В связи с этим, разработка методологической базы для создания прогностических моделей на рынке «на сутки вперед» является актуальной задачей.
Степень разработанности проблемы. Решению задач моделирования и прогнозирования процессов электропотребления в системах электроснабжения и электротехничесих системах посвящены работы российских и зарубежных авторов: Васильева И.Е., Гамма А.З., Гордеева В.И., Гросса Дж., Гнатюка В.И., Гурского С.К., Доброжанова В.И., Жежеленко И.В., Каялова Г.М., Кудрина Б.И., Курбацкого В.Г., Кирпичниковой И.М., Куренного Э.Г., Лещинской Т.Б., Макоклюева Б.И., Манусова В.З., Надтоки И.И., Осовского А.С., Пантелеева В.И., Седова А.В., Степанова В.П., Goliana F.D., Bunn D.W., Fermer E.D., Ackerman G.B., Gupta P.C., Baker A.B., Chen M.S., Fan J.Y., Huang C.M., Yang H.T. и др.
В последнее время получили развитие гибридные методы для построения краткосрочных прогнозов электропотребления, поскольку они обеспечивают наивысшую точность и способны объединить в себе наилучшие черты используемых простых по структуре методов, которые в случае использования их по-отдельности не обеспечат высокой точности прогнозирования.
Объект исследования – электротехническая система, включающая энергосбытовое предприятие и потребителей электрической энергии с различным профилем нагрузки.
Предмет исследования – изучение системных свойств и связей в электротехнической системе в условиях внешних воздействий метеофакторов, модель и метод краткосрочного прогнозирования потребления электрической энергии с учетом ветро-холодового индекса.
Целью диссертации является разработка гибридного метода краткосрочного прогнозирования потребления электрической энергии, обладающего повышенной точность, для энергосбытового предприятия в условиях оптового рынка электроэнергии.
Для достижения цели необходимо решить следующие задачи: 1. Провести анализ специфики работы энергосбытовых предприятий в условиях оптового рынка электроэнергии, существующих методов прогнозирования, выработать требования для разработки программного обеспечения, реализующего метод прогнозирования.
-
Провести анализ процесса потребления электрической энергии потребителей энергосбытового предприятия с целью выявления в нем закономерностей и выбора типа метода прогнозирования, обеспечивающего наиболее высокую точность прогноза.
-
Разработать гибридный метод краткосрочного прогнозирования процесса потребления потребителей энергосбытового предприятия с целью покупки необходимых объемов электрической энергии на рынке на «сутки вперед».
-
Разработать прогнозную модель процесса электропотребления потребителей энергосбытового предприятия с учетом метеофакторов и ветро-холодового индекса.
-
Разработать программное обеспечение, реализующее гибридный метод краткосрочного прогнозирования процесса электропотребления потребителей энергосбытового предприятия.
-
Разработать методику формирования обучающей выборки для метода краткосрочного прогнозирования электропотребления потребителей энергосбытового предприятия с учетом критериев информативности и компактности и вывода результатов прогноза с учетом доверительного интервала.
-
Оценить неопределенность при использовании гибридного метода краткосрочного прогнозирования, с учетом специфики работы энергосбытового предприятия.
Научная новизна диссертационного исследования. В диссертационной работе получены следующие основные результаты, обладающие научной новизной:
-
Гибридный метод краткосрочного прогнозирования потребления электрической энергии для энергосбытового предприятия, отличающийся использованием аппроксимации временного ряда ретроспективных данных о потреблении электрической энергии, причем коэффициенты аппроксимации находятся с использованием искусственной нейронной сети.
-
Прогнозная модель процесса потребления электрической энергии для энергосбытового предприятия, отличающаяся учетом ветро-холодового индекса.
-
Методика формирования обучающей выборки для гибридного метода краткосрочного прогнозирования потребления электрической энергии, отличающаяся использованием климатических параметров и ретроспективных данных о потреблении электрической энергии с учетом критериев информативности и компактности.
Практическая значимость работы заключается в снижении объемов потребления электрической энергии, приобретаемых на балансирующем рынке с помощью научно – обоснованных метода и модели краткосрочного прогнозирования процесса потребления электрической энергии потребителями энергосбытового предприятия, методики формирования обучающей выборки, с учетом критериев информативности и компактности, – путем использования разработанного программного обеспечения с широкими функциональными возможностями, которые могут адаптироваться, с актуализацией требований энергосбытового предприятия.
Методы исследования. В диссертационной работе были использованы методы статистической обработки данных, математического прогнозирования, искусственного интеллекта (искусственные нейронные сети) и когнитивного анализа данных.
Обоснованность и достоверность научных положений, выводов рекомендаций, подтверждается анализом и сравнением полученных результатов прогнозов, формируемых предложенным гибридным методом, сопоставляемых с фактическими данными о потреблении электрической энергии потребителями ООО «Омская энергосбытовая компания».
Положения, выносимые на защиту:
1. Гибридный метод краткосрочного прогнозирования потребления электрической
энергии энергосбытового предприятия с использованием искусственной нейронной сети, основанный на аппроксимации ретроспективных данных потребления электрической энергии.
-
Прогнозная модель процесса потребления электрической энергии для энергосбытового предприятия с учетом внешних воздействий метеофакторов и ветро-холодового индекса.
-
Методика формирования обучающей выборки с учетом критериев информативности и компактности для гибридного метода прогнозирования потребления электрической энергии с использованием климатических параметров и ретроспективных данных о потреблении электрической энергии.
Реализация результатов работы. Гибридный метод краткосрочного прогнозирования электропотребления энергосбытового предприятия был разработан в рамках работы по договору № 29.108.226.16 от 20.05.2016 г., заключенного между ФГБОУ ВО «Омский государственный технический университет» и ООО «Омская энергосбытовая компания» и обеспечил неопределенность прогноза 1,49% на годовом интервале.
Получены – акт о внедрении от 18 октября 2016 г. гибридного метода краткосрочного прогнозирования электропотребления для энергосбытового предприятия в производственный процесс ООО «Омская энергосбытовая компания» и акт внедрения результатов диссертационной работы в учебный процесс ФГБОУ ВО «Омский государственный технический университет» от 11 января 2017г.
Апробация результатов работы. В полном объеме работа докладывалась и обсуждалась на расширенных заседаниях кафедры «Электрическая техника» ФГБОУ ВО «Омский государственный технический университет». Основные положения диссертационной работы докладывались и обсуждались на международных и всероссийских конференциях – VI, VII, X Международных конференциях «Динамика систем, механизмов, машин» – Омск: ОмГТУ, VIII Всероссийской научно-практическая конференция студентов, аспирантов и молодых ученых, Томск: ТПУ, 2010 год; Межвузовской научно-технической конференции «Информатика, вычислительные машины, комплексы, системы и сети» - Омск: ОмГТУ, 2014; XI –ой Международной конференция «Новые информационные технологии в исследовании сложных структур», Томск: ТПУ, 2016; Всероссийской научной конференции студентов, магистрантов, аспирантов «Актуальные вопросы энергетики», Омск:ОмГТУ, 2016; V-ой Международной конференция школьников, студентов, аспирантов и молодых ученых «Ресурсоэффективные системы в управлении и контроле: взгляд в будущее», Томск, 2016. – Получен диплом первой степени. X-ой Международной конференции «Динамика систем, механизмов, машин» – Омск: ОмГТУ, 2016; 46-ой Международно-практической конференции с элементами научной школы «Федоровские чтения», Москва: МЭИ, 2016.
Соответствие научной специальности 05.09.03 «Электротехнические комплексы и системы»: исследование, проводимое в рамках диссертационной работы, соответствует формуле специальности и областям исследования:
п.1 «Развитие общей теории электротехнических комплексов и систем, изучение системных свойств и связей, физическое, математическое, имитационное и компьютерное моделирование компонентов электротехнических комплексов и систем»;
п.4 «Исследование работоспособности и качества функционирования электротехнических комплексов и систем в различных режимах, при разнообразных внешних воздействиях».
Публикации. По теме диссертации опубликовано 30 научных работ (из них 5 в периодических изданиях, рекомендованных ВАК РФ, 1 работа в издании, входящем в международную систему цитирования SCOPUS), 9 докладов на конференциях, 7 свидетельств на программное обеспечение для ЭВМ, один патент.
Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, изложенных на 136 страницах машинописного текста, содержит 63 рисунка, 23 таблицы, список используемой литературы из 158 наименований, 10 приложений на 16 стр.
Автор выражает благодарность коллективу дирекции по работе на оптовых рынках электроэнергии и мощности ООО «Омская энергосбытовая компания» и ее руководителю –
Синицину Г. Э. за совместную работу в проведении экспериментов с использованием разработанных алгоритмов, метода, моделей и программного обеспечения.
Проблемы и специфика приобретения электроэнергии на рынке «на сутки вперед» энергосбытовыми предприятиями
Действующая в настоящее время модель оптового рынка электроэнергии состоит из следующих сегментов: - рынок долгосрочных двухсторонних договоров; - рынок на сутки вперед (РСВ); - балансирующий рынок (БР). На рынке долгосрочных двухсторонних договоров работа осуществляется как по заранее свободным двусторонним договорам, так и по регулируемым договорам. Тарифы на продажу электроэнергии по таким договорам устанавливает ФСТ России (Федеральная служба по тарифам), а возможных поставщиков и потребителей по таким договорам определяет «Администратор торговой системы». Заключая свободные двусторонние договоры, поставщики и покупатели сами определяют необходимые объемы электроэнергии, сроки поставки и цены. Поставщики, в этом случае, обязаны обеспечить поставку необходимого объема электроэнергии, производя его на собственных генерирующих мощностях, либо приобрести, в случае нехватки, у других поставщиков на рынке «на сутки вперед».
На рынке «на сутки вперед» приобретаются/продаются лишние/недостающие объемы планового почасового производства/потребления электроэнергии, относительно приобретаемых объемов электроэнергии по регулируемым договорам, а стоимость ценового предложения на электроэнергию, называемая равновесной ценой, определяется на основании ценовых заявок поставщиков и покупателей соответствующей ценовой зоны с учетом необходимых перетоков электроэнергии. Процесс конкурентного отбора заявок состоит из трех этапов.
На первом этапе Администратор торговой системы получает от Системного оператора актуализованную расчетную модель энергосистемы [17], состоящую из схемы, состава работающего оборудования, имеющихся возможных ограничений и других актуальных параметров.
На втором этапе поставщики формируют ценовые заявки в формате каждого часа для операционных суток, которые поставщик способен обеспечить. В случае, если поставщики электроэнергии не указывает цену, формируя заявку только на объем вырабатываемой электроэнергии, считается, что поставщики соглашаются с ценой, которая будет сформирована по фактическим ценовым заявкам, в результате конкурентного отбора на рынке «на сутки вперед». Заявки от покупателей также содержат стоимость электроэнергии и приобретаемый объем по каждому часу. Как у покупателей, так и поставщиков имеется возможность формирования ценопринимающих заявок. В этом случае, одна сторона соглашается с ценой заявленной другой стороной. На основании данных, полученных от всех участников оптового рынка электроэнергии с одной стороны, и данных системного оператора с другой стороны, администратор торговой системы с использованием математических моделей [18], формирует равновесные почасовые цены для каждой из ценовых зон. В первую очередь, выбираются поставщики, которые предложили наименьшую цену за выработанные объемы электроэнергии, и ценовые предложения покупателей, которые наоборот предложили наивысшую цену за необходимы объем электроэнергии. Равновесная цена (рис.1.2) определяется как максимальное ценовое предложение электростанции, объемы выработки электроэнергии которой еще востребованы рынком. Производители электроэнергии, ценовое предложение которых получилось больше равновесной цены, сформированной на рынке, в торговый график не включаются. Такой подход позволяет планомерно загрузить генерирующие мощности, при этом, среднерыночная стоимость электроэнергии сохраняется в допустимых пределах. Также такой подход делает выгодным для генерирующих предприятий модернизацию оборудования и переход на экологически чистые энергоносители. Если рассмотреть страны Европейского союза, то цены на разные типы энергоносителей также отличаются. Цена, в этом случае, формируется по рыночным механизмам, но государство имеет возможность контролировать стоимость каждого вида энергоносителя через «экологические сертификаты» [19]. Так, если генерирующее предприятие использует для выработки энергии природный уголь, ей необходимо приобрести у государства «коричневые сертификаты», количество которых будет зависеть от планируемых объемов выработки электроэнергии. Если генерирующее предприятие использует в качестве энергоносителя газ, то необходимо приобрести «зеленые сертификаты». Денежные средства, полученные от приобретения таких сертификатов, идут на решение вопросов, связанных с экологическими проблемами стран. Стоимость «коричневых сертификатов» значительно выше стоимости «зеленых сертификатов». Используя такой механизм государство принуждает производителей электроэнергии к переходу на более экологически чистые энергоносители. Кроме того, существует государственная программа, по которой генерирующие предприятия с каждым последующим годом, вынуждены увеличивать долю вырабатываемой «зеленой энергии», в противном случае штрафные санкции будут превышать экономический эффект от выработки электроэнергии.
Третий этап – формирование планового графика. После формирования, «Администратор торговой системы» передает его «Системному оператору», основной функцией которого является контроль целостного режима энергосистемы. В том случае, если в результате конкурентного отбора объем торгового производства/потребления не вошел в плановый график, поставщик электроэнергии может ограничить свое производство/потребление электроэнергии, либо выработать/потребить необходимые объемы электроэнергии на балансирующем рынке. Порядок цен и плановые объемы выработки/продажи электроэнергии публикуются ежедневно, в реальном режиме времени, на официальном сайте АО «АТС» [20]. Почасовые отклонения, отличаются от плановых тем, что объем электроэнергии, для отдельно взятого часа, в этом случае по установленным правилам, приобретается/реализуется на балансирующем рынке (рис.1.3).
Экстраполяция со скользящей средней
Другой группой известных и применяемых методов являются - регрессионные методы, которые также широко используются при решении задач прогнозирования электропотребления [58], поскольку они позволяют учитывать большое количество внешних факторов влияющий на прогноз, таких как метеорологические параметры (температура окружающего воздуха, влажность, естественную освещенность, динамика электропотребления потребителя), производственные факторы (объем выпускаемой продукции, количество работников предприятия). В этом их основное преимущество, относительно методов, основанных на экстраполяции скользящих средних.
Использование регрессионных методов позволяет оценить возможные зависимости в данных и причинно-следственные связи. Другое их преимущество состоит в том, что методы данной группы позволяют предсказать значение зависимой переменной по значениям независимых переменных, но при этом, при проведении анализа, либо прогноза, требуется чтобы значения признаков были некоррелируемыми, а также отсутствовала мультиколлинеарность между ними. Результирующих признак должен иметь постоянную дисперсию, которая находится как: D = (Xj-X2);o = vD;V = — 100% ге ,24ч j=i л п - число объектов; Xj- значение признака Xп для j -го объекта; - - среднее значение признака X. Чем сильнее степень разброса значений признака X, тем больше значения D, и V. Коэффициент вариации V - сопоставимая величина для признаков разной природы, его значения выражаются в процентах. Уравнение линейной регрессии может быть представлено в следующем виде: і = а + о]Х1 +02л2 + ... + 0плп + S, где (2-5) Y - результирующий признак; Xi, … Хп - факторные признаки; bi…bn - коэффициенты регрессии; а - свободный член уравнения; s - ошибка" модели. Для нахождения коэффициентов a, bі, Ьг необходимо решить систему нормальных уравнений: Y = па + ЫУ Xj + Ь?У Х7; \ У YX1 = а У Х1 + ЫУ Х1 + Ь2У Х,Х7; (2-6) У YX 7 = аУ Х7 + ЫУ X, Х7 + Ь2У X Преимуществом регрессионных методов заключается в простоте реализации, к недостаткам можно отнести непредсказуемость параметров, влияющих на фактические значения. Возникновение резких изменений в имеющихся ретроспективных данных приведет к нарушению достоверности прогноза. Регрессионные методы хорошо применимы для поиска закономерностей в данных, а также для определения значимых факторов модели, однако при построении краткосрочных моделей прогнозирования электропотребления, они не обеспечивают высокой точности.
Временной ряд – это собранный в разные моменты времени статистический материал о значении каких-либо параметров (в простейшем случае одного) исследуемого процесса [59]. Предполагается, что задачи, решаемые методами временных рядов, имеют внутреннюю структуру, которая подвержена правилам корреляции, автокорреляции, сезонным закономерностям. Теория временных рядов используются при построении прогностических моделей в том числе и с использованием обучаемых методов, таких как нейронные сети, метод опорных векторов. Одним из часто используемых методов является модель Бокса-Дженкинса – ARIMA (autoregressive integrated moving average – интегрированная модель авторегрессии – скользящего среднего). Модель применяется к нестационарным временным рядам, которые можно сделать стационарными, путем взятия разности некоторого порядка от исходных значений временного ряда [60]. Модель ARIMA для нестационарного временного ряда Xt имеет вид: Р ч AdXt = с + ai Ad Xt_t + bjSt_j+st, (2.7) где st - стационарный временной ряд; с, а і, bj - параметры модели. Ad - оператор разности временного ряда порядка d (последовательное взятие d раз разностей первого порядка - сначала от временного ряда, затем от полученных разностей первого порядка, затем от второго порядка и т.д.) Также данная модель интерпретируется как ARIMA (р, d, q) -модель с d единичными корнями. При d = 0 имеем обычные ARIMA (р, d, д)-модели. С помощью лагового оператора L: Lxt = xt_x данные модели можно записать следующим образом: (р л ( q Л (\-L)dXt =с + \ а,1 (l-LYXt+ l + Y.bJLJ st (2-8) V /=1 J V j=l J или сокращённо: a(b) -L)dXt = c + b(L)st. (2.9) р где a[Lj = 1 - V a.Z7 (2.10) i=\ і j 7=1 b{L) = \ + Yjb]L (2.11) Методы, основанные на теории временных рядов, наряду с экстраполяционными и регресионными методами, также получили широкое распространение при построении краткосрочных прогнозов электропотребления, поскольку субъекты оптового рынка электроэнергии – энергосбытовые предприятия, имеют большое количество ретроспективных данных об электропотреблении, а методы этой группы нацелены на обработку больших массивов данных, и позволяют находить в них закономерности, а также использовать эти закономерности при построении моделей прогноза. Недостатками таких методов, является то, что они не обеспечивают требуемую точность прогнозирования для энергосбытовых предприятий. Однако, при использование методов временных рядов в комплексе, например с интеллектуальными методами, требуемая точность может быть достигнута, а используемый методы, в этом случае правильнее будет отнести к группе гибридных методов.
Экспертная оценка необходима, когда нет надлежащей теоретической основы развития объекта. Методы экспертных оценок [61] в прогнозировании электропотребления применяются в следующих случаях: - в условиях отсутствия достаточного набора данных для построения прогноза; - в условиях большой неопределенности прогностического объекта (социальные явления, резко меняющаяся температура окружающего воздуха). - в условиях дефицита времени и экстремальных ситуациях. В настоящее время существует довольно большое количество методов экспертных оценок, но все они делятся на две группы. Первая группа содержит индивидуальные методы, которые основаны на работе одного специалиста (эксперта). Такие методы могут быть как с аналитической обработкой, так и без нее. Методы с аналитической обработкой подразумевают дополнительные действия эксперта над данными, с целью их анализа, предобработки, нахождения закономерностей. Методы без аналитической обработки нацелены на принятие решений по уже сложившемуся опыту эксперта и не подразумевают каких-либо дополнительных действий над данными. Ко второй группе экспертных методов относятся методы, основанные на коллективных оценках двух или более экспертов. Наиболее известным методом этой группы является метод Дельфи, когда эксперты дают аналитические оценки в виде голосования, отвечая на предварительно заданные вопросы. На основе этих ответов формируются взвешенные оценки, которые отражают знания экспертов, и на основе которых принимается окончательное решение о поведении объекта исследования в будущем времени [62].
Модель краткосрочного прогнозирования электропотребления, основанная на искусственной нейронной сети
На энергосбытовых предприятиях ретроспективные данные об электропотреблении, обычно представлены внешними источниками. Это связано со специфичными информационными системами [104,105], которые используются для автоматизации их деятельности. При построении краткосрочного прогноза первичные данные необходимо первоначально извлечь из источников и выполнить их предварительную обработку. Кроме того, при проведении исследований, необходимо учитывать, как явно-выраженные, так и определить скрытые зависимости в их структуре [106,107]. Для поиска таких закономерностей и регулярных составляющих наиболее всего подходят модели, основанные на быстром преобразовании Фурье. Для проводимого исследования использовались данные об электропотреблении ООО «Омская энергосбытовая компания» с 2011 по 2015 годы. Фрагмент таких данных приведен в Таблице 3.1. При решении такого рода задач, полученный результат быстрого преобразования Фурье целесообразно представить в виде периодограммы, поскольку, в этом случае, возможно визуально обнаружить наличие постоянных составляющих, либо низкочастотных компонент – трендов [108].
При исследовании исходных данных методом спектрального анализа, в случае обнаружения трендовых составляющих их целесообразно исключить из данных, поскольку они могут привести к большим погрешностям в высокочастотной области периодограммы. В подобных случаях в качестве формальной модели применяют аппроксимацию тренда с использованием линейной комбинации различных степенных полиномов. Как правило, в состав выражения включается и свободный член, а параметры модели тренда находятся с помощью метода наименьших квадратов [109], далее значения тренда вычитаются из исходных данных. В простейшем случае эта операция сводится к исключению постоянного слагаемого (центрированию ряда). При этом среднее значение ряда находится по формуле: W-l m = 7vZXfc (3.1) fc=0 где iV- количество элементов в ряде; xk - к-ый элемент ряда. Центрированный ряд из исходного получается следующим образом хк = хк тп,к = ОД, ...,N — 1 (3.2) С помощью графического представления можно убедиться в отсутствии постоянной компоненты в представленном центрированном временном ряде.
Для вычисления периодограммы используется быстрое преобразование Фурье. Для использования быстрого преобразования, исходный временной ряд нужно дополнить нулями таким образом, чтобы длина нового ряда была Ыг = 2Р N . С помощью быстрого преобразования Фурье для отдельно взятого ряда было получено:
Используя дисперсию временного ряда, в дальнейшем можно рассчитать пороговое значение для обнаружения сигнала. По представленному алгоритму были получены график электропотребления и фрагмент периодограммы (рис 3.1). Рис. 3.1 График почасового электропотребления
Из графика была установлена ярко выраженная цикличность процесса потребления электрической энергии.
Фрагмент периодограммы почасового электропотребления. Оставшаяся часть периодограммы не содержит значимых пиков. Исходя из вычисленного порога обнаружения сигнала, равного 7.37882E+13 и данных периодограммы было выделено 4 значимых пика.
В таблице 3.2 представлены частотные характеристики пиковых значений. Проанализировав выделенные периоды, см. таблицу 3.2, – можно предположить, что два первых отражают годовой период, т.к. в исследуемом периоде присутствовали данные, как за високосный, так и за невисокосный год, а два последних – суточный.
Из представленных выше материалов следует, что было выделено два значимых циклических периода – суточный и годовой, однако при ближайшем рассмотрении можно увидеть 12 – часовую, недельную и месячную цикличности. Это свидетельствует о том, что в представленных данных имеются регулярные закономерности, специфику которых необходимо учитывать при построении краткосрочного прогноза электропотребления.
В работах [110,111] рассматривались зависимости влияния метеофакторов, – температуры окружающего воздуха на электропотребление отдельно взятого субъекта оптового рынка электроэнергии и способы учета метеофакторов в рассматриваемых методах краткосрочного прогнозирования электропотребления. В работе [112] рассматривается, как длина освещенности светового дня влияет на электропотребление. Эти параметры целесообразно учитывать при построении краткосрочного прогнозирования электропотребления, поскольку, они являются наиболее значимыми. В большинстве случаев, субъект оптового рынка электроэнергии располагает полными метеорологическими параметрами, такими как температура окружающего воздуха, длина светового дня, скорость и направление ветра. В ином случае, метеорологические параметры за необходимый период времени, несложно получить из достоверных источников. На рис. 3.3 представлены графики электропотребления - ООО «Омская энергосбытовая компания» за 2014 и 2015 годы, из которого следует, что процесс электропотребления носит годовой циклический характер.
При рассмотрении отдельно взятого месяца – января 2015 (рис.3.4), года можно заметить, что график также имеет дневную цикличность, которая связана уже с рядом других коррелирующих факторов. Прежде всего – это цикличность охарактеризована цикличностью жизни, в которой можно выделить – рабочее время, время отдыха, праздничные дни. Из Рисунка 3.4 следует, что электропотребление в выходные дни ниже, чем в рабочие дни, таким образом этот факт должен быть учтен, при построении прогноза.
В работе [113] была выдвинута и подтверждена гипотеза о различной динамике электропотребления во времени в различные «типы дней» при построении краткосрочных прогностических моделей электропотребления. Было предложены выделить следующие дни:
Ветро-холодовой индекс погоды позволяет учесть влияние скорости ветра на общее позволяет произвести классификацию временного ряда «по типу дня», позволяя отнести тот или иной день к определенной выше группе и учесть динамику электропотребления характерную для каждого дня из вышеопределенной группы, поскольку временные ряды электропотребления этих дней имеют схожие графики. В работе [114] показано, что температурный фактор является обратно пропорциональным электропотреблению, при этом зависимость между температурным фактором и электропотреблением энергосистем носит значительный характер, а значит, этот параметр должен учитываться как значимый. На рис. 3.5 приведен график температуры окружающей среды с 01.01.2015 г. по 31.01.2015 г. по данным ООО «Омская энергосбытовая компания», а также график температуры с учетом ветро-холодового индекса.
Результаты тестирования с учетом используемой программно-аппаратной платформы
Методы краткосрочного прогнозирования электропотребления, основанные на искусственной нейронной сети, уже рассматривались во многих источниках [89-92,116]. В работе [122], авторы предлагают модель электропотребления, которая основана на постоянной и стохастической компонентах, другой предлагаемой модели краткосрочного прогнозирования электропотребления предлагается еще учитывать и сезонную составляющую, которая имеет ярко выраженный цикл. В работе [123] был предложен метод прогнозирования электропотребления промышленного предприятия – субъекта оптового рынка электроэнергии и мощности, где в качестве входных признаков, было предложено использовать имеющиеся ретроспективные признаки и данные об электропотреблении. Существует большое количество подходов, связанных с формированием архитектуры искусственной нейронной сети и обучающей выборки, а также способов выбора функции активации нейронов. Как правило, субъект оптового рынка электроэнергии и мощности при составлении прогноза оперирует данными АСКУЭ в формате XML 80020. Однако, при возможности целесообразно использовать фактические данные метеоцентра. Фрагмент ретроспективных данных ООО «Омская энергосбытовая компания» об электропотреблении, полученных путем преобразования макета XML 80020 в табличный вид представлен в таблице 3.4. В рабочие дни электропотребление в большей степени зависит от технологических процессов промышленных предприятий, планов выпуска продукции, графика рабочего времени.
В то время, как в выходные и праздничные дни больший вес имеют социальные явления, период светового дня и другие факторов, следовательно, динамика электропотребления будет различна.
Математическая модель электропотребления может быть представлена как функция V2ээ(t) от следующих переменных: V? (t) = {М, N, Т n,h, V ЧЛ (3.8) где Уъэ - объем, который необходимо спрогнозировать в формате X-1 (на сутки вперед), потребления электроэнергии, МВт; t - часовой интервал времени; М - порядковый номер месяца в году; N - порядковый день месяца, необходим для отслеживания суточной динамики потребления энергии; Тср - среднесуточная температура окружающего воздуха, C, данный параметр является важнейшим, от него напрямую зависит потребление электрической энергии; п - порядковый номер дня в неделе, h - признак, указывающий на то, является ли день выходным или рабочим (при h=\ - выходной день, а h=0 рабочий день). Vi33 - объем потребленной энергии за прошлые сутки аналогичного текущему временному периоду, МВт.ч.
При создании обучающей выборки входные сигналы нейронной сети представлены параметрами t, V1ээ, N, Тср, n, h, а эталонные значения - параметром V2ээ. Фрагмент обучающей выборки данных об электропотреблении ООО «Омская энергосбытовая компания» представлен в таблице 3.5.
Структура нейронной сети для краткосрочного прогнозирования электропотребления в режиме «на сутки вперед» представлена на рис.3.9 Она состоит из 6 входных нейронов первого слоя, 5 нейронов скрытого слоя и 1 выходного нейрона. Функция активации нейрона - сигмоид. Для настройки весов нейронной сети используется алгоритм обучения с учителем, известный как алгоритм обратного распространения ошибки [124]. Количество нейронов входного слоя сети определяется входными параметрами, представленными в таблице 3.5.
Способ определения количества нейронов скрытого слоя подробно рассмотрен в [125]. На рис. 3.11 изображена UML-диаграмма построения прогноза ЭП с учетом температурно-ветрового индекса. Как было установлено в [126] температурно-ветровой индекс целесообразно использовать при Tср = -21оC и скорости ветра выше 2 м/с. При обеспечении этих условий, значения температуры преобразуются и позволяют получить более точный прогноз ЭП на заданный период времени. В блоке «Предварительная обработка» происходит проверка на условие применения температурно-ветрового индекса, и в случае необходимости, данные о температуре окружающей среды преобразуются в температуру с учетом температурно-ветрового индекса. Далее проверяется принадлежность к типу дня и из сформированной выборке данных выбираются только ретроспективные данные по выбранному типу дня. Фильтр1 удаляет из обучающей выборки данные относящейся к праздничным и выходным дням, Фильтр 2 -удаляет данные по рабочим дням и праздникам, Фильтр 3 - удаляет из выборки рабочие и выходные дни.
Количество данных S в выборке определяется по формуле: S = 30Mtl ТС + 30Mt2 Тс, (3.8) где Мц - выборка из 30 дней до прогнозного дня текущего года; Mt2 - выборка 30 дней предыдущего года, после прогнозного дня, включая аналогичный прогнозному день в прошлом году; Тс - количество дискретных равных интервалов, на которые разбивается 24 часа (с дискретным интервалом 1 час). Необходимое количество дней (30) было найдено эмпирически. На рис. 3.10 и 3.12 отображены данные прогноза без учета температурно-ветрового индекса и с учетом, соответственно.