17009С
Титульный экран
Содержание
ОПРЕДЕЛЕНИЕ ПОТЕНЦИАЛА СОЛНЕЧНОЙ ЭНЕРГЕТИКИ РЕСПУБЛИКИ ТАДЖИКИСТАН
ЭНЕРГОСБЕРЕЖЕНИЕ В МУНИЦИПАЛЬНЫХ УЧРЕЖДЕНИЯХ
СНИЖЕНИЕ СОБСТВЕННЫХ НУЖД ПОДСТАНЦИИ ЗА СЧЕТ ПРИМЕНЕНИЯ ТЕПЛОВОГО НАСОСА
РАЗРАБОТКА СИСТЕМЫ ЗАБЛАГОВРЕМЕННОГО ОБНАРУЖЕНИЯ ТОКОВ КОРОТКОГО ЗАМЫКАНИЯ
ОСОБЕННОСТИ ПРОВЕДЕНИЯ ПЛАНОВО-ПРЕДУПРЕДИТЕЛЬНЫХ РЕМОНТОВ НА ОБЪЕКТАХ ЭЛЕКТРОЭНЕРГЕТИКИ
BIM-ПРОЕКТИРОВАНИЕ КАК НОВЫЙ ЭТАП В РАЗВИТИИ ПРОЕКТИРОВАНИЯ ИНЖЕНЕРНЫХ СИСТЕМ
СИСТЕМА АНТИОБЛЕДЕНЕНИЯ ГЛАВНОГО КОРПУСА АЛТАЙСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА
РАЗРАБОТКА АКТИВНОЙ КОНСТРУКЦИИ СОЛНЕЧНОГО КОЛЛЕКТОРА
ПИРАМИДАЛЬНАЯ ПОВЕРХНОСТЬ В КАЧЕСТВЕ СЕЛЕКТИВНОГО ПОКРЫТИЯ ДЛЯ СОЛНЕЧНЫХ КОЛЛЕКТОРОВ
ЭНЕРГЕТИЧЕСКАЯ УСТАНОВКА ГИБРИДОМОБИЛЯ С ЭЛЕКТРОХИМИЧЕСКИМ НАКОПИТЕЛЕМ И КОНДЕНСАТОРОМ ДВОЙНОГО ЭЛЕКТРИЧЕСКОГО СЛОЯ
ОПРЕДЕЛЕНИЕ ЧАСТОТНЫХ ХАРАКТЕРИСТИК ЭЛЕКТРИЧЕСКИХ ЦЕПЕЙ С ПОМОЩЬЮ КОСВЕННЫХ ЭЛЕКТРИЧЕСКИХ ИЗМЕРЕНИЙ
РАЦИОНАЛЬНОЕ ИСПОЛЬЗОВАНИЕ ЭЛЕКТРИФИЦИРОВАННЫХ МАШИН ПРИ ОДНОФАЗНОМ ЭЛЕКТРОСНАБЖЕНИИ
РАЗРАБОТКА МЕТОДИЧЕСКОГО И АППАРАТНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ВЫЯВЛЕНИЯ ПРИБОРОВ УЧЕТА С ДИСТАНЦИОННЫМ УПРАВЛЕНИЕМ КОЛИЧЕСТВОМ ПОТРЕБЛЯЕМОЙ ЭЛЕКТРОЭНЕРГИИ
КИНЕТИКА МЕТАНОВОГО СБРАЖИВАНИЯ В РЕАКТОРАХ С ПЕРИОДИЧЕСКОЙ ЗАГРУЗКОЙ
ПОЛУПРОВОДНИКОВОЕ УСТРОЙСТВО РЕГУЛИРОВАНИЯ ТРЕХФАЗНОГО АСИНХРОННОГО ЭЛЕКТРОДВИГАТЕЛЯ
СОЗДАНИЕ ЭФФЕКТИВНЫХ СИСТЕМ ЭНЕРГОСНАБЖЕНИЯ С ИСПОЛЬЗОВАНИЕМ ВОЗОБНОВЛЯЕМЫХ ИСТОЧНИКОВ ЭНЕРГИИ АЛТАЙСКОГО КРАЯ
ВЕНТИЛЯЦИОННЫЕ АГРЕГАТЫ МЕТРОПОЛИТЕНА
ОЦЕНКА УЩЕРБА ОТ ПЕРЕРЫВОВ ЭЛЕКТРОСНАБЖЕНИЯ ПРИ ПРОЕКТИРОВАНИИ ЭЛЕКТРИЧЕСКИХ СЕТЕЙ
ОЦЕНКА ЭФФЕКТИВНОСТИ МЕТОДОВ ДИАГНОСТИКИ СИЛОВЫХ ТРАНСФОРМАТОРОВ
ЭКОНОМИЧЕСКИЕ АСПЕКТЫ ЭНЕРГЕТИКИ
МИНИМИЗАЦИЯ СУММЫ СОСТОЯЩЕЙ ИЗ НЕСКОЛЬКИХ АЛГЕБРО-ЛОГИЧЕСКИХ ЭЛЕМЕНТОВ
МИНИМИЗАЦИЯ АЛГЕБРО-ЛОГИЧЕСКИХ ФОРМУЛ, СОСТОЯЩИХ ИЗ ПРОИЗВЕДЕНИЯ СКОБОК С ЛОГИЧЕСКИМИ СУММАМИ
РАЗРАБОТКА КОМПЛЕКСНОЙ СИСТЕМЫ ОХРАННОЙ СИГНАЛИЗАЦИИ КАК ЭЛЕМЕНТ «УМНЫХ СЕТЕЙ»
ПРОГНОЗИРОВАНИЕ ТЕХНИЧЕСКОГО СОСТОЯНИЯ СИЛОВЫХ ТРАНСФОРМАТОРОВ
ПРИМЕНЕНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ ОПЕРАТИВНОГО ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ
РАЗРАБОТКА ЭКОНОМИЧНОЙ СИСТЕМЫ УЛИЧНОГО ОСВЕЩЕНИЯ ДЛЯ НУЖД СЕЛЬСКОГО МУНИЦИПАЛЬНОГО ОБРАЗОВАНИЯ
МОДЕЛИРОВАНИЕ ХАРАКТЕРИСТИК РАБОТЫ ЭЛЕКТРОПРИВОДА С РЕГУЛИРУЕМЫМ ТРАНЗИСТОРНЫМ РЕДУКТОРОМ
ПОВЫШЕНИЕ ЭНЕРГЕТИЧЕСКОЙ ЭФФЕКТИВНОСТИ В СФЕРЕ ТЕПЛОВОЙ ЭНЕРГЕТИКИ
ПОЛУПРОВОДНИКОВЫЙ ЭЛЕМЕНТ ПАМЯТИ ДЛЯ КОДОВЫХ СИСТЕМ ЗАЩИТЫ
ЭЛЕКТРИЧЕСКИЙ АППАРАТ ТЕПЛОВОЙ ОБРАБОТКИ ЗЕРНОВОГО МАТЕРИАЛА
НИЗКОПОТЕНЦИАЛЬНОЕ ТЕПЛО ПОВЕРХНОСТНЫХ СЛОЕВ ЗЕМЛИ – ДОСТУПНЫЙ ИСТОЧНИК ТЕПЛОСНАБЖЕНИЯ В УСЛОВИЯХ ЮГА ЗАПАДНОЙ СИБИРИ
МЕТОДИКА ОПРЕДЕЛЕНИЯ МЕСТ ПОВРЕЖДЕНИЙ ВОЗДУШНЫХ ЛИНИЙ ЭЛЕКТРОПЕРЕДАЧИ
ЭНЕРГОСБЕРЕЖЕНИЕ В СЕЛЬСКИХ РАЙОНАХ АЛТАЙСКОГО КРАЯ




ПРИМЕНЕНИЕ НЕЙРОСЕТЕВОЙ МОДЕЛИ ДЛЯ ОПЕРАТИВНОГО ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ


Серебряков Н. А. – студент группы 8Э-51, Грибанов А. А. – к.т.н., доцент РФ, Алтайский край, г. Барнаул, ФГБОУ ВО «Алтайский государственный технический университет им. И. И. Ползунова»



Созданием математической модели, адекватно прогнозирующей электропотребление, занималось множество отечественных и зарубежных ученых с 1950-х годов. Проблема планирования потребления электроэнергии стала в разы актуальнее с реформированием электроэнергетики в нашей стране. В соответствии с постановлением правительства РФ от 27 декабря 2010 г. № 1172 «Об утверждении правил оптового рынка электрической энергии и мощности и о внесении изменений в некоторые акты правительства российской федерации по вопросам организации функционирования оптового рынка электрической энергии и мощности» в России начал функционировать оптовый рынок электроэнергии и мощности (ОРЭМ). Правила оптового рынка регламентируют механизм покупки электроэнергии на «рынке на сутки вперед» (РСВ). По этому механизму гарантирующий поставщик планирует свое потребление на сутки Х в сутки Х-1 и подает ценовую заявку. Указанные в данной ценовой заявке объемы электроэнергии покупаются по равновесной цене, сложившейся для каждого часа суток Х. Торговля отклонениями фактического потребления от планового происходит на балансирующем рынке (БР), по невыгодной цене. Правилами оптового рынка определено пятипроцентное отклонение фактического потребления от прогнозного, которое гарантирующий поставщик транслирует на своих потребителей. Если средний за месяц процент отклонения будет выше 5 %, то энергосбытовое предприятие будет нести убытки в чистом виде. Поэтому качество оперативного планирования напрямую влияет на доходы гарантирующего поставщика.


В настоящее время существует множество алгоритмов, программ и математических моделей, выполняющих функцию прогнозирования электропотребления. Все методы социально-экономического прогнозирования по общему принципу можно разделить на интуитивные и формализованные.


Интуитивные методы основаны на интуитивно-логическом мышлении человека. Данные методы используют в тех случаях, когда результат прогнозирования зависит от множества факторов, которые невозможно учесть. Также данные методы используются при очевидной простате объекта прогнозирования.


Наиболее известным методом интуитивного прогнозирования является метод экспертных оценок. Прогноз, в данном случае, является продуктом логического мышления эксперта, или группы экспертов, а также опыта работы с объектом прогнозирования. Метод экспертных оценок дает достаточно точные результаты прогнозирования, при высокой квалификации экспертов. Известны и другие методы интуитивного прогнозирования, такие как: метод исторических аналогий и метод прогнозирования по образцу. Стоить отметить, что специалисты, занимающиеся прогнозом потребления энергосбытового предприятия, повсеместно применяют все виды интуитивного прогнозирования. Достоинством методов интуитивного прогнозирования является простая программно-аппаратная реализация. К недостаткам стоит отнести: невысокую скорость составления прогноза, зависимость результата прогноза от субъективных факторов, таких как здоровье эксперта, невозможность автоматизации процесса прогноза.


Формализованные методы расчета, в свою очередь, делятся на статистические методы и методы искусственного интеллекта. Статистические методы прогнозирования дают однозначную математическую зависимость энергопотребления от влияющих факторов. Данные методы дают достаточно точный суточный график энергопотребления в обычные дни при неизменном характере метеорологических условий. При резком изменении погодных условий или в праздничный день статистическим методам не хватает гибкости структуры для выработки точного прогноза. Основные методы статистического прогнозирования это: множественная линейная и нелинейная регрессия, стохастические временные ряды, общее экспоненциальное сглаживание, методы пространства состояния.


Методы регрессии обычно используются для моделирования взаимосвязей электропотребления с другими факторами, такими как погодные факторы, тип дня и класс потребителей. Данные модели включают детерминированную информацию, такую как тип дня (рабочий день, праздничный день), а также стохастическую информацию, такую как погодные условия. Эти методы основаны на экспериментальных зависимостях нагрузки от влияющих факторов в прошлом. Ограничением применения регрессионных моделей является нелинейная зависимость энергопотребления от погодных факторов, при резком изменении последних. Методы временных рядов основаны на предположении, что данные имеют некоторую внутреннюю структуру, например, автокорреляции, тенденции или сезонные изменения.


Методы искусственного интеллекта позволяют прогнозной модели постоянно обучаться, с поступлением новой информации.

Нейронные сети, по существу это нелинейные функции, которые имеют способность выполнения аппроксимации нелинейных зависимостей. Выходы искусственной нейронной сети являются линейными или нелинейными математическими функциями ее входов. Преимуществом технологии нейронных сетей является интеллектуальная обработка, которая может имитировать работу человеческого мозга. Недостатком является то, что процесс обучения является относительно медленным, и это не гарантирует сходимости между фактическими и прогнозными данными.


Рассмотрим основные влияющие на электропотребление факторы. Первым фактором является тип дня. На рисунке 1 представлен суточный график потребления электрической энергии АО «Алтайкрайэнерго» в разные типы дней.


Проанализируем рисунок 1. Период 21.01.2016 – 24.01.2016 гг. отличается схожими метеорологическими условиями. Четверг 21.01.2016 г. имеет характерный для рабочего дня суточный график. Он отличается высоким потреблением электроэнергии, а также отсутствием «просадки» потребления в какие либо часы суток. Для пятницы 22.01.2016 г. характерно высокое потребление в первой половине дня и небольшая «просадка» во второй половине дня. Это объясняется тем, что пятница в большинстве компаний считается коротким днем (7-ми часовой рабочий день), а также отсутствует подготовка к следующему рабочему дню в вечерние часы. Суббота 23.01.2016 г. характеризуется «просадкой» в первой половине дня и сильной «просадкой» в вечерние и ночные часы суток. Воскресенье отличается значительной «просадкой» потребления электроэнергии в первой половине дня и незначительной просадкой во второй половине дня. Праздничный день 01.01.2016 характеризуется нетипичным суточным графиком. Прогнозирование потребления в праздничные дни характеризуется большими трудностями, так как появляется необходимость в применении нестандартных методов прогнозирования. Для прогнозирования электропотребления в праздничные дни хорошо подходит метод экспертных оценок в сочетании с методом исторических аналогий.




Рисунок 1 - Cуточный график потребления электрической энергии ОАО «Алтайкрайэнерго» в разные типы дней



Вторым фактором, влияющим на потребление электроэнергии, являются метеорологические условия. На рисунке 2 представлены суточные графики потребления электрической энергии ГТП «Южная» при различных погодных условиях.




Рисунок 2 - Суточные графики потребления электрической энергии ГТП «Южная» при различных погодных условиях



Дадим пояснения к графикам, представленным на рисунке 2. Среднесуточная температура в городе Рубцовске 05.10.2015 г. составляла 6°С, при этом облачность составляла 100% и наблюдался ливневый дождь. 07.10.2016 г. среднесуточная температура составляла 11°С и была ясная погода. Среднесуточная температура 08.10.2015 г. составляла 18°С и наблюдалась безоблачная погода. 15.10.2015 г. в городе Рубцовске наблюдалась переменная облачность, а также среднесуточная температура составляла 0°С. Как мы видим из рисунка 2, температура наружного воздуха значительно влияет на потребление электроэнергии во все часы суток. Освещенность оказывает значительное влияние на электропотребление только в дневные часы суток.


Метод экспертных оценок хорошо зарекомендовал себя при прогнозировании во многих областях науки и техники. Данный метод широко используется для прогнозирования электрических нагрузок. Метод экспертных оценок предъявляет жесткие требования к квалификации эксперта-прогнозиста. Для получения точного прогноза эксперт должен:


- обладать достаточным опытом работы с объектом прогнозирования;

- понимать какие факторы влияют на прогноз, а также степень их влияния;

- знать о характерных особенностях поведения объекта прогнозирования при изменении влияющих факторов.


Результаты прогнозирования потребления электроэнергии АО «Алтайкрайэнерго» на РСВ методом экспертных оценок за февраль 2017 года представлены на рисунке 3.




Рисунок 3 – Результаты прогнозирования потребления электроэнергии на РСВ



При прогнозировании учитывались тип дня, температура наружного воздуха, освещенность, скорость ветра, ремонты на сетевом оборудовании. Как мы видим, метод экспертных оценок дает достаточно точные прогнозы. Ни в один день процент отклонения не превысил 5%, регламентированных правилами ОРЭМ. К недостаткам метода можно отнести низкую скорость прогноза. Прогнозирование потребления в среднем занимает 4-5 часов в день, что составляет 70% рабочего времени инженера.


Для автоматизации процесса прогнозирования была применена искусственная нейронная сеть, реализованная в среде программирования matlab. Обучение нейронной сети происходит по алгоритму обратного распространения ошибки (back propagation error). Структурная схема данной нейронной сети представлена на рисунке 4.




Рисунок 4 – Структурная схема нейронной сети



Данная нейронная сеть состоит из трех слоев: входного, скрытого и выходного. Данная архитектура наиболее распространена среди моделей прогнозирования электрической нагрузки. На вход сети подается 48 часовых значений потребления электроэнергии за предыдущие двое характерных суток. Выход нейронной сети содержит 24 нейрона, которые прогнозируют часовые значения на следующие сутки. Нейронная сеть оперирует значениями от нуля до единицы, поэтому перед началом обучения данные необходимо масштабировать. Также производится кластеризация исходных данных. В данном случае данные разделяются на 3 кластера: будние дни, суббота, воскресенье. Праздничные дни были удалены из выборки для уменьшения ошибки прогноза. Алгоритмом нейронной сети производится разделение выборки на обучающую и тестовую.


Процесс обучения состоит из последовательных циклов (эпох обучения). Первый цикл обучения оперирует с весами взаимодействия нейронов входного и скрытого слоев, заданными по умолчанию. Далее каждый цикл происходит обучение на обучающей выборке, внутренняя корректировка весов взаимодействия и оценка средней абсолютной ошибки прогноза в процентах. Если процентное изменение ошибки за цикл составит менее 0,005 %, то процесс обучения остановится. Максимальное количество циклов составляет 150.


Нейронная сеть производит классификацию данных по признаку принадлежности к определенному часу суток от 0 до 23. На основе данной классификации и входных данных нейронная сеть производит тестовое прогнозирование и сравнивает прогноз с тестовой выборкой. Результат тестового прогнозирования потребления электроэнергии нейронной сети представлен на рисунке 5.


Как мы видим скорость обучения данной нейронной сети составляет около 9 секунд. Высокая скорость прогноза одно из главных преимуществ нейронной сети. Данная скорость недостижима при прогнозировании методом экспертных оценок. Средняя ошибка тестового прогнозирования составляет 2,6 %, что на 2,4% меньше предельной ошибки прогноза, определенной правилами оптового рынка. На основе тестового прогнозирования можно сделать вывод что модель адекватно описывает временной ряд электропотребления.


После тестового прогнозирования можно переходить непосредственно к прогнозированию на сутки вперед. На рисунке 6 представлены фактический и прогнозные суточные графики потребления электроэнергии ГТП «Южная» за 01.03.2017.


Как мы видим из данного графика, при первом запуске нейронной сети происходят выбросы (17-ый час суток). Процент отклонения первого прогноза составляет 4,02 %. После второго запуска происходит сглаживание графика, удаляются выбросы, а также процент отклонения прогноза от факта уменьшается до 2,9 %. В целом отмечается завышение прогнозных значений над фактическими. Это объясняется тем, что в предшествующий период был сильный мороз до -35 °С и высокая облачность. 01.03.2017г. среднесуточная температура составляла -7 °С и было ясное небо. Нейронная сеть не успела приспособиться к новым условиям из-за чего завышала прогнозные значения.




Рисунок 5 – Результат тестового прогнозирования потребления электроэнергии





Рисунок 6 - Фактический и прогнозные суточные графики потребления электроэнергии ГТП «Южная»



Можно сделать вывод, что нейросетевая модель пригодна для оперативного прогнозирования электрических нагрузок. Для повышения точности прогноза необходимо учесть дополнительные факторы, такие как среднесуточная температура и освещенность.



Список использованных источников:

1. Аль Зихери Баласим, М. Повышение точности краткосрочного прогнозирования электрической нагрузки потребителей региона с учетом метеофакторов на основе метода опорных векторов [Текст] : дис. … канд. техн. наук : Мохаммед Аль Зехери Баласим. – Новочеркасск, 2015. – 181 с.

2. Соломахо, К. Л. Применение метода главных компонент для прогнозирования объемов электропотребления энергосбытового предприятия [Текст] : дис. на соиск. учен. степ. канд. техн. наук: Ксения Львовна Соломахо. – Челябинск, 2015. – 141 с.