Прогнозирование потребления электроэнергии в развивающейся региональной системе электроснабжения

УДК 621.316.72, 621.311

прогнозирование потребления электроэнергии в развивающейся региональной системе электроснабжения

, , Шукур Омар Шукур Махмуд

Воронежский государственный технический университет

e-mail: *****@***ru

В статье рассматривается вопрос оперативного прогнозирования потребления электроэнергии с условием учёта слабоформализуемых факторов для повышения качества диспетчерского управления. В качестве базового принципа, при этом, рассматривается нечёткая нейронная сеть, функционирующая по алгоритму Мамдани.

Ключевые слова: прогнозирование потребления электроэнергии, слабоформализуемые факторы, нечёткая нейронная сеть, экономический эффект.

Электроэнергетические системы (ЭЭС) являются стратегическими элементами в функционировании производственно-технической и социальной сфер любой страны. В наиболее общем случае их структура может быть формализована посредствам следующей функциональной схемы – рис.1.

Блоки 4 – 6 можно обобщённо представить единой системой управления (СУ). Вектор основного управляющего воздействия формируется системой принятия решений – 5 на основании взаимного функционирования блоков 4 и 6.

В рамках данной статьи опишем предлагаемый авторами подход для анализа и синтеза блока оценки текущего состояния и прогнозирования ЭЭС – блока 4. Этот выбор обусловлен первостепенной значимостью выполнения данного этапа в общей структуре функционирования ЭЭС и выражается в следующих причинах:

– необходимостью прогнозирования параметров электроэнергетической системы как основы для выработки последующих управляющих воздействий;

– нормативно закреплённым аспектам функционирования ЕЭС РФ на современном этапе развития;

– стремлению к минимизации затрат на производство, преобразование и потребление электрической энергии;

– экономические требования смежных областей производства.

Рис. 1 Структурная схема управления ЭЭС (– вектор состояния ЭЭС; – вектор измерений ЭЭС; – возмущающие воздействия на различных этапах управления; –главное управляющее воздействие)

Основной целью этапа оценки текущего состояния и прогнозирования ЭЭС является выработка такой модели функционирования, параметры которой будут наиболее точно и полно коррелироваться с аналогичными показателями объекта управления в одинаковые дискреты времени. При этом, наиболее сложными являются задачи прогнозирования в краткосрочном и долгосрочных периодах, что связано с существенным влиянием неопределённых и слабоформализуемых факторов (зависимости потребления электроэнергии от часа, дня недели, сезонности, освещённости, планов производственных мощностей) [1].

Для управления в реальном времени [2,3] наиболее адекватной моделью является модель вида (1), в которой уравнение динамики ЭЭС даётся для последовательных моментов времени, а матрица перехода от -го к () – му моменту времени является функцией момента цикла и различна в период подъёма, пика, спада и провала нагрузок:

, (1)

где матрица априори задана для каждого момента (или же, для характерных участков) графика нагрузок; и - матрицы состояния прогнозного параметра соответственно в моменты времени и ; - матрица случайных величин.

Модель (1), во-первых, удовлетворяет требованиям марковости, и, во-вторых, хорошо соответствует физике явления, так как график нагрузок имеет характерные периоды динамики.

Так, для конкретного примера – ЭЭС Воронежского региона матрица представляет собой корректирующую регрессионную зависимость, основанную на БД прошлых периодов. Матрицу учёта случайных составляющих представим в виде:

(2)

где – величина влияния на потребление отклонения температуры от сезонной кривой; – величина влияния на потребление уровня суточной освещённости.

При этом, за базисное значение – , принимается средняя величина за определённый период сбора информации в БД системы прогнозирования. Температуру окружающей среды можно представить в виде двух компонент:

(3)

где – сезонная кривая температуры, которая может быть представлена полином Фурье, – номер дня в году.

Показатель освещённости каждого дня складывается из длины светового дня и плотности облачного покрова. Так как длина светового дня из года в год одинакова для конкретных суток, то можно заключить, что изменение влияния освещённости является функцией состояния облачного покрова:

(4)

где – сезонная кривая длины светового дня.

Методы оценки текущего состояния вынуждены в некоторой форме учитывать неточную (слабоформализированную) инфор-мацию, а потому требуют применения специального статистического аппарата. Для этих целей в настоящее время широкое применение находят эвристические методы, в частности, аппарат нечёткой логики, нейронных сетей и экспертных систем.

Представим решение модели (1) посредствам нечёткой нейронной сети, выполненной на базе алгоритма Мамдани:

(5)

где - набор правил; - входные, - выходная переменная системы; - константа, выражающая соответствие выходной величины взвешенному воздействию входных величин.

Представление выражения (1) в базисе (5) обусловлено сочетанием высоких точностных характеристик и простотой реализации подобного подхода.

Моделирование рассматриваемого процесса прогнозирования потребления э/э производилось при помощи пакета Matlab. Структура нейронной сети: 2 – 10 (5/5) – 25 – 1. Термы принадлежности – гауссовского типа (gaussmf), терм выхода – линеаризованная величина (linear). Количество эпох обучения сети – 200.

Количественные результаты моделирования недель 2014 года, содержащих режимные дни энергосистемы для метода применения нечёткой нейронной сети сведены в табл. 1 совместно с показателями факта потребления и прогнозных значений на базе статистического метода коэффициента роста/спада для данного периода времени.

Ошибки в процессе прогнозирования проявляются в увеличении издержек при производстве электроэнергии – нерациональном использовании ресурсов, износе оборудования, значительном росте тарифов на неоптимально выработанный объём электроэнергии и мощности и, как следствие, ведут к росту капитальных затрат на данный сегмент.

Таблица 1 Анализ почасового/подневного прогнозирования выработки/потребления электроэнергии недель, содержащих режимные дни 2014 года

Показатель	Факт	Метод	Факт	Метод
рабочие дни	нерабочие дни
	коэф.	ННС		коэф.	ННС
16 – 22 июня
Значение, тыс. кВтч	102174	98257	101239	38733	36604	38636
Абсолютное отклонение от факта 2014 г., тыс. кВтч	-	3917	935	-	2129	97
Отклонение от факта 2014 г., %	-	3,83	0,92	-	5,50	0,25
15 – 21 декабря
Значение, тыс. кВтч	143350	139079	141817	53394	50707	52808
Абсолютное отклонение от факта 2014 г., тыс. кВтч	-	4271	1533	-	2687	586
Отклонение от факта 2014 г., %	-	2,98	1,07	-	5,03	1,10

Усреднённые показатели свидетельствуют о том, что применение нечёткой нейронной сети вместо метода коэффициентов роста/спада потребления позволяет получить более высокие результаты: в июне – на 3,04%, в декабре – на 1,74 %. Произведём с учётом этого анализ возможности снижения потерь в Воронежской ЭЭС посредствам снижения доли балансирующего рынка. Экономико-технические показатели для рассматриваемых периодов имеют следующие значения [4]:

а) июнь

- Средневзвешенная цена (без учёта БР): 1220 руб./МВтч;

- Средневзвешенная цена (БР): 1525 руб./МВтч;

- Объём э/э, проданной на БР: 101 425,8 МВтч (13,3 % от потребления э/э);

а) декабрь

- Средневзвешенная цена (без учёта БР): 1155 руб./МВтч;

- Средневзвешенная цена (БР): 1466,85 руб./МВтч;

- Объём э/э, проданной на БР: 122 298,8 МВтч (11,6 % от потребления э/э).

С учётом более высокой средневзвешенной цены на БР и более высокой точности прогноза на базе нечёткой нейронной сети, возможно получение эффекта в размере:

- для июня:

(6)

руб./месяц.

- для декабря:

(7)

руб./месяц.

Фактически, данное обстоятельство выражается в снижении издержек при функционировании объектов генерации, т. к. объёмы которые прежде (при неуточнённой модели) продавались бы на балансирующий рынок (при повышенном уровне затрат на выработку), в условиях повышения точности прогноза будут потреблены на «рынке на сутки вперёд».

Таким образом, величина средней месячной экономии от повышения точности прогнозирования процессов выработки/потребления электроэнергии в ЭЭС Воронежской области посредствам применения нечёткой нейронной сети в структуре расчётной модели (рис.1) может быть оценена на уровне

Эм. = 802 018, 27 руб./месяц. Аналогичная величина годовой экономии при этом составит Эг. =9 624 219,27 руб./год.

Экспертная оценка затрат на внедрение рассмотренного выше алгоритма с включением в процесс прогнозирования нечёткой нейронной сети даёт величину требуемых капиталовложений для реализации проекта на уровне Цз. = 25 млн. рублей (в ценах 2014 года). Воспользуемся предложением о включении в рынок системных услуг комплекса мероприятий по повышению точности прогнозирования, возложенного на СО ЕЭС. Будем считать, что доля соответствующих отчислений в адрес СО ЕЭС от субъектов рынка должно составлять около Спл. = 50 % от величины полученного экономического эффекта от снижения объёма электрической энергии, торгуемой в рамках балансирующем рынке.

Тогда можно определить срок рентабельности мероприятий по включению блоков на базе нечётких нейронных сетей в структуру Воронежской ЭЭС как:

(8)

года.

Литература

1. Крысанов потребления электроэнергии территориальными сетевыми организациями с использованием методов нейро-нечётких сетей / , , // Электротехнические комплексы и системы управления, №2 2014. – С.40 – 46.

2. Бурковский оптимального энергораспределе-ния в системах регионального энергопотребления / , . – Воронеж: В Г ТУ, 2006 – 137c.

3. Бурковский системой генерации электрической энергии на основе аппарата нечёткой логики/В. Л. БЬурковский, , Шукур Омар Шукур Махмуд // Электротехнические комплексы и системы управления, №2 2014. – С.55 – 59.

4. Информационные обзоры ЕЭС» за июнь и декабрь 2014 года // http://so-ups. ru/index. php? id=tech_disc

FORECASTING OF ELECTRICITY CONSUMPTION IN THE DEVELOPING REGIONAL SYSTEM OF POWER SUPPLY

Voronezh state technical university

V. N.Krysanov, A. L.Rutskov, Shukur Omar Shucur Mahmoud

In article the question of expeditious forecasting of electricity consumption with a condition of the accounting of inexact factors for improvement of quality of dispatching management is considered. As the basic principle, thus, the indistinct neural network functioning on Mamdani's algorithm is considered.

Key words: electricity consumption forecasting, inexact factors, indistinct neural network, economic effect.