Прогнозирование энергопотребления

из "Энергетический бизнес Изд2 "

Краткосрочные прогнозы электрических нагрузок от часа до недели вперед имеют важное значение прежде всего с точки зрения участия в енотовом рынке электроэнергии и оптимизации режимов работы генерирующего и сетевого оборудования. [c.404]
Обычно при прогнозе на сутки определяются ожидаемая почасовая нагрузка, а также пиковая нагрузка и суммарное суточное потребление электроэнергии в обслуживаемом районе. Для таких задач наибольшее распространение получили линейные регрессионные модели, основанные на анализе временных рядов, а также в последнее время - более совершенные - адаптивные обучаемые нелинейные модели, создаваемые на принципах искусственных нейронных сетей . Эти инструменты прогнозирования образуют широкий класс методов экстраполяции. [c.405]
Классическим подходом к моделированию нагрузки в электросети является интерпретация ее изменений как дискретного временного ряда (рис. 20.11). Временные ряды стационарного типа редко встречаются на практике, обычно в них наблюдается определенная периодичность (сезонность) и направленный рост (убывание) значений параметра (тренд) это хорошо заметно на рис. 20.11. [c.405]
Сначала с помощью подобранных моделей выделяют сезонную компоненту и тренд, а затем моделируют оставшуюся случайную компоненту. Для этих целей, в частности, применяют периодические функции, полиномы разных степеней, автокорреляционные зависимости. [c.405]
Для уменьшения ошибок прогноза, выполняемого подобными методами экстраполяции, модифицируют технологию формирования временных рядов. Например, принимается условие, что нагрузка в любой рабочий день определяется нагрузкой в предыдущий и последующий рабочие дни и аналогична нагрузке в те же дни предыдущей недели. Таким образом, для прогноза нагрузки на понедельник строится временной ряд, состоящий из почасовых нагрузок понедельников и вторников, для прогноза на вторник - понедельников, вторников и сред и т.д. Как недостатки этих методов следует отметить неважные по точности результаты для праздничных и выходных дней, а также отсутствие адаптивных возможностей, необходимых, в частности, для учета изменения погодных условий. [c.405]
Методы экстраполяции временных рядов, конечно, пригодны и для краткосрочных прогнозов тепловых нагрузок. При этом надо иметь в виду, что в течение суток они подвержены меньшим колебаниям, чем электрические, а регулирование режимов в СЦТ отличается большей инерционностью. Поэтому минимально необходимый горизонт прогнозирования здесь должен быть повышен, вероятно, до недельного срока (с оценкой ожидаемых пиковых суточных нагрузок). [c.405]
Искусственные нейронные сети (ИНС) представляют собой структуру для параллельной распределенной обработки информации. ИНС состоят из обрабатывающих элементов - нейронов, которые могут обладать локальной памятью и выполнять локальные операции по обработке информации. Нейроны соединены синаптическими связями для передачи информации. [c.406]
Основная привлекательность применения искусственных нейронных сетей для прогноза нагрузки в электросети состоит в возможности использования большого количества входных параметров модели, которые влияют на результат прогноза. В них входят нагрузки за предшествующее время, погодные условия (температура, скорость ветра, облачность), время суток, тип дня (рабочий, выходной, праздничный), иногда день недели. [c.406]
Следует подчеркнуть, что в зависимости от объема входных параметров и степени неопределенности тех или иных факторов, влияющих на нагрузку, для обучения ИНС могут Потребоваться ретроспективные данные за периоды продолжительностью до нескольких лет. В то же время практика прогнозирования электрических нагрузок в зарубежных энергокомпаниях показывает, что в ряде случаев метод ИНС дает в 2 раза меньшие ошибки, чем метод линейной регрессии. [c.406]
Среднесрочные прогнозы. Так как эти прогнозы связаны с инвестиционной деятельностью компании, их целесообразно разрабатывать на период, охватывающий в сумме средние сроки сооружения энергообъектов и окупаемости капиталовложений (от 3 до 10 лет). Для среднесрочных прогнозов потребления электроэнергии и тепла в качестве основных рекомендуется применять метод прямого счета и эконометрические модели. [c.406]
Метод прямого счета (нормативный) предполагает предварительное раздельное прогнозирование удельных расходов электроэнергии и тепла, исчисленных на единицу продукции в натуральном или стоимостном выражении, единицу работы, одного жителя и соответствующих объемов продукции, работ, численности населения. Определение удельных расходов энергии может основываться на выборе технологий, а в ряде случаев и на экстраполяции. Оценку экономических показателей получают также путем экстраполяции временных рядов (тренда). [c.406]
Обычно в практических целях в расчеты включают только основных потребителей, на которых в перспективе будет приходиться 70-80% общего энергопотребления, что, как показывает опыт, дает неплохой результат. Метод прямого счета целесообразнее применять для нижних значений горизонта среднесрочного прогнозирования, т.е. до 3-5 лет. В некоторых случаях для определения перспективных значений удельных расходов целесообразно подключение экспертных оценок. [c.407]
Эконометрические модели представляют собой системы регрессионных многофакторных зависимостей и балансовых уравнений (тождеств). Их параметры устанавливаются статистически на основе временных рядов или выборочных данных. Введение переменных с временным запаздыванием или параметра времени придает эконометрической модели динамический характер. [c.407]
Ценность таких моделей для прогнозирования заключается, в частности, в возможности, задавая различные комбинации экзогенных (внешних) показателей, формировать разные варианты развития исследуемого объекта это сужает зону неопределенности прогноза энергопотребления. Оценки экзогенных показателей базируются как на формальных процедурах (например, той же экстраполяции), так и на использовании методов экспертных оценок. [c.407]
Следует подчеркнуть, что при разработке эконометрической модели необходимо особо тщательно отобрать экзогенные переменные, которые должны идентифицировать только наиболее существенные факторы, объясняющие динамику процесса энергопотребления. Кроме того, для определения постоянных коэффициентов в уравнениях регрессии требуется достаточно представительная статистика показателей, имеющихся в этих зависимостях. [c.407]
В качестве примера рассмотрим простую эконометрическую модель, предназначенную для прогнозирования электропотребления в индустриальном регионе (крупном городе). [c.407]
Каждый блок описывается соответствующей регрессионной зависимостью. [c.408]
Варианты прогноза формируются путем изменения экзогенных переменных модели В, L, Км, аэ Jn, J3, От, Ооп. Расчеты можно проводить на любой год прогнозного периода для этого надо иметь сценарий погодовой динамики экзогенных переменных. Обращаем внимание на то, что знаки перед коэффициентами в уравнениях регрессии должны отвечать экономическому смыслу взаимосвязей. Поэтому перед коэффициентом загрузки оборудования в уравнении (20.3) и индексом роста цен на электроэнергию в уравнении (20.5) стоит знак минус 1. Параметр линейного тренда t в уравнениях (20.5) и (20.6) интегрирует факторы, также влияющие на электропотребление, но не представленные в явном виде в данных зависимостях. [c.409]

Вернуться к основной статье