CC BY
50
Оригинальная статья / Original article УДК 621.316.72
DOI: http://dx.doi.org/10.21285/1814-3520-2020-2-366-381
Анализ факторов, влияющих на совокупное электропотребление гарантирующего поставщика
© Н.А. Серебряков
Алтайский государственный технический университет им. И.И. Ползунова, г. Барнаул, Россия
Резюме: Цель работы - рассмотреть вопросы формирования выборки данных, необходимой для обучения и тестирования нейросетевых алгоритмов краткосрочного прогнозирования электропотребления, на основании анализа факторов, влияющих на поведение временного ряда электрической нагрузки потребителей гарантирующего поставщика. В данном исследовании использованы методы математической статистики, корреляционного и факторного анализов. Рассмотрено влияние факторов времени, метеорологических условий, надежности электросетевого оборудования, режима работы крупных потребителей электроэнергии, наличия центрального отопления и водоснабжения в населенном пункте на электрическую нагрузку потребителей гарантирующего поставщика. Осуществлен отбор основных факторов, оказывающих решающее воздействие на поведение временного ряда потребления электроэнергии. Выполнено объединение нескольких факторов в один с целью снижения размерности факторного пространства. Рассмотрены вопросы формирования выборки статистических данных, необходимой для краткосрочного прогнозирования потребления электроэнергии с помощью инструментов искусственного интеллекта и машинного обучения. На основании данной выборки происходит обучение и тестирование прогнозных моделей. Поведение временного ряда потребления электроэнергии в основном определяется временными и метеорологическими факторами. Для временного ряда электропотребления гарантирующего поставщика также определяющими являются факторы: отключение электросетевого оборудования 6-220 кВ; режим работы потребителей электроэнергии с мощностью 670-10000 кВт; наличие центрального отопления и водоснабжения в отдельном населенном пункте, которые считаются незначительными для электрической нагрузки энергосистемы в целом. При рассмотрении группы метеорологических факторов выяснено, что на почасовые объемы электропотребления влияет не только величина температуры наружного воздуха, но и изменения температурного режима, происходящие в предшествующий период.
Ключевые слова: краткосрочное прогнозирование потребления электроэнергии, факторы, искусственный интеллект, обучающая выборка, группа точек поставки электроэнергии, оптовый рынок электроэнергии и мощности
Информация о статье: Дата поступления 24 октября 2019 г.; дата принятия к печати 19 февраля 2020 г.; дата онлайн-размещения 30 апреля 2020 г.
Для цитирования: Серебряков Н.А. Анализ факторов, влияющих на совокупное электропотребление гарантирующего поставщика. Вестник Иркутского государственного технического университета. 2020. Т. 24. № 2. С. 366-381. https://doi.org/10.21285/1814-3520-2020-2-366-381
Analysis of factors affecting the electricity consumption of a delivery point cluster default provider
Nikolay A. Serebryakov
Polzunov Altai State Technical University, Barnaul, Russia
Abstract: This paper considers data retrieval issues associated with the training and testing neural network algorithms for electric load short-term forecasting based on the analysis of factors affecting the behaviour of the time series of the electric load of default provider consumers. The study uses mathematical-statistical, correlation and factor analysis methods. In the context of district central heating and water supply, the paper considers the influence of time factors, meteorological conditions, reliability of power grid equipment and the operation mode of large electric energy consumers on the electric load of default provider consumers. The main factors having a decisive effect on the time-series behaviour of electric energy consumption are identified. In order to reduce the dimension of the space factor, several factors are combined into one. Issues concerning the sampling of statistical data necessary for short-term forecasting of electric energy consumption using artificial intelligence and machine learning tools are considered. The sample is then used as a basis for the training and testing of predictive models. The behaviour of electric energy consumption time series is mainly determined by temporal and meteorological factors. The following factors are also determining for the electric load time series
of the delivery point cluster default provider: blackouts of 6-220 kV electric grid equipment, operation mode of consumers of 670-10000 kW electric energy, availability of central heating and water supply in a certain town or settlement. However, these factors are considered insignificant for the electrical load of the energy system as a whole. Having considered the group of meteorological factors, we found that hourly volumes of power consumption are affected not only by the temperature of the outside air, but also by the variations in the temperature regime having occurred in the previous period.
Keywords: short-term load forecasting, factors, artificial intelligence, training sample, electric energy delivery point cluster, wholesale electricity market
Information about the article: Received October 24, 2019; accepted for publication February 19, 2020; available online April 30, 2020.
For citation: Serebryakov NA. Analysis of factors affecting the electricity consumption of a delivery point cluster default provider. Vestnik Irkutskogo gosudarstvennogo tehnicheskogo universiteta = Proceedings of Irkutsk State Technical University. 2020;24(2):366-381. (In Russ.) https://doi.org/10.21285/1814-3520-2020-2-366-381
1. ВВЕДЕНИЕ
В современных реалиях большая часть объемов электроэнергии на оптовом рынке электроэнергии и мощности (ОРЭМ) регулируется с помощью рыночных механизмов «рынка на сутки вперед» (РСВ) и «балансирующего рынка» (БР). В условиях функционирования рынка электроэнергии точность прогнозов потребления существенно влияет на технологические и экономические показатели энергосистемы [1]. Результаты краткосрочных прогнозов электропотребления крупных потребителей электроэнергии учитываются системным оператором Единой энергетической системы (СО ЕЭС) при принятии решений по управлению энергосистемой. Ошибки прогнозирования, как правило, приводят к необоснованным пускам и остановам генерирующего оборудования, а также к выбору неоптимальной схемы электрических сетей.
Реформа мирового рынка электроэнергии заставляет энергетическую отрасль постепенно трансформироваться от монополии к конкуренции. Как участники рынка, каждый поставщик и потребитель хотят получить наибольшую выгоду от оборота электроэнергии [2]. Ценовая конъюнктура на ОРЭМ складывается так, чтобы стимулировать крупных покупателей электроэнергии (гарантирующих поставщиков) придерживаться собственных прогнозов. В данной статье анализу подвергается вре-
менной ряд электропотребления заказчиков гарантирующих поставщиков, указанных в «Основных положениях функционирования розничных рынков электрической энергии»1. Группа точек поставки электроэнергии является условной точкой в энергосистеме, предназначенной для фиксации суммарных объемов электроэнергии, потребленной заказчиками на розничном рынке электроэнергии. Для достижения адекватных финансовых результатов гарантирующим поставщикам необходимо прогнозировать собственное почасовое электропотребление заказчиков по всем группам точек поставки электроэнергии (ГТП) на ОРЭМ с высокой точностью.
Также заблаговременная оценка надежности является необходимым условием для функционирования и развития современных электроэнергетических систем (ЭЭС), которые характеризуются развитием распределенной генерации возобновляемых источников энергии, интеллектуализацией, что усложняет ЭЭС и вносит свои коррективы в процесс оценки надежности ЭЭС [3]. Кроме того, растущая доступность возобновляемых источников энергии увеличивает нестабильность баланса мощности энергосистемы, поскольку появляется дополнительной неопределенностью на стороне производства электроэнергии [4, 5]. Совокупность данных факторов делает краткосрочное прогнозирование электропотребления (от англ. short-term
1
О функционировании розничных рынков электрической энергии, полном и (или) частичном ограничении режима потребления электрической энергии: постановление Правительства Российской Федерации № 442 от 04.06.2012 г.
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
Энергетика
wma Power Engineering
load forecasting - STLF) критическим аспектом обеспечения надежности и эффективности энергосистемы [3].
Наиболее эффективным путем повышения точности STLF является формализация данного процесса. Достижение высокой точности прогнозирования затруднено наличием множества факторов, влияющих на электрическую нагрузку [6]. Наличие множества факторов, влияющих на потребление электроэнергии, а также стохастический характер некоторых из них, делают задачу STLF слабоформализуемой. В условиях неопределенности традиционные методы математической статистики или имитационного моделирования не позволяют строить адекватные модели объектов [7]. Способность к обобщению информации, описывающей нелинейные зависимости в сложных объектах, процессах и явлениях - неотъемлемая черта искусственных нейронных сетей, присущая им по внутренней природе, структуре и способу функционирования на основе обучения [8]. Несмотря на то, что теоретическая основа для применения нейросетевых алгоритмов была разработана еще во второй половине ХХ в., до недавнего времени применение инструментов машинного обучения для решения задачи STLF сдерживалось недостатком вычислительной мощности ЭВМ.
За последние несколько десятилетий ученые разработали множество методов повышения точности STLF, которые можно разделить на методы математической статистики, искусственного интеллекта и гибридные методы [3, 6]. Невзирая на большое количество существующих алгоритмов краткосрочного прогнозирования электропотребления, ни один из них нельзя назвать универсальным. В работах [9-21] применены устаревшие алгоритмы машинного обучения, такие как метод опорных векторов и главных компонент. В настоящее время передовые позиции в машинном обучении занимают алгоритмы глубоких нейронных сетей: многослойные персеп-троны, сверточные нейронные сети и рекуррентные нейронные сети. Данные алгоритмы показывают лучшие результаты при
решении практических задач распознавания образов, прогнозирования временных рядов, аппроксимации функций и т.д. Также точность краткосрочного прогнозирования зависит как от математического алгоритма прогнозирования, так и от набора связанных статистических данных [9]. Существующие математические модели электропотребления энергосистем [1, 12, 14] не учитывают ряд факторов, который оказывает значительное влияние на временной ряд совокупного электропотребления заказчиков гарантирующих поставщиков:
- отключение на сетевом оборудовании 6-220 кВ;
- режим работы потребителей электроэнергии с мощностью свыше 670 кВт;
- наличие центрального отопления и горячего (холодного) водоснабжения в отдельном населенном пункте.
Выбору основных влияющих факторов уделяется особое внимание при использовании средств искусственного интеллекта для прогнозирования электрических нагрузок. В случае если учтены не все факторы, прогнозная модель не сможет адекватно описать поведение временного ряда электропотребления. В то же время учет второстепенных факторов вызовет необоснованное увеличение размерности факторного пространства. Это, в свою очередь, приведет к усложнению прогнозной модели и значительному увеличению затрат вычислительной мощности на ее обучение.
2. КЛАССИФИКАЦИЯ ФАКТОРОВ, ВЛИЯЮЩИХ НА ЭЛЕКТРОПОТРЕБЛЕНИЕ ГАРАНТИРУЮЩЕГО ПОСТАВЩИКА
Точность прогнозирования зависит не только от эффективности используемых алгоритмов, но также от качества проанализированных данных и возможности включить важные внешние факторы в модель [10]. Статистические подходы к STLF обычно нуждаются в математической модели, которая представляет электрическую нагрузку как функцию различных факторов, таких как время, погода и класс потребите-
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
лей [11]. Предварительным этапом прогнозирования любого временного ряда является анализ факторов, влияющих на поведение данной функциональной зависимости. В случае прогнозирования временного ряда электропотребления ГТП гарантирующего поставщика с помощью инструментов искусственных нейронных сетей (ИНС) данный анализ приобретает особое значение. Качество обучающей выборки, состоящей из статистических данных о величинах основных влияющих факторов, напрямую влияет на точность STLF, полученного с помощью ИНС. Выбор высококоррелированных входных данных имеет ключевое значение для моделей прогнозирования потребления электроэнергии, построенных на основе искусственного интеллекта [12].
В первую очередь необходимо определить набор факторов, которые могут оказать воздействие на режим потребления электроэнергии ГТП. Число факторов влияет не только на способность нейронной сети к прогнозированию поведения временного ряда электрической нагрузки ГТП, но и на конфигурацию ИНС. То есть недостаток учтенных факторов не позволит ИНС адекватно описать поведение временного ряда, а наличие в обучающей выборке закорел-лированных факторов или факторов, не оказывающих заметного влияния на поведение ряда, приведет к необоснованному увеличению свободных параметров ИНС. Это, в свою очередь, обусловит значительное увеличение времени обучения нейронной сети за счет дополнительных затрат вычислительной мощности на операции с большими матричными массивами, описывающими прохождение сигнала через ИНС.
Факторы, влияющие на режим потребления электроэнергии ГТП гарантирующего поставщика (ГП), подразделяются на учитывающие:
- сезонные и циклические изменения временного ряда электропотребления (форма суточного графика электрической нагрузки ГТП (СГЭН) в различные дни недели, время года, а также в праздничные дни);
- метеорологическую обстановку (величины температуры наружного возду-
ха, освещенности, скорости ветра и т.д.);
- случайные и условно-детерминированные воздействия на временной ряд (плановые и аварийные отключения на электросетевом оборудовании, отключение горячего и холодного водоснабжения, начало и конец отопительного сезона, режим работы крупных потребителей электроэнергии ГП, начало и конец сезонных работ);
- экономическую ситуацию в регионе или стране в целом.
Из вышеперечисленных групп факторов при краткосрочном прогнозировании электропотребления необходимо учитывать циклические, метеорологические и случайные воздействия. Экономические факторы не оказывают заметного влияния в краткосрочной перспективе. Учет данных факторов целесообразен при среднесрочном и долгосрочном прогнозировании электрических нагрузок. Детальное понимание факторов, влияющих на спрос электроэнергии, может помочь смягчить последствия от нестабильности производства электроэнергии за счет тарифного стимулирования потребления электроэнергии в определенные часы суток [4].
3. АНАЛИЗ ВЛИЯНИЯ ВРЕМЕННЫХ ФАКТОРОВ НА ПОВЕДЕНИЕ ВРЕМЕННОГО РЯДА ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ ГАРАНТИРУЮЩЕГО ПОСТАВЩИКА
Временные факторы обусловлены наличием циклических закономерностей в поведении временного ряда электрической нагрузки ГТП ГП различной длительности (сутки, неделя, год). Данная группа факторов обусловливает основные тенденции изменения СГЭН в течение определенного интервала времени. Знание отличительных особенностей изменения временного ряда в различные фазы цикла позволяет производить более качественную кластеризацию исходных данных при STLF. Целью кластеризации является разбиение исходных данных в однородные подмножества, называемые кластерами. Однородность
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
измеряется в соответствии с различными критериями, такими как внутриклассовые и межклассовые отклонения или меры различия [13].
Форма графиков носит циклический характер, электропотребление обладает сезонностью. Одной из циклических составляющих графика потребления является суточный цикл [14]. Суточный график потребления электроэнергии ГТП имеет ярко выраженные утренний и вечерний пики. Утренний пик обусловлен запуском основного оборудования промпредприятий, включением искусственного освещения в начале рабочего дня в школах, детских садах, поликлиниках и других учреждениях. Вечерний пик обусловлен активной подготовкой населения к предстоящему рабочему дню, включением искусственного освещения в домах и квартирах. Между пиками наблюдается относительное снижение электропотребления, которое обусловлено отключением искусственного освещения в светлое время суток, остановкой основного оборудования промпредприятий на обеденный перерыв.
При дальнейшем анализе можно выделить цикл длительностью одна неделя. СГЭН каждого дня недели имеет спе-
цифичную форму. На рис. 1 представлены суточные графики электропотребления АО «Алтайкрайэнерго» за период с 13 по 19 марта 2017 г.
Для наглядности выбрана неделя со схожими метеорологическими условиями на территории Алтайского края. Понедельник 13 марта отличается небольшой просадкой потребления электрической энергии в первые два часа суток, а также незначительным ростом электропотребления в дальнейшем. В начале рабочей недели происходят запуск, отладка и тестирование оборудования после простоя; понедельник имеет характерное для любого рабочего дня почасовое электропотребление; будние дни с 14 по 16 марта 2017 г. имеют схожие суточные графики электропотребления.
Пятница 17 марта 2017 г. (как конец рабочей недели) характеризуется просадкой электропотребления во второй половине суток. Данное явление обусловлено остановкой основного оборудования промышленных предприятий на выходные дни, а также отсутствием необходимости подготовки к следующему рабочему дню у большей части населения.
Рис. 1. Суточные графики электропотребления АО «Алтайкрайэнерго» в период с 13 по 19 марта 2017 г. Fig. 1. Daily power consumption curves of Altaykrayenergo JSC for the period from March 13 to March 19, 2017
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
Как видим из рис. 1, СГЭН гарантирующего поставщика в выходные дни имеют нетипичную для будних дней форму, причем формы субботнего и воскресного СГЭН отличаются друг от друга. Утренний пик в субботу смещается на час вперед, в дневные часы электрическая нагрузка несколько увеличивается, по сравнению с рабочим днем. Население занимается домашними делами, которые накопились за рабочую неделю. Далее, во второй половине субботы и в первой половине воскресенья, происходит значительное снижение электропотребления, связанное с отдыхом населения перед предстоящей рабочей неделей. Электропотребление во второй половине воскресенья находится на уровне пятницы. Затем цикл повторяется вновь. Кластеризация данных по признаку дня недели является важнейшей задачей при STLF ГТП гарантирующих поставщиков электроэнергии.
Суточные графики потребления электроэнергии ГТП ГП постоянно изменяют свою форму в течение года. Это обусловлено сменой температуры воздуха, длительностью светлого времени суток, а также сезонными работами и т.д. Тенден-
ции изменения формы СГЭН ежегодно повторяются. На рис. 2 показаны суточные графики электропотребления АО «Ал-тайкрайэнерго» в различное время года.
На основании СГЭН на рис. 2 можно сделать вывод о том, что время утреннего пика электропотребления гарантирующего поставщика не изменяется в течение года. Смещение утреннего пика в летнее время года на час вперед обусловлено каникулами в образовательных учреждениях. Наряду с этим, время вечернего пика потребления электроэнергии постоянно изменяется, что обусловлено постоянным изменением момента наступления темного времени суток и включением искусственного освещения.
Также стоит отметить отсутствие просадки потребления электроэнергии после утреннего пика в период экстремально высоких температур. При увеличении среднесуточной температуры наружного воздуха выше 20°С появляется потребность включения «климатического» оборудования, такого как кондиционеры, вентиляторы, увлажнители воздуха. Во время работы данного оборудования значительно увеличивается электропотребление.
295
245
ЕЭ
0 195
1
о
S
145
95
/Л
X
/ // 5 ......... \
J tt / V /Р / \
/ v - CT -J E2—a i i i i i i i i i i i i i i i i i i i i i i i i
1 2 3 4 5 6 7 S 9 10 И 12 13 14 15 16 17 18 19 20 21 22 23 24
час суток L ч
—♦—18.01.2017 -В- 12.04.2017 Htr-21.07.2016 17.11.2016
Рис. 2. Суточные графики потребления электроэнергии АО «Алтайкрайэнерго»
в различные времена года Fig. 2. Daily power consumption curves of Altaykrayenergo JSC in different seasons
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
Рис. 3. Суточные графики электропотребления АО «Алтайкрайэнерго»
в период с 25 декабря 2016 по 2 января 2017 г. Fig. 3. Daily power consumption curves of Altaykrayenergo JSC for the period from December 25, 2016 to January 2, 2017
При рассмотрении цикла длительностью один год также стоит учитывать, что период праздничных дней характеризуется нетипичной формой суточных графиков электропотребления. Это касается не только государственных, но и религиозных праздников, таких как Рождество, Пасха, Родительский день. На рис. 3 представлены суточные графики электропотребления АО «Алтайкрайэнерго» в период празднования нового 2017 г.
При рассмотрении поведения временного ряда потребления электроэнергии в период праздничных дней можно отметить значительную просадку потребления электроэнергии в праздничные дни (1 и 2 января), по сравнению с обычными сутками (25 декабря), а также рост электрической нагрузки в дневные часы предпраздничных суток (31 декабря). Учет признаков праздничных и предпраздничных дней позволяет избежать значительных отклонений фактического потребления электроэнергии от прогнозного в период празднования государственных и религиозных праздников.
4. АНАЛИЗ ВЛИЯНИЯ МЕТЕОРОЛОГИЧЕСКИХ ФАКТОРОВ НА ЭЛЕКТРОПОТРЕБЛЕНИЕ ГАРАНТИРУЮЩЕГО ПОСТАВЩИКА
Помимо внутренних тенденций, поведение временного ряда потребления электроэнергии в краткосрочной перспективе определяется группой метеорологических факторов. Погодные условия являются наиболее влиятельными экзогенными переменными при краткосрочном прогнозировании электрической нагрузки [12].
На основании схожих исследований [15] можно сделать вывод, что между временными рядами потребления электроэнергии и температуры воздуха имеется сильная отрицательная корреляционная связь. Уменьшение температуры наружного воздуха вызывает рост электрической нагрузки и наоборот. Однако при увеличении среднесуточной температуры выше комфортных 20°С корреляционная зависимость изменяется с отрицательной на положительную, данное явление связано с
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
Рис. 4. Суточные графики электрической нагрузки группы точек поставки «Кулундинская» электроэнергии в период с 20 по 24 марта 2017 г. Fig. 4. Daily electric load curves of electric energy delivery point cluster Kulundinskaya for the period from March 20 to March 24, 2017
необходимостью включения «климатического» оборудования в жаркую погоду. На рис. 4 представлены суточные графики электрической нагрузки группы точек поставки «Кулундинская» электроэнергии в период с 20 по 24 марта 2017 г.
ГТП «Кулундинская» относится к Славгородскому энергоузлу. В период с 20 по 24 марта 2017 г. произошло резкое повышение температуры в городе Славгоро-де: с -13,3°С 20 марта до -2°С 23 и 24 марта 2017 г. при неизменном состоянии неба. На основании рис. 4 можно сделать вывод, что изменение электропотребления в связи с изменением температуры характеризуется некоторой инерционностью. Несмотря на то, что потепление началось 20 марта 2017 г., просадка потребления электроэнергии начинается только в вечерние часы 21 марта того же года. Очевидно, что даже после стабилизации среднесуточной температуры 23 марта 2017 г. снижение почасовых объемов потребления электроэнергии ГТП продолжается до второй половины суток 24 марта 2017 г. Инерционность изменения поведения временного ряда электрической нагрузки ГТП связана с
тем, что изменение температуры в отапливаемых помещениях запаздывает по отношению к изменениям температуры наружного воздуха. То есть необходимость во включении и отключении «климатических» приборов возникает после изменений температурного режима. Предлагается учитывать данное явление при помощи дисперсии выборки из 24 предыдущих значений температуры:
1 24 2
о=+4 Е ('• -') • (1)
где Б - выборочная дисперсия последних 24 значений температуры воздуха; температура воздуха в час, I; г - выборочное среднее.
Влияние ветровой нагрузки на электропотребление ГТП невозможно однозначно оценить. В работе [16] говорится, что использование скорости ветра как отдельного фактора при STLF снижает точность прогнозирования. Однако можно утверждать, что ветер влияет на субъективное ощущение человеком температуры
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
Энергетика
wma Power Engineering
наружного воздуха. Также ветровая температура несколько увеличивает теплопотери в отапливаемых помещениях. И чем ниже температура воздуха, тем больше сказывается данный эффект. Одновременный учет величин температуры наружного воздуха и скорости ветра возможно произвести с помощью ветрохолодового индекса, который рассчитывается на основании выражения:
Тш = 33 + (0,474 + 0,454^ -
- 0,0454ув)-(Т - 0,33),
где Тжс - ветрохолодовой индекс; ув - скорость ветра, м/с; Т - температура воздуха, °С.
Использование ветрохолодового индекса при STLF позволяет учесть сразу температуру наружного воздуха и скорость ветра. Это, в свою очередь, позволяет уменьшить размерность факторного пространства без потери полезной информации, описывающей поведение временного ряда потребления электроэнергии ГТП.
Следующим метеорологическим фактором, влияющим на почасовые объемы потребления электроэнергии ГТП ГП, является естественная освещенность. На рис. 5 представлены СГЭН ГТП «Власиха» за 18 и 19 апреля 2017 г.
Большая часть потребителей ГТП «Власиха» находятся в окрестности г. Алейск. Для наглядности влияния освещенности на электрическую нагрузку ГТП выбраны будние дни с идентичной среднесуточной температурой. 18 апреля 2017 г. в г. Алейск наблюдался ливневый дождь. 19 апреля 2017 г. состояние неба характеризовалось незначительной облачностью в отдельные часы. Электрическая нагрузка ГТП в светлое время суток увеличивалась в среднем на 10,55%. При этом потребление электроэнергии практически не изменялось в темное время суток.
В значительной мере снижение естественной освещенности происходит только при наличии дождевых облаков нижнего яруса. Облака среднего и верхнего ярусов в меньшей мере влияют на освещенность.
Также нельзя утверждать, что уменьшение освещенности неизменно влечет увеличение электропотребления ГТП. В летнее время года снижение освещенности сопровождается уменьшением электрической нагрузки. Особенно это характерно для ГТП, включающих сельскохозяйственных потребителей. Данное обстоятельство объясняется тем, что в дождливую пасмурную погоду отключается часть «климатического» оборудования, отпадает необходимость полива сельскохозяйственных культур.
На основании вышеизложенного, а также в связи с проблематичностью получения статистических данных об естественной освещенности по всем районам из зоны деятельности гарантирующего поставщика, можно сделать вывод о целесообразности применения фактора наличия осадков при STLF.
В процессе анализа влияния группы метеорологических факторов не было выявлено корреляционной зависимости между величинами почасовых объемов потребления электроэнергии ГТП ГП и атмосферного давления, а также влажности воздуха. Данные факторы за-коррелированы с другими метеорологическими факторами.
5. АНАЛИЗ ВЛИЯНИЯ СЛУЧАЙНЫХ ВОЗДЕЙСТВИЙ НА ВРЕМЕННОЙ РЯД ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ ГАРАНТИРУЮЩЕГО ПОСТАВЩИКА
Не все данные, необходимые для составления прогноза потребления электроэнергии, являются детерминированными (как информация о дне недели, времени года или статистические данные о метеорологических условиях). К стохастическим факторам, которые оказывают влияние на результаты STLF, можно отнести аварийные отключения на электросетевом оборудовании, а также поломки основного оборудования крупных потребителей электроэнергии ГТП ГП. Темой отдельного исследования является прогнозирование аварийных отказов элементов электросетевого
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
Рис. 5. Суточный график электрической нагрузки групп точек поставки «Власиха»
в период с 18 по 19 апреля 2017 г. Fig. 5. Daily electric load curve of electric energy delivery point cluster Vlasikha for the period from April 18 to April 19, 2017
оборудования с помощью нейросетевых алгоритмов [17]. Перспективным путем повышения точности краткосрочного прогнозирования электропотребления является учет результатов прогноза отказа элементов электросетевого оборудования при составлении STLF.
Однако существуют данные о событиях, которыми приходится оперировать в процессе составления STLF, не являющиеся детерминированными, но в то же время вероятность их возникновения достаточно велика. К ним можно отнести прогноз метеорологических условий, информацию о плановых ремонтных работах на электросетевом оборудовании, а также данные о режиме работы крупных потребителей электроэнергии ГТП ГП. Эти факторы создают дополнительную неопределенность при составлении прогноза. Однако без их учета резко снижается точность STLF.
Как было выяснено ранее, метеорологические условия в значительной степени влияют на поведение временного ряда электропотребления ГТП в краткосрочной перспективе. В то же время при прогнозировании почасовых объемов потребления электроэнергии ГТП на РСВ необходимо как можно точнее знать информацию о метеорологических условиях на следующие сутки. Однако ни один из бесплатных ис-
точников не может располагать высокой точностью прогнозирования. Для снижения неопределенности, связанной с данной ситуацией, необходимо подвергать сравнительному анализу информацию о метеорологических условиях. То есть данные, полученные из одного источника, необходимо сравнить с данными из других источников на предмет совпадения. Только после проверки можно оперировать ими с целью прогноза.
Энергосбытовое предприятие является посредником между электростанциями, занимающимися выработкой электроэнергии и проблемами потребителей [18]. АО «Алтайкрайэнерго» считается гарантирующим поставщиком электроэнергии на части территории Алтайского края. На ОР-ЭМ данный ГП представлен 15 группами точек поставки электроэнергии, которые включают от 2 до 82 фидеров 10-35 кВ. В литературных источниках хорошо освещен вопрос разработки моделей краткосрочного прогнозирования электропотребления крупных объектов, таких как энергосистема субъекта Российской Федерации [1, 14, 18]. При краткосрочном прогнозировании электрической нагрузки таких крупных объектов можно не учитывать ремонтные работы на сетевом оборудовании ниже 220 кВ, а также режим работы потребителей электро-
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
энергии с мощностью менее 10 МВт. В то же время отключение на сетевом оборудовании 10-110 кВ в значительной мере сказывается на потреблении электроэнергии ГТП ГП. На рис. 6 представлены суточные графики электропотребления группы точек поставки «Корчинская» электроэнергии при плановых отключениях на электросетевом оборудовании филиала ПАО «МРСК Сибири» - «Алтайэнерго».
26 апреля 2017 г. на подстанциях «Романовская» и «Мамонтовская», входящих в ГТП «Корчинская», проводились плановые работы по чистке изоляции. Из рис. 6 видно, что электропотребление ГТП «Корчинская» во время ремонтных работ уменьшилось в среднем на 69,77%, т.к. отсутствует возможность доставить электроэнергию до части конечных потребителей данной ГТП. Также (после подачи напряжения) наблюдается рост электропотребления на 6%, по сравнению с потреблением электроэнергии 25 апреля 2017 г. Во избежание больших отклонений фактического потребления электроэнергии от прогнозного, необходимо учитывать плановые ремонтные работы на электросетевом оборудовании, обеспечивающем транспорт электроэнергии до конечного потребителя ГТП.
Заявки на обслуживание и ремонт электросетевого оборудования предоставляются гарантирующему поставщику в виде
оперативной диспетчерской информации о плановых работах на электросетевом оборудовании. В заявках указываются моменты отключения и включения электросетевого оборудования, наименование объекта, по которому происходит отключение, а также доля потребителей, которых возможно запитать по резервной линии.
При этом нередки ситуации, когда ремонтные работы отменяются по тем или иным причинам, произведены не в полном объеме (отличается количество отключаемых комплектных трансформаторных подстанций 10/0,4 кВ, время отключения и включения линии), а также заявка на плановые работы (отмену ремонтных работ) не доводится до гарантирующего поставщика вследствие ошибок оперативно-диспетчерского персонала или по техническим причинам. Для учета недопоставки электроэнергии до конечных потребителей (вследствие ремонтных работ) необходимо скорректировать прогнозные почасовые объемы потребления электроэнергии ГТП на объем потребления в точках поставки, питаемых отключаемыми фидерами. Почасовые объемы недопоставки определяются на основании данных автоматизированной системы коммерческого учета электроэнергии, используемой для определения объемов покупки электроэнергии на ОРЭМ.
Рис. 6. Суточные графики электропотребления группы точек поставки «Корчинская» при плановых
отключениях на электросетевом оборудовании филиала ПАО «МРСК Сибири» - «Алтайэнерго» Fig. 6. Daily energy consumption curves of electric energy delivery point cluster Korchinskaya at scheduled repairs on electric grid equipment of the branch of IDGC of Siberia - Altaienergo PJSC
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
При прогнозировании почасовых объемов электропотребления ГТП гарантирующих поставщиков, находящихся в сельской местности, необходимо учитывать режим работы крупных производителей сельскохозяйственных товаров с мощностью свыше 670 кВт. Учет режима работы более мелких потребителей электроэнергии ГТП ГП значительно усложнит архитектуру модели прогнозирования без увеличения точности STLF. На рис. 7 представлены СГЭН ГТП «Власиха» при различных режимах работы ООО «Усть-Калманский элеватор».
Производственный цех предприятия до 4:00 31 августа 2018 г. работал в штатном режиме, после чего началось техническое обслуживание основного оборудования. В связи с этим потребление электроэнергии ГТП «Власиха» в последующие часы суток 31 августа 2018 г. снизилось на 650 кВт (в среднем на 5,74%), по сравнению с почасовым электропотреблением 30 августа 2018 г. при аналогичных уровнях воздействия других факторов. На основании СГЭН, представленных на рис. 7, электрическая нагрузка данного производителя сельскохозяйственных товаров соизмерима с нагрузкой всей ГТП ГП. Отсутствие информации о режиме работы данного предприятия может дать относительную ошибку прогнозирования более 5% без учета влияния других факторов.
На рис. 8 представлен суточный график электрической нагрузки ГТП «Южная» при отключении холодной воды в г. Рубцовск.
При отключенном холодном водоснабжении в воскресенье 19.08.2018 в г. Рубцовск потребление электроэнергии снизилось в среднем на 13,4%, по сравнению с 12 августа 2018 г. при схожих метеорологических условиях. Данный факт объясняется отсутствием возможности у населения заниматься повседневными делами, отключением приводов насосных станций и т.д.
После возобновления водоснабжения электрическая нагрузка возросла на 8,7%. Рост потребления электроэнергии связан с массовым включением бытовых приборов после простоя, поливом сельскохозяйственных культур.
Рассмотренные в данном пункте факторы могут показаться незначительными при анализе суточных графиков энергосистемы региона в целом. Однако они в значительной степени влияют на совокупное электропотребление гарантирующих поставщиков.
В соответствии с Правилами ОР-ЭМ2, разрешающими поставщикам транслировать (т.е. закладывать в цену на электроэнергию) на конечных потребителей только 5% отклонений фактического потребления электроэнергии от прогнозного, даже несущественные изменения графиков могут привезти к значительным убыткам. Помимо убытков для самих гарантирующих поставщиков, величина отклонений фактического потребления электроэнергии от прогнозного влияет на цену электроэнергии для конечных потребителей (в виде стоимостного небаланса «балансирующего рынка» на ОРЭМ, который увеличивается пропорционально величине отклонений). Поэтому учет всех основных факторов приобретает особую важность при краткосрочном прогнозировании электропотребления.
Прогнозирование потребления электроэнергии является сложной задачей, т.к. оно зависит от сложного поведения электрической нагрузки зданий (сооружений) и неопределенности влияющих факторов, что в свою очередь приводит к частым колебаниям спроса на электроэнергию [20]. Таким образом, к основным факторам, оказывающим решающее воздействие на поведение временного ряда электропотребления совокупного спроса потребителей гарантирующего поставщика, в краткосрочной перспективе можно отнести:
2Об 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: постановление Правительства Российской Федерации № 1172 от 27.12.2010, изм. 03.02.2020 г.
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 —■—30.08.2018 —Ж—31.08.2018 час суток t ч
Рис. 7. Суточный график электрической нагрузки группы точек поставки электроэнергии «Власиха» при различных режимах работы ООО «Усть-Калманский элеватор» Fig. 7. Daily load curve of electrical energy delivery point cluster Vlasikha at various operating modes of Ust-Kaimansky Elevator LLC
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
—*-12.08.2018 19.08.2018 -M-26.08.2018 час суток t ч
Рис. 8. Суточный график электрической нагрузки группы точек поставки электроэнергии «Южная» при отключении холодного водоснабжения в г. Рубцовск Fig. 8. Daily load curve of electrical energy delivery point cluster Yuzhnaya under shutdown
of cold water supply in Rubtsovsk
- порядковый номер дня в году;
- порядковый номер дня в неделе;
- длину светового дня;
- признак предпраздничного дня;
- признак праздничного дня;
- признак каникул в образовательных учреждениях;
- признак наличия центрального отопления;
- признак наличия горячего водоснабжения;
- признак наличия холодного водоснабжения;
- почасовые значения ветро-холодового индекса, °С;
- дисперсию 24 предыдущих значений температуры наружного воздуха, °С;
- количество осадков, мм;
- режим работы всех потребителей электроэнергии ГТП с мощностью свыше 670 кВт;
- плановые отключения фидеров, питающих потребителей электроэнергии ГТП.
На основании набора факторов формируется выборка, предназначенная
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
для обучения и тестирования ИНС. Из множества параметров, определяющих электрическую нагрузку, выбираются те, которые могут быть внесены в обучающую выборку, т.е. доступные в открытых источниках или вычисляемые на основании открытой информации [19].
6. ЗАКЛЮЧЕНИЕ
1. В ходе исследования выяснено, что временной ряд совокупного электропотребления потребителей гарантирующего поставщика характеризуется сезонными и циклическими изменениями различной длительности: сутки, неделя, год. Предпраздничные и праздничные дни имеют нетипичную форму суточного графика потребления электроэнергии.
2. Между потреблением электроэнергии и температурой наружного воздуха имеется сильная корреляционная связь, т.к. изменение температуры в зданиях запаздывает по отношению к изменениям температуры наружного воздуха (имеется некоторая инерционность); на объемы потребления электроэнергии влияет не только величина температуры, но и изменения температурного режима, происходившие в предшествующий период. Предлагается учитывать данное явление при краткосроч-
ном прогнозировании электропотребления с помощью дисперсии выборки из 24 предыдущих значений температуры. Также (в целях снижения размерности факторного пространства) целесообразно учитывать температуру наружного воздуха и скорость ветра с помощью ветрохолодового индекса.
3. Естественная освещенность влияет на объемы электропотребления только в светлое время суток. Стоит отметить, что уменьшение освещенности не всегда приводит к увеличению электрической нагрузки. В летнее время года снижение освещенности вызывает уменьшение электропотребления вследствие отключения части «климатического» оборудования.
4. Выборка статистических данных, необходимая для краткосрочного прогнозирования совокупного электропотребления гарантирующего поставщика, должна учитывать помимо стандартных временных и метеорологических факторов также факторы отключения электро-сетевого оборудования 6-220 кВ, режимы работы крупных потребителей электроэнергии, наличие центрального отопления и холодного (горячего) водоснабжения в отдельных населенных пунктах, которые считаются незначительными для электрической нагрузки энергосистемы.
Библиографический список
1. Доманов В.И., Билалова А.И. Прогнозирование объемов энергопотребления в зависимости от исходной информации // Вестник ЮУрГУ. Серия: Энергетика. 2016. Т. 16. № 2. С. 59-65. https://doi.org/10.14529/power160208
2. Gao Gao, Kwoklun Lo, Jianfeng Lu, Fulin Fan. A short-term electricity price forecasting scheme for power market // World Journal of Engineering and Technology. 2016. Vol. 4. No. 3. P. 58-65. https://doi.org/10.4236/wjet.2016.43D008
3. Бояркин Д.А., Крупенев Д.С., Якубовский Д.В. Использование методов машинного обучения при оценке надежности электроэнергетических систем методом Монте-Карло // Вестник ЮУрГУ. Серия: Математическое моделирование и программирование. 2018. Т. 11. № 4. С. 146-153. https://doi.org/10.14529/mmp180411
4. López M., Sans C., Valero S., Senabre C. Empirical comparison of neural network and auto-regressive models in short-term load forecasting // Energies. 2018.
Vol. 11. No. 8. P. 1-19. https://doi.org/10.3390/ en11082080
5. Tureczek A., Nielsen P., Madsen H. Electricity Consumption Clustering Using Smart Meter Data // Energies. 2018. Vol. 11. No. 4. P. 1-18. https://doi.org/10.3390/en11040859
6. Zheng Huiting, Yuan Jiabin, Chen Long. Short-term load forecasting using EMD-LSTM neural networks with a XGBOOSt algorithm for feature importance evaluation // Energies. 2017. Vol. 10. No. 8. P. 1-20. https://doi.org/10.3390/en10081168
7. Катасёв А.С. Нейронечеткая модель формирования нечетких правил для оценки со-стояния объектов в условиях неопределенности // Компьютерные исследования и моделиро-вание. 2019. Т. 11. № 3. С. 477-492. https://doi.org/10.20537/2076-7633-2019-11-3-477-492
8. Третьяк А.Я., Кузнецова А.В., Борисов К.А. Определение поломок резцов pdc с помощью регрессионного и нейросетевого моделирования // Известия
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
Томского политехнического университета. Инжиниринг георесурсов. 2019. Т. 330. № 5. С. 169-177. https://doi.Org/10.18799/24131830/2019/5/275
9. Ming-Wei Li, Jing Geng, Wei-Chiang Hong, Yang Zhang. Hybridizing Chaotic and Quantum Mechanisms and Fruit Fly Optimization Algorithm with Least Squares Support Vector Regression Model in Electric Load Forecasting // Energies. 2018. Vol. 11. No. 9. P. 2226. https://doi.org/10.3390/en11092226
10. Rajan D.V., Mallick S., Thakur S.S. An efficient approach for short-term load forecasting using historical data // International Journal of Engineering Research & Technology. 2012. Vol. 1. Issue 3. P. 1-9.
11. Masood N.A., Ahsan Q. A Methodology for identification of weather sensitive component of electrical load using empirical mode decomposition technique // Energy and Power Engineering. 2013. Vol. 5. No. 4. P. 293300. https://doi.org/10.4236/epe.2013.54029
12. Wang Zeyu, Srinivasan R.S. A review of artificial intelligence based building energy use pre-diction: Contrasting the capabilities of single and ensemble prediction models // Renewable and Sus-tainable Energy Reviews. 2017. Vol. 75. P. 796-808. https://doi.org/10.1016/j.rser.2016.10.079
13. Auder B., Cugliari J., Goude Y., Poggi J.-M. Scalable Clustering of Individual Electrical Curves for Profiling and Bottom-Up Forecasting // Energies. 2018. Vol. 11. No. 7. P. 1893. https://doi.org/10.3390/en11071893
14. Торопов А.С., Туликов А.Н. Прогнозирование почасового электропотребления региональной энергосистемы с использованием искусственных нейронных сетей // Вестник Иркутского государственного технического университета. 2017. Т. 21. № 5. С. 143-151. https://doi.org/10.21285/1814-3520-2017-5-143-151
15. Ruzic S., Vuckovic A., Nikolic N. Weather sensitive
method for short term load forecasting in electric power Utility of Serbia // IEEE Transactions on Power Systems. 2003. Vol. 18. No. 4. P. 1581-1586. https://doi.org/10.1109/TPWRS.2003.811172
16. Reynolds J., Ahmad M.W., Rezgui Y., Hippolyte J.-L. Operational supply and demand op-timisation of a multi-vector district energy system using artificial neural networks and a genetic algo-rithm // Applied Energy. 2019. Vol. 235. P. 699-713. https://doi.org/10.1016/j.apenergy.2018.11.001
17. Карамов Д.Н., Наумов И.В., Пержабинский С.М. Математическое моделирование отказов элементов электрической сети (10 кВ) автономных энергетических систем с возобнов-ляемой распределенной генерацией // Известия Томского политехнического университета. Инжиниринг георесурсов. 2018. Т. 329. № 7. C. 116-130.
18. Кирпичникова И.М., Саплин Л.А., Соломахо К.Л. Прогнозирование объемов потреб-ления электроэнергии // Вестник ЮУрГУ. Серия «Энергетика». 2014. Т. 14. № 2. С. 16-21.
19. Иванин О.А., Директор Л.Б. Применение искусственных нейронных сетей для прогнозирования энергетических нагрузок обособленных потребителей // Теплоэнергетика. 2018. № 5. С. 17-26. https://doi.org/10.1134/S0040363618050041
20. Mocanu E., Nguyen Phuong H., Gibescu M., Kling W.L. Deep learning for estimating building energy consumption // Sustainable Energy. Grids and Networks. 2016. Vol. 6. P. 91-99. https://doi.org/10.1016/j.segan.2016.02.005
21. Надтока И.И., Хусейн А.-З.Б.М. Краткосрочное прогнозирование электропотребления региона с учетом метеофакторов на основе метода опорных векторов и алгоритма роя частиц // Известия вузов. Электромеханика. 2014. № 3. С. 44-47.
References
1. Domanov VI, Bilalova AI. Forecasting power consumption based on source information. Vestnik yuzhno-ural'skogo gosudarstvennogo universiteta. Seriya: En-ergetika = Bulletin of the South Ural State University. Series: Power Engineering. 2016;16(2):59-65. (In Russ.) https://doi.org/10.14529/power160208
2. Gao Gao, Kwoklun Lo, Jianfeng Lu, Fulin Fan. A short-term electricity price forecasting scheme for power market. World Journal of Engineering and Technology. 2016;4(3):58—65. https://doi.org/10.4236/wjet.2016.43D008
3. Boiarkin DA, Krupenev DS, lakubovskii DV. Machine learning in electric power systems adequacy assessment using Monte Carlo method. Vestnik yuzhno-ural'skogo gosudarstvennogo universiteta. Seriya: Ma-tematicheskoe modelirovanie i programmirovanie = Bulletin of the South Ural State University. Series: Mathematical Modelling. Programming & Computer Software. 2018;11(4): 146-153. (In Russ.)
4. López M, Sans C, Valero S, Senabre C. Empirical comparison of neural network and auto-regressive
models in short-term load forecasting. Energies. 2018;11(8): 1—19. https://doi.org/10.3390/en11082080
5. Tureczek A, Nielsen P, Madsen H. Electricity Consumption Clustering Using Smart Meter Data. Energies. 2018;11(4): 1—18. https://doi.org/10.3390/en11040859
6. Zheng Huiting, Yuan Jiabin, Chen Long. Short-term load forecasting using EMD-LSTM neural networks with a XGBOOSt algorithm for feature importance evaluation. Energies. 2017;10(8):1-20. https://doi.org/10.3390/en10081168
7. Katasev AS. Neuro-fuzzy model of fuzzy rules formation for objects state evaluation in conditions of uncertainty. Komp'iuternye issledovaniia i modelirovanie = Computer Research and Modeling. 2019;11(3):477-492. (In Russ.) https://doi.org/10.20537/2076-7633-2019-11-3-477-492
8. Tret'iak AI, Kuznetsova AV, Borisov KA. Determination of PDC cutter breakdowns using regression and neural network modeling. Izvestiia Tomskogo politekhnicheskogo universiteta. Inzhiniring georesursov = Bulletin of the Tomsk Polytechnic University. Geo
Assets Engineering. 2019;330(5):169-177. (In Russ.) https://doi.org/10.18799/24131830y2019/5y275
9. Ming-Wei Li, Jing Geng, Wei-Chiang Hong, Yang Zhang. Hybridizing Chaotic and Quantum Mechanisms and Fruit Fly Optimization Algorithm with Least Squares Support Vector Regression Model in Electric Load Forecasting. Energies. 2018;11(9):2226. https://doi.org/10.3390/en11092226
10. Rajan DV, Mallick S, Thakur SS. An efficient approach for short-term load forecasting using historical data. International Journal of Engineering Research & Technology. 2012;1(3):1-9.
11. Masood NA, Ahsan Q. A Methodology for identification of weather sensitive component of electrical load using empirical mode decomposition technique. Energy and Power Engineering. 2013;5(4):293-300. https://doi.org/10.4236/epe.2013.54029
12. Wang Zeyu, Srinivasan RS. A review of artificial intelligence based building energy use pre-diction: Contrasting the capabilities of single and ensemble prediction models. Renewable and Sustainable Energy Reviews. 2017;75:796-808. https://doi.org/10.1016/j. rser.2016.10.079
13. Auder B, Cugliari J, Goude Y, Poggi J-M. Scalable Clustering of Individual Electrical Curves for Profiling and Bottom-Up Forecasting. Energies. 2018;11(7): 1893. https://doi.org/10.3390/en11071893
14. Toropov AS, Tulikov AN. Forecasting of regional power supply system power consumption per hour using artificial neural networks. Vestnik Irkutskogo gosu-darstvennogo tehnicheskogo universiteta = Proceedings of Irkutsk State Technical University. 2017;21(5): 143-151. (In Russ.) https://doi.org/10.21285/1814-3520-2017-5-143-151
15. Ruzic S, Vuckovic A, Nikolic N. Weather sensitive method for short term load forecasting in electric power Utility of Serbia. IEEE Transactions on Power Systems.
Критерии авторства
Серебряков Н.А. получил и оформил научные результаты и несет ответственность за плагиат.
Конфликт интересов
Автор заявляет об отсутствии конфликта интересов.
Автор прочитал и одобрил окончательный вариант рукописи.
СВЕДЕНИЯ ОБ АВТОРЕ
Серебряков Николай Александрович,
аспирант,
Алтайский государственный технический университет им. И.И. Ползунова, 656038, г. Барнаул, пр. Ленина, 46, Россия; Н e-mail: na_serebryakov@altke.ru
2003; 18(4): 1581—1586. https://doi.org/10.1109/TPWRS.2003.811172
16. Reynolds J, Ahmad MW, Rezgui Y, Hippolyte J-L. Operational supply and demand optimization of a multi-vector district energy system using artificial neural networks and a genetic algorithm. Applied Energy. 2019;235:699-713.
https://doi.org/10.1016/j.apenergy.2018.11.001
17. Karamov DN, Naumov IV, Perzhabinskii SM. Mathematical modelling of failures of electrical grid (10 kV) of autonomous energy systems with renewable distributed generation. Izvestiia Tomskogo politekhnicheskogo universiteta. Inzhiniring georesursov = Bulletin of the Tomsk Polytechnic University. Geo Assets Engineering. 2018;329(7):116-130. (In Russ.)
18. Kirpichnikova IM. Energy consumption forecasting. Vestnik yuzhno-ural'skogo gosudarstvennogo universiteta. Seriya: Energetika = Bulletin of the South Ural State University. Series "Power Engineering". 2014; 14(2): 16-22. (In Russ.)
19. Ivanin OA, Direktor LB. The use of artificial neural networks for forecasting the electric demand of standalone consumers. Teploenergetika = Thermal Engineering. 2018;5:17-26. (In Russ.) https://doi.org/10.1134/S0040363618050041
20. Mocanu E, Nguyen Phuong H, Gibescu M, Kling WL. Deep learning for estimating building energy consumption. Sustainable Energy. Grids and Networks. 2016;6:91-99.
https://doi.org/10.1016/j.segan.2016.02.005
21. Nadtoka II, Husejn A.-Z.B.M. Short-term forecasting of the region's power consumption taking into account meteorological factors based on the support vector method and particle swarm algorithm. Izvestiya vysshih uchebnyh zavedenij. Elektromehanika = Scientific and Technical Journal Russian Electromechanics. 2014;3:44-48. (In Russ.)
Authorship criteria
Serebryakov N.A. has obtained and formalized the scientific results and bears the responsibility for plagiarism.
Conflict of interests
The author declares that there is no conflict of interests regarding the publication of this article.
The final manuscript has been read and approved by the author.
INFORMATION ABOUT THE AUTHOR
Nikolay A. Serebryakov,
Postgraduate Student, Polzunov Altai State Technical University, 46, Lenin pr., Barnaul 656038, Russia; H e-mail: na_serebryakov@altke.ru
ВЕСТНИК ИРКУТСКОГО ГОСУДАРСТВЕННОГО ТЕХНИЧЕСКОГО УНИВЕРСИТЕТА 2020;24(2):366-381
