CC BY
13
Electrical facilmes and systems
Решетняк С. Н. Reshetnyak S. N.
кандидат технических наук, доцент, старший научный сотрудник лаборатории 2.3 «Геотехнологическихрисков при освоении газоносных угольных и рудных месторождений», ФГБУН «Институт проблем комплексного освоения недр» Российской академии наук; доцент кафедры «Энергетика и энергоэффективность горной промышленности» ФГАОУВО «Национальный исследовательский технологический университет «МИСиС»», г. Москва, Российская Федерация
УДК 622:621.31 DOI: 10.17122/1999-5458-2020-16-2-28-34
АНАЛИЗ МЕТОДОВ ПОСТРОЕНИЯ ПРОГНОЗНЫХ МОДЕЛЕЙ ЭЛЕКТРОПОТРЕБЛЕНИЯ В УСЛОВИЯХ ВЫСОКОПРОИЗВОДИТЕЛЬНЫХ УГОЛЬНЫХ ШАХТ
Развитие угольной промышленности в России обусловлено стремлением повысить уровень цифровизации технологических процессов добычи угля, в том числе при добычи угля подземным способом. Повышение уровня энергетической эффективности, в том числе за счет использования цифровых технологических решений, в условиях высокопроизводительных угольных шахт является весьма актуальной задачей, это позволит повысить уровень конкурентоспособности на мировом рынке угля, который в данный момент переживает непростые времена. Внедрение в технологический процесс по добыче угля прогнозных моделей электропотребления, построенных с использованием современных методов, позволит получить достоверные прогнозы электропотребления в зависимости от ряда технологических и горно-геологических факторов. Помимо этого, возможно создание «цифрового двойника» системы электроснабжения как отдельного участка угольной шахты, так и угольной шахты в целом. Это позволит определить текущие актуальные нормы электропотребления как отдельными горными машинами или механизмами, участками, так и угольной шахтой в целом. Решение этой актуальной задачи позволит повысить уровень энергоэффективности добычи угля подземным способом за счет снижения потерь электроэнергии от неэффективных режимов работы основного технологического оборудования. В публикации рассмотрен ряд методик построения прогнозных моделей электропотребления, представлены их достоинства и недостатки, а также возможность применения в условиях высокопроизводительных угольных шахт. В частности проведен классификационный анализ формализованных методов прогнозирования параметров электропотребления, на основе которого построена диаграмма распределения методов прогнозирования. Кроме того, в публикации предложена модель прогнозирования электропотребления высокопроизводительного выемочного участка угольной шахты, построенная с использованием искусственных нейронных сетей и факторного пространства, что в значительной степени позволит повысить качество прогнозов электропотребления при изменении как внешних, так и внутренних факторов.
Ключевые слова: электрическая энергия, угольная шахта, выемочный участок, факторное пространство, энергетическая эффективность, прогнозная модель электропотребления, искусственная нейронная сеть, цифровой двойник.
ANALYSIS OF METHODS FOR CONSTRUCTING PREDICTIVE MODELS OF POWER CONSUMPTION IN HIGH-PERFORMANCE COAL MINES
The development of the coal industry in Russia is driven by the desire to increase the level of digitalization of technological processes of coal mining, including underground coal mining. Increasing the level of energy efficiency, including through the use of digital technology solutions, in high-performance coal mines is a very urgent task. This will increase the level of competitiveness in the global coal market, which is currently experiencing difficult times. The introduction of predictive models of power consumption in the technological process of coal mining, built using
28 -
Electrical and data processing facilities and systems. № 2, v. 16, 2020
modern methods, will allow you to obtain reliable forecasts of power consumption depending on a number of technological and mining and geological factors. In addition, it is possible to create a «digital double» of the power supply system, both for a separate section of the coal mine and for the coal mine as a whole. This will determine the current current standards of power consumption as individual mining machines or mechanisms, sites and the coal mine as a whole. The solution of this urgent task will increase the level of energy efficiency of underground coal mining, by reducing electricity losses from inefficient operating modes of the main technological equipment. The publication discusses a number of methods for constructing predictive models of power consumption, presents their advantages and disadvantages, as well as the possibility of application in high-performance coal mines. In particular, a classification analysis of formalized methods for predicting power consumption parameters is carried out, on the basis of which a distribution diagram of forecasting methods is constructed. In addition, the publication offers a model for predicting power consumption of a high-performance coal mine dredging site, built using artificial neural networks and factor space, which will significantly improve the quality of power consumption forecasts when both external and internal factors change.
Key words: electric energy, coal mine, dredging area, factor space, energy efficiency, predictive model of power consumption, artificial neural network, digital double.
Введение
Повышение уровня энергетической эффективности, а также безопасности в условиях высокопроизводительных угольных шахт, является весьма актуальной задачей, это позволит повысить уровень конкурентоспособности на мировом рынке угля, который в данный момент переживает непростые времена. В настоящее время проводится ряд научных исследований по повышению уровня эффективности технологического процесса извлечения угля [1], по внедрению новых способов повышения энергетической эффективности в условиях высокопроизводительных угольных шахт [2-4], а также по повышению уровня безопасности ведения работ в специфических условиях подземных горных выработок угольных шахт [5]. Однако перед внедрением того или иного мероприятия по повышению эффективности или безопасности технологического процесса добычи угля необходимо провести исследование с использованием прогнозных моделей, т.е. оценить степень влияния того или иного мероприятия на уровень электропотребления, что позволит определить актуальный уровень себестоимости добычи угля. Кроме того, с помощью прогнозных моделей необходимо определить актуальные нормы электропотребления по основным технологическим участкам угольной шахты [6, 7]. Использование математического аппарата, а также ряда прикладных математических программ при построении прогнозных моделей, позволит оценить экономический эффект, а
Электротехнические и информационные комплексы
также определить сроки окупаемости ряда мероприятий по повышению энергетической эффективности применительно в том числе к высокопроизводительным угольным шахтам [8-10]. Следует отметить, что в настоящее время существует большое количество методов прогнозирования электропотребления в условиях промышленных предприятий, однако не все они применимы к специфическим условиям высокопроизводительных угольных шахт. Ввиду этого возникает актуальная научная задача по проведению анализа методов построения прогнозных моделей электропотребления в условиях высокопроизводительных угольных шахт.
Основная часть
Проведенный анализ формализованных методов прогнозирования электропотребления позволил распределить их по классификационным группам, в соответствии с общими принципами действия (рисунок 1).
Следует отметить, что под понятием формализованный метод лежит методика исследования объекта, в данном случае угольной шахты или его участка на предмет математического моделирования процессов, в частности процесса электропотребления [11]. Использование формализованных методов прогнозирования электропотребления обусловлено возможностью их автоматизировать и по возможности исключить влияние субъективного фактора.
В качестве объекта прогнозирования выступают временные ряда электропотребления, под которыми понимают последова-
- 29
и системы. № 2, т. 16, 2020
тельность объемов электропотребления за последовательный интервал времени [12].
В настоящее время существует несколько наиболее распространенных формализованных методов прогнозирования временных рядов.
Метод прогнозной экстраполяции основывается на том, что временной ряд представляется таким образом: Ус = /(0 +
где /(£) — это тренд или неслучайная временная функция;
£с — случайный показатель со средней, равной нулю и дисперсией £)(ег).
Если представить функцию временного ряда сложнее, то запись будет выглядеть так:
Уг = /(0 + 5 + С + еи где /(£) — тренд или детерминированная неслучайная компонента;
5 — сезонная составляющая;
С — циклическая составляющая;
£1 — стохастическая компонента процесса.
Всю динамику развития процесса в общем представляет показатель f(t) (то есть тренд или детерминированная компонента), а так называемые шумы прогнозируемого процесса или случайные колебания представляет показатель стохастическая компонента).
Для определения прогноза потребления электрической энергии прогнозная экстраполяция исходя из следующих достоинств:
1. прогнозную модель легко реализовать;
2. есть возможность осуществить прогнозирование на основе минимума входных данных, основанных на фактическом значении электропотребления.
В целом, можно отметить, что если угольная шахта работает со стабильным и регулярным изменениями уровня потребления электроэнергии с расчетом на долгий срок, то для прогнозирования электропотребления прогнозная экстраполяция подходит в большей степени.
Но для прогнозирования на короткий срок этот метод подходит плохо по следующим причинам:
1. на потребление электроэнергии в условиях угольной шахты влияет множество факторов, при использовании метода прогнозной экстраполяции невозможно их всех учесть;
2. необходимо жестко фиксировать модель тренда, что, в свою очередь, не дает учитывать тенденции электропотребления в коротком периоде с рядом технологических и горно-геологических факторов. Соответственно, невозможно с достаточной степенью достоверности учесть потребленной энергии в прогнозной модели.
Одним из самых распространенных методов прогнозирования электропотребления является метод наименьших квадратов (корреляционный и регрессионный анализ). Этот способом прогнозирования основан на построении модели множественной регрес-
Рисунок 1. Классификационный анализ методов прогнозирования электропотребления
сии, которая в общем случае может быть представлена в виде уравнения:
У] = Е?=1 а1х1] + где — коэффициенты модели;
У], — соответственно значения j-й функции и г-й независимой переменной;
£] — ошибка;
п — число независимых переменных.
Для построения прогнозной модели необходимо определить коэффициенты регрессии. Эти коэффициенты определяются по ряду факторов технологического и электротехнического характера, влияющих на параметры электропотребления.
Следует отметить, что при прогнозировании электропотребления на основе многофакторных регрессионных моделей значения коэффициентов этих моделей во времени должны оставаться неизменными. Однако в процессе работы угольной шахты возможно появление новой информации, что, в свою очередь, потребует изменить значения регрессионных коэффициентов в модели прогноза. Этот процесс достаточно сложный и требует проанализировать большой объем исходных данных и провести массу вычислений. Также к исходной информации предъявляется ряд жестких требований [13]. Все это в совокупности делает невозможным изменение характеристик моделей прогноза потребления электроэнергии на угольной шахте в динамике.
Адаптивные модели прогнозирования впервые были предложены Дж. Юлом [14], в их основу была положена модель рекурсивного гармонического процесса. К этим методикам относят методы Брауна, Хольта и Хольта-Уинтерса. Адаптивные методы прогнозирования обладают отличительной особенностью: они могут учесть изменения динамических характеристик процессов, которые изучаются. Также они способны подстроиться под эту эволюцию. Таким образом, чем ближе наблюдения к текущему прогнозируемому моменту, тем большую информационную ценность метод придает наблюдениям. Для применения адаптивных методов прогнозирования при определении будущего потребления электроэнергии на угольной шахте это свойство чрезвычайно
полезно, так как сама угольная шахта и размеры осуществляемого потребления электричества являются динамическим процессом со свойствами, которые могут меняться с течением времени.
Изначально прогнозная модель на основе адаптивных методов выстраивается по первичным данным, полученным от наблюдения за объектом. На основании этой модели составляется прогноз, который впоследствии необходимо сравнить с фактическими наблюдениями. После происходит анализ данных, полученных в результате сравнения, а на основе анализа происходит корректировка модели. На основе новой модели можно сделать прогноз по следующим наблюдениям и так до тех пор, пока наблюдения не закончатся. Именно так модель может приспосабливаться к изменениям и получению новых данных. К концу периода наблюдения модель полностью отражает все тенденции исследуемого объекта, которые успели сформироваться к текущему моменту. Исходя из этого, основным преимуществом использования этого метода является возможность получения корректного прогноза электропотребления на более долгосрочный промежуток времени, нежели у предыдущих методов прогнозирования. Однако использование этого метода обусловлено и рядом негативных моментов. В частности, отсутствие методов оценки необходимой и достаточной исходной информации для адаптивных моделей, что, в свою очередь, значительно затрудняет их реализацию [15].
Искусственные нейронные сети — это технология, которая основана на нейрофизиологии, физике, математике, статистике, технике и компьютерных науках. Любые искусственные нейронные сети состоят из совокупности нейронов и их связей между собой. Нейроны являются обрабатывающими элементами сети (процессорами), и их способности обработки данных ограничены двумя правилами: правилом комбинирования входных сигналов и правилом активации. Правила дают возможность по некой совокупности входных сигналов определить сигнал на выходе. Сигнал при помощи взвешенных связей передается другим элементам. Каждая взвешен-
ная связь имеет свой весовой коэффициент (вес) и от его значения зависит, усилится передаваемый сигнал или будет подавляться.
В математическом представлении модель нейрона описывается следующей парой уравнений:
Ет
7=1
Ук = <Р(ик + Ък), где хъ х2,..., хт — входные сигналы;
о)ъ ш2, шкт — синаптические веса нейрона к;
ик — линейная комбинация входных воздействий;
Ьк — порог;
(р(ик + — функция активации;
ук — выходной сигнал нейрона.
Сумма взвешенных входных сигналов и порога называется локальным индуцированным полем нейрона:
ук = ик + Ък.
Функция активации <р(т?) определяет величину выходного сигнала нейрона в зависимости от индуцированного локального поля V.
Нейроны можно разделить на три группы:
• входные (получают сигналы извне);
• выходные (выводят результаты вычислений во внешнюю среду);
• скрытые (нужны для того, чтобы изменять сигналы).
На рисунке 2 представлена прогнозная модель электропотребления высокопроизводительного выемочного участка угольной шахты, построенная с использованием искусственной нейронной сети. Данная модель состоит из семи входных нейронов, двух скрытых слоев нейронов, а также одного выходного нейрона. В частности, в качестве входных используются нейроны, получающие сигналы по метановыделению, объему добытого угля, скорости движения выемочного комбайна, объемам потребленной электроэнергии выемочного комбайна, забойного конвейера, дробилки и перегружателя. Внутри сети 2 скрытых слоя нейронов, обеспечивающих решения определенных задач по обучению.
В качестве результирующего выступает выходной нейрон, с которого выходит прогнозный объем потребленной электроэнергии выемочного участка угольной шахты.
Входные нейроны Метановыдепение
Объем уши
Скорость движения выемочного комбайна
Объем потребленной
электроэнергии выемочным комбайном
Объем потребленной
электроэнергии забойным конвейером
Объем потребленной электроэнергии дробилкой
Объем потребленной электроэнергии перегружателем
Скрытый слой Скрытый слой нейронов нейронов
Выходной нейрон MS
Прогнозный объем потребленной электроэнергии
Рисунок 2. Прогнозная модель электропотребления высокопроизводительного выемочного участка угольной шахты, построенная с использованием искусственной нейронной сети
Выводы
При использовании искусственной нейронной сети для создания прогнозов потребления электроэнергии на угольной шахте можно заметить некоторые преимущества по отношению к другим методам прогнозирования:
• снижение вероятности ошибок происходит из-за того, что технология прогнозирования электропотребления путем использования нейронных сетей дает возможность установить сложные зависимости количества
Список литературы
1. Рубан А.Д., Артемьев В.Б., Забур-дяев ВС., Забурдяев Г.С., Руденко Ю.Ф. Проблемы обеспечения высокой производительности очистных забоев в метанообиль-ных шахтах. М.: Изд-во ООО «Московский издательский дом», 2009. 396 с.
2. Кубрин С.С., Решетняк С.Н., Бон-даренко А.М. Анализ технологических показателей работы выемочного участка шахты «Полысаевская» АО «СУЭК-Кузбасс» // Горный информационно-аналитический бюллетень (научно-технический журнал). 2019. № 3. С. 14-21. DOI: 10.25018/0236-14932019-03-0-14-21.
3. Копылов К.Н., Кубрин С.С., Решетняк С.Н. Актуальность повышения уровня энергоэффективности и безопасности выемочного участка угольной шахты // Уголь. 2018. № 10. С. 66-70. DOI: 10.18796/00415790-2018-10-66-70.
4. Reshetnyak S., Bondarenko A. Analysis of Technological Performance of the Extraction Area of the Coal Mine // III International Innovative Mining Symposium, IIMS 2018, Kemerovo. DOI: 10.1051/e3sconf/20184101014 (дата обращения 13.05.2020).
5. Balovtsev S.V., Skopintseva O.V., Koli-kov K.S. Aerological Risk Management in Designing, Operation, Closure and Temporary Shutdown of Coal Mines // MIAB. Mining Inf. Anal. Bull. 2020. No. 6. P. 85-94. DOI: 10. 25018/0236-1493-2020-6-0-85-94.
6. Захарова А.Г. Закономерности электропотребления на угольных шахтах Кузбасса. Кемерово: Кузбас. гос. техн. ун-т, 2002. 198 с.
7. Захарова А.Г., Разгильдеев Г.И. Структура энергопотребления и ресурсы
потребляемой электроэнергии от входных данных;
• нейронная сеть может самостоятельно определить важность того или иного параметра (фактора) в зависимости от того, какое влияние он оказывает на конечный размер потребляемой энергии;
• возможность обучения нейронной сети, при изменении ряда технологических и горно-геологических параметров добычи угля подземным способом, на основе новых полученных данных.
энергосбережения на шахтах Кузбасса // Уголь. 2000. № 7 (892). С. 48-50.
8. Semenov A.S., Semenova M.N., Bebikhov Y.V. Development of Universal Mathematical Model of Electrical Power Supply System of Area of Industrial Enterprise. Proceedings-2019 International Russian Automation Conference, RusAutoCon 2019. 2019. DOI: 10.1109/RUSAUT0C0N.2019. 8867704 (дата обращения 13.06.2020).
9. Semenov A.S., Yakushev I.A., Ego-rov A.N. Mathematical Modeling of Technical Systems in the Matlab // Modern High Technologies. 2018. No. 8. P. 56-64.
10. Semenov A.S., Egorov A.N., Fedo-rov O.V. The Analysis of the Practice of Using of High-Voltage Frequency Converters ACS5000 // 2018 International Multi-Conference on Industrial Engineering and Modern Technologies, Far East Conf. 2018. 2018. Art. No. 8602676. DOI: 10.1109/FarEastCon. 2018.8602676. (дата обращения 13.06.2020).
11. Кудрин Б.И. О теоретических основах и практике нормирования и энергосбережения // Промышленная энергетика. 2006. № 6. С. 33-36.
12. Вагин Г.Я. К вопросу о повышении энергоэффективности промышленных предприятий // Промышленная энергетика. 2013. № 5. С. 2-6.
13. Кирпичникова И.М., Соломахо К.Л. Исследование методов прогнозирования электропотребления сбытового предприятия // Электроэнергетика. 2014. № 3. С. 39-42.
14. Хайкин С. Нейронные сети. Полный курс.: Пер. с англ. 2-е изд., испр. М.: Вильямс, 2006. 1104 с.
15. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и прак-
ELEcTRicAL FAciLiTiES AND SYSTEMS
тика. 2-е изд., стереотип. М.: Горячая линия-Телеком, 2002. 382 с.
References
1. Ruban A.D., Artem'ev V.B., Zaburdy-aev V.S., Zaburdyaev G.S., Rudenko Yu.F. Problemy obespecheniya vysokoi proizvo-ditel'nosti ochistnykh zaboev v metanoobil'nykh shakhtakh [Problems of Ensuring High Productivity of Treatment Faces in Methane-Producing Mines]. Moscow, Izd-vo OOO «Moskovskii izdatel'skii dom», 2009. 396 p. [in Russian].
2. Kubrin S.S., Reshetnyak S.N., Bonda-renko A.M. Analiz tekhnologicheskikh poka-zatelei raboty vyemochnogo uchastka shakhty «Polysaevskaya» AO «SUEK-Kuzbass» [Analysis of Technological Performance Indicators of the Polysaevskaya Mine Dredging Section of SUEK-Kuzbass JSC]. Gornyi informatsionno-analiticheskii byulleten' (nauchno-tekhnicheskii zhurnal) — Mining Informational and Analytical Bulletin (Scientific and Technical Journal), 2019, No. 3, pp. 14-21. DOI: 10.25018/02361493-2019-03-0-14-21. [in Russian].
3. Kopylov K.N., Kubrin S.S., Reshetnyak S.N. Aktual'nost' povysheniya urovnya energoeffektivnosti i bezopasnosti vyemochnogo uchastka ugol'noi Shakhty [Relevance of Improving the Level of Energy Efficiency and Safety of the Coal Mine Excavation Site]. Ugol'
- Coal, 2018, No. 10, pp. 66-70. DOI: 10.18796/0041-5790-2018-10-66-70. [in Russian].
4. Reshetnyak S., Bondarenko A. Analysis of Technological Performance of the Extraction Area of the Coal Mine. III International Innovative Mining Symposium, IIMS 2018, Kemerovo. 2018. DOI: 10.1051/e3sconf/ 20184101014 (accessed 13.05.2020).
5. Balovtsev S.V., Skopintseva O.V., Koli-kov K.S. Aerological Risk Management in Designing, Operation, Closure and Temporary Shutdown of Coal Mines. MIAB. Mining Inf. Anal. Bull., 2020, No. 6, pp. 85-94. DOI: 10.25018/0236-1493-2020-6-0-85-94.
6. Zakharova A.G. Zakonomernosti elek-tropotrebleniya na ugol'nykh shakhtakh Kuzbassa [Regularities of Power Consumption in the Coal Mines of Kuzbass]. Kemerovo, Kuzbas State Techn. University, 2002. 198 p. [in Russian].
7. Zakharova A.G., Razgil'deev G.I. Struk-tura energopotrebleniya i resursy energo-
sberezheniya na shakhtakh Kuzbassa [Structure of Energy Consumption and Energy Saving Resources in the Mines of Kuzbass]. Ugol' — Coal, 2000, No. 7 (892), pp. 48-50. [in Russian].
8. Semenov A.S., Semenova M.N., Bebi-khov Y. V. Development of Universal Mathematical Model of Electrical Power Supply System of Area of Industrial Enterprise. Pro-ceedings-2019 International Russian Automation Conference, RusAutoCon 2019. 2019. DOI: 10.1109/RUSAUT0C0N.2019.8867704 (accessed 13.06.2020). [in Russian].
9. Semenov A.S., Yakushev I.A., Ego-rov A.N. Mathematical Modeling of Technical Systems in the Matlab. Modern High Technologies, 2018, No. 8, pp. 56-64.
10. Semenov A.S., Egorov A.N., Fedo-rov O.V. The Analysis of the Practice of Using of High-Voltage Frequency Converters ACS5000. International Multi-Conference on Industrial Engineering and Modern Technologies,, Far East Conf. 2018. 2018. Art. No. 8602676. DOI: 10.1109/FarEastCon.2018. 8602676. (accessed 13.06.2020). [in Russian].
11. Kudrin B.I. O teoreticheskikh osnovakh i praktike normirovaniya i energosberezheniya [On the Theoretical Foundations and Practice of Rationing and Energy Saving]. Promyshlennaya energetika — Industrial Power Engineering, 2006, No. 6, pp. 33-36. [in Russian].
12. Vagin G.Ya. K voprosu o povyshenii energoeffektivnosti promyshlennykh pred-priyatii [On the Issue of Improving the Energy Efficiency of Industrial Enterprises]. Promyshlennaya energetika — Industrial Power Engineering, 2013, No. 5, pp. 2-6. [in Russian].
13. Kirpichnikova I.M., Solomakho K.L. Issledovanie metodov prognozirovaniya elektro-potrebleniya sbytovogo predpriyatiya [Research of Methods of Forecasting of Electric Consumption of the Marketing Enterprise]. Elektro-energetika — Electric Power Industry, 2014, No. 3, pp. 39-42. [in Russian].
14. Khaikin S. Neironnye seti. Polnyi kurs [Neural Network. Full Course]: Transl. from Engl. Moscow, Vil'yams, 2006. 1104 p.
15. Kruglov V.V., Borisov V.V. Iskus-stvennye neironnye seti. Teoriya i praktika [Artificial Neural Networks. Theory and Practice]. Moscow, Goryachaya liniya-Telekom, 2002. 382 p. [in Russian].
