CC BY
255
УДК 621.316.72, 681.5.01, 621.31.44
АНАЛИЗ ПРОГНОЗИРОВАНИЯ ЭНЕРГОПОТРЕБЛЕНИЯ С РАЗЛИЧНЫМИ ИНФОРМАЦИОННЫМИ БАЗАМИ
© 2014 В.И. Доманов, А.И. Билалова
Ульяновский государственный технический университет»
Поступила в редакцию 19.11.2014
В статье рассматриваются вопросы регионального энергопотребления по различному набору исходных данных. Расчет прогноза потребления электроэнергии анализируется ошибкой прогнозирования. Оценивается влияние внешних исходных данных на величину ошибки прогноза.
Ключевые слова: энергопотребление, прогнозирование, регрессионный анализ, база данных, ошибка
Прогнозирование величины электропотребления является важной научно-технической задачей. Необходимость точного прогнозирования электропотребления обусловлена технологическими и экономическими причинами. В связи с появлением на Федеральном оптовом рынке электроэнергии сектора свободной торговли возрастает важность прогнозирования энергопотребления участников данного рынка. При переходе в сектор свободной торговли, помимо выигрыша от участия в конкурентных торгах, субъект оптового рынка берет на себя некоторый риск, который связан с невозможностью точного планирования заявки на потребление электроэнергии. Отклонения фактического потребления от заявленных значений больше определенного процента приводит к покупке электроэнергии с балансирующего рынка по большей цене. Отклонение в меньшую сторону тоже карается оплатой недопоставленной электроэнергии, определяемой разницей между заявленным и фактическим потреблением по установленным расценкам. Особенно ответственным прогноз является для тех энергосистем, у которых нет собственных генерирующих мощностей, и отсутствуют возможности влиять на нагрузку потребителей. Сложность прогноза электропотребления обусловлена наличием большого числа потребителей и необходимостью учета многих факторов, влияющих на потребление электроэнергии (температура окружающего воздуха; степень освещенности; долгота дня; день недели; переходы с зимнего на летнее время и обратно; наличие экстраординарных событий (катастрофы; массовые акции); прогнозы погодных условий; состояние
Доманов Виктор Иванович, кандидат технических наук, заведующий кафедрой «Электропривод и автоматизация промышленных установок». E-mail: an-drew.domanov@gmail. com Билалова Алиса Ильдаровна, аспирантка
других факторов, влияющих на изменение потребления в соответствии с данными, полученными в результате обработки статистики потребления; планируемое включении/отключении энергоемких производств).
У крупных энергоемких производств доля платы за электроэнергию в себестоимости продукции может достигать десятков процентов, а в условиях рыночной экономики себестоимость продукции предприятия будет определять его конкурентоспособность. В настоящее время прогнозирование электропотребления на большинстве промышленных предприятий производится на основе метода экспертных оценок, который в большинстве случаев не может обеспечить требуемую точность прогноза. Прогнозирование электропотребления предоставляет первоначальную информацию для планирования нормальных режимов работы при управлении энергохозяйством. На основании проведенного прогноза рассчитываются действительные и оптимальные режимы работы энергосистем, а также оцениваются качественные параметры (надежность, качество электроэнергии и т.д.) [1]. Точное прогнозирование электропотребления обеспечивает оптимальное распределение нагрузок между потребителями. Решение задачи прогнозирования электрических нагрузок традиционным способом состоит из двух этапов:
- построение математической модели, с помощью которой обрабатываются данные о нагрузках за прошедший период времени;
- получение прогноза на базе полученной модели.
Большая часть существующих алгоритмов прогнозирования электропотребления, разработанных в энергетике, выступают как сочетание разнообразных статистических методов. Есть методы, в которых нагрузка представляется как случайный процесс. Существуют методики прогнозирования, в которых выделяется базовая (основная) составляющая в изменениях нагрузки [2]. Однако качественное моделирование являет-
Известия Самарского научного центра Российской академии наук, том 16, №4(3), 2014
ся очень сложным процессом из-за нелинейных отношений между факторами и нагрузкой, от которых она зависит. Известные методы прогнозирования электропотребления не работают с искаженными или неполными данными, поэтому необходимы новые методы, подходы для прогнозирования электропотребления, которые бы умели учитывать различного рода данные.
Методам прогнозирования показателей электропотребления всегда уделялось большое внимание. Ряд теоретических идей, в основном базирующихся на линейных моделях, был выдвинут довольно давно [3, 4]. Анализ опирается на разработанные в начале и середине прошлого столетия методы статистического анализа:
- моделирования процессов развития;
- пространственной и временной экстраполяции;
- эвристические и эконометрические;
- факторные, регрессионные и корреляционные.
Рассмотрим возможности прогнозирования потребления электроэнергии для МУП «Ульяновская городская электросеть». Анализируется период 2011-2013 гг. Исходными для составления прогноза являются данные предшествующих потребления электроэнергии и температурных данных, которые приведены в таблицах 1 и 2. Исходные данные для электроэнергии являются суммарными по месяцам, а температурные - усредненные по месяцам.
Таблица 1. Потребление электроэнергии предприятия
Таблица 2. Среднемесячная температура воздуха
Месяц Потребление электроэнергии, МВтч
2011 2012 2013
январь 572900 588021 609369
февраль 540693 593435 555053
март 573120 581291 595625
апрель 499776 480625 485294
май 441703 443274 431451
июнь 405068 417471 405881
июль 409360 422654 431772
август 439554 435546 440800
сентябрь 460684 448016 460781
октябрь 531786 523085 544437
ноябрь 576040 543309 532055
декабрь 618883 635341 595329
ИТОГО 6069567 6112068 6087847
Среднемесячная температура окружающей среды, ° С
Месяц 2011 2012 2013
Январь -12,8 -11,5 -10,6
Февраль -18,6 -16,4 -8,5
Март -6,8 -6,2 -6,2
Апрель 4,4 10,4 6,7
Май 15,9 16,2 16,4
Июнь 17,2 19,8 20,1
Июль 23,4 21,1 20,3
Август 18,9 20,2 19,5
Сентябрь 12,4 12,3 12,3
Октябрь 6,3 7,5 5,3
Ноябрь -4,2 0,8 2,9
Декабрь -6,2 -9,3 -4,5
Прогноз составлен с помощью методов регрессионного анализа. Оценивая качество прогноза нужно учитывать объективные особенности применения уравнений регрессии. Задача прогнозирования предполагает использование уравнений регрессии для оценки значений прогнозируемого показателя вне диапазона фактических наблюдений, на основе которого получено уравнение регрессии, т.е. приходится выходить за рамки наблюдений и решать задачу экстраполяции. Близость прогноза исходных наблюдений во многом зависит от точности значений факторов - аргументов. Результаты расчетов прогнозов потребления электроэнергии с различным набором исходной информации проведены в таблице 3. По результатам прогнозов рассчитаны ошибки прогнозирования 5 для 2013 года по формуле
5мх = Ф - Пмх 100%
Ф
м
где дМХ - ошибка прогноза для соответствующих месяца и набора исходных данных; ФМ - фактическое потребление электроэнергии в соответствующем месяце; Пш - прогноз потребления электроэнергии для соответствующих месяца и набора исходных данных.
Таблица 3. Прогноз потребления электроэнергии на 2013 г.
Месяц Прогноз по данным 2012 года Прогноз по данным 2011 +2012 годов Прогноз по данным 2012+погода Прогноз по данным 2011 +2012+погода Факт 2013 года
январь 720600 644926 609189 609777 609369
февраль 703241 636986 631414 608270 555053
март 721113 635185 595242 603961 595625
апрель 499105 588785 485767 468609 485294
май 228226 450375 454355 435738 431451
июнь 449019 437219 428742 417888 405881
Продолжение таблицы 3
июль 657752 482275 431825 439137 431772
август 648970 487844 440337 436417 440800
сентябрь 463877 462778 460560 460781 460781
октябрь 347162 542735 544008 534592 544437
ноябрь 605372 588624 554718 501474 532055
декабрь 530918 609093 614732 609292 595329
ИТОГО 6575355 6566825 6250889 6125936 6087847
Рис. 1. Ошибки прогнозирования электропотребления для различного набора исходных данных
Выводы:
1. Набор исходной информации влияет на величину ошибки прогноза 2.
2. Использование двух баз данных снижает ошибку в 2,5-3,5 раза.
3. Использование различных баз (потребление электроэнергии+ погода) дает лучший эф- 3. фект, чем увеличение информации по одной базе.
4. Из графиков на рис. 1 видно, что ошибка в прогнозе возрастает со снижением температуры.
СПИСОК ЛИТЕРАТУРЫ: 4
1. Пальчиков, А.С. Существующие способы прогнозирования электропотребления объектов в метал-
лургической отрасли // Современные научные исследования и инновации. 2012. № 9. С. 12-17. Седов, А.В. Системы контроля, распознавания и прогнозирования электропотребления: модели, методы, алгоритмы и средства /А.В. Седов, И.И. Надтока. - Ростов-на-Дону: Изд-во Рост. ун-та, 2002. 318 с.
Шумилова Г.П. Прогнозирование нагрузки ЭЭС на базе новых информационных технологий. Новые информационные технологии в задачах оперативного управления электроэнергетическими системами / Г.П. Шумилова, Н.Э. Готман, Т.Б. Старце-ва // Екатеринбург: УрО РАН, 2002. 77 с. Жичкин, С.В. Краткосрочное прогнозирование суточного электропотребления Нижнетагильского металлургического комбината / С.В. Жичкин, А.В. Мозгалин // Электрификация металлургических предприятий Сибири. Выпуск 12. - Томск: Издательство Томского университета, 2005. С. 222-228.
ANALYSIS OF FORECASTING THE ENERGY CONSUMPTION
WITH VARIOUS DATA BASES
© 2014 V.I. Domanov, A.I. Bilalova Ulyanovsk State Technical University
In article questions of regional energy consumption on various set of basic data are considered. Calculation of the forecast of electricity consumption is analyzed by a forecasting error. Influence of external basic data on forecast error size is estimated.
Key words: energy consumption, forecasting, regression analysis, database, error
Viktor Domanov, Candidate of Technical Sciences, Head of the Department "Electric Drive and Plants Automation". E-mail: andrew.domanov@gmail.com ; Alisa Bilalova, Post-graduate Student
