Модель прогнозирования регионального энергопотребления на базе нечёткой нейронной сети Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

УДК 621.316.72, 621.311

Энергетика

МОДЕЛЬ ПРОГНОЗИРОВАНИЯ РЕГИОНАЛЬНОГО ЭНЕРГОПОТРЕБЛЕНИЯ НА БАЗЕ

НЕЧЁТКОЙ НЕЙРОННОЙ СЕТИ

В.Л. Бурковский, В.Н. Крысанов, А.Л. Руцков, Шукур Омар Шукур Махмуд

В статье рассматривается модель анализа функционирования ЭЭС и прогнозирования уровня потребления электроэнергии с помощью нечёткой нейронной сети

Ключевые слова: электроэнергетическая система, модель анализа и прогнозирования в ЭЭС, нечёткая нейронная сеть

Энергетические системы относят к классу распределённых объектов, что необходимо учитывать при создании и модернизации комплекса средств аппаратно-программной реализации автоматизированных систем управления. Развитием данного направления является разработка интегрированных автоматизированных систем управления энергопотреблением (АСУЭ). Основным функциональным ядром АСУЭ является автоматизированная система диспетчерского управления (АСДУ), реализующая функцию оптимизации в режиме реального времени ЭЭС, в частности, по перераспределению энергоресурсов, выработке управляющих воздействий для характерных отклонений фактического режима функционирования от планового.

В работах [1] рассмотрена постановка задач оптимизации элементов электроснабжения в условиях неопределенности. По мнению авторов, результаты этого исследования наиболее перспективно рассматривать в контексте функционального подхода совместно с описанием ЭЭС посредствам применения искусственных нечётких нейронных сетей (ННС).

Текущее состояние ЭЭС контролируется по данным телеизмерений. Вектор значений телеизмерений V(7) можно представить в вид суммы истинных значений контролируемых

величин - V (2 (7)) и вектора ошибок - 4у ( 2 (7) - вектор параметров электрической це-пи)[2]:

Бурковский Виктор Леонидович - ВГТУ, д-р техн. наук, профессор, e-mail: bvl@vorstu.ru

Крысанов Валерий Николаевич - ВГТУ, канд. техн. наук, доцент, тел. 8-920-228-56-06, e-mail: sovteh2000@mail.ru Руцков Алексей Леонидович - ВГТУ, аспирант, тел. 8-952-540-98-89, e-mail: alex_8_90@mail.ru Шукур Омар Шукур Махмуд - ВГТУ, аспирант, e-mail: shukurmakhmud@mail.ru

. У=У(2(0)+£у (1)

Тогда состояние ЭЭС можно описать моделью вида:

Х+ = X, +Т(хк, н )• в, , Н)-4, (2)

где Х+1 - вектор состояния ЭЭС в дискрет времени t+1; X,- вектор состояния ЭЭС в дискрет времени ^ ^ - вектор управляющих воздействий; 4 - последовательность случайных величин; Нк -матрица параметров электрической сети; Т, G - соответствующие матрицы.

Данные выражения (1) - (2) представляют собой обобщённую модель ЭЭС. Вектором входных данных в режиме реального времени в рамках процедуры идентификации параметров модели электрической сети являются координаты вектора измерений - У(7) и текущие оценки вектора состояний - Х+1 . Эти величины

содержат случайные ошибки, которые влияют на точность результатов идентификации.

При этом, необходимо учитывать наличие функции ущерба, посредствам которой становится возможен наиболее точный учёт и компенсация неопределённых величин в структуре модели энергосистемы. Данная функция обеспечивает нахождении дополнительных издержек, возникающих при отклонении параметров режима от оптимальных значений. Принимая Ит за фактические издержки при производстве электроэнергии, а Иттоп за издержки

условного топлива при заданном способе, функцию ущерба для ЭЭС можно представить в виде (3):

Ху = Ит - Иттоп = Ит-Xц • ВТ , (3) ] '

где XУ. - ущерб у j - го субъекта ЭЭС;

j

ВТ - расход удельного топлива i - тым источ-

ником генерации за период Т; ц. - цена удельного топлива.

При формировании модели ЭЭС следует учитывать также цикличность трендов нагрузки: часовую, суточную, недельную, месячную, сезонную, годовую. Особенно актуальны суточные модели, что объясняется необходимостью учёта в рамках 24 часового интервала всех описанных типов периодичности.

Для управления в реальном времени [3,4] наиболее адекватной моделью является модель вида (4), в которой уравнение динамики ЭЭС даётся для последовательных моментов времени, а матрица перехода от k -го к (k+1) - му моменту времени является функцией момента цикла и различна в период подъёма, пика, спада и провала нагрузок:

^+1 = фк)Хк , (4)

где матрица Ф (к) априори задана для каждого момента (или же, для характерных участков) графика нагрузок.

Модель (4), во-первых, удовлетворяет требованиям марковости, и, во-вторых, хорошо соответствует физике явления, так как график нагрузок имеет характерные периоды динамики.

Если Хк - вектор активных и реактивных нагрузок узлов, то матрица Ф (к) , обозначаемая в этом случае Ф , может быть либо диагональной, либо близкой к ней (недиагональные элементы возникают вследствие зависимости изменения реактивной мощности от активной). Когда элементы - Хк модули и фазы напряжений узлов, матрица, обозначаемая в данном случае через Фи, будет диагональной и может быть получена путём преобразования:

Фи =

дХ

Ж

Фс

у

(5)

Суть функционального подхода, применительно к рассматриваемой модели (4) заключается в формировании характеристик подсистем с целью их дальнейшего совместного решения с учётом граничных условий, факторов оптимизации (критериев качества) работы ЭЭС.

Первостепенной при решении вопросов оптимизации режимов ЭЭС является задача прогнозирования параметров расчётной модели (величина потребления электроэнергии, используемой мощности). Ошибки в данном процессе проявляются в увеличении издержек при производстве электроэнергии - нерациональном использовании ресурсов, износе оборудо-

вания, значительном росте тарифов на неоптимально выработанный объём электроэнергии и мощности и, как следствие, ведут к росту капитальных затрат на данный сегмент.

Рассмотрим модель прогнозирования потребления электроэнергии (на примере Воронежской энергосистемы - Воронежское РДУ).

В основу модели прогнозирования потребления положено функциональное математическое описание на базе (4): Хк+1 = Ф(к)Хк +£,Ф , где Хк - величина потребления прошлых временных периодов, Ф (к) - корректирующая регрессионная зависимость графиков нагрузок (БД величины потребления прошлых периодов) - Хк -вектор учёта случайной составляющей.

Представим вектор учёта случайных составляющих в виде:

=МЬ ), (6)

где - величина влияния на потребление отклонения температуры от сезонной кривой; Е0 - величина влияния на потребление уровня суточной освещённости.

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

Т(к) = Fк +$т, (7)

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

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

Ок)=О

(8)

где - сезонная кривая длины светового

дня.

Следует также отметить инерционный характер влияния метеофакторов на нагрузку энергосистемы. Это можно объяснить тепловой изоляцией жилых и производственных помещений, задержками в функционировании систем отопления и кондиционирования воздуха.

Методы оценки текущего состояния вынуждены в некоторой форме учитывать неточную (слабоформализированную) информацию, а потому требуют применения специального

т

статистического аппарата. В существующих системах, как правило, применяется метод Ньютона - Рафсона. Сложность заключается в том, что параметры ЭЭС, рассматриваемые во многих приложениях как независимые, на самом деле взаимно коррелированы.

В связи с этим, в настоящее время многие авторы отмечают [5], что совместно с моделями, использующими строгие математические методы оценивания параметров ошибок (входящих, к примеру, в выражение (4)), перспективным и находящим себе практическое применение во многих областях, является использование методов, решающих подобную задачу с использованием эвристических подходов[6]. К ним относится аппарат нечёткой логики, нейронных сетей и экспертных систем.

Данный аппарат базируется на использовании имеющихся чётких функциональных зависимостей совместно с аппроксимацией труд-ноформализуемых факторов [7]. Рассмотрим возможности реализации ННС в модели (4).

Для этого применим реализацию структуры ННС типа Мамдани:

Rk : если x(t -1) есть X1k,

1 (9)

x(^ - г) есть Xkr , то у(^ = ak,к = 1,к

где Кк - набор правил; x - входные, у(г) -

к

выходная переменная системы; a - константа, выражающая соответствие выходной величины взвешенному воздействию входных величин.

Подобный выбор обусловлен высокими точностными показателями данного подхода -

с одной стороны, и простотой дальнейшего использования нормированного выходного сигнала - с другой. Кроме того, в термах лингвистических переменных в соответствии с выражением (9), возможно корректное представление (4) [8].

Ниже предлагается алгоритм формирования модели прогнозирования потребления и генерации потребления электроэнергии (на рис. 1 представлена структурная схема системы, реализующей данный алгоритм):

Шаг 1. Сбор текущих измерений параметров ЭЭС.

Шаг 2. Оценка текущих параметров.

Шаг 3. Формирование базы данных предыдущих периодов.

Шаг 4. Фаззификация исходных данных -БД исходных периодов, прогноза температуры окружающей среды и освещённости.

Шаг 5. Нормирование и вычисление по-средствам ИНС выходного значения прогноза потребления электроэнергии.

Шаг 6. Дефаззификация величины прогноза потребления электроэнергии.

Шаг 7. Фаззификация исходных данных для ННС прогноза генерации - БД предыдущих периодов и величины прогноза потребления электроэнергии.

Шаг 8. Нормирование и вычисление по-средствам ИНС выходного значения прогноза выработки электроэнергии.

Шаг 9. Дефаззификация величины прогноза выработки электроэнергии.

Мжофактры

Рис. 1. Структурная схема системы на базе ННС для прогнозирования потребления и генерации

электроэнергии

При составлении строки значений температурного фактора, в качестве базового значения примем разницу оптимальной температуры (18 0С ) и средней температуры выборки рассматриваемой последовательности (за последние 10 лет). Оптимальная температура - величина, при которой можно говорить о наименьшем влиянии климатического фактора на рассматриваемую зависимость. Крайне негативный климатический фактор - ситуация, когда температура окружающей среды отличается от оптимальной более чем в 2 раза.

Базовое значение потребления э/э соответствует параметру для января 2010 года.

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

Результаты моделирования для июня и декабря 2014 года представлены на рис. 2,3. Они демонстрируют сравнение месячного прогноза потребления электроэнергии методами коэффициента роста/спада и ННС. Показатели обоих моделей при этом сведены в табл. 2.

Таблица 1

База правил для ННС прогнозирования потребления э/э

База правил ННС Характеристика степени влияния фактора

(25 вариантов)

Факторы в Q (к) - фак- крайне Умеренно- средний высокий крайне

нормированном тор освещённости негативный негатиный (0,2-0,75) (0,751,15) (1,151,25) высокий (1,1-1,)

выражении (0,1-0,2)

Т (к)- крайне крайне крайне крайне крайне

фактор негатив- негатиный негатив- негатив- негатив-

величины средней ный (0,1-0,2) (0,1-0,2) ный (0,1-0,2) ный (0,1-0,2) ный (0,1-0,2)

температуры

Потреблние э/э в норми- Р* Прогнозное крайне низкое1 низкое1 (0,1-0,75) среднее1 (0,65- высокое1 (0,6-1,5) крайне высо-

рованном (0-0,1) 1,25) кий1

выражении (0,8-2,0)

ей

Y

01 S Г

й> ®

01 О. I-

О С

1 - среднее значение 10 лет; 2 - факт 2014 года; 3 - прогноз на основе коэф. роста/спада;

4 - прогноз на базе ННС

Рис. 2. Графики потребления электроэнергии (июнь): факт среднего значения за 10 лет, факт текущего периода и прогнозные значения текущего периода (методы коэффициентов роста / ННС)

ей

Y

01 S Г U ■i ID 01 Q. I-

O С

1 - среднее значение 10 лет; 2 - факт 2014 года; 3 - прогноз на основе коэф. роста/спада;

4 - прогноз на базе ННС

Рис. 3. Графики потребления электроэнергии (декабрь): факт среднего значения за 10 лет, факт текущего периода и прогнозные значения текущего периода (методы коэффициентов роста / ННС)

Таблица 2

Анализ месячного прогнозирования выработки/потребления электроэнергии

Показатель Факт Метод Факт Метод

июнь 2014 г. декабрь 2014 г.

коэф. ННС коэф. ННС

Значение, тыс. кВтч 612 935 580724 599314 894 893 878504 894028

Абсолютное отклонение от факта 2014 г., тыс. кВтч - 32211 13621 - 16389 865

Отклонение от факта 2014 г., о/ /о - 5,26 2,22 - 1,83 0,09

Применение методов ННС (сеть на основе алгоритма Мамдани) для создания моделей управления региональными системами электроснабжения (в частности, для решения вопросов прогнозирования потребления и генерации электроэнергии) позволяет повысить точность процесса до величины 0,09 - 2,22 % за счёт более полного учёта не только циклических, но и слабоформализуемых составляющих.

Модификации ННС обладают лучшими адаптационными способностями к изменениям технико-экономических и климатических параметров, что наглядно видно из сравнения со статистическим методом коэффициента роста/спада потребления, применяемым для пред-

варительного диспетчерского графика в настоящее время. Данное обстоятельство позволяет говорить о высокой потенциальной способности рассмотренного класса моделей в структуре современных ЭЭС на базе концепции Smart Grid [9].

Литература

1. Бурковский, В.Л. Автоматизация принятия решения в слабо структурированных и трудно формализуемых системах на основе интегрированной экспертной системы [Текст] / В.Л. Бурковский, В.Н. Назаров, С. Назарчук // Вестник Воронежского государственного технического университета. - 2001. - Вып. 8.1.

2. Алимов Ю.И., Гамм А.З., Ополева Г.Н. Информационное обеспечение диспетчерского управления в элек-

троэнергетике. - Ново-сибирск: Наука. Сиб. отд-ние, 1985. -223 с.

3. Бурковский В.Л. Модели оптимального энергораспределения в системах регионального энергопотребления / В.Л. Бурковский, Р.А. Харченко. - Воронеж: В Г ТУ, 2006 - 137c.

4. Бурковский В.Л. Математическая модель оптимизации загрузки автотрансформаторов в системообразующей электрической сети [Текст] / В.Л. Бурковский, Б.Г. Винников, В.В. Картавцев // Вестник Воронежского госу-дарствен-ного технического университета. - 2009. - Т.5 -№ 8-1. - С. 163-165.

5. Скороходов М.Г., Шукур Омар Шукур Махмуд, Бурковский В.Л. Управление системой генерации электрической энергии на основе аппарата нечёткой логики //

Электротехнические комплексы и системы управления, №2 2014. - С.55 - 59.

6. Терехов В.А. Нейросетевые системы управления: Учеб. пособие для вузов/ В.А. Терехов, Д.В. Ефимов, И.Ю.Тюкин.- М.: Высш. шк. 2002. -183 с.: ил.

7. Изерман Р. Цифровые системы управления. М.: Мир, 1984. 541 с.

8. Борисов А.Н., Алексеев А.В., Крумберг О.А. Модели принятия решений на основе лингвистической переменной. Рига: Знание, 1982, 256 с.

9. Крысанов, В.Н. Особенности реализации технологии Smart Grid в региональных системах электроснабжения [Текст] / В.Н. Крысанов, А.Л. Руцков, Шукур Омар Шукур Махмуд // Вестник Воронежского государственного технического университета. - 2014. - Т.10 - № 5-1. - С. 92-97.

Воронежский государственный технический университет

MODEL OF FORECASTING OF REGIONAL ENERGY CONSUMPTION ON THE BASIS

OF THE INDISTINCT NEURAL NETWORK

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

In article the model of the analysis of functioning of EES and forecasting of level of consumption of the electric power by means of an indistinct neural network is considered

Key words: electrical power system, model of the analysis and forecasting in EES, an indistinct neural network