CC BY
33
УДК 621.311
ПЕРСПЕКТИВНАЯ ОЦЕНКА СУТОЧНЫХ ГРАФИКОВ НАГРУЗКИ ПРЕДПРИЯТИЯ - СУБЪЕКТА ОРЭМ
А.С. Исаев, М.Г. Ошурков
Работа посвящена прогнозированию суточных графиков нагрузки в условиях работы на ОРЭМ. Рассмотрена общая структура нейронных сетей, описан алгоритмически и реализован программно нейросетевой аппарат в системе МЛТЬЛБ. Установлена зависимость ошибки моделирования графика нагрузки от формы представления исходных данных, а также от задания начальных параметров. Спроектированные таким образом нейронные сети могут быть использованы для аппроксимации, интерполяции и перспективной оценки временных рядов почасовой мощности на сутки вперед. Выполнена адаптация программного комплекса МЛТЬЛБ к решению прикладных задач электроэнергетики.
Ключевые слова: параметры режима, электроэнергия, программное обеспечение, прогнозирование, искусственные нейронные сети, временной ряд электропотребления, учет электроэнергии.
На оптовом рынке электроэнергии и мощности (ОРЭМ) необходимо определение на краткосрочную перспективу электропотребления и графиков нагрузки, которые являются основой составления балансов спроса и предложения и, в конечном счете, формирования равновесной цены электроэнергии на каждый час суток. В практике преобладают методы прогнозирования графиков нагрузки и электропотребления, основанные на практическом опыте и экспертных субъективных оценках, что приводит к большим погрешностям прогнозов. Проблема повышения точности прогнозов является общей для всех субъектов оптового рынка. Если при управлении технической деятельностью прогнозы графиков нагрузки (ГН) могут иметь погрешности 2...10%, то условия работы балансирующего рынка электроэнергии требуют снижения погрешностей прогнозирования ГН до 0% [1]. Конечно, такое условие на практике невыполнимо, но проблема повышения достоверности прогнозов ГН и электропотребления стоит остро для всех субъектов ОРЭМ.
Необходимо разработать модели и методы текущего и оперативного прогнозирования ГН и электропотребления, которые приводят к существенному улучшению достоверности прогнозов и дают возможность широко использовать информационные технологии при планировании работы ОРЭМ и режимов электроэнергетической системы. Основой исследования являются: адаптация известных методов статистического анализа; разработка эвристических (инженерных) методик; автоматизация расчетов с использованием стандартных программных продуктов; использование современных 1Т-технологий для учета параметров электропотребления в интерактивном режиме.
В качестве основного инструмента прогнозирования нами принят нейросетевой алгоритм. Впервые использование нейронных сетей для перспективной оценки электрической нагрузки было предложено в 1991 г [2]. В дальнейшем базовые нейросетевые алгоритмы для реализации этой задачи были модернизированы и оптимизированы с учетом различных (в частности, климатических) факторов [3].
Нейронные сети - мощный метод имитации процессов и явлений, позволяющий воспроизводить чрезвычайно сложные зависимости. Нейронные сети позволяют учитывать нелинейность моделируемых процессов, в то время, как на протяжении многих лет использовались линейные методы и модели. Во многих случаях нейронные сети позволяют преодолеть сложности с размерностью массивов данных, обусловленные тем, что моделирование нелинейных явлений в случае большого числа переменных требует большого объема вычислительных ресурсов. Другая особенность нейронных сетей, связана с тем, что они используют механизм обучения. Пользователь нейронной сети подбирает представительные данные, затем запускает алгоритм обучения, который автоматически настраивает параметры сети.
В качестве программного средства выбран МЛТЬЛВ. Для моделирования используются готовые М-файлы (файлы функциональных сценариев) пакета. Пользователю необходимо ввести набор входных и целевых векторов, а так же выбрать ряд других параметров, определяемых типом конкретной нейронной сети. Архитектура сети уже задана в М-файле, что существенно упрощает работу с сетью (рис. 1).
При применении нейронной сети для прогнозирования, необходимо решить следующие задачи: выбрать архитектуру нейронной сети; определить количество и соединение слоев и элементов; принять решение по использованию двунаправленной или однонаправленной связи и цифрового формата. Самой популярной архитектурой искусственной нейронной сети для прогнозирования электрической нагрузки является архитектура обратного распространения. Эта сеть использует непрерывно оцениваемые функции и обучение с учителем. Фактические числовые данные весов, присваиваемые входам элементов определяются путем сопоставления архивных данных (например, время и погода) с заданными выходами (например, прогнозные данные нагрузки) во время обучения. Искусственные нейронные сети с неконтролируемым обучением не требуют предварительной оперативной подготовки. Использованы алгоритмы, предложенные в [4].
Для сети с обратным распространением ошибки входными параметрами являются: матрица минимальных и максимальных значений строк входной матрицы с размерностью; количество нейронов в 1-ом слое, количество слоев; функция активации 1-го слоя, по умолчанию = ,tansig,; обу-
76
чающая функция обратного распространения, по умолчанию = 'trainlm'; алгоритм подстройки весов и смещений (обучающий алгоритм), по умолчанию = 'learngdm'; функция оценки функционирования сети, по умолчанию = 'mse'.
Объектом исследования является современный химический концерн НАК «Азот» (г. Новомосковск), входящий в АО «ЕвроХим» (EuroChem Group AG), являющийся субъектом ОРЭМ с 2002 г.. Коммерческий учёт электроэнергии осуществляется на восьми подстанциях 110 кВ предприятия, которые питаются с двух подстанций 220 кВ ПАО "ФСК ЕЭС", и на линиях 6 кВ от Новомосковской ГРЭС с помощью АСКУЭ.
Рис. 1. Обучение нейронной сети
База данных с АСКУЭ предприятия реализована в электронном процессоре MS Excel. Данные обрабатываются в ОРСОУ с помощью программных средств обмена информацией ЦВУ с периферийными УСПД, функционирующих в среде операционной системы Windows 7 на ПЭВМ типа IBM PC, и ежесуточно определяются параметры электропотребления предприятия и электропотребление каждого цеха с учётом коэффициента потерь по кабелю. Программные средства УСПД имеют возможность изменения состава, алгоритма расчёта и количества вычисляемых параметров электропотребления, а также программно защищены от несанкционированного доступа. Отдел главного энергетика, производственный отдел, энергоёмкие цеха имеют доступ к информационной сети ОРСОУ для получения информации об электропотреблении цехов, производств и всего предприятия в целом.
Таким образом, исходными данными для перспективной оценки электропотребления и суточных графиков нагрузок являются суточные графики нагрузки за три года (2014-2016 гг.). В пакете MATLAB имеется возможность синхронизации с MS Excel, что позволяет производить импорт/экспорт данных из MATLAB в MS Excel. В качестве обучающего множества используем данные об электропотреблении за 290 дней. Входные данные - порядковые номера дней. Соответствующие значения электропотребления составят целевой вектор Р1.
Для проверки отсутствия явления переобучения сети оставшиеся данные используются как тестовое множество. Входные данные (номера дней) - вектор P2, соответствующие им значения электропотребления -вектор T2.
Подготовка данных для работы: транспонируются P1, P2, T1, T2 (формируются строки для работы нейронных сетей MATLAB); масштабируются целевые векторы (значения должны быть в пределах ±1); Создается радиальная базисная сеть с нулевой ошибкой. Параметр влияния SPREAD по умолчанию равен 1. Затем моделируется созданная сеть, сравниваются значения целевого вектора T1 с вектором выхода сети.
При оценке суточного электропотребления средняя ошибка моделирования составляет 4,48%; максимальная - 9,62%. Моделирование проведено с различными параметрами. Установлено (в период обучения сети -рис.1), что оптимальным является SPREAD = 0,9 (табл.1).
Таблица 1
Погрешность прогноза суточного электропотребления НАК «Азот»
SPREAD Средняя ошибка моделирования, % Максимальная ошибка моделирования, %
0,90 1,77 5,03
1,0 4,48 9,62
1,05 3,14 7,35
1,10 30,84 35,43
При оценке графиков нагрузки аналогичным образом (нейронная сеть обобщенной регрессии ОЯМЫ) погрешность прогноза чрезмерна (табл.2).
Таблица 2
Погрешность прогноза суточного ГН НАК «Азот»
SPREAD Средняя ошибка моделирования на обучающем множестве, % Средняя ошибка моделирования на тестовом множестве, %
0,9 10,22 118
1 11,93 118
1,1 8,45 117,99
Использование в качестве входных данных порядкового номера замера не позволяет описать сеть с необходимой точностью. Поэтому необходимо изменить представление входных данных.
Целевую матрицу представляем в виде:
Т = (1)
где - электропотребление в момент времени 1.
Входная матрица:
Р = ("1-3, "1-2, Шы) (2)
Результаты моделирования представлены на рис. 2, оценка погрешности модели - табл.3.
Рис. 2. Перспективная оценка суточного ГН
Таблица 3
Погрешность прогноза суточного ГН НАК «Азот» после обработки
исходных данных
БРЯБАБ Средняя ошибка на обучающем множестве, % Средняя ошибка на тестовом множестве, %
ЯВ (шве =5 •Ю-3) ЯВ (шве =5 •Ю-3)
ОК^ аят
0,015 2,82 5,51 1,83 3,37
0,05 4,00 5,65 3,00 1,84
0,1 5,04 6,69 3,88 4,47
20 18 16 14
о 12 о' ¿10 О
Н 8 6 4 2 0
1 1 V 1 i | •
>J t \\ 1 1 | 1 Ъ !
V 1 % < / / к/ /\ / ч
ч V } { С i \
1 1 ■V" \ f- V/ 4 N. 4
\i \ i 2 i
t-X
0,02 0,04 0,06
SPREAD
0,08
— MSE 0,0005 -- MSE 0,001 MSE 0,0025
0,1
Рис. 3. Зависимость ошибки моделирования ГН на тестовом множестве от параметра SPREAD и среднеквадратичной ошибки
В итоге можно сделать вывод, что использование предложенной методики прогнозирования позволяет с приемлемой точностью оценивать на перспективу суточное электропотребление и почасовой ГН крупного потребителя. Дальнейшее развитие предлагаемой методики через учет особенностей ГН потребителей и других факторов (в частности, климатических) позволит повысить точность прогноза. Реализация расчетов возможна в среде MS Excel (исходная информация), на основе информации АСКУЭ, что является важным для автоматизированного решения поставленных задач и их практического использования (с учетом распространенности этого программного продукта).
Список литературы
1. АТС: Администратор торговой системы оптового рынка электроэнергии [Электронный ресурс]. URL: http://www.atsenergo.ru/ (дата обращения: 03.07.2016).
2. El-Sharkawi. Electric the load forecasting using an artificial neural network / El-Sharkawi, D.C. Park // IEEE Transaction on Power Systems, 1991,6 (2). P. 442-449.
3. Грицай А.С. Прогнозирование электропотребления в режиме на сутки вперед с использованием нейронной сети с учетом ветро-холодового индекса: свидетельство о регистрации программы № 50201650266 от 24.06.2016 / А.С. Грицай, В.И. Потапов, Д.Д. Дугин. М.: ГАНУ ЦИТИС, 2016.
4. Осовский С. Нейронные сети для обработки информации. М.: Изд-во: Финансы и статистика, 2002, 344 с.
Исаев Андрей Станиславович, канд. техн. наук, доц., claude @newmsk. tula.net, Россия, Новомосковск, Филиал Российского химико-технологического университета им. Д.И.Менделеева,
Ошурков Михаил Геннадьевич, канд. техн. наук, доц., oshurkovm@,mail.ru, Россия, Новомосковск, Новомосковский институт РХТУ им. Д.И. Менделеева
PERSPECTIVE ASSESSMENT OF DAILY PRODUCTION SCHEDULES OF THE ENTERPRISE - THE SUBJECT OF OREM.
A.S. Isaev, M.G. Oshurkov
Object of the thesis is application of the artificial neural networks for perspective valuation of daily schedule of power consumption. Work purpose: adaptation of the program MATLAB complex to the solution of applied problems ofpower industry. The provided thesis includes description of basic structure of artificial neural networks and realization of artificial neural networks in MATLAB complex. Set the dependence of the modulation error on the format of input data and the initial parameters of modulation. Described artificial neural networks and their realization in MATLAB complex can be used in approximation, interpolation and perspective assessment of temporary ranks.
Key words: mode parameters, electric power, software, forecasting, artificial neural networks, time number of power consumption, accounting of power consumption, automated system of commercial electric power accounting.
Isaev Andrey Stanislavovich, candidate of technical science, docent, claude @ newmsk. tula. net, Russia, Novomoskovsk, Novomoskovsk institute of RHTU of D.I. Mendeleyev,
Oshurkov Mikhail Gennadyevich, candidate of technical science, docent, oshur-kovm@mail.ru, Russia, Novomoskovsk, Novomoskovsk institute of RHTU of D.I. Mendeleyev
