Планирование закупок электроэнергии на розничном рынке Текст научной статьи по специальности «Математика»

УДК 621.311

ПЛАНИРОВАНИЕ ЗАКУПОК ЭЛЕКТРОЭНЕРГИИ НА РОЗНИЧНОМ РЫНКЕ

А. С. Исаев, М.Г. Ошурков

Предлагаются математические модели планирования закупок электроэнергии на розничном рынке для многономенклатурного предприятия средней величины. Рассмотрены модели аппроксимации временного ряда электропотребления, модели нейронных сетей и модель множественной регрессии, увязывающая электропотребление с планируемыми объемами выпуска продукции

Ключевые слова: прогнозирование, электропотребление, розничный рынок электроэнергии, математическое моделирование.

Постановления и правила [1] задают основные принципы функционирования потребителей на розничных рынках электроэнергии и мощности и актуализируют обоснованность определения закупок электроэнергии как гарантирующими поставщиками, так и потребителями. При этом планирование закупок должно опираться на современный математический аппарат прогнозирования перспективного электропотребления, систему учета электроэнергии и программное обеспечение, адекватные поставленной задаче.

Объект исследования - среднее (по классификации проф. Б.И. Кудрина) предприятие, питающееся с 5УР системы электроснабжения, имеющее РУ-10 кВ и пять однотрансформаторных ТП. Предприятие выпускает товары народного потребления (предметы личной гигиены), работает в 3-сменном режиме, потребляя в настоящее время 2,5...3,0 МВт мощности и 800000.. .1400000 кВтч электроэнергии в месяц. Предприятие функционирует с 2010 г. и в настоящее время вышло на проектную мощность, увеличив при этом электропотребление приблизительно в шесть раз.

Потребитель относится в основном к III категории надежности электроснабжения; для выделенных электроприемников I категории (КПП, тепловые узлы, пожарная сигнализация) предусматривается дизельная электростанция мощностью 64 кВт/80 кВА.

Системы учета и технологической отчетности позволяют применить математический аппарат анализа временных рядов электропотребления и аппарат построения причинных математических моделей для прогнозирования и планирования месячного электропотребления предприятия.

При построении моделей инструментальная среда - стандартное программное обеспечение (MS Excel, MatCAD, Matlab).

Использованы модели аппроксимации временного ряда электропотребления. Исходный временной ряд показан на рис.1. Для оценки основ-

45

ной тенденции (тренда) использован электронный процессор MS Excel. Результаты аппроксимации трендом представлены на рис. 2.

Wp, КЕ -Зрч

1.

♦ *

*

ф 1

Wef =231767 Мі*ї= 455700 Wuh = 71160

*

♦ * 1*

U . —, . . . . . . 1

u S ііі id а

au аа « t,

месяц

а

% + ♦ *

+ * * *

** * * W» = 754873 t= 1372147

+ *** * и С им

.

и а їй а ий

t

месяц

Рис.1. Временные ряды месячного электропотребления: а - активная ЭЭ; б - реактивная ЭЭ

t, месяц

Рис. 2. Погрешность оценки месячного электропотребления трендом

Временной ряд описывается линейной моделью с большой погрешностью, поэтому необходимо усложнить модель с учетом циклической составляющей (трендциклическая модель) (рис 3).

Погрешность трендциклической модели существенно ниже, чем аппроксимации трендом, однако для качественного планирования закупок электроэнергии требуется дальнейшее уточнение. Один из путей - прогнозирование месячного электропотребления на основе нейросетевого алгоритма [2, 3, 4].

Рис. 3. Погрешность оценки месячного электропотребления трендциклической моделью временного ряда

Нейронная сеть должна работать со значениями функции в диапазоне от 0 до 1. Поэтому проводится нормирование величин - исходное электропотребление делится на максимальное. Использована трехслойная полносвязная нейронная сеть. Исходный и модельный ряды месячного электропотребления показаны на рис. 4. Возможна корректировка алгоритма изменением параметров в функции обучения, так как в данном случае теоретически должно наблюдаться завышенное значение модельных величин по сравнению с эмпирическими (действительно, модельный временной ряд ’^с проходит выше исходного для всех значений аргумента).

Минимальная, средняя и максимальная ошибки моделирования предложенными методами в %: тренд - | мин = 0,06; | СР = 17,81; I Д^ МАКС = 64,36; трендциклическая модель - 0,88; 18,16; 76,69; модель нейронных сетей - 0,57; 4,88; 9,64.

Модель нейронных сетей дает удовлетворительные результаты при прогнозировании месячного электропотребления по суткам.

Дальнейшее улучшение модели и качества планирования закупок электроэнергии видится в возможности увязки электрических параметров производства с технологическими. Имеется отчетность по выпуску про-

дукции тремя технологическими линиями (V1, V2, V3) по суткам, неделям, месяцам.

W, кВтч

1400000 1200000 1000000 800000 600000 400000 200000 0

♦ Wa, кВтч ■ Whc, кВтч

■ ■

V t 1* - ■ ■■ ■

* и • , ‘ \ " *

•» г » * * *

. •“ ' •м *

10

20

30

40

50 60

t, месяц

0

Рис. 4. Исходный и модельный временной ряд суточного

электропотребления

Матрица коэффициентов корреляции показывает высокую степень связи исследуемых параметров:

Wа, кВтч V1 V2 V3

Wа, кВтч 1

V1, шт. 0,801896 1

V2, шт. 0,881246 0,720754 1

V3, шт. 0,77521 0,35595 0,581182 1

Wa - суммарное электропотребление завода.

При построении модели использована стандартная надстройка MS Excel «Множественная регрессия».

Получена модель множественной регрессии:

Wa = 299616,855 5 + 0,02645501 • V1 + 0,02215441 • V2 + 0,063401419 • V3.

Погрешности причинной модели месячного электропотребления (за период устойчивого функционирования объекта в %: I AW мин = 0,92; I AW ср = 4,15; I AW макс = 7,16.

Таким образом, причинная модель множественной регрессии может быть предложена как инструмент прогнозирования и планирования месячного электропотребления с учетом планов производства по выпуску ос-

Основные направления развития региональной электроэнергетики, методы и ... новных видов продукции.

Список литературы

1. Постановление Правительства РФ от 04.05.2012 N 442 "О функционировании розничных рынков электрической энергии, полном и (или) частичном ограничении режима потребления электрической энергии" (вместе с "Основными положениями функционирования розничных рынков электрической энергии", "Правилами полного и (или) частичного ограничения режима потребления электрической энергии"). М.: Консультант Плюс, 2013. 268 с.

2. Alfares H.K., Nazeeruddin M. Electric load forecasting: literature survey and classifcation of methods // International Journal of Systems Science. 2002, Vol 33. P. 23 - 34.

3. Hinman J., Hickey E. Modeling and forecasting sort term electricity load using regression analysis // Journal of Ilnstitute for Regulatory Policy Studies [электронный ресурс]. 2009. 51 p

4. Егошин А.В. Анализ и прогнозирование сложных стохастических сигналов на основе методов ведения границ реализаций динамических систем: автореф. дис. ... канд. техн. наук. Санкт-Петербург, 2009. 19 с.

Ошурков Михаил Геннадьевич, канд. техн. наук, доц., [email protected], Россия, Новомосковск, Новомосковский институт РХТУ им. Д.И. Менделеева

Исаев Андрей Станиславович, канд. техн. наук, доц., [email protected] , Россия, Новомосковск, Новомосковский институт РХТУ им. Д.И. Менделеева

PROCUREMENT PLANNING OF ELECTRIC POWER IN THE RETAIL MARKET

A.S. Isaev, M.G. Oshurkov

The mathematical models of planning the procurement of electric power in the retail market for multiproduct company average is suggested. The model of approximation of the time series of energy consumption, the neural networks model and the model of multiple regression linking the consumption ofplanned volumes of output is considered.

Key words: forecasting, power consumption, retail market of electronic electricity, mathematical modeling.

Oshurkov Mikhail Gennadievich, candidate of technical sciences, docent, mg@newmsk. tula. net, Russia, Novomoskovsk, Novomoskovsk Institute of RCTU of D.I. Mendeleev,

Isaev Andrey Stanislavovich, candidate of technical sciences, docent, clau-dedk@bmail. ru, Russia, Novomoskovsk, Novomoskovsk Institute of RCTU of D.I. Mendeleev