CC BY
12Электротехника
УДК 621.311.1
ПРИМЕНЕНИЕ СКОЛЬЗЯЩЕГО СМЕЩЕНИЯ СРЕДНЕЙ ТЕМПЕРАТУРЫ ПРИ ПРОГНОЗИРОВАНИИ ЭЛЕКТРОПОТРЕБЛЕНИЯ
А.В. Гофман1, А. С. Ведерников2, О.Н. Шелушенина2
1 Филиал ОАО «СО ЕЭС» ОДУ Средней Волги
2 Самарский государственный технический университет 443100, г. Самара, ул. Молодогвардейская, 244
Рассмотрен вопрос учета фактора температуры наружного воздуха при краткосрочном прогнозировании электропотребления. Для искусственной нейронной сети, выполняющей прогнозирование электропотребления на сутки вперед, разработан новый механизм учета фактора температуры наружного воздуха. Путем практической реализации доказаны его преимущества в сравнении с применяемыми в настоящее время методами.
Ключевые слова: искусственная нейронная сеть, прогноз электропотребления, температура наружного воздуха, энергосистема.
Механизм оптового рынка электроэнергии и мощности (ОРЭМ) предопределяет высокие требования к его участникам в области прогнозирования электропотребления. Произошедший в последнее время значительный рост коммунально-бытовой и непромышленной доли в электропотреблении энергосистем, энергорайонов, технологических комплексов предполагает существенное влияние метеорологических факторов на величину электропотребления [1].
В настоящее время выполнено множество различных моделей искусственных нейронных сетей (ИНС), осуществляющих прогнозирование электропотребления. В отечественной и зарубежной практике краткосрочного прогнозирования электропотребления находит применение значение среднесуточной температуры наружного воздуха. Так, французские специалисты из Electricite De France разработали две компоновки ИНС [2]. Первая ИНС использует значения среднесуточной температуры за последние 5 суток и прогноз на ближайшие сутки в шести городах Франции и прогноз облачности по шести городам на ближайшие сутки. Вторая ИНС содержит входные нейроны со значениями последних пяти среднесуточных значений температуры, а также прогноз по температуре на ближайшие сутки. Разработанная специалистами Public Power Corporation искусственная нейронная сеть [3] использует прогноз средней температуры на севере и юге Греции на ближайшие сутки. В отечественной практике создания ИНС для целей прогнозирования электропотребления находят применение значение среднесуточной температуры [4] либо температурный фактор не применяется вовсе [5].
Андрей Владимирович Гофман, ведущий эксперт.
Александр Сергеевич Ведерников (к.т.н., доц.), заведующий каф. электрических станций. Ольга Николаевна Шелушенина (к.т.н., доц.), доцент каф. электрических станций.
Создание ИНС, обученной на данных и выполняющей прогнозирование только «своего» часа [6], позволило предложить использование в качестве входной информации ИНС среднесуточной температуры, отсчитываемой с прогнозируемого часа, -скользящей среднесуточной температуры. Данный вариант аналогичен по степени своего влияния на электропотребление значениям среднесуточной температуры наружного воздуха. Отличие заключается лишь в «приближении» этого влияния на значение электропотребления «своего» часа. Возможность его использования подтверждается построенными совмещенными графиками электропотребления и скользящей среднесуточной температуры, упорядоченными по возрастанию температуры (рис. 1, 2). Графики построены на отдельно взятый часовой интервал для вторника, среды и четверга. Объем исходных данных использован за один месяц, т. к. в пределах одного месяца изменение состава и параметров потребителей оказывает наименьшее влияние на результаты исследований. Для исключения влияния освещенности для исследований взяты данные ночного 4-го часа.
На рис. 1, 2 видна обратная для декабря и прямая для июля зависимости электропотребления от температуры наружного воздуха. Различия знака зависимости объясняются увеличением отопительной нагрузки при снижении температуры зимой и увеличением нагрузки систем кондиционирования при увеличении температуры летом. Колебания графика потребления на этих рисунках могут быть вызваны как другими метеорологическими факторами - освещенностью, ветреностью, так и недостаточной точностью измерений температуры наружного воздуха - для анализа использованы данные одного датчика температуры, установленного в г. Самаре.
Р, МВт т, °с
1 23456789 10
Сутки
Рис. 1. График температуры наружного воздуха и электропотребления Самарской энергосистемы за 4-й час декабря 2007 г.
Наличие зависимости электропотребления от температуры наружного воздуха позволяет использовать в качестве входных величин ИНС значения скользящей среднесуточной фактической температуры.
Для экспериментальной проверки созданы два варианта ИНС с использованием среднесуточной температуры наружного воздуха и скользящей температуры наружного воздуха по апробированной модели [6]:
Р{гп) = (У(^Л-1) + ^((0...(п _!) + АУо-Л _1)) * К, (1)
где У((), №((), В(1) - годовой, недельный и суточный тренды;
К - корректирующая функция, учитывающая дисперсию, изменение потребителей, температуру наружного воздуха.
Р, МВт Т, °С
1 23456789 10
Сутки
Рис. 2. График температуры наружного воздуха и электропотребления Самарской энергосистемы за 4-й час июля 2008 г.
Состав входов ИНС, выполняющей прогнозирование электропотребления Самарской
энергосистемы
Вход ИНС Описание
1 Данные фактического электропотребления предыдущих суток за прогнозируемый час МВт
2 Данные фактического электропотребления суток неделю назад за прогнозируемый час, МВт
3 Данные фактического электропотребления суток год назад за прогнозируемый час, МВт
4 Температура за предыдущие сутки, °С
5 Температура за сутки неделю назад, °С
6 Температура за сутки год назад, °С
7 Прогнозная температура, °С СУ
8 Номер недели, о. е.
9 Номер дня недели, о. е.
10 Признак праздничных суток (1 - если прогнозируемый час относится к праздничным суткам, иначе - 0)
11 Признак предпраздничных суток (1 - если прогнозируемый час относится к предпраздничным суткам, иначе - 0)
12 Признак послепраздничных суток (1 - если прогнозируемый час относится к послепраздничным суткам, иначе - 0)
13 Признак времени (1 - если прогнозируемый час относится к периоду летнего времени, 0 - если к периоду зимнего времени)
Созданные ИНС имеют одинаковую структуру с двумя скрытыми слоями: первый - с количеством нейронов, равным количеству входных сигналов, и второй - с двумя нейронами. Использование данной структуры показало наилучшие результаты прогнозирования электропотребления энергосистемы [6]. Обучение сетей проходило с использованием одинаковых алгоритмов. Для эксперимента использовалась
информация оперативного измерительного комплекса СК-2007 о фактическом электропотреблении Самарской энергосистемы и температуре наружного воздуха в г. Самаре за 2006-2009 гг. Для обоих вариантов ИНС использован одинаковый объем входной информации, представленный в таблице. Отличия заключаются в вариации входов № 4-7, использующих среднесуточную температуру наружного воздуха в одном варианте и скользящую среднесуточную температуру - в другом.
Были созданы ИНС для следующих часов Т суток: 3, 5, 9, 12, 15, 18, 21. Значения ошибки прогнозирования электропотребления Самарской энергосистемы с применением созданных ИНС изображены на рис. 3.
ЧасТ
3 5 9 12 15 18 21
Рис. 3. График ошибки результатов прогнозирования электропотребления с использованием среднесуточной и скользящей среднесуточной температур
Использование в качестве входной информации скользящей среднесуточной температуры снижает ошибку £ прогнозирования по сравнению с моделями, использующими среднесуточную температуру, в среднем для выполненных моделей на 0,1 % или, для самарской энергосистемы за 2009 г., на 22 339 МВт.ч. Максимальное улучшение ошибки £, равное 0,3 %, достигнуто в 9-м часе. Полученные результаты свидетельствуют о необходимости применения скользящей среднесуточной температуры наружного воздуха в качестве входной информации для ИНС, выполняющей часовое прогнозирование электропотребления. Значительное увеличение ошибки, происходящее в дневные часы, показывает на необходимость учета фактора освещенности при прогнозировании электропотребления.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Макоклюев Б.И. Влияние колебаний метеорологических факторов на электропотребление энергообъединений // Энергетик. - 2003. - № 6.
2. Caire P. Progress in Forecasting by Neyral Networks / Caire P., Hatabian G., Muller C. / Int. Joint Conf. on Neural Networks. Baltimor, Maryland, June 7-11, 1992. - Vol. 2. - pp. 540-545.
3. Baritzis A.G. A NN Short term Load Forecasting Model for the Greek Power System/ Baritzis A.G., Petridis V., Kiartzis S.J., Alexiadis M.C., Maissis A.H. / IEEE Trans. On Power Systems. - 1996. -v.11. - №2. - pp. 858-863.
4. Гаак А. Краткосрочное прогнозирование потребления электроэнергии с использованием нейронной сети // Энергорынок. - 2007. - № 11.
5. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Прогнозирование электрических нагрузок при оперативном управлении электроэнергетическими системами на основе нейросетевых структур. -Екатеринбург: УрО РАН, 2008. - 37 с.
6. Гофман А.В., Ведерников А.С., Гольдштейн В.Г. Учет температуры наружного воздуха при создании искусственной нейронной сети в задаче краткосрочного прогнозирования электропотребления Самарской энергосистемы // Электроэнергетика глазами молодежи: Научные труды Всероссийской научно-техн. конференции. - Екатеринбург: УрФУ, 2010. - Т. 1. - С. 334-337.
7. Хайкин С. Нейронные сети: полный курс. 2-е изд., испр.: Пер с англ. - М.: Вильямс, 2006. -1104 с.
Статья поступила в редакцию 9 декабря 2011 г.
USE OF THE AVERAGE TEMPERATURE SLIDING DISPLACEMENT FOR POWER CONSUMPTION FORECAST
A. V. Gofman, A.S. Vedernikov, O.N. Shelushenina
«SO UPS», JSC, IDO for the Middle Volga Energy Systems 5, Polevaya st., Samara, 443100
Samara State Technical University
244, Molodogvardeyskaya st., Samara, 443100
This paper deals with the importance of such factor as outside temperature in terms of shortterm power consumption forecast. We developed the new mechanism for artificial neural network which makes the power consumption forecast for the next twenty-four hours. This mechanism considers the outside temperature factor and has some advantages comparing with the present-day methods. These advantages were proved by practical implementation.
Keywords: neyral network, load forecast, outside temperature, energy system.
Andrey V. Gofman, Leading Expert.
Alexander S. Vedernikov (Ph.D. (Techn.)), Associate Professor. Olga N. Shelushenina (Ph.D. (Techn.)), Associate Professor.
