CC BY
94
УДК 621.31:001.18:004.032.26
Е.С. Мокроусова, А.В. Ромодин, Н.В. Андриевская
Пермский государственный технический университет
ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ МЕСТОРОЖДЕНИЙ ООО «ЛУКОЙЛ-ПЕРМЬ» С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
Рассмотрены вопросы разработки методики краткосрочного прогнозирования электропотребления месторождений «Сибирское», «Уньвенское» и «Шерстневское» ЦДНГ-И ООО «ЛУКОЙЛ-Пермь».
Для предприятия ООО «ЛУКОЙЛ-Пермь», являющегося крупной нефтедобывающей компанией, в условиях современного энергорынка актуальной задачей является составление достоверной заявки для электроснабжающей организации на потребление электроэнергии на некоторый срок вперед, позволяющей существенно снизить финансовые издержки, связанные с отклонениями фактического потребления электроэнергии от заявленного. В соответствии с условиями договора электроснабжения, предприятие-потребитель в лице ООО «ЛУКОЙЛ-Пермь» обязано ежегодно предоставлять заявку на плановое потребление электроэнергии с разбивкой по месяцам и почасовой детализацией. В связи с этим, у общества возникает задача краткосрочного и среднесрочного прогнозирования потребления электроэнергии с упреждением один календарный месяц и детализацией один час.
Решение данной задачи - сложный и трудоемкий процесс, особенно для крупной добывающей компании, отдельные хозяйствующие объекты которой являются многофакторными и имеют различное местонахождение [1]. График электрической нагрузки ООО «ЛУКОЙЛ-Пермь» формируется под влиянием большого количества различных факторов. Также, всегда существуют отклонения от запланированного режима ведения технологического процесса. В результате для общества актуальной задачей является создание методики краткосрочного и среднесрочного прогнозирования электропотребления, позволяющей
■ Производственная
себестоимость,
тыс. руб.
□ Электроэнергия,
тыс. руб.
минимизировать отклонения величин объема потребляемой от заявленной на рынке электроэнергии. Кроме того, важность задачи повышается в связи с увеличением доли энергопотребления в структуре себестоимости нефти (рис. 1).
10 000 000
9 000 000
8 000 000
7 000 000
6 000 000
5 000 000
4 000 000
3 000 000
2 000 000
1 000 000
0
2004 г. 2005 г. 2006 г. 2007 г. 2008 г. 2009 г.
Рис. 1. Себестоимость нефтедобычи ООО «ЛУКОЙЛ-Пермь» в 2005-2009 гг.
Таким образом, необходима система прогнозирования, способная к обобщению предыдущего опыта, выделению параметров, оказывающих наибольшее влияние, и способная к предобработке входных данных с целью повышения их достоверности. Кроме того, желательно, чтобы система могла помочь энергетику в управлении потреблением электрической энергии, давая возможность скорректировать потребление за отчетный временной интервал заранее, предупреждая чрезмерные отклонения от плановых значений потребления.
Рассмотрим краткую характеристику предприятия ООО «ЛУКОЙЛ-Пермь» и существующего метода прогнозирования. Общество является крупным потребителем электрической энергии. Его годовое потребление составляет порядка одного миллиона киловатт-часов. Потребление энергии, в основном, направлено на добычу нефти (рис. 2). Планирование потребления в настоящее время ведется по нормам на производство продукции, а его точность оставляет желать лучшего. Удельный расход электрической энергии принимается с учетом данных анало-
гичного периода прошлого года. Планирование электропотребления осуществляется сроком на один год с разбивкой по месяцам.
Подъем и подача Прочее произшдственное
Рис. 2. Структура годового электропотребления ООО «ЛУКОЙЛ-Пермь»
Электроэнергия для нужд ООО «ЛУКОЙЛ-Пермь» приобретается на розничном рынке электрической энергии и мощности у энергоснабжающей организации в соответствии с заключенным договором электроснабжения. В соответствии с этим договором общество обязуется ежегодно предоставлять заявку на плановое потребление электроэнергии с разбивкой по месяцам и почасовой детализацией. При этом за ним остается право ежемесячно корректировать количество приобретаемой энергии. Таким образом в соответствии с договором электроснабжения, ООО «ЛУКОЙЛ-Пермь» необходим точный прогноз с упреждением один календарный месяц и детализацией один час. В связи с тем, что информация о почасовом потреблении электроэнергии на предприятии не была предоставлена, в данной работе поставлена и решена задача прогнозирования за период времени, равный одному дню.
Плановое потребление электроэнергии Жпл, кВт-ч:
^ = £МеС Опл, (1)
где £мес - норма расхода электроэнергии на единицу продукции на
расчётный месяц, кВт-ч/т; Опл - плановое значение производства продукции, т.
Удельный расход электроэнергии принимается с учётом данных аналогичного периода прошлого года. Плановое потребление электроэнергии определяется по нормам на добычу нефти и газа.
Используемый на предприятии метод прогнозирования не точен, погрешность прогноза составляет более 5 %, при этом среднее значение модуля абсолютной ошибки прогнозирования остается достаточно высоким [2]. Метод сопряжен с большим объемом работы по ручному сбору информации о потреблении электроэнергии, объемам добычи нефти и газа структурными подразделениями компании. Уменьшить погрешность прогнозирования возможно за счет внедрения системы автоматизированного сбора, контроля и учёта электропотребления. При этом погрешность прогноза можно снизить до величины не более 5 % [3]. Таким образом, целью работы поставлено построение модели прогнозирования электропотребления и доказательство её работоспособности в заданных условиях.
Наиболее часто используемыми моделями для прогнозирования электропотребления являются:
- метод экстраполяции - статистический метод, использующий выделение и описание тренда;
- корреляционно-регрессионная модель - одна из наиболее широко распространенных статистических моделей, для построения которой необходимо выявление и математическое описание существующих между переменными зависимостей на основе экспериментов или наблюдений;
- нейросетевая модель - одна из нелинейных моделей, прогнозирование с помощью которой сводится к получению модели зависимости потребления электроэнергии от внешних факторов, а также ретроспективных данных.
Для прогнозирования электропотребления было решено использовать нейросетевую модель в связи со следующими аспектами:
- точность её прогноза значительно превышает точность прогноза других моделей;
- прогнозирование на базе корреляционно-регрессионного анализа и метода экстраполяции является сложной и трудоёмкой задачей;
- наличие возможности прогнозирования при некачественно собранных ретроспективных данных.
В качестве модели для сравнения была использована корреляционно-регрессионная модель, как наиболее часто используемая модель прогноза. В рамках проведения работы для анализа точности прогноза такой модели было выполнено следующее: осуществлён выбор предварительной структуры регрессионной модели, её дисперсионный и регрессионный анализ, включающий оценку коэффициентов регрессии с помощью метода наименьших квадратов; произведена проверка адекватности модели и выполнен расчёт погрешности прогноза. Анализ полученной корреляционно-регрессионной модели показал её адекватность процессам потребления электрической энергии и недостаточную точность - средняя погрешность прогноза более 10 %.
Построение нейросетевой модели потребовало выполнения следующих этапов.
1. Формулировка задачи в нейросетевом базисе.
2. Формирование выборки обучения.
3. Выбор архитектуры искусственной нейронной сети (ИНС), в том числе параметров элементов нейронной сети (идентификация структуры модели).
4. Обучение ИНС (оценивание параметров модели).
5. Тестирование ИНС с целью установления адекватности полученной модели исследуемому объекту.
В работе задача прогнозирования в нейросетевом базисе формулируется следующим образом: найти функцию зависимости между наблюдаемыми исходными данными, характеризующими состояние моделируемого объекта, и выходными расчётными параметрами в классе функций, реализуемых нейронной сетью, с последующим использованием построенной функции для отображения входных сигналов в выходные в рамках решения задачи:
У = / (X), (2)
где Х - вектор входных параметров; У - вектор выходных параметров; /X) - преобразующая вектор-функция.
В данном случае возможность прогнозирования обусловлена наличием объективных закономерностей процессов потребления электроэнергии, в частности периодичностью изменения нагрузки
(в недельном и месячном цикле) и инерционностью процессов изменения на малых интервалах времени. Это позволяет прогнозировать значения потребления по прошлым зафиксированным значениям. В таком случае нейросетевая модель прогнозирования вида (2) имеет в качестве входных переменных Х уровни потребления за предшествующий период, а в качестве выходных переменных у -прогнозные уровни потребления на заданный интервал упреждения. Включение в вектор X различных дополнительных факторов, влияющих на поведение режимных параметров, в ряде случаев позволяет добиться большей адекватности модели динамическому процессу изменения нагрузки.
Основой модели является набор взаимосвязанных входных и выходных переменных, характеризующих моделируемый объект, образующий выборку обучения. От качества исходной обучающей выборки зависит не только адекватность формируемой модели реальному объекту, но и принципиальная возможность ее построения.
На первом этапе выбора наиболее важных переменных используется опыт работы в области прогнозирования электропотребления. Для начала имеет смысл рассмотрение всех переменных, которые могут влиять на результат - на последующих этапах это множество сокращается. Для рассмотрения отобраны следующие входные переменные: предыдущее энергопотребление, дата, принадлежность дней недели к типам.
Для апробации модели были использованы наблюдения электропотребления за период с мая 2007 г. по июнь 2008 г. на месторождениях «Сибирское», «Уньвенское» и «Шерстневское» ЦДНГ-11 ООО «ЛУКОЙЛ-Пермь». Анализ данных с использованием оценок эмпирических корреляционных отношений методом аналитической группировки показал следующее:
- по мере удаления предшествующих суток от суток прогноза корреляция уменьшается, для разных сезонов эта зависимость различается;
- зависимость электропотребления от типа дня недели характеризуется как тесная, носит более выраженный характер в зимние и летние месяцы;
- имеет смысл подавать на вход нейронной сети различные значащие переменные для разных сезонов.
Вычисление вероятности ошибочного установления связи между отобранными для построения сети предикаторами и прогнозируемой величиной составило менее 1,6 %.
Следующим этапом на основе экспериментов и опыта работ по вопросам прогнозирования была выбрана архитектура нейронной сети:
- сеть прямого распространения;
- скрытый слой содержит 15 нейронов, входной - 5, выходной - 1;
- функциями активации выбраны сигмаидальные функции для скрытого и выходного слоя;
- обучение проводится способом обратного распространения ошибки.
Нейронная сеть с заданной архитектурой выдаёт выходные значения в диапазоне (0; 1), поэтому для выходных сигналов необходимо применять процедуру масштабирования [4]. Для помещения исходных данных в нужный диапазон к ним применена процедура линейного преобразования (с применением коэффициента масштаба и смещения), так чтобы значения лежали в нужном диапазоне:
х + Ь
х* =-----------------------------------, (3)
хб
где х* - значение масштабируемой переменной, выраженное в о.е.; х - значение масштабируемой переменной, выраженное в абсолютных ед.; Ь - значение смещения в абсолютных ед.; хб - базисное значение масштабируемой переменной в абсолютных ед.
Большое влияние на качество выборки оказывает также наличие выбросов - значений, отклоняющихся от нормальных данных выборки. При обучении сети с использованием выборки, содержащей выбросы, погрешность прогноза значительно возрастает [5]. Таким образом, необходимо удалять выбросы из исходных данных. Удаление выбросов из первоначальных данных можно производить с помощью визуального представления данных в виде 3-мерной (2-мерной) диаграммы рассеяния и последующего удаления выбросов.
Большую точность обеспечивают методы математической статистики. Для нахождения выбросов в этом случае необходимо произвести расчет математического ожидания и допустимого отклонения от него и удалить значения, выходящие за установленные пределы.
Во-первых, необходимо найти величину математического ожидания всех возможных дискретных значений случайной величины электропотребления:
п 1 п
М = У х. • Р ^ М = х = —У х. • т.
х ¿ш^ гг х д т ¿ш^ г г
г=1 N г=1
Для имеющихся данных месторождений «Сибирское», «Унь-венское» и «Шерстневское» ООО «ЛУКОЙЛ-Пермь» математическое ожидание величины электропотребления составило Мх = 194810,023.
Во-вторых, вычислить выборочное среднее квадратическое отклонение (при N = 427):
2
X (х,~ X)
_ ,3,89972е +11 _ з0256,0з9.
N -1 V 427 -1
В-третьих, определить вспомогательную величину ¿(у). При |хг -Мх|> I(у) результат измерения хг является грубой ошибкой, поэтому такие значения необходимо исключить из расчётов и поместить на их место либо максимальное, либо минимальное значение, в зависимости от значения ошибки, для сохранения целостности данных.
Для оценки точности прогноза разработанной нейросетевой модели, построенной с использованием различных выборок, были построены нейронные сети на данных, обработанных разным образом. Результат представлен в табл. 1.
Таблица 1
Средняя погрешность прогноза для нейронных сетей, построенных с использованием различных выборок
Месяц Выбросы удалены, масштабирование проведено Выбросы удалены, масштабирование не проведено Выбросы не удалены, масштабирование проведено Выбросы не удалены, масштабирование не проведено
Октябрь 0,15504 0,1952 0,254 0,378
Февраль 0,1843 0,353 0,278 0,456
Май 0,15253 0,18725 0,20243 0,303
Июнь 0,2102 0,254 0,42987 0,4954
Таким образом, доказано, что необходимо производить обработку исходных данных, так как это приводит к существенному уменьшению средней погрешности прогноза.
Для сравнения прогноза разработанной нейросетевой модели, линейно-регрессионной модели и программного комплекса «Энергостат» с фактическим электропотреблением построены сравнительные графики факта и прогноза для февраля (рис. 3) и июня 2008 г. (рис. 4) и вычислена погрешность прогноза (табл. 2).
» \Л/факт.
—■— \Л/прогн.ИНС —\Л/ прогнозЛРМ
прогн .мсто; ]
~ттрогн метол 2
Рис. 3. Сравнительный график факта и прогноза для февраля 2008 г.
Рис. 4. Сравнительный график факта и прогноза для июня 2008 г.
Примечание к графикам: метод 1 - прогноз на «Энергостате» по методу среднего значения за предшествующий период, метод 2 - по методу соотношения температур предшествующего периода к температурам прогнозируемого периода.
Таблица 2
Погрешность прогноза различных моделей
Вид модели Линейно- регрессионная Энергостат 1 Энергостат 2 Нейросетевая
Средняя погрешность, % 10,2 12,5 16,7 2,64
СКО, % 21,4 17,4 25,9 3,25
На основании анализа приведённых данных можно сделать вывод, что построенная нейросетевая модель работоспособна и отвечает заданным требованиям к точности - погрешность прогноза не превышает 5 %, чего не показали другие рассматриваемые модели. Помимо точности, нейросетевая модель обладает и множеством других достоинств, самыми значимыми среди которых являются быстродействие, информативность, независимость результатов от неполной входной информации и др.
Таким образом, разработанная нейросетевая модель позволяет:
- упростить процедуру прогнозирования электропотребления;
- повысить точность прогноза электропотребления;
- осуществлять прогнозирование электропотребления при некачественно собранных ретроспективных данных.
Основными минусами разработанной модели являются сложность выбора архитектуры сети и определения количества необходимых данных для её обучения, что является вопросами дальнейших исследований, решение которых приведёт к упрощению процедуры прогнозирования и уточнению прогноза.
Библиографический список
1. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирования электрической нагрузки / пер. с англ. - М.: Энергоатомиздат, 1987. - 200 с.
2. Круглов В.В. Искусственные нейронные сети. Теория и практика. - 2-е изд., стер. - М.: Горячая линия - Телеком, 2002. - 382 с.
3. Петрова И.Ю., Глебов А.А. Прогнозирование электропотребления с помощью нейронечеткой системы Anfis. Алгоритм отбора входных переменных // ЭнергоРынок. - 2006. - № 7.
4. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Модель суточного прогнозирования нагрузок ЭЭС с использованием нечетких нейронных сетей // Энергетика. - 2001. - № 4.
5. Хайкин С.Д. Нейронные сети: полный курс / пер. с англ. Н.Н. Куссуль, А.Ю. Шелестова. - 2-е изд., испр. - М.: Издательский дом Вильямс, 2008. - 1103 с.
Получено 09.07.2009
