Реализация программного комплекса прогнозирования уровня регионального энергопотребления Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 621.316.72, 621.311

РЕАЛИЗАЦИЯ ПРОГРАММНОГО КОМПЛЕКСА ПРОГНОЗИРОВАНИЯ УРОВНЯ РЕГИОНАЛЬНОГО ЭНЕРГОПОТРЕБЛЕНИЯ

В.Л. Бурковский, В.Н. Крысанов, А.Л. Руцков

В статье рассматриваются вопросы повышения точности прогнозирования уровня потребления региональной электроэнергетической системы. Проанализирована функциональная зависимость между отдельными её частями и выявлены наиболее существенные взаимосвязи, позволяющие получить полную и удобную в работе математическую модель анализируемого процесса транспорта электрической энергии. Подробно описываются процесс формирования предварительного диспетчерского графика и значимость повышения его точности. Отмечены основные экономические стимулы повышения точности прогнозирования выработки и потребления электрической энергии в региональной системе. В частности, детально показана взаимосвязь мероприятий, проводимых администратором торговой сети, а также системным оператором единой энергетической системы. Описаны этапы создания элементов программного комплекса, предназначенного для повышения точностных характеристик предварительного диспетчерского графика. Их реализация организована посредством применения многофункционального языка программирования -С#. В процессе написания программного продукта был использован интерфейс Windows Forms, позволяющий разрабатывать интеллектуальные клиенты - приложения с развитым графическим функционалом. Описаны как классическая структура прогнозирования, так и алгоритмы, реализующие аппарат нейронных нечётких сетей (на базе алгоритма Мамдани) в рамках разработанного программного обеспечения для решения поставленных задач в элементах единой энергетической системы

Ключевые слова: электроэнергетическая система, повышение точности прогнозирования, алгоритмы оптимизации, программный комплекс

Управление элементами региональных электроэнергетических сетей (ЭЭС) является базовым с точки зрения обеспечения надёжности снабжения электрической энергией конечных потребителей. Кроме того, следует отметить, что от качества реализации данного этапа

напрямую зависят возможности дальнейшей интеграции локального звена в единую электроэнергетическую систему (ЕЭС) [1].

Обобщённая структурная схема управления региональной ЭЭС приведена на рис. 1.

Рис. 1. Структурная схема управления региональной ЭЭС ( X ()- вектор состояния ЭЭС; V )- вектор измерений ЭЭС; g2, gз - возмущающие воздействия на различных этапах управления; /1 - главное управляющее воздействие)

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

В соответствии с этой схемой можно выделить следующие существенные структуры:

1) ЭЭС - совокупность элементов генерации, транспорта и потребления э/э (без элементов управления) - главный объект управления;

2) Система сбора информации (к примеру, АИИС КУЭ) - элементы учёта и регистрации потребления электроэнергии, мощности и иных параметров в структуре ЭЭС;

3) Система реализации решений - средства регулирования ЭЭС (исполнительные механизмы генераторов, трансформаторов, коммутационная аппаратура);

4) Система оценки текущего состояния и прогнозирования ЭЭС;

5) Система принятия решений;

6) Система математических моделей функционирования ЭЭС [2].

Блоки 4 - 6 можно обобщённо представить единой системой управления (СУ). Вектор основного управляющего воздействия формируется системой принятия решений - 5 на основании взаимного функционирования блоков 4 и 6.

Основной целью СУ региональной ЭЭС является оптимизация как самих алгоритмов управления, так и существующих подструктур, применяемых в рамках данных моделей в условиях развивающихся региональных систем электроснабжения.

Для решения этой задачи первоочередным видится анализ и синтез блоков оценки текущего состояния и прогнозирования ЭЭС (блок 4) и системы принятия решений (блок 5). Этот выбор обусловлен первостепенной значимостью выполнения данных этапов в общей структуре функционирования ЭЭС и выражается в следующих причинах:

- необходимостью прогнозирования параметров электроэнергетической системы как основы для выработки последующих управляющих воздействий;

- нормативно закреплённым аспектам функционирования ЕЭС РФ на современном этапе развития;

- стремлению к минимизации затрат на производство, преобразование и потребление электрической энергии;

- экономические требования смежных областей производства.

Основной целью этапа оценки текущего состояния и прогнозирования ЭЭС является выработка такой модели функционирования, параметры которой будут наиболее точно и полно коррелироваться с аналогичными показателями объекта управления в одинаковые дискреты времени. При этом, наиболее сложными являются задачи прогнозирования в краткосрочном и долгосрочных периодах, что связано с существенным влиянием неопределённых и слабоформализуемых факторов (зависимости потребления электроэнергии от часа, дня недели, сезонности, освещённости, планов производственных мощностей).

Степень точности и оперативности при решении задач на этапе принятия решений напрямую влияют на качество реализации расчётных моделей применительно к реальным объектам ЭЭС.

Рассмотрим подробно процесс прогнозирования потребления электрической энергии в рамках регионального звена ЕЭС.

Как отмечено в [3], процесс диспетчерского управления можно представить в виде трёх взаимосвязанных этапов: создание предварительной модели ЭЭС; оптимизация и актуализация; расчёт модели ЭЭС (рис.2).

Рис. 2. Обобщённая схема взаимосвязи процесса прогнозирования потребления э/э с другими элементами при составлении расчётного диспетчерского графика (блок 1 - «прогноз»; блок 2 - «торги на рынке э/э»; блок 3 - «методы и модели расчёта ЭЭС»)

На первой стадии создаётся диспетчерский график участников ОРЭМ с почасовой детализацией и учётом их договорных обязательств. Вместе с тем, протекает процесс прогнозирования (в том числе и корректировки прогноза) потребления э/э, определяются отклонения складывающихся инициатив от планового значения. Исходными данными для этого является информация, представляемая в РДУ и ОДУ участниками ОРЭМ:

- объемные заявки потребления электроэнергии;

- мощность и диапазон её возможного изменения для готового к работе генерирующего оборудования

- технические ограничения по скорости набора и снижения нагрузки на генерирующем оборудовании электрических станций.

В рамках блока «прогноз», на различных иерархических уровнях - от РДУ, через ОДУ, до верхнего звена управления СО - собирается информация о прошлом и текущем состоянии потребителей и формируется краткосрочные (от часа до месяца) прогнозные зависимости. При взаимодействии ОДУ и РДУ осуществляется выбор состава необходимого генерирующего оборудования для удовлетворения прогнозируемого максимума нагрузки с учётом резерва. После выбора структуры генерирующего оборудования производится расчёт распределения активной мощности с учётом БД по потребителям э/э - формирование предварительного диспетчерского графика (ПДГ).

ПДГ является начальной моделью для последующей оптимизации структуры и функционирования ЭЭС. На данном этапе - блок 3 на рис.2 -производится выбор наилучшего распределения параметров в узлах нагрузки за конечное время для принятия решений.

Параллельно с этим процессом осуществляются торги на ОРЭМ посредствам функционирования ОАО «АТС». На основе сопоставления базовых договорных и заявленных суточных обязательств участников рынка и полученных в соответствии с предваритель—ным диспетчерским графиком значений сальдо-перетоков, выработки и потреб—ления электроэнергии за сутки осуществляют классификацию предварительных инициатив в отклонениях поставок электроэнергии участников рынка и СО.

Далее производятся непосредственные ежесуточные аукционы электроэнергии на конкурентном секторе рынка, на каждый час торгуемых суток «X» производится синтез и актуализация расчетной модели ЭЭС.

Как следует из анализа рис.2, важнейшее место при формировании ПДГ имеет точность прогнозирования выработки и потребления электрической энергии в рамках региональной ЭЭС. С этой целью был проведён этап реализации программно-алгоритмического комплекса на базе нечёткой нейронной сети, построенной по правилам Мамдани.

Помимо вышеописанных причин, разработка информационной системы, обеспечивающей точное прогнозирование графиков нагрузки электроэнергетических систем, актуальна благодаря тому, что предоставляет уникальную возможность смоделировать ситуацию, которая теоретически может возникнуть. С помощью такой искусственно созданной ситуации алгоритм прогноза позволит оценить возможные последствия, а значит, и заложить средства для качественного и своевременного управления этими последствиями [4].

В качестве языка программирования для написания проекта информационной системы прогнозирования был выбран простой и многофункциональный С#, как один из наиболее популярных среди существующих объектно-ориентированных средств программирования. С# полностью базируется на объектно-ориентированных принципах, что очень удобно при разработке сложных комплексных программ.

Язык C# и связанную с ним среду .NET Framework можно отнести к одним из наиболее значительных среди всех предлагаемых в настоящее время технологий для разработчиков программного обеспечения. Среда .NET была создана для разработки широкого спектра приложений с возможностью запуска в операционной системе Windows. Стоит отметить, что применение C# и .NET Framework предоставляет возможность создавать: динамические вебстраницы; веб-службы XML; приложения Windows Presentation Foundation; компоненты для разнообразных распределенных приложений, в том числе, реализующие доступ к базам данных; клиентские приложения сверхнового интеллектуального типа, обладающие уникальными возможностями для работы в оперативном и автономном режимах.

В процессе написания программного продукта был также использован интерфейс Windows Forms, позволяющий разрабатывать интеллектуальные клиенты, то есть приложения с развитым графическим функционалом, простые в развертывании и обновлении, способные работать как при наличии, так и в отсутствии подключения к Интернету и исполь-

зующие максимально безопасный доступ к предоставляемым ресурсам на локальном компьютере. Выбранная технология реализации программного обеспечения представляет собой набор управляемых библиотек, которые в значительной мере упрощают выполнение стандартных задач и операций, таких как чтение из файловой системы и запись в нее.

С помощью среды разработки типа Visual Studio было создано интеллектуальное клиентское приложения Windows Forms (элемент программного комплекса по прогнозированию уровня регионального энергопотребления), функционирующего на основе информации от

пользователей и собственных баз данных согласно реализованным внутри программы алгоритмам.

Главная форма (представлена на рис. 3) служит для заполнения пользователем информации о фактических данных величины потребления электроэнергии за предшествующие периоды. Для работы алгоритма прогнозирования предусмотрено несколько вариантов временных интервалов, различающихся по длительности: данные для определенного месяца, которые необходимо заполнить по дням (суточное потребление), для года - по месяцам, для недели - по часам.

Рис. 3. Главная форма пользовательского интерфейса

У пользователя есть возможность заполнить данные вручную либо загрузить их из таблицы excel. Загруженная таблица с данными отобразится на форме и пользователь, при необходимости, сможет отредактировать находящиеся в ней данные.

Стоит отметить, что пользователь может не заполнять все представленные для выбора интервалы, а указать данные только для интересующего его интервала.

После того, как все данные будут заполнены, по кнопке «Перейти к прогнозу» осуществляется переход на вторую форму, на которой впоследствии будут построены графики сделанных прогнозов и предоставлена возможность выгрузки спрогнозированных данных в табличном виде. Внешний вид второй формы представлен на рис.4.

Рис.4. Внешний вид оконной формы

Выгрузка спрогнозированных данных (в табличном виде и в виде графика) реализуется для конкретного интервала (неделя, месяц, год).

Выбрать необходимый интервал можно из выпадающего списка, расположенного в левой верхней части формы.

Включенная функция «Сравнить прогноз с реальными значениями» предоставляет возможность на графическом компоненте вывести совмещенные графики исходных и реальных значений. Также в данной форме сконцентрированы кнопки перехода к дополнительным формам.

В правой части формы расположены кнопки для ознакомления со справочной информацией об используемых алгоритмах прогнозирования. Внешний вид формы, посвященной

функционированию моделей прогнозирования генерации/потребления электроэнергии при помощи коэффициента роста/спада спроса на ОРЭМ, представлен на рис.5.

На рис. 6 отображен внешний вид формы со справочной информацией о нейро-нечетком прогнозировании.

Возврат к главной форме осуществляется по нажатию кнопки «Ок».

Функционирование моделей прогнозирования генерации/потребления электроэнергии при помощи коэффициента роста/спада спроса на ОРЭМ

Годовой месячный и недельный прогнозы потребления электроэнергии строятся, исходя из значений среднего за десять лет выборки и с учетом коэффициента роста/спада потребления в текущем году. (Например, для 2014 года был принят коэффициент роста кр = 1.065). Данная величина являе тся прогнозом экономической активное ти в отрасли и означает тенденцию к увеличению/уменьшению потребления электроэнергии относительно среднего значения выборки. Помимо э того учитывав тся влияние фактора темпера туры окружающей среды.

Прогнозные значения потребления электроэнергии вычисляю тся с помощью формулы:

Хр - коэффициент роста/спада

Хк - величина прогнозируемого по требления

Хкз-величина среднего потребления за года выборки

С-о тклонения темпера туры для периодов прогноза от нормы

Рис. 5. Прогнозирование при помощи коэффициента роста/спада спроса

Основной элемент искусственной нейронной сети -формальный нейрон.

s = У w. • X. + Ъ

I 1 1 «, -—

i=i

у = /О)

■Г1-1

п - число входов нейрона

х - входной сигнал

IV - веса нейрона

Ь - значение смещения

5 -результат суммирования

/ - нелинейное преобразование

у - выходной сигнал

Нейро-нечеткая сеть - это нейронная сеть с четкими сигналами, весами и активационной функцией, с объединением Хи№с использованием непрерывных операций, а также применением гладких функций принадлежности.

Нечёткая логическая переменная может быть описана тройкой параметров <а. X. А>. где: а — имя нечёткой переменной;

X —универсальное множество, на котором заданы значения переменной а; А — нечёткое подмножество универсального множества X, для каждого элемента

которого определена функция т(х), задающая степень принадлежности данного элемента к множеству А.

Система нечетких рассуждений:

I База знании

Баш База

данных пробил

Блок принятия решений

Блок дефаззи-фикации

7F

/нечеткий!

'J

Выход (численный!

- блок фаззификации, преобразующий численные входные значения в с тепени соо тве тс твиялингвис тическим переменным; -база правил, содержащая набор нечетких правил типа «Если- То»;

- база данных, в ко торой определены функции принадлежнос ти нечетких множеств, используемых в нечетких правилах;

- блок принятия решений, совершающий операции вывода на основании имеющихся правил;

- блок дефаззификации. преобразующий результаты вывода в численные значения.

Алгоритм Формирования модели прогнозирования потребления и генерации потребления электроэнергии

Блок - схема алгоритма обучения нейро-нечеткой сети

Пример структуры нейро-нечеткой сети

Рис. 6. Справочная информация о системе нейро-нечетком прогнозирования

На форме со справкой о нейро-нечетком прогнозировании расположены кнопки, которые открывают дополнительные окна, чтобы пользователь мог ознакомиться с алгоритмом формирования модели (к примеру структурой нейро-нечеткой сети, используемой при прогнозировании -рис. 7).

• первый слон-термы входных переменных:

• второй слой - антецеденты ('посылки) нечетких правил:

• третий слой - нормализация степеней выполнения правил:

• четвертый слой - заключения правит:

• пятый слой - агрегирование результата, полученного по различным правилам

Рис. 7. Информационное окно

Также на второй форме расположены кнопки перехода к вкладкам, на которых пользователю необходимо заполнить информацию о параметрах, на основе которых алгоритм строит прогноз. Для каждого: классического (показана на рис. 8) и нейро-нечеткого прогнозирования (показана на рис. 9) реализована отдельная форма.

Для формы, на которой пользователь вводит параметры, необходимые для классического прогнозирования, предусмотрена возможность ввода данных в виде таблицы. Загрузить таблицу с данными можно по кнопке «Загрузить таблицу», предварительно указав путь к файлу.

Данные для расчета с помощью метода коэффициентов роста/спада Отклонения от средней t Выберите интервал из списка т

Рис. 8. Исходные данные для классического метода прогнозирования

Данный интерфейс позволяет пользователю в удобной и понятной форме редактировать данные и в конечном итоге получать спрогнозированные данные, а при необходимости зна-

комиться со справочной информацией о используемом алгоритме.

Структура сети:

Количество слоев: 2

Количество нейронов на слое: Ю 25

Л-хг/ термов принадлежности; даиззт^ Количество зчтохобучения; 200

| Показать базу правил для ННС

|_Сохранить данные_|

Рис. 9. Исходные данные для нейро-нечёткого метода прогнозирования

Используемый подход к разработке программного продукта, реализующего прогнозирование электрических нагрузок электроэнергетических систем, обеспечивает эффективный результат и может быть распространен на многие другие задачи прогнозирования в области управления производством.

Область применения разработанного программного продукта достаточно широка и позволяет с минимальными доработками адаптировать работу алгоритма к различным задачам прогнозирования.

Литература

1. Бурковский, В.Л. Модели оптимального энергораспределения в системах регионального энергопотребления [Текст] / В.Л. Бурковский, Р.А. Харченко. - Воронеж: ВГТУ, 2006 - 137c.

2. 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.

3. Модель прогнозирования регионального потребления на базе нечёткой нейронной сети [Текст] / В.Л. Бурковский, В.Н. Крысанов, А.Л. Руцков, Шукур Омар Шу-кур Махмуд // Вестник Воронежского государственного технического университета. - 2015. - Т.11 - № 5. - С. 4146.

4. Проблемы и решения при внедрении Smart Grid в России [Текст] / В.Н. Крысанов, В.Л. Бурковский, А.Л. Руцков, Ю.В. Шарапов // Современные методы прикладной математики, теории управления и компьютерных технологий (ПМУКТ-15) сборник трудов VIII международной конференции. 2015. С.189-191.

Воронежский государственный технический университет

SALES PROGRAM COMPLEX PREDICTION OF THE REGIONAL LEVEL OF ENERGY CONSUMPTION

V.L. Burkovsky, Doctor of Technical Sciences , Professor , Voronezh State Technical University, Voronezh, Russian Federation, e-mail: bvl@vorstu.ru

V.N. Krysanov, Candidate of Technical Sciences , Assistant professor , Voronezh State Technical University, Voronezh , Russian Federation, e-mail: sovteh2000@mail.ru

A.L. Rutskov, Postgraduates, Voronezh State Technical University, Voronezh, Russian Federation, e-mail: alex_8_90@mail.ru

The article deals with improving the accuracy of prediction of the level of consumption of the regional power system . Analyzed the functional relationship between the individual parts of it and revealed the most significant relationship, provides a complete and easy to use a mathematical model of the process being analyzed transport of electrical energy. It described in detail the process of forming the dispatching schedule and the importance of improving its accuracy. Noted the basic economic incentives improve the accuracy of forecasting production and consumption of electric energy in the regional system. The interrelation of activities carried out by the administrator of trading network and system operator of the unified energy system. We describe the steps of creating the elements software package designed to increase the accuracy characteristics of the dispatch schedule. Their implementation is organized through the use of multi-functional programming language - C #. In the process of writing software Windows Forms interface was used, allowing to develop smart clients - applications with advanced graphical functionality. Described as a classic structure prediction , and algorithms that implement the apparatus of fuzzy neural networks (based on Mamdani algorithm ) within the software developed for the task in the elements of the Unified Energy System Key words : power system , improve the accuracy of forecasting , optimization algorithms , software package

References

1. Burkovsky V.L., Kharchenko R.A. Modeli optimal'nogo ehnergoraspredeleniya v sistemah regional'nogo

ehnergopotrebleniya [Models of optimal power distribution systems of regional energy]. Voronezh: V G TU, 2006. 137 p.

2. Krysanov V.N., Ruckov A.L., Shukur Omar Shukur Mahmud Osobennosti realizacii tekhnologii Smart Grid v regional'nyh sistemah ehlektrosnabzheniya [Features of the implementation of Smart Grid technology in the regional power supply systems]. Bulletin of Voronezh State Technical University. Voronezh, 2013. - T.10 - № 5-1; 92-97.

3. Burkovskij V.L., Krysanov V.N., Ruckov A.L., Shukur Omar Shukur Mahmud. Model' prognozirovaniya regional'nogo potrebleniya na baze nechyotkoj nejronnoj seti [Model prediction of regional consumption based on fuzzy neural network]. Bulletin of Voronezh State Technical University. Voronezh, 2015. - T.11 - № 5; 41-46.

4. Krysanov V.N., Burkovskij V.L., Ruckov A.L., Sharapov Yu.V. Problemy i resheniya pri vnedrenii Smart Grid v Rossii [Problems and solutions in the implementation of Smart Grid in Russia] // Sovremennye metody prikladnoj matematiki, teorii upravleniya i komp'yuternyh tekhnologij (PMUKT-15) sbornik trudov VIII mezhdunarodnoj konfer-encii [Modern techniques of applied mathematics , control theory and computer technology Proceedings of VIII International Conference]. Voronezh, 2015; 189-191.