Методология совершенствования систем краткосрочного прогнозирования электропотребления

Актуальность работы.

Электроэнергетика является ключевой отраслью российской экономики и многих стран мира. К 2020 г. потребления электроэнергии в России должно увеличиться на 25%. В условиях роста электропотребления необходимо повысить показатель надежности и коэффициент полезного действия электростанцийснизить долю износа основного оборудования и потери в электросетях.

Основную информацию для планирования развития электроэнергетических систем составляют прогнозные оценки электропотребления. Нагрузка электроэнергетической системы формируется комплексом потребителей электроэнергии, состоящих из промышленных предприятий, сельского и жилищно-коммунального хозяйств. В зависимости от времени упреждения прогнозы делятся на прогнозирование долгосрочное, среднесрочное, краткосрочное и оперативное. При оперативном управлении режимами используется оперативный прогноз графика потребления на следующие час и оставшиеся до конца суток часы.

Прогнозирование потребления электроэнергии является на сегодняшний день одной из важных научных и практических задач в электроэнергетике. Повышение точности прогнозирования обеспечивает экономию энергетических ресурсов, определяет1 эффективность управления электроснабжением и соответствующее увеличение прибыли энергетических предприятий.

Прогнозы электропотребления закладываются в инвестпрограммы энергокомпаний. По оценкам российских специалистов, каждая оплошность в ежегодном прогнозе электропотребления на 1% - это 4 млрд. долларов дополнительных инвестиций на возведение генерирующих мощностей [78]. Сог ласно оценкам экономической эффективности, приведенным в зарубежных публикациях, для типичной региональной энергокомпании Северной Америки улучшение качества прогноза на 1% приводит к снижению издержек на десятки миллионов долларов в год [75].

Развитие рыночных отношений в управлении электроэнергетикой привело к появлению противоречия между рыночными конкурентными механизмами функционирования отдельных подсистем электроэнергетических систем (ЭЭС) и требованиями обеспечения надежности и качества работы ЭЭС, как единого комплекса.

Электрическая энергия в себестоимости продукции крупных предприятий, например в металлургическом производстве, составляет 11% - 30% [41]. Одним из основных путей снижения затрат на электрическую энергию является выход предприятий в качестве участников на оптовый рынок электрической энергии.

Таким образом, в условиях современного энергорынка для крупных предприятий и добывающих производств важное значение имеет создание системы почасового потребления электрической энергии, позволяющей минимизировать отклонения потребляемой мощности от заявленной.

Решению различных аспектов задачи прогнозирования электропотребления посвящены работы Берлина А. С., Воропая Н. И., Гамма А. З., Глазуновой А. М., Готман Н. Э., Колосок И. Н., Макоклюева Б. И., Манова НА., Манусова В. З., Старцевой Т. Б., Чукреева Ю. Я., Шумиловой Г'.П. и др.

Цель и задачи исследований.

Целью диссертационной работы является увеличение точности предсказания предполагаемого потребления электроэнергии с целью оптимального использования энергоресурсов, минимизации стоимости и повышения надежности электроснабжения.

Для достижения поставленной цели в диссертационной работе решены следующие задачи:

1. Разработка нейросетевой модели прогнозирования электропотребления, включающей нечеткую обработку данных обучающей выборки, индикацшо времени суток, оптимизацию числа нейронов в слоях и переобучение сети на основе текущих фактических значений электропотребления.

2. Разработка системы прогнозирования электропотребления на основе метода опорных векторов.

3. Определение оптимальных параметров ядерной функции метода опорных векторов с использованием генетического алгоритма и алгоритма роя частиц.

4. Сравнительное исследование эффективности интеллектуальных моделей прогнозирования, а также моделей на основе метода опорных векторов.

5. Разработка программной реализации предложенных систем прогнозирования, построение графических интерфейсов пользователя.

Методы исследования. Для решения поставленных задач были использованы: методы математического моделирования, обрабогки данных и прогнозирования временных рядовстатистический и регрессионный анализтеория нечетких множествтеория искусственных нейронных нейронных сетейтеория гибридных сетейметод опорных векторовметод роя частицматематические пакеты MatLab (Neural Networks Toolbox, Statistics Toolbox, Fuzzy Logic Toolbox), Orange.

Научные результаты, выносимые на защиту:

1. Способ формирования обучающей выборки с предварительной обработкой исходных данных.

2. Нейросетевая модель прогнозирования электрической нагрузки с оптимизацией числа нейронов в слоях и переобучением сети на основе текущих фактических значений электропотребления.

3. Модель прогнозирования электрической нагрузки на основе метода опорных векторов с оптимизацией параметров ядерной функции.

4. Программные модули прогнозирования и два пользовательских интерфейса в пакете Ма1ЬаЬ.

Новизна научных результатов.

1. Способ формирования обучающей выборки, отличающийся тем, что для улучшения точности прогноза введены известные значения нагрузки в прошлые дни в прогнозируемый час, индикация времени суток, а также выполнена предварительная обработка данных временного ряда методом главных компонент с добавлением шума (для нейронной сети).

2. Нейросетевая модель прогнозирования электрической нагрузки отличается способом оптимизации (число нейронов скрытых слоев определяется на основе генетических алгоритмов) и наличием процедуры переобучения в случае превышения ошибки прогноза.

3. Модель прогнозирования электрической нагрузки на основе метода опорных векторов, отличающаяся тем, что для повышения эффективности использования метода опорных векторов параметры регрессионной модели определяются на основе решения задачи квадратичного программирования с оптимизацией параметров ядерной функции на основе генетического алгоритма и алгоритма роя частиц.

4. Программные модули и два пользовательских интерфейса в пакете Ма&аЬ, включающие программы формирования обучающей выборки и подбора оптимальных параметров ядерных функций на основе генетических алгоритмов и метода роя частиц, обеспечивающие уменьшение ошибки прогноза, а также позволяющие использовать систему прогнозирования в качестве системы поддержки принятия решений.

Достоверность научных положений, результатов и выводов. Достоверность научных положений и результатов, сформулированных в диссертации, подтверждается корректным использованием методов математического моделирования и прогнозирования временных рядов, статистического и регрессионного анализа, теории нечетких множеств, теории искусственных нейронных сетей, методов опорных векторов и главных компонент, а также эволюционных алгоритмов оптимизации.

Практическая ценность работы.

1. Нейросетевая модель прогнозирования позволяет учитывать дополнительные факторы и обеспечивает уменьшение ошибки прогноза на 2,7%. Точность краткосрочного прогноза электропотребления можно улучшить: при учете дополнительной информации о времени суток на 1%- при выполнении дополнительной нечеткой обработке информации на 0,43% и при нормировании обучающей выборки на 0,3%.

2. Прогнозирующие нейросетевые модели и модели на основе опорных векторов наиболее эффективны в случаях сильно колебательной нагрузки. Точность прогнозирования при использовании нейросетевой модели по сравнению с ре1рессионной можно увеличить до 2 раз, при использовании модели на основе опорных векторов — до 2,5 раза. Лучшие результаты получены при использовании гауссовой радиальной базисной ядерной функции.

3. На основе полученных моделей разработаны системы прогнозирования электропотребления в виде пользовательских интерфейсов для поддержки принятия решений.

Практическая значимость подтверждается актом использования в учебном процессе СПбГЭТУ «ЛЭТИ».

Апробация результатов работы Основные теоретические и прикладные результаты диссертационной работы докладывались и получили одобрение на международном молодежном форуме «Энергоэффективные электротехнологии» (сентябрь 2011, г. Санкт-Петербург) — II Международной заочной научно-практической конф. «Актуальные проблемы науки» (иСОМ-2011), (27 сентября 2011 г., Тамбов. 2011) — ХП1 международной конференции по мягким вычислениям и измерениям (июнь 2010, г. Санкт-Петербург) — «Управление в технических, эргатических, организационных и сетевых системах» (УТЭОСС-2012, 9 -11 октября 2012 г., Санкт-Петербург), на 63 — 66 научно-технических конференциях профессорско-преподавательского состава ЭТУ (СПбГЭТУ «ЛЭТИ», февраль 2010 — 2013 гг.).

Публикации Основные теоретические и практические результаты диссертации опубликованы в 7 научных работах, в том числе 3 статьи в рецензируемых и входящих в перечень ВАК и 4 публикации в материалах международных и всероссийских научно-технических конференций.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав с выводами, заключения, списка литературы. Основная часть работы изложена на 135 страницах машинописного текста. Работа содержит 35 рисунков и 12 таблиц, список литературы содержит 135 наименований.

Основные результаты диссертационной работы могут быть сформулированы следующим образом:

1. В способе формирования обучающей выборки наиболее эффективным для повышения точности прогноза является уменьшение размерности исходных данных с использованием метода главных компонент, индикация времени суток, дополнительное введение значений нагрузки в прошлые дни в прогнозируемый час. Каждое из этих мероприятий обеспечивает уменьшение ошибки прогноза на 0,5 — 1%. Применение нормирования и добавление шума в обучающую выборку позволяют снизить ошибку на 0,3−0,5%.

2. В модели прогнозирования электрической нагрузки на основе нейросетевого подхода число нейронов скрытого слоя определяется на основе генетических алгоритмов, а при превышении допустимой погрешности предусмотрена возможность переобучения (улучшение точности в 0,5%).

3. Модель прогнозирования электрической нагрузки на основе метода опорных векторов, включающая предварительную обработку исходных данных, программу оптимизации выбора параметров ядерной функции на основе генетического алгоритма и алгоритма роя, позволяет улучшить прогноз на 1%.

Точность прогнозирования зависит от типа электрической нагрузки. При разбросе данных обучающей выборки 130% точность прогноза составила 2,4%.

4. Программные модули систем прогнозирования и пользовательские интерфейсы в пакете Ма1: ЬаЬ ориентированы на использовании диспетчерами энергообъединений в качестве систем поддержки принятия решений.

ЗАКЛЮЧЕНИЕ

.