Регрессионные методы прогнозирования графика нагрузки электрооборудования
Модели краткосрочного прогноза преимущественно основаны на недавних (за последний день или неделю) сведениях об энергопотреблении. В качестве основного прогностического фактора используется прогнозируемая температура. Сегодня получение точного прогноза температуры на час и даже на сутки вперед не составляет особой проблемы. Эти модели менее чувствительны к сезонным изменениям или долгосрочным… Читать ещё >
Регрессионные методы прогнозирования графика нагрузки электрооборудования (реферат, курсовая, диплом, контрольная)
Прогнозирование графиков нагрузки энергосистемы является важной задачей стратегического управления режимами энергосистем. На основе прогноза нагрузок определяют количество и мощность генерирующих источников, работающих в базовом и пиковом режиме, состав основного технологического оборудования, параметры характерных режимов. По прогнозу нагрузок также находят оптимальные режимы энергосистемы, выбирают состав работающего оборудования и распределяют резервы, рассматривают заявки на ремонт оборудования и дают соответствующее разрешение на его проведение. Прогнозирование электрической нагрузки обеспечивает основную исходную информацию для принятия решений при управлении электроэнергетическими системами в процессе планирования их нормальных электрических режимов. Краткосрочное и оперативное прогнозирование графиков нагрузки электропотребления является на сегодняшний день одним из наиболее важных направлений исследований в электроэнергетике [ 2, 3, 4].
Задача прогнозирования электропотребления состоит в анализе объективных факторов, влияющих на изменение нагрузки, и расчет будущих графиков нагрузки электропотребления [2, 3].
Основными элементами прогноза электрических нагрузок потребителей энергии являются следующее: графики активных и реактивных нагрузок для различных временных циклов: суточных, сезонных, годовых; потребление электроэнергии за определённые периоды в функции времени; основные характеристики графиков нагрузок за заданные периоды времени в перспективе.
Современные методики построения прогнозных моделей базируются на статистическом анализе и моделировании временных рядов [1, 2, 4].
Любое потребление электроэнергии описывается временным рядом, представленное мгновенными значениями потребляемой мощности в дискретные моменты времени. Модели данного типа обладают достаточно высокой степенью адекватности для решения многих задач прогнозирования процессов в электроэнергетике и не только.
Для анализа временных рядов выделяют следующие компоненты [1, 2]:
- — тренд (T) — плавно изменяющаяся компонента, описывающая влияние долговременных факторов;
- — сезонная компонента (S) — циклические колебания изучаемого процесса;
- — случайная составляющая (е) — компонента, показывающая влияние случайных факторов.
Указанная изменчивость поведения электрической нагрузки, как правило, проявляет определенные устойчивые закономерности, позволяющие создать и использовать методики физико-математического представления электрической нагрузки электрооборудования.
Таблица 1 — Факторы, влияющие на график нагрузки электропотребления.
Факторы. | Социально-экономические. | Метеорологические. | |
Циклические. | 1) Время (час суток); 2) День недели; 3) Тип дня недели (рабочий, выходной, праздничный, предпраздничный). | 1) Температура воздуха; 2) Продолжительность светового дня; 3) Время восхода и захода солнца. | |
Естественные. | 1) Индивидуальная производственная программа работы крупных промышленных объектов; 2) Продолжительность отопительного периода; 3) Использование альтернативных источников электроснабжения; 4) Ввод в эксплуатацию крупных энергоемких объектов. |
| |
Случайные. | 1) Аварии на крупных промышленных объектах. | 1) Резкие кардинальные изменения погодных условий (наиболее влияющие: температура воздуха и осадки). | |
В контексте спроса на энергию краткосрочный прогноз нагрузки определяется как объединенная нагрузка, прогнозируемая в ближайшем будущем для различных частей сети (или сети в целом) [ 4, 5]. В этом контексте краткосрочным считается период от 1 до 24 часов. В некоторых случаях можно установить период в 48 часов. Краткосрочный прогноз нагрузки — распространенный прогноз для рабочего сценария использования сети. Краткосрочный прогноз нагрузки может использоваться для решения следующих задач [2, 4]:
- — балансировка спроса и предложения;
- — поддержка торговли энергией;
- — рыночная деятельность (назначение цены на электроэнергию);
- — рабочая оптимизация сети;
- — регулирование спроса;
- — прогнозирование пикового спроса;
- — управление спросом;
- — балансировка нагрузки и предотвращение перегрузки;
- — обнаружение сбоев и аномалий;
- — сокращение (выравнивание) пиков.
Модели краткосрочного прогноза преимущественно основаны на недавних (за последний день или неделю) сведениях об энергопотреблении. В качестве основного прогностического фактора используется прогнозируемая температура. Сегодня получение точного прогноза температуры на час и даже на сутки вперед не составляет особой проблемы. Эти модели менее чувствительны к сезонным изменениям или долгосрочным тенденциям потребления.
Для краткосрочных прогнозов зачастую создается большой объем вызовов прогнозов (запросов на обслуживание), так как они вызываются каждый час, а в некоторых случаях и чаще. Кроме того, нередко выполняется внедрение, при котором каждая отдельная подстанция или трансформатор представлены в качестве автономных моделей. Вследствие этого объем запросов на прогнозирование еще больше возрастает.
Традиционными статистическими методами прогнозирования электропотребления являются: метод авторегрессии, метод сезонных кривых, факторный анализ и другие [2, 3, 4, 5].
При применении статистических методов можно выделить следующие этапы процесса прогнозирования: формирование выборки статистической информации из массива данных, приведение данных к однородным свойствам, группировка данных по структурным свойствам процесса, изучение динамики процесса, выбор периода ретроспекции, сглаживание информации, ввод дополнительной информации для повышения достоверности модели [1, 2].
Рассмотрим задачу оперативного планирования режима системы и электростанций с упреждением на сутки, то есть прогнозов. Для построения среднесуточного прогноза необходимо определить среднесуточное потребление электроэнергии. Для этого усредняем потребление энергии за сутки.
В таблице 2 приводится исходные данные для решения поставленной задачи.
Таблица 2 — Среднесуточное потребление электроэнергии.
Номер дня. | День недели. | Дата. | Потребление, МВт. | |
Пятница. | 14.01. | 1829,492 465. | ||
Суббота. | 15.01. | 1722,989 011. | ||
Воскресение. | 16.01. | 1699,988 691. | ||
Понедельник. | 17.01. | 1831,187 635. | ||
Вторник. | 18.01. | 1880,372 378. | ||
Среда. | 19.01. | 1892,267 097. | ||
Четверг. | 20.01. | 1925,375 369. | ||
Пятница. | 21.01. | 1958,766 057. | ||
Суббота. | 22.01. | 1936,218 318. | ||
Воскресение. | 23.01. | 1951,729 513. | ||
Понедельник. | 24.01. | 2118,312 169. | ||
Вторник. | 25.01. | 2137,992 378. | ||
Среда. | 26.01. | 1925,401 385. | ||
Четверг. | 27.01. | 2111,190 285. | ||
Пятница. | 28.01. | 2062,496 142. | ||
Суббота. | 29.01. | 1989,710 899. | ||
Воскресение. | 30.01. | 1949,275 617. | ||
Понедельник. | 31.01. | 2038,732 712. | ||
Вторник. | 1.02. | 2084,682 696. | ||
Среда. | 2.02. | 2101,127 922. | ||
Четверг. | 3.02. | 2102,40 137. | ||
Пятница. | 4.02. | 2095,164 482. | ||
Суббота. | 5.02. | 1991,990 735. | ||
Воскресение. | 6.02. | 1932,226 608. | ||
Понедельник. | 7.02. | 2091,368 708. | ||
Вторник. | 8.02. | 2040,633 189. | ||
Среда. | 9.02. | 2004,328 023. | ||
Четверг. | 10.02. | 1987,542 783. | ||
Пятница. | 11.02. | 1975,108 093. | ||
Суббота. | 12.02. | 1886,280 373. | ||
Воскресение. | 13.02. | 1866,240 733. | ||
Понедельник. | 14.02. | 2029,839 981. | ||
Исключим выходные дни и праздники, поскольку потребление в эти дни нехарактерно.
Изобразим на графике зависимость изменения мощности с учетом выходных дней, добавим линию тренда — устойчивого изменения. Величина достоверности аппроксимации довольно мала (рисунок 1), что означает малую вероятность правильного прогноза.
Рисунок 1 — Среднесуточная мощность с учетом выходных Исключим из графика нагрузки потребление в выходные дни. Величина достоверности аппроксимации довольно мала, что так же означает малую вероятность правильного прогноза. Результат показан на рисунке 2.
Рисунок 2 — Среднесуточная мощность без учета выходных Исключим выбросы, то есть сгладим ряд данных. Для этого зададим диапазон допустимых отклонений от модели, которая будет подбираться, обычно он составляет 5−10%, но в работе был принят 2%. Результат показан на рисунке 3.
Рисунок 3 — Среднесуточная мощность без выходных Визуально видно, что модель прогнозирования на рисунке 3 имеет противоположную динамику изменения мощности (убывает), чем на рис. 1 и на рис. 2 (возрастает). Для дальнейшего построения модели прогноза оставим выбранные значения (15 дней — с 24.01 по 14.02 за исключением 26.01 и выходных дней), т.к. они ближайшие ко дню, на который необходимо сделать прогноз. метод прогнозирование нагрузка электроэнергия Можно определить следующие погрешности модели (результаты занесены в таблицу 3):
- — Абсолютная погрешность:, МВт;
- — Средняя погрешность:, МВт;
- — Максимальная погрешность:, МВт;
- — Среднеквадратичное отклонение:, где — дисперсия .
Уравнение модели соответствует линии тренда: .
Таблица 3 — Погрешности модели прогноза.
Рпотр. МВт. | Ртренд, МВт. | Отклонение, МВт. | Допустимые отклонения. | |||
2118,312 169. | 2125,306. | — 6,993 830 607. | 2098,829 394. | 2151,782 606. | ||
2137,992 378. | 2116,612. | 21,38 037 823. | 2090,135 394. | 2143,88 606. | ||
2111,190 285. | 2107,918. | 3,272 284 729. | 2081,441 394. | 2134,394 606. | ||
2062,496 142. | 2099,224. | — 36,72 785 793. | 2072,747 394. | 2125,700 606. | ||
2038,732 712. | 2090,53. | — 51,79 728 821. | 2064,53 394. | 2117,6 606. | ||
2084,682 696. | 2081,836. | 2,846 696 025. | 2055,359 394. | 2108,312 606. | ||
2101,127 922. | 2073,142. | 27,98 592 206. | 2046,665 394. | 2099,618 606. | ||
2102,40 137. | 2064,448. | 37,95 336 973. | 2037,971 394. | 2090,924 606. | ||
2095,164 482. | 2055,754. | 39,41 048 212. | 2029,277 394. | 2082,230 606. | ||
2091,368 708. | 2047,06. | 44,30 870 829. | 2020,583 394. | 2073,536 606. | ||
2040,633 189. | 2038,366. | 2,267 188 883. | 2011,889 394. | 2064,842 606. | ||
2004,328 023. | 2029,672. | — 25,34 397 673. | 2003,195 394. | 2056,148 606. | ||
1987,542 783. | 2020,978. | — 33,4 352 169. | 1994,501 394. | 2047,454 606. | ||
1975,108 093. | 2012,284. | — 37,17 590 674. | 1985,807 394. | 2038,760 606. | ||
2029,839 981. | 2003,59. | 26,24 998 108. | 1977,113 394. | 2030,66 606. | ||
Ср.погр. | 26,5. | |||||
Макс. Погр., МВт. | 51,8. | |||||
СКО. | 50,2. | |||||
Теперь определим среднесуточную мощность на прогнозный день. Для этого экстраполируем модель (линию тренда) и спрогнозируем мощность на 11-й день: Рож (t+1) = 1994,896 МВт.
Далее необходимо определить почасовую мощность. Это осуществляется следующим образом: по всем выбранным дням (n) рассчитывается среднее потребление для каждого часа (i):
МВт Определим среднее потребление в час в относительных единицах:
МВт.
о.е.
Таким образом, для прогнозирования потребления по часам:
МВт В таблице 4 приводится среднесуточный прогнозный график нагрузки.
Таблица 4 — Среднесуточный прогнозный график нагрузки, МВт.
1780,95. | 1694,65. | 1647,2. | 1648,1. | 1670,95. | 1762,77. | 1944,5. | 2092,2. | 2161,3. | 2187,97. | |||
2168,5. | 2141,8. | 2134,6. | 2119,44. | 2115,1. | 2145,9. | 2218,88. | 2209,28. | 2139,8. | 2096,6. | 2037,7. | 1901,3. | |
Представим графически график нагрузки по прогнозируемым данным. График приводится на рисунке 4.
Рисунок 4 — Прогноз среднесуточного графика потребления в МВт В результате исследования построена регрессионная модель прогнозирования Pож (t) на основе ретроспективных данных (месяц до дня прогноза), то есть была учтена тенденция потребления прошлого. При этом учитывались некоторые особенности нехарактерная нагрузка в выходные дни и праздники.
Необходимо внести поправку на температуру, поскольку изменение температуры влияет на поведение потребителя.
Величина прогноза Рож (t+1) изменяется в зависимости от многих случайных факторов, которые могут отличаться от тех, по которым составлялась модель Рож (t).
Анализ модели прогнозирования показал, что точность прогноза высока, так, относительная погрешность не превышает 5 процентов, а в отдельных часах и 1 процента.
- 1. Зуева В. Н. Нейросетевое прогнозирование графиков нагрузки энергосистемы. / В. Н. Зуева // Научно-методический электронный журнал Концепт. 2015. Т. 8. С. 286−290.
- 2. Зуева В. Н., Никитина Ю. Ю. Анализ методов прогнозирования графиков нагрузки электрооборудования / В. Н. Зуева, Ю. Ю. Никитина // Сборник докладов победителей и лауреатов XXII студенческой научной конференции АМТИ 2016. С. 119−122.
- 3. Зуева В. Н., Белозерская Т. Ю. Расчет потерь электроэнергии в силовом трансформаторе / В. Н. Зуева, Т. Ю. Белозерская // Научно-методический электронный журнал Концепт. 2015. Т. 8. С. 116−120.
- 4. Соловьева И. А. Прогнозирование электропотребления с учетом факторов технологической и рыночной среды / И. А. Соловьева, А. П. Дзюба // Научный диалог. — 2013. — № 7(19).
- 5. Казаринов Л. С. Метод прогнозирования электропотребления промышленного предприятия / Л. С. Казаринов, Т. А. Барбасова и др. // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. — 2014. — Т. 14, № 1. — С. 5−13.