WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 | 4 |

Субъекты рынка покупают и продают электроэнергию и мощность на оптовом рынке. Рынок является динамичной системой и постоянно подвержен изменениям и развитию. Во всех случаях центральным звеном является покупатель, его потребности, от которых зависит вся рыночная конъюнктура. Существующая система рынков электроэнергии России имеет в настоящее время двухуровневую структуру. Потребительские (розничные) рынки, ограниченны территориальными границами субъектов РФ. Продажа электроэнергии на этих рынках осуществляется сбытовыми компаниями – субъектами оптового рынка конечным потребителям. Сбытовые компании, в свою очередь, покупает энергию на оптовом рынке. Оптовый рынок электроэнергией состоят из трех секторов, разделенных по времени - долго- и среднесрочных, на сутки вперед, балансирующего. Для каждого сектора необходимы договорные соглашения по покупке/продаже электроэнергии, мощности, резервов мощности. Для этого требуются и долгосрочные и краткосрочные прогнозы электропотребления и нагрузки. Диссертационная работа посвящена созданию моделей и методов прогнозирования графиков нагрузки ЭЭС.

Во второй главе рассматриваются принципы и методы моделирования графиков нагрузки ЭЭС. Технические и экономические условия работы энергосистем определяют потребители. Без информации о требованиях потребителей невозможно управлять деятельностью энергетических предприятий и энергосистемы. Соответствие спроса и предложения дают энергетические балансы и графики нагрузки. К ним предъявляются различные требования. Задача определения режима и функций электростанций хорошо разработана и изложена в литературе. При этом в прошлом достаточно было иметь модель графика нагрузки с достоверностью 2…10%. На достоверность до 10 % ориентированы средства и системы управления режимами, обеспечивающие нормальные условия работы ЭЭС. Главным фактором являлось соблюдение баланса и поддержание устойчивой работы ЭЭС. В настоящее время формат экономических отношений требует от субъектов рынка подачи заявок на почасовое суточное электропотребление.

Анализ показывает, что отклонения фактически потребленной электроэнергии от заявленной в договорах розничного электроснабжения доходят до 20% и больше. В известной мере, такой порядок всех устраивает. Потребители включают стоимость электроэнергии в цену своей продукции. Энергосистема берет штрафы пропорциональные погрешностям и получает дополнительный доход. Механизма трансляции отклонений с оптового рынка на розничных потребителей на сегодняшний день нет.

В случае, когда затрагиваются коммерческие интересы ЭЭС, погрешности при прогнозировании режимов влекут за собой увеличение объемов продаваемой/покупаемой электроэнергии на балансирующем рынке (БР), где цены заведомо не выгодны. Существующие методы дают погрешности до 10% и это очень большие значения для коммерческих результатов. Наилучшие результаты работы на Балансирующем рынке электроэнергии достигаются при нулевой погрешности прогноза, однако это невозможно. Задача снижения погрешностей прогнозирования и будет рассматриваться в данной работе, причем главной целью является разработка такой модели, которая обладает наибольшей достоверностью. Графики нагрузки зависят от многих факторов. Наибольшие трудности при моделировании представляют случайные и неопределенные факторы изменения мощности нагрузки в ЭЭС. Их влияние на общую нагрузку ЭЭС может составлять до 15%. Все составляющие меняются во времени. Прогнозировать ГН с учетом всех его свойств (а их множество) невозможно, и таких работ нет. В работе принят целевой принцип построения модели, подразумевающий следующие этапы: определение цели прогноза, определение свойств ГН, влияющих на цель, моделирование ГН с учетом влияющих факторов.

Методы моделирования ГН и электропотребления. Наибольшее распространение получили четыре направления моделирования.

  • Применение эвристических методов. В них учитывается предыстория, последние данные о нагрузках, климатические факторы, режим электрических сетей, ремонты в сетях, ввод новых потребителе и пр. Все расчеты не формализованы и решения принимаются по «ситуации». Анализ показывает, что погрешности таких прогнозов меняются в пределах 2…10% и больше.
  • Методы статистики – временные ряды и регрессионный анализ. Известно много примеров моделирования с использованием этих методов.
  • Методы теории вероятностей и математической статистики.
  • Методы нейронных сетей, которые активно исследуются, но пока широкого практического применения не нашли.

В наш век компьютеризации управления имеется возможность широкого использования математических методов прогнозирования. Однако и сейчас в практике преобладают методы, основанные на интуиции и инженерном опыте. В автоматизированных системах энергетики накоплены громадные массивы данных. Имеются инструментарии расчетов, обладающие широкими возможностями. Учитывая особенности энергетики - случайную природу процессов электропотребления, совпадение производства и потребления электроэнергии на электронном уровне и др., модели прогнозирования, рассматриваемые в данной диссертации, предлагается разрабатывать при сочетании статистических и эвристических методов.

Предложена методика и схема статистического моделирования ГН: определение типовых суток (периода) для моделирования ГН; построение регрессионных моделей динамики характерных параметров ГН; исследование моделей различного типа и их оценка; выбор оптимальной модели и оценка погрешностей модели. Методика основана на базовых положениях статистического анализа и прикладной схемы для данной задачи.

Горизонт планирования. Горизонт планирования определяет природу процессов. Природа процессов электропотребления для многолетнего, годового и суточного горизонтов различна. Для суточного горизонта задача моделирования электропотребления и мощности графика нагрузки является наиболее сложной.

Статистический анализ проводится с учетом горизонта прогнозирования по следующим вопросам: 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. По всем этапам статистического анализа предложены методические положения для задачи моделирования ГН.

Статистические модели ГН. Любая модель есть упрощение реального процесса. Выбор модели это компромисс между ее точностью и сложностью. Статистические модели разнообразны. Чаще всего достоверность модели оценивается различными показателями ее погрешностей методом инверсной верификации - экстраполяцией «назад» на прошедший отрезок времени.

Процесс изменения нагрузки характеризуется различными свойствами. Структурные свойства ГН отражают нагрузку отдельных зон электроснабжения, долевое участие отдельных потребителей, различных отраслей и пр. Имеется достаточно много параметров ГН. Число параметрических свойств ГН может составлять несколько десятков. Все показатели режима влияют на суммарный график нагрузки системы. В основном, в различных задачах и моделях выборочно оцениваются только некоторые наиболее существенные для цели расчетов факторы.

Структурная схема составляющих модели прогнозирования графика нагрузки ЭЭС. Для обоснования структурной схемы ГН проведено специальное исследование выбора наиболее значимых факторов для модели ГН. В их числе: конфигурация ГН, временные зоны изменения нагрузки (ночной провал, дневной максимум, дневной провал, вечерний максимум), режимные зоны (базовая, полупиковая, пиковая), характерные параметры нагрузки (максимальная, минимальная, средняя), случайная составляющая нагрузки, тип ГН в недельном цикле нагрузок (рабочий, праздничный, выходной и др.), тип ГН в длительных циклах изменения нагрузок (по сезонам года, по месяцам). В диссертации поставлена цель создания модели ГН для решения ряда коммерческих задач. Были выполнены серии расчетов по четырем моделям. Проведен экспертный анализ их применения.

Модель 1 – М1. Производится осреднение графиков нагрузки за рабочие и нерабочие дни для определенного периода ретроспекции. Период ретроспекции оценивается по устойчивой динамике за месяц. Для типовых суток производится осреднение ГН. В этой модели два периода осреднения информации – все рабочие дни и все нерабочие дни. Статистические характеристики соответствуют конфигурации ГН по среднечасовым величинам за период ретроспекции.

Модель 2 – М2. Состав типовых суток определяется расчетным путем. В работе приняты исследующие типовые сутки : понедельник, вторник – пятница, суббота, воскресенье.

Модель 3 – М3. Разрабатывается модель М1 и временные регрессионные модели средних () нагрузок, модели максимальных () и минимальных () нагрузок от средних. По этим данным составляется модель ГН. Модель М1 корректировалась относительно изменения максимума и минимума графика нагрузки.

Модель 4 – М4. Разрабатывается модель М2 для типовых суток и модели максимальных (), минимальных () и средних () нагрузок. По этим данным составляется модель ГН.

Разработка статистических моделей требует применения специальной методики, индивидуальной для различных целей и задач управления режимами. Анализ свойств и параметров ГН энергосистем показывает, что они переменны во времени и это должно быть отражено в моделях. Изменяются условия работы потребителей, значимость различных параметров и показателей, структура потребления. Только при адаптивном учете важнейших факторов может быть получена качественная модель ГН ЭЭС. Компьютеризация позволяет решить эту проблему.

Третья глава посвящена практической задаче разработки статистических моделей графиков нагрузки и их адаптации на примере Новосибирской энергосистемы. При этом используются принципы и методы, изложенные в главе 2. Все расчеты выполнялись по статистическим данным с часовой дискретностью за пять лет (2002…2006гг.).

На основе научных положений были определены виды моделей: модель статистического ГН, модели статистических и расчетных поправок в ГН, экспертные методы внесения поправок в статистические прогнозы.

Статистические модели ГН. Последовательность разработки прикладной методики подбора модели ГН, включает следующие этапы.

  1. Формирование массива информации и определение периода ретроспекции для статистического анализа данных при моделировании ГН.
  2. Выявление характерных параметров ГН ЭЭС и их статистических значений в динамике.
  3. Разработка различных видов моделей ГН ЭЭС и их оценка.
  4. Разработка методики прогнозных расчетов по моделям различного вида.
  5. Выбор наилучшей модели прогнозирования.
  6. Тестирование наилучшей модели.
  7. Практические результаты применения наилучшей модели.

Выделение периода ретроспекции по продолжительности идет от большего к меньшему. Исходная статистическая информация позволяет построить модель процесса, но если ее используют для целей прогнозирования, то модель должна быть связана с прогнозом данных, влияющих на нагрузку. Можно применить два варианта.

Первый - статистические данные нормируются на средние условия, выбранного периода ретроспекции, а затем в среднестатистический прогноз вносятся поправки на прогнозные факторы предстоящего периода. Однако это вносит дополнительную погрешность в прогноз. Кроме того, при нормировании информации процесс изменения данных должен быть устойчивым, т.е ряд должен быть длинным с устойчивой динамикой изменения.

Второй – оцениваются фактические условия для периода ретроспекции с осреднением характерной информации () по факторам (), а при прогнозировании вносятся поправки с учетом факторов, которые могут быть спрогнозированы. Осреднение не предполагает приведение данных к одной базе и, следовательно, может применяться только при стабильности процесса изменения данных и изменения всех влияющих факторов в небольшом диапазоне.

В обоих случаях определяется прогнозная величина требуемой информации

. (1)

Для оперативных расчетов более рациональным является второй путь. Для определения времени ретроспекции был проведен анализ различных периодов – от нескольких лет до месяца.

Модели для нескольких лет строились с месячной дискретностью. Вид модели изменения максимума показан на рис. 1.

Рис. 1. График изменения максимума ГН за период с 2002 по 2005 гг.

Предельные отклонения рассмотренных показателей ГН за год очень большие 10...20%, среднеквадратичные отклонения примерно 10%. Это говорит о том, что годовой период для разработки модели ГН для оперативных целей использовать нельзя. Долгосрочные модели ГН могут использоваться для ориентировочных экономических оценок. По подобранной модели были спрогнозированы минимальные, максимальные и средние нагрузки на январь, февраль и март 2006 года. Погрешности прогноза варьировались в пределах    -15…8 %.

Сезонный процесс изменения нагрузки. Режим электропотребления меняется по сезонам года. Наиболее общими сезонами для Сибири и средней территории России являются: зимний (январь, февраль, декабрь), весенний (март, апрель, май), летний (июнь, июль, август), осенний (сентябрь, октябрь, ноябрь). Такое деление является приближенным, так как имеются переходные периоды между сезонами. Процесс моделируется линейной регрессией, поскольку периодическая составляющая явно не проявляется. Сезонные погрешности велики особенно в весенний и осенний сезоны и доходят до 20% и выше.

Для снижения погрешностей при выборе сезонных периодов ретроспекции, рассматривались внутрисуточные процессы изменения параметров графиков нагрузки. Один из таких параметров - временные зоны. Стандартно принимается четыре зоны: ночной провал нагрузки, дневной максимум, дневной провал, вечерний максимум. Однако в реальных условиях их число может меняться. Временные зоны уже являются элементом модели графика нагрузки и дают его структурные части.

Выделялись только те показатели, которые характеризуют режим нагрузки на интервалах с часовой дискретностью. Обобщение результатов дает картину изменения параметров по определенному периоду. При снижении периода, зоны изменени я параметров будут уменьшаться.

В общем виде поле нагрузок показано для примера среднесуточного ГН за сезон (рис. 2). Всего построено 164 графика. Поле часовых изменений ГН может доходить до 500 МВт. Эти данные позволяют сделать вывод о том, что модели конфигурации ГН должны иметь индивидуальные свойства по сезонам года. Границы ночного периода от дневного меняются не более чем на 3 часа. Для дневного периода границы размыты, так как нет явно выраженных дневных зон.

Pages:     | 1 || 3 | 4 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»