WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Авторефераты по темам  >>  Разные специальности - [часть 1]  [часть 2]

Краткосрочное прогнозирование электропотребления в операционной зоне регионального диспетчерского управления с учетом фактора освещенности

Автореферат кандидатской диссертации

 

На правах рукописи

 

 

 

 

Губский Сергей Олегович

 

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ

В ОПЕРАЦИОННОЙ ЗОНЕ РЕГИОНАЛЬНОГО ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ С УЧЕТОМ ФАКТОРА ОСВЕЩЕННОСТИ

 

 

 

Специальность 05.14.02 – «Электростанции и электроэнергетические системы»

 

 

 


АВТОРЕФЕРАТ

диссертации на соискание ученой степени

кандидата технических наук

 

 

 

 

Новочеркасск – 2012

Работа выполнена в ФГБОУ ВПО «Южно-Российского государственного технического университета (Новочеркасский политехнический институт)» на кафедре «Электроснабжение промышленных предприятий и городов»

Научный руководитель

доктор технических наук,

профессор

НАДТОКА Иван Иванович

Официальные оппоненты

ТРОПИН Владимир Валентинович

доктор технических наук, профессор,

ФГБОУ ВПО «Кубанский ГАУ»,

профессор каф. «Применение электрической энергии»

                                                                                                                        КРУГЛОВА Татьяна Николаевна

кандидат технических наук, доцент,

ФГБОУ ВПО «ЮРГТУ(НПИ)»,

доцент каф. «Мехатроника и гидропневмоавтоматика»

Ведущая организация – ФГБОУ ВПО «Самарский государственный технический университет» (г. Самара)

Защита диссертации состоится «29» июня 2012 г. в 10 час. 00 мин. на заседании диссертационного совета Д 212.304.01 при федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Южно-Российский государственный технический университет (Новочеркасский политехнический институт)» в аудитории 149 главного корпуса по адресу: 346428, г. Новочеркасск Ростовской области, ул. Просвещения, 132.

С диссертацией можно ознакомиться в библиотеке федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Южно-Российский государственный технический университет (Новочеркасский политехнический институт)». Автореферат диссертации размещен на официальных сайтах ВАК www.ed.gov.ru и ФГБОУ ВПО «ЮРГТУ(НПИ)» www.npi-tu.ru.

Автореферат разослан «25» мая 2012 г.

Отзыв на автореферат (в двух экземплярах, заверенных печатью) прошу направлять по адресу: 346428, г. Новочеркасск Ростовской области, ул. Просвещения, 132, Ученый совет ФГБОУ ВПО ЮРГТУ(НПИ), ученому секретарю.

Ученый секретарь

диссертационного совета Д 212.304.01

д.т.н., доцент                                                                              Колпахчьян П.Г.


ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы диссертации. Все потребители электроэнергии заинтересованы в снижении затрат при её приобретении. Потребители, будучи участниками оптового рынка электроэнергии и мощности (ОРЭМ), могут минимизировать затраты путем составления точных заявок на приобретаемую электроэнергию, а значит — выполнением точных прогнозов. Одним из способов точного прогнозирования является создание адекватной прогнозной математической модели, которая позволит учитывать различные влияющие на электропотребление (ЭП) факторы. К ним относятся и метеорологические факторы. Последние в той или иной степени постоянно находятся во взаимосвязи с процессом ЭП. Например, в филиале ОАО «Системный оператор Единой энергетической системы»(СО-ЕЭС) «Региональное диспетчерское управление энергосистемами Ростовской области и Республики Калмыкия» (Ростовское РДУ), изменение освещенности при переходе от ясного до пасмурного состояния неба в течение дня может вызвать повышение потребляемой мощности на 100-150 МВт, для Кубанского РДУ (Краснодарский край и Республика Адыгея) – на 150-200 МВт.

Повышение точности прогнозирования электропотребления способствует увеличению качества диспетчерского управления и, как следствие, увеличению надежности функционирования всей энергосистемы в целом.

Таким образом,с одной стороны для менее затратного функционирования на ОРЭМ, а с другой – для выполнения более качественного диспетчерского управления в РДУ на сегодняшний день актуальным является выполнение прогнозирования ЭП с наименьшей величиной ошибки.

Целью данной работы является повышение точности краткосрочного прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений за счет учета естественной освещенности.

Для достижения поставленной цели в данной работе ставятся и решаются следующие задачи исследования.

1 Исследование влияния естественной освещенности на величину ЭП.

2 Анализ взаимосвязи ЭП и продолжительности светового дня.

3 Установление взаимосвязей между влияющими на ЭП факторами.

4 Выбор типа многофакторной математической модели для описания и прогнозирования суточных часовых графиков ЭП.

5 Разработка математической модели прогнозирования электропотребления, учитывающей естественную освещенность.

6 Тестирование модели прогнозирования на временных рядах фактического электропотребления.

7 Оценка точности прогнозирования при учете влияющих факторов на различных временных интервалах.

8 Оценка точности прогнозирования при учете естественной освещенности.

9 Исследование влияния недостоверной входной информации на точность прогнозирования ЭП.

10 Исследование способности модели выполнять точное прогнозирование на начальных периодах существенных изменений ЭП.

11 Установление соответствия уровня ошибки прогнозирования требованиям ОАО «СО-ЕЭС».

Методы исследования.При решении поставленных задач использовались регрессионный и факторный анализ; методы математической статистики; методы математического моделирования многомерных временных рядов с использованием искусственных нейронных сетей. Экспериментальные исследования модели проводилось с использованием ЭВМ.

Основные положения, выносимые на защиту.

1 Результаты анализа взаимосвязей между электропотреблением и освещенностью, а также между освещенностью и другими влияющими факторами и полученные аналитические зависимости.

2. Методика выбора исходных данных для обучения нейронной сети и прогнозирования электропотребления.

3 Прогнозная нейросетевая модель электропотребления для диспетчерских служб региональных диспетчерских управлений.

Научная новизна работы заключается в следующем.

1 Впервые установлены закономерности и аналитические зависимости взаимосвязей между электропотреблением, температурой воздуха и естественной освещенностью, позволяющие учитывать данные метеофакторы в прогнозной модели.

2 Методика выбора объема исходных данных из суточного графика освещенности для обучения нейронной сети и прогнозирования электропотребления, отличающаяся тем, что вместо интегральных значений освещенности используются часовые данные и позволяющая повысить точность моделирования электропотребления.

3 Разработана модель для прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений, основанная на методе искусственных нейронных сетей, отличающаяся тем, что в ней в качестве одного из влияющих факторов учитываются значения естественной освещенности, что позволяет повысить точность прогнозирования, а также имеется возможность изменения структуры сети (количество нейронов во входном и скрытом слоях) в процессе её обучения.

Практическая значимость результатов диссертационной работы заключается в выявленных связях между ЭП и естественной освещенностью. Определена значимость факторов, влияющих на процесс ЭП в регионе.

Разработано и зарегистрировано программное обеспечение реализации методики повышения точности прогнозирования электропотребления путем учета освещенности для региональных диспетчерских управлений.

Результаты работы позволили усовершенствовать программный комплекс «Прогноз-ЭТО», установленный в Ростовском и Кубанском РДУ.

Разработанная модель может быть использована для прогнозирования электропотребления в филиалах ОАО «СО-ЕЭС» - региональных диспетчерских управлениях, филиалах ОАО «Федеральная сетевая компания Единой энергетической системы», оптовых генерирующих компаниях и территориальных генерирующих компаниях, региональных сетевых компаниях, а также в диспетчерских управлениях отдельных предприятий, которые являются членами оптового или розничного рынков электроэнергии и мощности.

Достоверность полученных результатов подтверждена корректностью поставленных задач, обоснованностью принятых решений и рекомендаций; применением математических моделей со свойствами, требуемыми для решения задач прогнозирования; величиной ошибки прогнозирования ЭП менее 5 %, которая рассчитана по утвержденной методике. Модель апробирована с использованием фактических данных ЭП и метеорологических данных за период с 2007 г. по 2011 г.по территориям операционных зон РДУ. Экспериментальные данные, использовавшиеся для тестирования прогнозной модели, получены с применением сертифицированных систем телемеханики и автоматизированных систем коммерческого учета электроэнергии (АСКУЭ).

Внедрение результатов. Результаты работы включены в два отчета о научно-исследовательских работах, выполненных для филиала ОАО «СО-ЕЭС» «Ростовское РДУ» в 2008-2010 гг. предприятием ООО НПП «ВНИКО», а также вучебный процесс ЮРГТУ(НПИ) при подготовке инженеров и магистров по направлению «Электроэнергетика и электротехника». Результаты работы использованы в программном комплексе «Прогноз-ЭТО» при краткосрочном прогнозировании электропотребления в Ростовском и Кубанском РДУ и при подготовке на энергетическом факультете     ЮРГТУ(НПИ) специализированных групп, обучающихся по заданию ОАО «СО-ЕЭС».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались и получили положительную оценку на ХХХI,XXXII и XXXIII сессиях всероссийского научного семинара Академии наук Российской Федерации «Кибернетика электрических систем» (ЮРГТУ, г. Новочеркасск) в 2009, 2010 и 2011 годах. Результаты представлялись на IX и Х международных научно-практических конференциях «Современные энергетические комплексы и системы и управление ими» (ЮРГТУ, г. Новочеркасск) в 2009 и 2010 годах; на X международной научно-практической конференции «Компьютерные технологии в науке производстве, социальных и экономических процессах» (ЮРГТУ, г. Новочеркасск) в 2009 г.; на региональной научно-практической конференции студентов, аспирантов и молодых ученых вузов Ростовской области «Студенческая научная весна-2011» (ЮРГТУ, г. Новочеркасск); на международной молодёжной научно-технической конференции «Электроэнергетика глазами молодежи» (СамГТУ, г. Самара) в 2011 г..

Результаты работы представлялись на «Первом молодежном инновационном конвенте Южного Федерального округа» (г. Ростов-на-Дону, КВЦ «Вертол-Экспо», 29-30 октября 2009 г.) и на V Южно-Российском форуме «Энергоэффективная экономика» (г. Ростов-на-Дону, КВЦ «Вертол-Экспо», 17-19 ноября 2010 г.).

Публикации. По результатам диссертации опубликовано 11 печатных работ (2,84 п.л.), в том числе 2 статьи в изданиях, рекомендованных ВАК. Зарегистрированы 2 программы для ЭВМ: «Тест MLP» и «Краткосрочный прогноз электропотребления с учетом освещенности».

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы из 195 наименований отечественных и зарубежных авторов, 15 приложений, представленных на 44 листах. Работа изложена на 231 странице машинописного текста, включая 5 таблиц и 87 иллюстраций.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность проблемы повышения точности прогнозирования ЭП на территориях операционных зон РДУ. Формулируются цели и задачи исследования. Приведены основные положения, выносимые на защиту. Показана практическая ценность и область применения результатов работы. Кратко изложено содержание диссертации.

В первой главе рассмотрены временные ряды ЭП как основного объекта исследований в данной работе. Показаны составные части суточного графика электрической нагрузки. Представлены основные группы факторов, которые оказывают максимальное влияние на ЭП в течение суток в операционной зоне РДУ.

Изучены работы, посвященные моделированию временных рядов ЭП, а также их прогнозированию, авторами которых являются И.Е. Васильев, Ф.Д. Гальяна, С.К. Гурский, В.И. Доброжанов, И.В. Жежеленко, И.Н. Колосок, Б.И. Кудрин, Э.Г. Куренный, Б.И. Макоклюев, А.М. Меламед, И.И. Надтока, А.В. Праховник, А.В. Седов, В.П. Степанов, D.W. Bunn, E.D. Farmer, и др.

Несмотря на большое количество публикаций в области моделирования и прогнозирования процесса ЭП, остается ряд нерешенных проблем. Основными из них является установление зависимости влияния освещенности на ЭП с её дальнейшим учетом при прогнозировании ЭП на территориях операционных зон РДУ.

Выполнен аналитический обзор современных методов и моделей прогнозирования временных рядов электропотребления. В первую очередь рассмотрены те, в которых предусмотрен учет метеорологических факторов и возможность учета нелинейных взаимосвязей между электропотреблением и влияющими факторами. Изучены регрессионные модели, модели авторегрессии, модели авторегрессии - проинтегрированного скользящего среднего, модели экспоненциального сглаживания, модели нечетких множеств, методы ранговых распределений. Также показано, что для прогнозирования используются различные фильтры, например, Калмана, и методы спектрального анализа. Всё большую значимость приобретают модели, основанные на теории искусственного интеллекта, например, искусственные нейронные сети. По результатам обзора обоснован выбор типа модели для решения задачи краткосрочного прогнозировании ЭП в операционной зоне РДУ. Выбрана модель искусственной нейронной сети (ИНС), обеспечивающая:

- возможность обработки больших массивов информации;

- возможность определения сложных нелинейных зависимостей;

- высокую скорость определения зависимостей;

- способность к обучению и переобучению (адаптивность).

Изложены общие принципы построения ИНС типа многослойный персептрон, который с начала 90-х годов прошлого века применяется в задачах прогнозирования электропотребления: его структура; подготовка входных и выходных данных; методы и схема обучения.

Методологию искусственных нейронных сетей для прогнозирования ЭП используют S. Osowski, А.В. Демура, В.Г. Курбацкий и др. Вопросами прогнозирования ЭП методом искусственных нейронных сетей занимаются специалисты в Московском энергетическом институте (Национальный исследовательский университет), Санкт-Петербургском государственном электротехническом университете имени В.И. Ульянова (Ленина), Институте систем энергетики имени Л.А. Мелентьева СО РАН, Южно-Российском государственном техническом университете (Новочеркасский политехнический институт) и в ряде других организаций.

Проведен обзор существующих программных продуктов, которые используются для прогнозирования электропотребления как в России, так и в других странах, например, «Энергостат», «Прогноз-ЭТО», «РСДУ-2», «Deductor», AGORA, MetrixIDR и др. Однако используемые в них методики не предусматривают почасовой учет естественной освещенности при прогнозировании ЭП в операционных зонах РДУ. Однако некоторые из них позволяют учитывать облачность. При этом её значения представлены в баллах, которые определяются экспертом без использования каких-либо измерительных устройств.

Во второй главе проводится комплексный анализ факторов, влияющих на ЭП на территориях операционных зон двух РДУ: Кубанском и Ростовском. Анализ выполнен на архивных данных временных рядов ЭП, температуры воздуха и естественной освещенности. На различных временных интервалах исследованы взаимосвязи между ЭП и такими влияющими факторами как:

- метеорологическими (температура, освещенность, продолжительность светового дня, сезон года и пр.);

- «календарными» (тип дня и день недели).

Исследована взаимосвязь между суточным ЭП и температурой на интервале с 2007 г. по 2010 г. На рисунке 1 представлена зависимость суточного ЭП от среднесуточной температуры в течение года (с 01.11.2009 г. по 30.10.2010 г.). Показано, что продолжается отмеченная еще в середине 90-х годов прошлого века тенденцияроста ЭП в летние месяцы при среднесуточных температурах свыше +20 0С.

Рисунок 1 - Зависимость электропотребления от температуры в течение

года на территории операционной зоны Ростовского РДУ

Выполнено исследование влияния освещенности на ЭП. Значения освещенности получены при помощи станций контроля освещенности. При выборе мест их установки учитывались три основных фактора: а) наличие на территории различающихся климатических зон; б) концентрация населения на территории; в) удаленность территорий как по долготе, так и по широте. Таким образом, станции были установлены в следующих точках: для Ростовского РДУ - города Новочеркасск, Ростов-на-Дону, Таганрог, Цимлянск, Элиста и станица Вешенская; для Кубанского РДУ – города Краснодар, Сочи, Новороссийск. Станции, установленные на территориях операционных зонах Ростовского и Кубанского РДУ, начали функционировать со второй половины 2009 г. Исключением является станция контроля освещенности, установленная в г. Новочеркасске (Ростовское РДУ) в августе 2008 г. Значения освещенности измерены с интервалом 5 минут и хранятся в единой базе данных, в которой также рассчитаны среднечасовые значения освещенности. График суточной зависимости освещенности представлен на рисунке 2.

Рисунок 2. Суточная зависимость освещенности на территории г. Новочеркасска

Построены зависимости ЭП от освещенности на различных интервалах времени. Так на рисунке 3 представлены примеры полученных зависимостей суточного ЭП от суточной интегральной освещенности для операционной зоны Ростовского РДУ в течение того же года, что и для зависимости, представленной на рисунке 1. Исследование полученной зависимости было начато с аппроксимации: линейной, затем полиномиальной (4-ой степени). Значения коэффициента детерминации составили при линейной аппроксимации R2=0,304, для полиномиальной

R2=0,340. Такие значения показывают, что корреляция между освещенностью и электропотреблением в течение года слабая.

Рисунок 3 – Зависимость электропотребления от интегральной освещенности на

территории операционной зоны Ростовского РДУ в течение года

Изучены зависимости суточного ЭП от суточной интегральной освещенности в течение месяца (рисунок 4). Также на месячных временных интервалах исследована взаимосвязь между ЭП и интегральной освещенностью за светлую часть суток. Месячный интервал (30 точек) хотя и не соответствует требованиям, предъявляемым к объему статистической выборки, но соответствует требованиям однородности. Построены уравнения линейной регрессии для всех месяцев исследуемого интервала (с 1.08.2008 г. по 31.12.2010 г.) и соответственно определены коэффициенты детерминации. Их значения всего несколько раз превысили величину R2=0,3. Такие значения указывают с одной стороны на отсутствие взаимосвязи между ЭП и освещенностью, с другой – на несоответствие выбранной модели поставленной задаче.

Изучены зависимости потребляемой мощности от освещенности в отдельные часы суток. Коэффициенты детерминации, полученные при использовании регрессионных моделей различного порядка, были менее R2=0,3. Проанализирована зависимость мощности от освещенности в отдельные периоды суток на интервалах один месяц (рисунок 5). Точки на рисунке 5 соответствуют среднечасовым значениям освещенности и мгновенным значениям потребляемой мощности за отдельный час. Несмотря на то, что линейная аппроксимация является наиболее «грубой», вычисленные коэффициенты детерминации показывают высокий уровень корреляции. На рисунке

Рисунок 4 - Зависимость суточного электропотребления от освещенности в операционной зоне Ростовского РДУв апреле 2010г.

Рисунок 5 - Зависимость потребляемой мощности от среднечасовй освещенности в вечерние часы в ноябре 2010 г. в операционной зоне Ростовского РДУ

видно, что коэффициент детерминации в вечерние часы между ЭП и освещенностью достигает значений R2= 0,503.Сделаны предварительные выводы, что освещенность оказывает влияние на ЭП в течение 2-4 часов после рассвета и перед закатом, а в дневную часть суток её влияние не столь существенно.

Для Ростовского РДУ предложена многофакторная модель:

Wi=C0,I +C1,iE1,I +C2,iE2,I +C3,iE3,I +C4,iE4,I +C5,iE5,I +C6,iE6,i              (1)

где Wi – суточное ЭП; Е1,i, Е2,i, Е3,i, Е4,i, Е5,i, Е6,i – значения интегральной освещенности в i-е сутки месяца в городах Новочеркасске, Ростове-на-Дону, Таганроге, Цимлянске, Элисте и ст. Вешенской соответственно; C0, C1, C2, C3, C4, C5, С6,– постоянные коэффициенты.

Расчет коэффициентов в (1) произведен с использованием суточных значений ЭП и освещенности в течение месяца (30 точек). Модели ЭП получены для каждого месяца 2010 г. Выполнен корреляционно-регрессионный анализ. Оценка значимости факторов проводилась с помощью t- критерия (критерий Стьюдента). Оценка значимости модели – при помощи F-критерия (критерий Фишера). Оценка связи между факторами и ЭП – по значению коэффициента детерминации.

По результатам анализа многофакторной модели установлено, что наиболее значимыми для модели (1) оказались значения, полученные со станции контроля освещенности, установленной в г. Ростове-на-Дону. Значимость полученных моделей для семи месяцев (из рассмотренных двенадцати) подтвердилась величиной F-критерия. В соответствии со шкалой Чедокка выполнена качественная характеристика связи между ЭП и освещенностью для модели (1), которая представлена в таблице 1.

Таблица 1 -Количественная и качественная оценка связи

между электропотреблением и освещенностью.

Рассматриваемый период 2010г.

Величина коэффициента детерминации

Качественная характеристикасвязи

Июнь; сентябрь; октябрь; декабрь

0,1576; 0,1992; 0,1247; 0,1184

Слабая

Март;май; июль; август; ноябрь

0,3516; 0,4606; 0,4451; 0,4904; 0,3068

Умеренная

Январь, апрель

0,5484; 0,6472

Заметная

Февраль

0,7841

Тесная

Значения коэффициентов детерминации между электропотреблением и освещенностью, полученные для отдельных временных интервалов, а также значения критериев оценки значимости факторов и уравнений множественной регрессии в целом показали необходимость учета освещенности при прогнозировании ЭП.

Для Кубанского РДУ зависимость суточного ЭП от среднесуточной температуры имеет более высокую степень корреляции, чем для Ростовского РДУ: значения коэффициентов детерминации в 10 исследуемых месяцах 2010 г. были R2>0,5. Значения коэффициентов детерминации для зависимости ЭП от освещенности при линейной аппроксимации чаще всего были менее R2=0,3.

Выполнена проверка наличия связи между суточным ЭП и продолжительностью светового дня за год (рисунок 6). Обозначения на рисунке 6: кривая 1 – соответствует периоду роста долготы дня; кривая 2 – периоду уменьшения долготы дня. Зависимости аппроксимированы полиномами 4-ой степени:

кривая 3:W = -18,35LH4 + 1275 LH3 - 31395 LH2 + 32554 LH  - 106 ;      (2)

кривая 4:W = -78,61LL4 + 4160 LL 3 - 81069 LL2 + 68786 LL - 2·106,    (3)

где W – суточное ЭП; LH – долгота дня, величина которой растет с течением времени; LL – долгота дня, величина которой уменьшается с течением времени.

4

3

1

2

Рисунок 6 - Зависимость электропотребления от продолжительности светового дня

с 22.12.2009 г. по 21.12.2010 г. в операционной зоне Ростовского РДУ

Полученные кривые описывают горизонтальную «восьмерку». Наличие взаимосвязи между ЭП и продолжительностью светового дня подтверждено высокими значениями коэффициентов детерминации, которые равны R2=0,832 и R2=0,532соответственно когда происходит увеличение и уменьшение долготы светового дня.

Исследована зависимость между освещенностью и облачностью. Показано, что при одном и том же состоянии облачности значения освещенности могут быть различными. Выявлена и противоположная зависимость: при одинаковой естественной освещенности небо может находиться в различных состояниях облачности.

Исследована зависимость среднесуточной температуры от продолжительности светового дня в течение года. Данная зависимость исследована отдельно для двух случаев: первый - когда идет увеличение продолжительности светового дня, второй – уменьшение. Показан высокий уровень связи между продолжительностью светового дня и среднесуточной температурой. Следовательно, при прогнозировании ЭП с учетом температуры целесообразно учитывать тенденцию увеличения или уменьшения продолжительности светового дня.

Выполнен регрессионный анализ взаимосвязи между суточной интегральной освещенностью и суточной среднечасовой температурой. Полученные коэффициенты детерминации, рассчитанные для годовой выборки, и для Кубанского, и для Ростовского РДУ, были R2>0,5. Это указывает на коррелированность данных факторов.

Для Ростовского РДУ получена и исследована регрессионная многофакторная модель ЭП:

Р(Т, Е) = 1982,43 – 28,43•T + 0,0048•E + 0,65•T2 + 4,53•10-5•T•E - 4,71•10-8•E2 ,   (4)

где Р–мощность, МВт; T– среднечасовая температура, 0С; E– среднечасовая освещенность, люкс. Коэффициенты получены на годовой выборке данных. В результате анализа установлено, что значимыми являются все учитываемые в модели факторы. Коэффициент детерминации для модели типа (4) получен R2=0,39, а значение стандартной ошибки регрессии составляет 238,1 МВт.

При помощи используемых в главе регрессионных моделей получены выводы о влиянии освещенности на ЭП в отдельные части суток. Однако в настоящее время их точность не является удовлетворительной. Кроме этого, их использование не позволяет качественно проанализировать только влияние естественной освещенности на ЭП в течение длительного периода (более месяца), т.к. одновременно происходит изменение продолжительности светового дня, c которой существенным образом связано ЭП. Принято решение выполнить исследование с использованием моделей, которые способны учесть сложный нелинейный характер взаимосвязи между несколькими факторами и результирующей переменной. При этом часть влияющих факторов между собой коррелированна, что недопустимо при использовании регрессионных моделей. К моделям, которые обладают такими свойствами, относятся искусственные нейронные сети.

В третьей главе описана модель ИНС, которая разработана для решения задачи прогнозирования ЭП в операционных зонах РДУ. Структура сети -  многослойный персептрон с одним скрытым слоем, обучаемый с учителем по алгоритму обратного распространения ошибки. Обоснован выбор данного типа сети. Критерием останова обучения ИНС, которое считалось успешным, было достижение максимальной величины относительной ошибки, определенной для отдельного часа суток. Относительная ошибка выбрана в соответствии с методикой расчета, утвержденной Распоряжением № 132 от 14.04.2011 г. Оперативного штаба по совершенствованию конкурентного балансирующего рынка ОАО «СО-ЕЭС».Экспериментально установлена максимальная величина ошибки обучения — 10 %. Её значение вычислялось по формуле:

  ,                                (4)

где ?Pi– величина относительной ошибки для i-го часа прогнозируемых суток; Piпрогн, Piфакт – прогнозное и фактическое значения мощности для i-го часа прогнозируемых суток.

В качестве дополнительных критериев останова выступали предельное количество эпох (50 000), сходимость по ошибке(0,00001) и сходимость по весам (0,00001).Их значения установлены (экспериментально) таковыми, чтобы вероятность попадания ошибки в локальный минимум была минимальной. Если алгоритм обучения останавливался при достижении предельного значения дополнительных критериев останова, то такое обучение считалось неуспешным.

Предложена следующая структура модели. Прогнозной величиной являлся 24-компонентный вектор значений мощности P(t)1, Р(t)2, …, Р(t)24 , где значения компонент вектора соответствуют отдельным часам в сутках. Для описания отдельных элементов модели использованы методы статистики. Так, для определения авторегрессионной компоненты модели послужил ряд значений мощности Р(t). При прогнозировании ЭП в некоторый момент времени t учитывались q предыдущих значений ряда ЭП, отсчитанных от момента t :

((Р(t-1)1, Р(t-1)2, …, Р(t-1)24), (Р(t-2)1, Р(t-2)2, …, Р(t-2)24),…,

(Р(t-q)1, Р(t-q)2, …, Р(t-q)24)).

Тогда элементы модели Р(t-q) являются авторегрессионными компонентами, а величина q – глубиной погружения ряда авторегрессионной компоненты. Дополнительными элементами в прогнозной модели служат влияющие факторы: 24-компонентный вектор среднечасовых значений температуры на будущие сутки, Т(t)1, Т(t)2, …, Т(t)24; 24-компонентный вектор среднечасовых значений освещенности на будущие сутки, Е(t)1, Е(t)2, …, Е(t)24; однокомпонентные векторы типа дня S(t), дня недели D(t), состояния облачности Sky(t).В первом приближении модель учитывала еще такие факторы как продолжительность светового дня (tlight), время рассвета (tdawn) и заката (tsunset), номер недели в году (NН), номер месяца (NM) в году, значения которых относились к прогнозируемым суткам (рисунок 7а). В ходе экспериментов выявлено, что включение этих факторов в модель либо не вызывает снижения ошибки прогнозирования, либо приводит к её увеличению. На рисунке 7б представлена структура нейронной сети, преобразованная после ряда опытов, в которой исключен учет не влияющих на снижение ошибки прогнозирования факторов.

Количество нейронов входного слоя соответствовало количеству учитываемых факторов. Входной и скрытый слои нейронов содержали по одному дополнительному нейрону, значение функции активации которых всегда было равно единице. Введение этих нейронов привело к сокращению времени обучения.

В моделях ИНС выбранного типа используется сигмоидная функция активации нейронов скрытого слоя:

 ,

D(t)

Выходной слой

Скрытый слой

Pt-1…Pt-480

Tt+1…Tt+244

Et+1…Et+24

St(t)

D(t)

1

2

100

101

2

1

24

Sky(t)

tlight

tdawn

NН

tsunset

NM

;  б)

1

480

504

481

505

529

528

530

531

532

534

533

535

537

536

а)

Входной слой

Выходной слой

Скрытый слой

Входной слой

Et+1…Et+24

Tt+1…Tt+24

Pt-1…Pt-96

St(t)

1

96

120

97

121

145

144

146

147

1

2

30

31

2

1

24

148

Sky(t)

Рисунок 7 – Структура нейронной сети:

а) исходная (максимальное количество входных и скрытых нейронов );

б) оптимизированная в результате выполнения бинарного поиска и ряда экспериментов с различным количеством влияющих факторов

где ?hid (x) – вектор значений активационной функции нейронов скрытого слоя; х – нормированное значение входного вектора. Все нечисловые переменные (например, день недели и др.) были представлены в числовом виде. Выполнено нормирование, в результате которого все переменные были приведены к единому масштабу:

 ,                                      (5)

                                         (6)

где ai, bi нормированные значения i-ой компоненты входного и выходного векторов соответственно; ai, biфактические значения i-ой компоненты входного и выходного

векторов соответственно; min, max – индексы наименьшего и наибольшего значений компонент входных и выходных векторов соответственно.

После преобразований значения входных переменных приводятся к интервалу   [-1;1], для выходных – к интервалу [0,5;1,5]. Такой интервал выходных переменных установлен с целью исключения возможности деления на «ноль» при расчете относительной ошибки по формуле (4).

В качестве активационной функции нейронов выходного слоя в многослойном персептроне используется линейная функция:

,

где ?out (x) – вектор значений активационной функции нейронов выходного слоя; х – вектор значений нейронов выходного слоя, компоненты которого вычисляются по формуле:

где xk – значение k-го нейрона выходного слоя; wkj – значение весового коэффициента между j-м нейроном скрытого слоя и k-м нейроном выходного слоя; yj – выходное значение j-го нейрона скрытого слоя; Nhid- количество нейронов в скрытом слое.

Методом бинарного поиска решена задача определения в ИНС оптимального количества нейронов скрытого слоя и выбора величины глубины погружения q.

Интерфейсные возможности разработанной программы позволяют варьировать количеством входных нейронов за счет учета/неучета влияющих факторов. Интерфейс разработанной программы представлен на рисунке 8. В «рабочее поле» программы вынесены все параметры сети и критерии обучения, которые при необходимости можно изменять.

Рисунок 8 – Интерфейс разработанной программы: вкладка «Топология сети»

В четвертой главе представлены результаты исследования модели.

Выполнен анализ влияния различной по качеству и достоверности входной информации на относительную ошибку прогнозирования. Выполнено исследование способности модели выполнять точное прогнозирование на начальных периодах существенных изменений ЭП. Изучено поведение модели для случаев, когда происходят резкие изменения метеофакторов. Проанализированы те прогнозы, когда на входы поступала недостоверная информация. Показаны условия, когда при построении прогнозов необходимо вмешательство оператора.

Для оценки прогнозирования использовалась среднечасовая относительная ошибка, рассчитанная для всех часов тестируемого множества. Она рассчитывалась по формуле:

  ,                   (6)

где ?P– величина среднечасовой относительной ошибки для всей тестовой выборки; Pi,kпрогн, Pi,kфакт – прогнозное и фактическое значения мощности для i-го часа k-х прогнозируемых суток; N – количество дней для тестирования.

Тестирование модели выполнено на данных, полученных из Кубанского и Ростовского РДУ, и проводилось в следующей последовательности.

На первом этапе исследования модель была обучена и тестирована только на данных по электропотреблению (авторегрессионная компонента). При следующем тестировании в модель был введен фактор температуры. Далее обучение и тестирование было выполнено с учетом авторегрессионной компоненты, типа дня и дня недели, но без температуры. При последующем тестировании модель учитывала авторегрессионную компоненту, тип дня, день недели и температуру на прогнозируемые сутки. После этих экспериментов были введены факторы освещенности и облачности. Модель тестировалась в различные сезоны для территорий Кубанского и Ростовского РДУ. Были проанализированы результаты прогнозирования за отдельно взятые сутки. При исследовании модели выборки для обучения и тестирования были различными. Результаты экспериментов представлены в таблицах 2 и 3. Обозначение в таблицах: в колонке «Ошибка, %» содержатся значения ошибки, рассчитанные по (6), представленные в процентах; в колонке «Ошибка*, %» содержатся значения среднечасовой ошибки (6) до включения в модель очередного фактора, представленные в процентах.

Таблица 2 - Результаты тестирования прогнозной модели для территории Ростовского РДУ

Состав учитываемых факторов

Ростовское РДУ

Обуч. выборка

Тест. выборка

Ошибка, %

Ошибка*, %

P(t)-1…-96

2009 г.

2010 г.

5,02

-

P(t)-1…-96, T(t)1…24

01.08.2008 -31.07.2009 г.

01.08.2009 -31.07.2010 г.

4,44

4,81

P(t)-1…-96, D(t), S(t)

01.08.2008 -31.05.2009 г.

01.06.2009 – 30.03.2010 г.

3,81

5,08

P(t)-1…-96, T(t)1…24, D(t), S(t)

01.10.2008 – 31.10.2009 г.

01.11.2009 – 31.12.2010 г.

3,51

5,76

P(t)-1…-96, T(t)1…24, D(t), S(t), E(t)1…24, Sky(t)

01.12.2008 – 30.11.2009 г.

01.12.2009 – 28.02.2010 г.

3,04

3,5

01.03.2009 – 28.02.2010 г.

01.03.2010 – 31.05.2010 г.

4,78

3,49

01.06.2009 – 31.05.2010 г.

01.06.2010 – 31.08.2010 г.

4,59

3,88

01.09.2009 – 31.08.2010 г.

01.09.2010 – 30.11.2010 г.

3,65

3,44

Выполнен анализ влияния учета освещенности на точность прогнозирования в течение суток. Установлено, что данный учет в условиях резких изменений метеофакторов весной и высокого уровня освещенности при прогнозировании ЭП для летних суток может быть причиной увеличения ошибки для территории операционной зоны Ростовского РДУ. Для этих сезонов выявлены особенности, при учете которых ошибка прогнозирования ЭП с учетом освещенности на данной территории будет сведена к минимуму:

- наиболее значимым является уровень освещенности в утренние и вечерние часы;

Таблица 3 - Результаты тестирования прогнозной модели для территории Кубанского РДУ

Состав учитываемых факторов

Кубанское РДУ

Обуч. выборка

Тест.выборка

Ошибка, %

Ошибка*, %

P(t)-1…-96

01.05.2009 – 30.04.2010 г.

01.05.2010 – 31.03.2011 г.

4,1

-

P(t)-1…-96, T(t)1…24

01.12.2009 – 31.07.2010 г.

01.08.2010 – 31.03.2011 г.

3,93

4,39

P(t)-1…-96, D(t), S(t)

2009 г.

2010 г.

3,85

4,83

P(t)-1…-96, T(t)1…24, D(t), S(t)

01.12.2009 – 30.06.2010 г.

01.07.2010 – 31.01.2011 г.

3,15

3,57

P(t)-1…-96, T(t)1…24, D(t), S(t), E(t)1…24, Sky(t)

01.01.2010 – 31.05.2010 г.

01.06.2010 – 31.08.2010 г.

6,62

7,12

01.01.2010 – 31.08.2010 г.

01.09.2010 – 30.11.2010 г.

2,75

3,41

01.01.2010 – 30.11.2010 г.

01.12.2009 – 31.12.2010 г.

2,02

2,44

- в дневное время даже при пасмурной погоде уровень освещенности может оставаться высоким (около 40 000 люкс и выше);

- в выходной день влияние освещенности более существенно, т.к. уровень промышленного электропотребления снижен;

- в августе при прогнозировании ЭП с учетом освещенности ошибка уменьшается на большинстве прогнозируемых суток, это объясняется относительно стабильными метеоусловиями в данный период.

В результате исследования модели на данных по территориям операционных зон Ростовского и Кубанского РДУ разработана методика выбора оптимального (с точки зрения наибольшего вклада в уменьшение ошибки прогнозирования) объема исходных данных из суточных графиков освещенности для обучения нейронной сети и выполнения прогнозирования. Количество учитываемых часов меняется в зависимости от номера суток в году и состояния облачности.

При прогнозировании ЭП в операционной зоне Кубанского РДУ с учетом освещенности для большинства прогнозируемых суток среднечасовая ошибка уменьшена. Учет освещенности приводил к снижению относительной ошибки для отдельных часов суток до 2,41 %. Значение минимальной среднечасовой ошибки ?P, полученной при прогнозировании будущих суток с учетом освещенности, равно 1,21 %.Для примера, на рисунке 9 представлен графики фактического, прогнозного с учетом освещенности и прогнозного без учета освещенности ЭП в течение 18 октября 2010 г. для территории операционной зоны Кубанского РДУ.

Обнаружен различный вклад учета фактора освещенности при прогнозировании ЭП на территориях операционных зон Ростовского и Кубанского РДУ. Он объясняется неодинаковой долей бытового и промышленного ЭП на этих территориях. На территории операционной зоны Кубанского РДУ доля бытового ЭП больше, чем на территории Ростовского РДУ.

Проведены исследования модели при условии, что на вход модели заведомо была подана недостоверная информация: значения освещенности были искажены на ±10 %, ±20 %, ±50 %. Показано, что ошибка прогнозирования увеличивается тем больше, чем менее достоверные значения представляются на вход сети (это также

Рисунок 9 -График фактической и прогнозной мощности

на территории операционной зоны Кубанского РДУ для 18октября 2010 г.

указывает и на адекватность работы модели). Установлено, если учитываемые значения освещенности искажены на ±20 %, а иногда и на ±50 %, то результаты прогнозирования получаются более точные, чем те, когда учет освещенности не выполнялся.

Все значения ошибки проверены на соответствие требованиям «Методики оценки точности прогноза потребления», утвержденной ОАО «СО-ЕЭС». Данная методика качественно определила уровень допустимости ошибки прогнозирования ЭП. При прогнозировании ЭП с учетом освещенности на территориях операционных зон Ростовского и Кубанского РДУ этот уровень находится в категории «нормальный».

В результате исследований прогнозной модели выявлен ряд примеров, когда при прогнозировании ЭП требуется вмешательство оператора.Ручная корректировка результатов прогнозирования ЭП целесообразна для предпраздничных и праздничных дней, а также для таких дней, когда может произойти резкое изменение метеофакторов.

В заключении приводятся основные выводы и результаты работы.

В приложениях представлены листинги основных модулей программы; копии актов о внедрении результатов  работы; копии свидетельств о регистрации разработанных программ и пр.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе на основе анализа статистических данных выполнены теоретические обобщения влияющих на ЭП факторов и получено решение важной научно-технической проблемы повышения точности краткосрочного прогнозированияЭП для территорий операционных зон РДУ с учетом естественной освещенности.

Основные результаты работы заключаются в следующем.

1 Впервые выполнен комплексный анализ взаимосвязи между электропотреблением температурой, естественной освещенностью и рядом других факторов. Получены многофакторные регрессионные модели ЭП, которые учитывают значения естественной освещенности. Установлены и определены численные значения коррелированности между влияющими на ЭП факторами.

2 Разработана модель прогнозирования ЭП для территорий операционных зон РДУ, основанная на методе искусственных нейронных сетей, которая позволяет учитывать в качестве влияющих на прогноз факторов среднечасовые значения температуры, тип дня, день недели, а также состоянии облачности и среднечасовые значения естественной освещенности на прогнозируемые сутки. Определена структура сети, которая адекватно реагирует на изменение естественной освещенности и ряда других влияющих факторов.

3 Установлены зависимости ЭП от естественной освещенности. Показано, что освещенность оказывает максимальное влияние на ЭП в утренние и вечерние часы рабочих дней и в вечерние часы выходных дней (значения освещенности от нуля до 30 000-40 000 люкс). Днем влияние освещенности на ЭП менее значимо, за исключением случаев прохождения атмосферных фронтов.

4 Установлено, что в различные сезоны года пасмурному или ясному состояниям неба соответствует определенныйдиапазон значений освещенности. Значения освещенности при облачном и малооблачном состояниях неба могут принимать весь диапазон своих значений.Показана некорректность использования при прогнозировании ЭП только фактора состояния облачности.

5 Учет освещенности позволил прогнозировать ЭП в течение сезона со среднечасовой ошибкой для Ростовского РДУ – 3,04 %, для Кубанского РДУ – 2,02 %. Учет освещенности в различные сезоны года неодинаково влияет на точность прогнозирования.

Учет освещенности для отдельных часов суток (в среднем по сезону) может снизить ошибку прогнозирования 2,0 - 2,41 %.

6 Уменьшение ошибки прогнозирования ЭП с учетом освещенности приводит к повышению качества диспетчерского управления для РДУ (как следствие, к увеличению надежности работы энергосистемы) и к снижению затрат участников ОРЭМ.

7 Сравнительный анализ значений ошибок прогнозирования с учетом освещенности для территорий операционных зон Ростовского и Кубанского РДУ показал, что освещенность целесообразней учитывать при прогнозировании ЭП для тех территорий, где доля бытового электропотребления доминирует над промышленным.

8 Результаты работы могут использоваться при разработке и совершенствовании моделей краткосрочного и оперативного прогнозирования ЭП для крупных промышленных комплексов, работающих на ОРЭМ, энергосбытовых компаниях, региональных диспетчерских управлениях и т.п.

9 Результаты исследований использовались для повышения эффективности работы ПО «Прогноз – ЭТО» при его адаптации и опытной эксплуатации в Ростовском и Кубанском РДУ.

10 Результаты, полученные в диссертационной работе, показывают, что для повышения точности прогнозирования ЭП необходим учет освещенности, однако целесообразно использовать другие метеофакторы и учитывать доминирующую категорию электропотребителей территории, для которой выполняется данное прогнозирование.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ

в изданиях, рекомендованных ВАК:

1 И.И. Надтока, А.В. Демура, С.О. Губский, А.Я. Ваколюк, В.В. Горбачев. Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений//Вестник СамГТУ, 2012, № 1(33). – С.157-162.

2 Надтока И.И., Губский С.О., Шепелев И.Е. Нейросетевая модель прогнозирования электропотребления с учетом освещенности на территориях операционных зон региональных диспетчерских управлений//Изв.вузов. Электромеханика, 2012, №2.- С. 18-21.

в авторских свидетельствах:

3 Горбачев В.В., Надтока И.И., Губский С.О. Тест «MLP». Свидетельство о государственной регистрации программы для ЭВМ № 20106117320, 03.11.2010 г.

4 Губский С.О., Надтока И.И., Горбачев В.В., Шепелев И.Е. «Краткосрочный прогноз электропотребления с учетом освещенности». Свидетельство о государственной регистрации программы для ЭВМ № 2012610988, 23.01.2012 г.

в прочих работах по теме диссертации:

5 Надтока И.И., Губский С.О. Анализ зависимостей электропотребления от температуры воздуха и освещенности в операционной зоне Ростовского РДУ. //Изв. вузов. Электромеханика. 2009. Специальный выпуск. - С. 105-107.

6 Надтока И.И., Губский С.О. Анализ зависимостей электропотребления от температуры воздуха и освещенности в операционной зоне Ростовского РДУ// Современные энергетические комплексы и системы и управление ими: материалы IX международной науч.-практ. конф., г.Новочеркасск, 27 апр. 2009г./ Юж.-Рос. гос.  техн. ун-т (НПИ).- Новочеркасск: ЮРГТУ(НПИ), 2009.- С.36-39.

7 Корнюкова О.А., Губский С.О., Горбачев В.В. Анализ основных подходов, применяемых при прогнозировании процесса электропотребления.// Компьютерные технологии в науке производстве, социальных и экономических процессах: материалы X международной науч.-практ. конф., г.Новочеркасск, 16 нояб. 2009 г./ Юж.-Рос. гос. техн. ун-т (НПИ).- Новочеркасск: ЮРГТУ(НПИ), 2009.- С.74-78.

8 Надтока И.И., Губский С.О., Горбачев В.В. Анализ зависимостей электропотребления от метеофакторов в операционной зоне Кубанского РДУ//Изв. вузов. Электромеханика. 2010. Специальный выпуск. - С. 106-108.

9 Надтока И.И., Губский С.О., Горбачев В.В. Влияние освещенности на электропотребление в регионах Южного Федерального округа РФ. // Современные энергетические комплексы и системы и управление ими: материалы X международной науч.-практ. конф., г. Новочеркасск, 17 дек. 2010г./ Юж.-Рос. гос.  техн. ун-т (НПИ).- Новочеркасск: ЮРГТУ(НПИ), 2011.- С. 19 - 22.

10 Надтока И.И., Губский С.О. Многофакторный анализ моделей электропотребления в операционной зоне Кубанского РДУ // Электроэнергетика глазами молодежи: научные труды международной научно-технической конференции: сборник статей. В 3 т. Самара: СамГТУ, 2011. Т.1. - С.227-230.

11 Надтока И.И., Демура А.В., Ваколюк А.Я., Горбачев В.В., Губский С.О. Программно-технический комплекс прогнозирования электропотребления с учетом метеофакторов для региональных диспетчерских управлений // Электроэнергетика глазами молодежи: научные труды международной научно-технической конференции: сборник статей. В 3 т. Самара: СамГТУ, 2011. Т.1. -С. 231-236.

Вклад автора в результаты работ опубликованных в соавторстве, состоит в анализе взаимосвязей между электропотреблением и факторами, влияющими на него, [1, 11], разработке математической модели [2], формулировании требований кматематической модели [3, 7], постановке задачи и разработке алгоритма [4], постановке задачи и выполнении корреляционно-регрессионного анализа [5, 6, 8, 10], разработке моделей множественной регрессии и оценке влияния факторов [9].

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 


Губский Сергей Олегович

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ

В ОПЕРАЦИОННОЙ ЗОНЕ РЕГИОНАЛЬНОГО ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ С УЧЕТОМ ФАКТОРА ОСВЕЩЕННОСТИ

Автореферат

Подписано в печать ___.___.12

Формат 84х60х1/16. Бумага офсетная. Ризография

Усл. печ. л. 1,0. Тираж 100 экз. Заказ № ____

Отпечатано вИД «Политехник»

346428, г. Новочеркасск, ул. Просвещения, 132,

тел./факс (8635)25-53-03

 
Авторефераты по темам  >>  Разные специальности - [часть 1]  [часть 2]



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

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.