Анализ прогнозирования энергопотребления с различными информационными базами
Автор: Доманов Виктор Иванович, Билалова Алиса Ильдаровна
Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc
Рубрика: Современные наукоемкие инновационные технологии
Статья в выпуске: 4-3 т.16, 2014 года.
Бесплатный доступ
В статье рассматриваются вопросы регионального энергопотребления по различному набору исходных данных. Расчет прогноза потребления электроэнергии анализируется ошибкой прогнозирования. Оценивается влияние внешних исходных данных на величину ошибки прогноза.
Энергопотребление, прогнозирование, регрессионный анализ, база данных, ошибка
Короткий адрес: https://sciup.org/148203244
IDR: 148203244
Текст научной статьи Анализ прогнозирования энергопотребления с различными информационными базами
Билалова Алиса Ильдаровна, аспирантка других факторов, влияющих на изменение потребления в соответствии с данными, полученными в результате обработки статистики потребления; планируемое включении/отключении энергоемких производств).
У крупных энергоемких производств доля платы за электроэнергию в себестоимости продукции может достигать десятков процентов, а в условиях рыночной экономики себестоимость продукции предприятия будет определять его конкурентоспособность. В настоящее время прогнозирование электропотребления на большинстве промышленных предприятий производится на основе метода экспертных оценок, который в большинстве случаев не может обеспечить требуемую точность прогноза. Прогнозирование электропотребления предоставляет первоначальную информацию для планирования нормальных режимов работы при управлении энергохозяйством. На основании проведенного прогноза рассчитываются действительные и оптимальные режимы работы энергосистем, а также оцениваются качественные параметры (надежность, качество электроэнергии и т.д.) [1]. Точное прогнозирование электропотребления обеспечивает оптимальное распределение нагрузок между потребителями. Решение задачи прогнозирования электрических нагрузок традиционным способом состоит из двух этапов:
-
- построение математической модели, с помощью которой обрабатываются данные о нагрузках за прошедший период времени;
-
- получение прогноза на базе полученной модели.
Большая часть существующих алгоритмов прогнозирования электропотребления, разработанных в энергетике, выступают как сочетание разнообразных статистических методов. Есть методы, в которых нагрузка представляется как случайный процесс. Существуют методики прогнозирования, в которых выделяется базовая (основная) составляющая в изменениях нагрузки [2]. Однако качественное моделирование являет- ся очень сложным процессом из-за нелинейных отношений между факторами и нагрузкой, от которых она зависит. Известные методы прогнозирования электропотребления не работают с искаженными или неполными данными, поэтому необходимы новые методы, подходы для прогнозирования электропотребления, которые бы умели учитывать различного рода данные.
Методам прогнозирования показателей электропотребления всегда уделялось большое внимание. Ряд теоретических идей, в основном базирующихся на линейных моделях, был выдвинут довольно давно [3, 4]. Анализ опирается на разработанные в начале и середине прошлого столетия методы статистического анализа:
-
- моделирования процессов развития;
-
- пространственной и временной экстраполяции;
-
- эвристические и эконометрические;
-
- факторные, регрессионные и корреляционные.
Рассмотрим возможности прогнозирования потребления электроэнергии для МУП «Ульяновская городская электросеть». Анализируется период 2011-2013 гг. Исходными для составления прогноза являются данные предшествующих потребления электроэнергии и температурных данных, которые приведены в таблицах 1 и 2. Исходные данные для электроэнергии являются суммарными по месяцам, а температурные – усредненные по месяцам.
Таблица 1. Потребление электроэнергии предприятия
Месяц |
Потребление электроэнергии, МВтч |
||
2011 |
2012 |
2013 |
|
январь |
572900 |
588021 |
609369 |
февраль |
540693 |
593435 |
555053 |
март |
573120 |
581291 |
595625 |
апрель |
499776 |
480625 |
485294 |
май |
441703 |
443274 |
431451 |
июнь |
405068 |
417471 |
405881 |
июль |
409360 |
422654 |
431772 |
август |
439554 |
435546 |
440800 |
сентябрь |
460684 |
448016 |
460781 |
октябрь |
531786 |
523085 |
544437 |
ноябрь |
576040 |
543309 |
532055 |
декабрь |
618883 |
635341 |
595329 |
ИТОГО |
6069567 |
6112068 |
6087847 |
Таблица 2. Среднемесячная температура воздуха
Среднемесячная температура окружающей среды, ° С |
|||
Месяц |
2011 |
2012 |
2013 |
Январь |
-12,8 |
-11,5 |
-10,6 |
Февраль |
-18,6 |
-16,4 |
-8,5 |
Март |
-6,8 |
-6,2 |
-6,2 |
Апрель |
4,4 |
10,4 |
6,7 |
Май |
15,9 |
16,2 |
16,4 |
Июнь |
17,2 |
19,8 |
20,1 |
Июль |
23,4 |
21,1 |
20,3 |
Август |
18,9 |
20,2 |
19,5 |
Сентябрь |
12,4 |
12,3 |
12,3 |
Октябрь |
6,3 |
7,5 |
5,3 |
Ноябрь |
-4,2 |
0,8 |
2,9 |
Декабрь |
-6,2 |
-9,3 |
-4,5 |
Прогноз составлен с помощью методов регрессионного анализа. Оценивая качество прогноза нужно учитывать объективные особенности применения уравнений регрессии. Задача прогнозирования предполагает использование уравнений регрессии для оценки значений прогнозируемого показателя вне диапазона фактических наблюдений, на основе которого получено уравнение регрессии, т.е. приходится выходить за рамки наблюдений и решать задачу экстраполяции. Близость прогноза исходных наблюдений во многом зависит от точности значений факторов – аргументов. Результаты расчетов прогнозов потребления электроэнергии с различным набором исходной информации проведены в таблице 3. По результатам прогнозов рассчитаны ошибки прогнозирования δ для 2013 года по формуле
δ = ФM - ПMX 100%
ФM , где δМХ – ошибка прогноза для соответствующих месяца и набора исходных данных; ФМ – фактическое потребление электроэнергии в соответствующем месяце; ПМХ – прогноз потребления электроэнергии для соответствующих месяца и набора исходных данных.
Таблица 3. Прогноз потребления электроэнергии на 2013 г.
Месяц |
Прогноз по данным 2012 года |
Прогноз по данным 2011 + 2012 годов |
Прогноз по данным 2012+погода |
Прогноз по данным 2011 +2012+погода |
Факт 2013 года |
январь |
720600 |
644926 |
609189 |
609777 |
609369 |
февраль |
703241 |
636986 |
631414 |
608270 |
555053 |
март |
721113 |
635185 |
595242 |
603961 |
595625 |
апрель |
499105 |
588785 |
485767 |
468609 |
485294 |
май |
228226 |
450375 |
454355 |
435738 |
431451 |
июнь |
449019 |
437219 |
428742 |
417888 |
405881 |
Продолжение таблицы 3
июль |
657752 |
482275 |
431825 |
439137 |
431772 |
август |
648970 |
487844 |
440337 |
436417 |
440800 |
сентябрь |
463877 |
462778 |
460560 |
460781 |
460781 |
октябрь |
347162 |
542735 |
544008 |
534592 |
544437 |
ноябрь |
605372 |
588624 |
554718 |
501474 |
532055 |
декабрь |
530918 |
609093 |
614732 |
609292 |
595329 |
ИТОГО |
6575355 |
6566825 |
6250889 |
6125936 |
6087847 |

Рис. 1. Ошибки прогнозирования электропотребления для различного набора исходных данных
Выводы:
-
1. Набор исходной информации влияет на величину ошибки прогноза
-
2. Использование двух баз данных снижает ошибку в 2,5-3,5 раза.
-
3. Использование различных баз (потребление электроэнергии+ погода) дает лучший эффект, чем увеличение информации по одной базе.
-
4. Из графиков на рис. 1 видно, что ошибка в прогнозе возрастает со снижением температуры.
Список литературы Анализ прогнозирования энергопотребления с различными информационными базами
- Пальчиков, А.С. Существующие способы прогнозирования электропотребления объектов в металлургической отрасли//Современные научные исследования и инновации. 2012. № 9. С. 12-17.
- Седов, А.В. Системы контроля, распознавания и прогнозирования электропотребления: модели, методы, алгоритмы и средства/А.В. Седов, И.И. Надтока. -Ростов-на-Дону: Изд-во Рост. ун-та, 2002. 318 с.
- Шумилова Г.П. Прогнозирование нагрузки ЭЭС на базе новых информационных технологий. Новые информационные технологии в задачах оперативного управления электроэнергетическими системами/Г.П. Шумилова, Н.Э. Готман, Т.Б. Старцева//Екатеринбург: УрО РАН, 2002. 77 с.
- Жичкин, С.В. Краткосрочное прогнозирование суточного электропотребления Нижнетагильского металлургического комбината/С.В. Жичкин, А.В. Мозгалин//Электрификация металлургических предприятий Сибири. Выпуск 12. -Томск: Издательство Томского университета, 2005. С. 222-228.