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.
Статья научная