Прогнозирование объемов потребления электроэнергии

В настоящее время реформирование электроэнергетики России привело к конкуренции на оптовом и розничном рынках электроэнергии. В связи с процессом демонополизации в сфере сбыта электрической энергии и возникновением независимых сбытовых компаний энергосбытовой бизнес оказывается в совершенно новых для себя условиях. Постепенное усиление конкуренции на розничном рынке электроэнергии предъявляет новые требования ко всем участникам рынка. Для энергосбытовых компаний увеличивается риск потери своих позиций в конкурентной борьбе. Основным показателем либерализации региональных рынков электроэнергии является снижение рыночной доли бывших монополистов. Несмотря на то, что розничные рынки электрической энергии в большинстве субъектов Российской Федерации все еще характеризуются высокой степенью концентрации в условиях неразвитой конкуренции, в ряде регионов уже наблюдается достаточно сильная конкуренция между сбытовыми компаниями. Поэтому сегодня перед энергосбытовыми организациями встает серьезная задача удержания крупных потребителей от ухода на оптовый рынок электроэнергии и защита клиентов от «перехвата» со стороны независимых компаний. Это обуславливает использование новых механизмов в управлении энергосбытовой организации, которые позволят ей сохранить и усилить конкурентное положение компании [1, 2].

Таким образом, в условиях развития конкуренции на розничном рынке электроэнергии для энер- госбытовой организации чрезвычайно актуальной становится проблема эффективного распределения приобретаемой на оптовом рынке электроэнергии. Эффективная работа и использование современных технологий помогает повышать конкурентоспособность предприятия, поэтому актуален вопрос по разработке мероприятий, позволяющих управлять покупкой и продажей электроэнергии. Это достигается планированием и контролем процесса распределения электроэнергии и прогнозированием объемов потребляемой электроэнергии [3].

Энергосбытовое предприятие является посредником между электростанциями, занимающимися выработкой электроэнергии, и потребителями. Выработанная электроэнергия закупается энергосбытовым предприятием на оптовом рынке и реализуется конечному пользователю: промышленным предприятиям и бытовому сектору. Постоянные изменения на предприятиях, в бытовом секторе оказывают влияние на общее потребление региона в целом, что является проблемой энергосбытовых предприятий, задачей которых является полное удовлетворение потребностей региона в электроэнергии. Энергосбытовое предприятие как посредник между бытовым потребителем и электростанцией должно проводить постоянное исследование изменения потребностей региона в объемах электроэнергии. Задача состоит в как можно более точном прогнозировании электропотребления для закупа необходимых объемов электроэнергии на оптовом рынке [4, 5].

Объем электроэнергии, закупаемый на оптовом рынке, равен спрогнозированному объему. В случае составления неточного прогноза при нехватке или излишке закупленных объемов энергосбытовое предприятие вынуждено докупать либо продавать излишне закупленную электроэнергию по невыгодной для предприятия цене. Финансовые затраты приходится возлагать на покупателей, поднимая цену на электроэнергию. Недовольные потребители в этом случае могут перейти к другому гарантирующему поставщику, для приобретения электроэнергии по более низкой цене. Все это приводит к финансовым потерям гарантирующего поставщика. А также в некоторых случаях к штрафам на оптовом рынке вплоть до отстранения от участия в торгах [6].

Для решения данной проблемы энергосбытовым предприятием нам была поставлена задача в создании модели и методики прогнозирования с высокой скоростью вычисления прогнозных значений и с погрешностью, не превышающей больше заданной величины (3 %).

Такие модели для расчета прогнозов были нами построены и исследованы на данных, накопленных на одном из сбытовых предприятий за три года. На предприятии в настоящее время используется устаревшая модель линейного регрессионного анализа, которая учитывает два показателя: температуру окружающей среды и объемы электроэнергии, закупленные на оптовом рынке ранее. Недостаток используемой модели в том, что она при расчете получает погрешность более 4 %, а также подразумевает расчет с помощью ручного труда, и в результате влияния человеческого фактора возможно возникновение ошибок. Кроме того, ручные расчеты приводят к увеличению времени для построения прогноза. В нашей работе пред- ложено построить математическую модель на основе метода главных компонент. Расчеты проводились в программе МИДАС. Исходные данные – объемы закупа электроэнергии на оптовом рынке посуточно за 2013, а также температура окружающей среды города Челябинска посуточно.

После проведения первичной обработки и анализа данных было выявлено, что они имеют большие различия в рабочие дни, выходные и праздничные. Выявлена общая тенденция энергопотребления: в понедельник – низкое потребление, к среде происходит рост потребления, к пятнице – спад, в выходные и праздничные дни потребление очень низкое. Это связано с большим количеством потребителей – крупных промышленных предприятий. На рис. 1 показано потребление электроэнергии в течение трех недель [7].

В связи с этим данные были разбиты по дням недели. Для построения было создано 6 моделей. Модели для понедельника, вторника, среды, четверга, пятницы, выходных и праздничных дней. На рис. 2 показано потребление рабочих понедельников 2013 года.

Для потребления в понедельники, как и для других дней недели, явно просматривается сезонность: в зимние месяцы потребление электричества растет, в летние месяцы происходит небольшой спад. Это связано с тем, что в зимние месяцы потребление бытовых потребителей возрастает в связи с подключением обогревательных установок [8, 9].

В ходе проведенного исследования было выявлено, что в данном случае электропотребление имеет малую зависимость от температуры. Построение прогноза с учетом фактора «температура» дает большую погрешность, чем без учета этого фактора. Погрешность сокращается незначи-

Рис. 1. Общее потребление электроэнергии (кВт·ч) за 3 недели, начиная с понедельника 07.01.2013

Рис. 2. Потребление электроэнергии (кВт∙ч) в рабочие понедельники 2013 г.

тельно, но в данном случае фактор был исключен из расчетов, так как в некоторых ситуациях малозначимый фактор может также создавать «шум» в данных. Погрешность считается как средняя абсолютная погрешность в процентах (mean absolute percentage error – MAPE). В табл. 1 приведена погрешность при построении прогноза за следующие

24 ч каждого дня с использованием и без использования фактора температуры [10].

В связи с одинаковыми тенденциями электропотребления далее выходные и праздничные дни объединены в один тип данных (построенный прогноз и фактические значения для субботы и воскресения представлены на рис. 3 и 4).

Погрешность моделей

Таблица 1

День недели	Погрешность МАPE (с учетом фактора температуры), %	Погрешность МАPE (без учета фактора температуры), %
Понедельник	3,523	3,136
Вторник	5,700	5,368
Среда	5,173	4,873
Четверг	3,536	2,890
Пятница	3,880	3,023
Суббота	3,705	3,700
Воскресенье	4,386	3,764

Рис. 3. Полученный прогноз и фактические значения субботнего дня

Рис. 4. Полученный прогноз и фактические значения воскресного дня

Далее были построены и изучены 7 моделей: понедельник, вторник, среда, четверг, пятница, суббота, воскресенье без учета температуры. Составлялся прогноз на следующие 24 ч: модель с минимальной погрешностью – для дня «четверг», модель с максимальной погрешностью – «вторник». День четверга считается устойчивым днем. На промышленных предприятиях с понедельника происходит рост потребления, связанный с нагревами печи, включениями станков, на этом этапе возможны какие-то сбои (поломки станков), к четвергу работа предприятий приходит в стабильную стадию и какие-либо колебания электроэнергии не выявляются.

На рис. 5 представлен построенный прогноз и фактические значения для четверга, на рис. 6 – построенный прогноз и фактические значения для вторника. Однако погрешность остается выше 3 % и необходимо исследовать возможность сокращения погрешности. В ходе работы были исследованы модель построения прогноза на 1, 2 и 3 ч.

Например, для дня «понедельник» получены следующие погрешности (табл. 2).

Наиболее удачной признана модель составления прогноза на следующие 3 ч по имеющимся предыдущим часам и типу матрицы зависимостей – ковариационной. Прогноз для дня «понедельник» на время с 12 до 15 ч приведен на рис. 7.

Рис. 5. Полученный прогноз и фактические значения четверга

Рис. 6. Полученный прогноз и фактические значения вторника

Сравнение погрешностей

Таблица 2

Часы суток	Модель прогноза на 1 ч (погрешность MAPE), %	Модель прогноза на 2 ч (погрешность MAPE), %	Модель прогноза на 3 ч (погрешность MAPE), %
0–3	3,782	3,613	3,042
3–6	2,046	2,620	1,507
6–9	2,269	2,681	1,869
9–12	3,346	3,121	3,015
12–15	1,620	1,409	0,965
15–18	1,795	1,997	1,464
18–21	3,151	3,238	2,979
21–24	2,861	3,132	2,797

Рис. 7. Полученный прогноз и фактические значения понедельника

Заключение

• 1.    Для построения прогноза необходимо разделение данных на дни недели: понедельник, вторник, среда, четверг, пятница. Субботние и воскресные дни возможно объединить в одну группу.

• 2.    В рамках поставленной задачи фактор «температура» можно не учитывать в связи с малым влиянием и возможным «шумом данных». Наиболее эффективной моделью считается модель прогнозирования на ближайшие 3 ч по предыдущим часам.

• 3.    Прогноз с минимальной погрешностью 2,894 получился для дня недели «четверг», с максимальной погрешностью 5,368 – для дня недели «вторник».

• 4.    Используя для построения прогнозов модель расчета на 3 ч, по предыдущим часам возможно получить прогноз с погрешностью не более 3 %, (в среднем 2,2 %).