Прогнозно-управляемая система накопления энергии для потребителей с почасовой тарификацией

В Российской Федерации расчёты за электроэнергию для юридических лиц на розничном рынке электроэнергии и мощности ведутся по шести ценовым категориям, каждая из которых по-своему учитывает время суток и объём потребления. Наибольшим потенциалом для оптимизации затрат обладают потребители, оплачивающие электроэнергию по III и IV ценовым категориям благодаря тому, что в структуре стоимости электроэнергии таких потребителей присутствует плата за среднюю мощность, потребляемую ими в часы максимального совокупного потребления в регионе.

Третья ценовая категория предусматривает почасовую оплату электроэнергии и дополнительную плату, зависящую от средней мощности в пиковые часы. Суммарная стоимость рассчитывается по формуле

^Сад = ^С 1(з) + ^С 2(з) = E t (^P t • ^At • C it(3) ) +

L__

+ „    LtkPtk, ntk где Pt - усредненное значение мощности за интервал времени At; Ptk - усредненное значение мощности за интервал At в часы максимального совокупного потребления электроэнергии в выбранном регионе; ntk - количество рабочих дней, используемых для вычисления среднего значения, соответствует числу контрольных часов в расчетном периоде; tk - номер контрольного часа.

Четвертая ценовая категория дополнительно включает плату за содержание электросетей, рассчитываемую по максимальной мощности в пиковый час. Формула имеет вид

Сад = Сад ^{+ С} 2(4) = X t ( ^Pt • ^At • ^c it(4) ^{) +}

+ “~ • XtkPtk + С3(4) • max{Ptn}, ntk где Ptn - усредненное значение мощности за интервал времени At в час пиковой нагрузки; tn -номер часа пиковой нагрузки; max {Ptn} - наибольшее из средних значений мощности, рассчитанных за часы пиковых нагрузок.

На практике существенной проблемой остаётся то, что данные о почасовых тарифах и пиковых нагрузках публикуются лишь по окончании расчётного месяца. Предприятия не могут заранее и точно определить, в какие именно часы произойдёт максимальное совокупное потребление и когда цена будет наиболее высокой.

Вопросы оптимизации потребления электроэнергии с учётом тарифной политики и сглаживания пиковых нагрузок активно исследуются в научной литературе. Так, в работах [1–5] рассматриваются оптимальные стратегии управления накопителями энергии для минимизации долгосрочных затрат на электроэнергию с учетом ценовых колебаний. В [6] анализируется алгоритм планирования зарядки накопителей в условиях тарифов, зависящих от времени суток, и оплаты за максимальную мощность. В работе [7] представлен метод определения параметров системы накопителя электроэнергии в зависимости от графиков нагрузки. Работы [8–10] посвящены технико-экономической оптимизации накопителей. Исследование [11] анализирует совместную работу ВИЭ, накопителей и электромобилей в рамках устойчивого развития с акцентом на энергостратегии и экономику. Авторами работы [12] предложен подход к управлению системой аккумуляторных батарей с использованием глубокого обучения с подкреплением, применимый для интеллектуальных сетей. Работы [13, 14] касаются оптимизации гибридных систем. В [13] – подбор оптимального размера накопителя в жилых системах, в [14] – оценка эффективности автономной дизель-бата-рейной системы с учётом солнечного трекера. В работе [15] рассматривается моделирование взаимодействия блоков гибридного накопителя энергии. Авторы анализируют архитектуру системы, учитывая распределение нагрузок между батарейными и иными модулями накопления, с целью повышения надёжности и экономичности. Исследование [16] посвящено роли накопителей в интеграции возобновляемых источников. Показано, что использование систем хранения позволяет сглаживать колебания генерации ВИЭ и повышать устойчивость энергосистемы. Авторами работы [17]

р а з ра бота на с ис те м а у пра в ле ни я гибр ид ным эне ргетическим комплексом, включа ющи м ра з л ич ные ти пы В ИЭ и накоп ител и. Пре дс та вл е н ал гори тм координ иров а н ного у пра в л ени я с учётом х а ра к т еристик всех источников энергии.

Система электроснабжения с накопителями энергии

Ра с с м а трив а е тс я с исте м а эл е ктрос набж ен ия, содержащая накопитель элект роэн ерг ии и кон трол л ер, ра с пол ож енные у потре би те ля. К он тро л л ер упра вл яет потока м и э н е ргии м е ж д у по тре би тел е м и на ко пи те л е м э не ргии, о бе с пе ч ив а е т з а ряд на копи тел я в п ери оды н из кой с тои мос ти эл ектро э н ерги и и е го ра з ряд в ча с ы пиков ы х на гр уз ок и высоких цен, сн и ж а я потребл ени е и з с е т и и, с оо т в етс т в е н но, з а тра ты пре дпр ият ия. К л ючев а я проблема при этом – о т с утстви е опе ра тивны х данны х о п очас ов ых та р ифа х и кон трол ьны х ча с а х . Дл я е е р е ше ни я п ред л а г ае тс я в нед ре ние м е тодов прог н о зи ров ан и я, кот оры е , ис пол ь зуя ис торические дан ные, тренд ы и ф акторы, вл и яющие на цен у и ча с ы ма кс им а л ь ного с ов ок уп ног о потре бл е н ия, поз в о л ят с д оста точ н ой точност ь ю п ред ска з ы в а ть б у дущ и е п ери оды м аксим а л ь ной стоим ос ти и час а ма кс им а л ь ной с ов ок у п ной н а гр уз к и.

Прогнозирование почасовых цен и часов максимального совокупного потребления

Прогнозирование почасовых цен на электроэнергию и часов максимальной совокупной нагрузки выполнено с применением рекуррентной нейронной сети (RNN) с архитектурой на базе долгой краткосрочной памяти (LSTM) [18]. Нейронная сеть реализована на языке программирования Python с использованием библиотеки tensorflow. Для обработки и нормализации исходных данных применялись библиотеки pandas и numpy, визуализация результатов выполнялась с помощью matplotlib.

В качестве исходных данных использовались почасовые значения цен на электроэнергию, временные метки, включая день недели и время суток, учитывались сезонные и суточные колебания [19, 20]. Обучение проводилось на большом объёме предварительно нормализованных данных, разделенных на обучающую и валидационную выборки. Использовался алгоритм Adam с функцией потерь MSE (среднеквадратичная ошибка). Обученная нейронная сеть на основе временных последовательностей длиной 744 часа (31 день) прогнозировала следующие 744 часа.

Результаты работы модели показаны на рис. 1а. Модель с достаточной для практического

Рис. 1. Гистограмма распределения часа пиковой нагрузки по дням недели (а), частота контрольных часов в зависимости от времени года (b)

Fig. 1. Histogram of peak load hour distribution by days of the week (a), frequency of control hours depending on the time of year (b)

Рис. 2. Фактические и прогнозные значения часа максимального совокупного потребления в течение месяца Fig. 2. Actual and forecasted values of the maximum cumulative consumption hour during the month

прим е нени я точнос ть ю пр е дс каз ыв а ет тре нды и пи ков ые з на че н ия, не с м отр я на кол е бан ия цены. П огре шнос ть м и ним ал ьна в ночные ча с ы и у в елич и в а ется в пе ри од ы рез ки х ска чков цен.

В о т л ич ие от прогн оз и ров ан и я поча с ов ы х це н, зн ачени е ча с а м а кси м а л ьного с ов ок у пного потре бл ен ия в рег ион е не яв ляе тс я пе риод иче с к и повторяющимся (рис. 2 ). Ча с тота в стре ча е м ос ти так их ча с ов з а в е с ь дост у пн ый в от крыты х исто чниках период времени с 2014 г . по настоящее время представлена на рис. 1 а. Вид но, что де с ятый ч а с в с тре ча е тс я з а этот пе риод бол е е 1200 ра з , чт о зн ачи те л ь но п рев ы ша е т ч а с тот у в с тре ча е м ос ти др уг их ча сов , та к и х как 11 и 17. Ча с тота в стре ча емос ти пра кт иче с к и не з а в и с ит от в ре м е н и года и других д ос т у пн ы х д л я ана лиз а фа кторов (рис . 1b). В с в яз и с этим прогноз иро в а н ие ча с а м а кс им а льного с ов ок уп ного потре б л ени я с испол ьз ов а н ие м не йрон ной с е т и не м ож е т да ть у довл е т в орительную точность.

П ри ре а лиз а ц ии ал гори тм а ра боты на ко пи те ля наилучшей стратегией о п ре де л е н ия ча с а м а кс има л ьного с ов ок у пного потр е бл ени я явл яе тся фикса ци я этого з на че ни я ра в ны м 10 ча с а м . Та кой подх од, не см отря на из в е с т н ую погре ш нос ть, поз в ол яет у прос ти ть ал горитм у п ра в л е н ия накопи те л е м и обе с пе ч ить э ффе к тивнос т ь е го ра боты.

Алгоритм управления накопителем. Предл ага е тс я с л ед у юща я пос л ед ов а те л ь нос ть опе раци й по у пра в л е н и ю накоп ител е м , пре д на зн аченн а я д л я р е а л из а ц и и е го с ис те м ой у п ра в л е н ия.

• 1.    Н е йрон на я с е ть на ба з е LSTM [18] фор мир у е т п рогн озн ы е з на чен ия п оча с ов ых цен на э л ектроэнергию н а м е с яц в пе ред. Вх одными данными яв ляютс я ц ен а н а эл е ктроэне ргию в проше дш и е пе риоды в рем е н и и доп ол н и тел ь н ы е призна к и: часы суток, дни недели и др.

• 2.    П ол учен ный прог ноз це ны на м е с я ц впе рё д у сре дн яе тс я п у те м с гл а жива е тс я фил ь тром низ к их частот (например, фи л ьтром К а л м а на ).

• 3.    Определяется час максимального совокупного потребления в регионе в рабочие дни как наиболее часто встречающийся час, выделенный на основе анализа статистических данных.

• 4.    Система управления выдает команды контроллеру на разряд накопителя, сопровождаемый снижением общего потребления электроэнергии из сети потребителем, в рабочие дни в часы максимального совокупного потребления в регионе в рабочие дни, например, в 10 часов. В остальные часы система управления ориентируется на величину прогнозной цены: если она ниже усредненной цены, накопитель переводится в режим зарядки с учётом ограничений по скорости изменения мощности и доступной энергоёмкости; если цена близка к усредненному значению или выше её, накопитель переводится в режим ожидания.

Результаты моделирования алгоритма управления накопителем. На примере профиля мощности торгово-развлекательного центра, расположенного в г. Йошкар-Ола, на рис. 3 представлены результаты моделирования работы алгоритма управления накопителями электроэнергии. Данные соответствуют периоду с 1 апреля по 1 мая 2021 г. На рис. 3а сплошная кривая отражает фактические значения цены, пунктирная линия – это результат прогнозирования, выполненного с помощью модели LSTM, а усредненная прямая – сглаженный фильтром Калмана вариант этого прогноза.

На рис. 3b показана исходная мощность потребления (пунктирная линия) и общая мощность потребления совокупности потребителя и накопителя электроэнергии (сплошная линия). В целом в результате применения предложенного алгоритма управления накопителем профиль мощности сглаживается. В часы максимального совокупного потребления, когда исходная нагрузка достигает пиковых значений, накопитель разряжается и тем самым снижает пики на кривой нагрузки (зелёная линия). В периоды, когда цена на электроэнергию

Рис. 3. Результат моделирования накопителя

Fig. 3. The resultant energy storage system simulation

Таблица 1

Показатели работы алгоритма управления накопителем

Performance of the storage management algorithm

Table 1

Параметр Без использования накопителя С использованием накопителя Модель с фактическими данными Модель с прогнозными данными Средняя мощность в пиковые часы Ptk, кВт 290 110 140 Составляющие стоимости электроэнергии, руб.: ^1(3) 843 874,44 841 882,70 842 115,44 ^2(3) 269 321,64 100 264,36 129 032,54 ^2(3) = ^1(3) + С2(3) 1 113 196,07 942 147,06 971 148,04 минимальна или потребление не является пиковым, накопитель переводится в режим заряда.

На рис. 3c приведена мощность заряда/раз-ряда (сплошная кривая) накопителя. Выбросы мощности вверх объясняются разрядом (отдачей мощности в сеть), тогда как провалы ниже нуля возникают вследствие заряда накопителя. Кривая запасенной энергии (пунктирная линия), плавно возрастающая ночью или во время низких цен на электроэнергию и резко падающая в часы максимального совокупного потребления, демонстрирует цикличность процесса. Три графика на рис. 3а–c в совокупности иллюстрируют логику управления накопителем: прогнозная цена определяет периоды зарядки и разрядки, а результат заметен на конечной нагрузке и характерном циклическом поведении уровня заряда. В табл. 1 приведено сравнение работы модели с прогнозными и с фактическими данными цены и часа максимальной нагрузки.

В результате исполнения представленного алгоритма работы накопителя средняя мощность в пиковые часы снижается почти вдвое: с 290 до 140 кВт при использовании прогноза и до 110 кВт при работе с фактическими почасовыми данными. Это приводит к заметному уменьшению второй составляющей цены: с 269 до 129 тыс. руб. в случае прогноза и до 100 тыс. руб. при фактических ценах. В совокупности сокращаются и почасовые платежи (первая составляющая), и плата за пиковые часы, что в итоге даёт суммарную экономию: общая стоимость падает с 1,11 млн руб. до 0,97 млн руб. при прогнозных ценах и до 0,94 млн руб. при фактических, т. е. примерно на 142–171 тыс. руб. за рассматриваемый период.

Анализ суточной структуры цены. На рис. 4 показано, что часы суточных минимумов цены устойчиво приходятся на 2–4 ч, а максимумы – на 11–15 ч. Такое распределение часов с 2014 г. по настоящее время означает, что рациональная стра-

Рис. 4. Часы минимума и максимума цен на электроэнергию с 2014 по 2025 гг. и их средние уровни Fig. 4. Hours of minimum and maximum electricity prices from 2014 to 2025 and their average levels

Таблица 2

Агрегированные метрики прогноза цены

Aggregated price forecast metrics

Table 2

Метрика Средняя за март LSTM-модель RMSE 142,85 140,22 sMAPE 0,02 0,02 тегия снижения цены электроэнергии для потребителя – ночной заряд и дневной разряд в 10–14 ч. Именно этот факт объясняет, почему основной экономический эффект достигается за счёт снижения средней мощности в контрольные часы месяца, то есть составляющей С2(3), а не за счет точного прогнозирования почасовой цены.

Т а ким обра з ом , при тек ущ е м суточном распре де л е н и и це н дос та точн о ис пол ьз ов а ть ус ре дне нн ые ц ен ы с оотв е тству ю ще го ча с а пре ды д у ще го месяца p_t , _h в ме с то не йрос е тев ого прогноз а :

• ^pt,h = ^ ^ k=1^pt-k,h ,

  где P_t- kh — фа ктиче с кая це на в тот ж е h час к дней назад; М - количе ст в о ра бочи х д ней. Для проверки гипоте з ы об эк в и в а л ент нос ти нейрос е те в ого пр огноза, полученного по LSTM-мод ел и , п рос тому у сре дн е н и ю ц е н з а пре дыд у щи й м есяц была выпол нена в а л и д ац и я резу л ьт а тов на да н ны х а пре л я 2021 г. Аг р е г и р ованн ые метр и ки п о всем 7 2 0 ч асам ап р е ля п о каза ли соп о с т ав и м ую т о чн о ст ь (т а б л. 2).

С практической точки зрения это означает, что как использование нейросетевого прогноза цен, так и простое усреднение цены предыдущего месяца приводят к одному и тому же решению по выбору ночного окна заряда и дневного разряда в контрольный час. В условиях типичной ценовой динамики оба метода обеспечивают сопоставимую точность (средняя относительная ошибка порядка 2 %), что подтверждает устойчивость самой стратегии управления накопителем. При этом использование LSTM-модели сохраняет ценность как более гибкого инструмента, способного адаптироваться к аномалиям и изменяющимся ценовым условиям, тогда как усреднение цены предыдущего месяца оправдано для практических расчётов в стабильных режимах. Таким образом, оба подхода могут быть применены на практике, а выбор между ними определяется требованиями к сложности модели и ожидаемой вариативностью цен.

Выводы

• 1.    Стоимость электроэнергии для потребителей III и IV ценовых категорий включает слагаемое, пропорциональное средней мощности в часы максимального совокупного потребления в регионе, которые заранее неизвестны и публикуются постфактум. Для снижения расходов предлагается использовать систему «потребитель – накопитель», которая минимизирует потребление из сети в прогнозируемые часы регионального пика (снижая плату за мощность) и заряжается в периоды минимальных цен на электроэнергию. Эффективность такого подхода зависит от прогнозирования часов максимального совокупного потребления и динамики цен в течение расчетного периода, что позволяет оптимизировать режимы работы накопителя.

• 2.    Установлено, что нейронная сеть на базе модели LSTM позволяет уверенно предсказывать почасовые цены на электроэнергию, включая тренды и пики, но низкоэффективна в предсказании часа максимального совокупного потребления из-за его непериодического характера.

• 3.    Наиболее эффективным способом определения часа максимального совокупного потребления является его фиксация на постоянном, статистически наиболее часто встречающемся значении.

• 4.    Предложен алгоритм работы накопителя, учитывающий возможности прогнозирования стоимости электроэнергии и часов максимального совокупного потребления. На примере потребителя селитебной зоны показано, что применение алгоритма позволяет почти вдвое уменьшить среднюю мощность в пиковые часы и сократить суммарные затраты на электроэнергию на 12,6–15,3 %.