Прогнозы потребления в энергосистеме можно подразделить на несколько видов.
1. Оперативный почасовой прогноз потребления для целей оперативного управления энергосистемой. (ПБР, РСВ)
2. Прогноз потребления на несколько суток вперед для целей ВСВГО.
3. Прогноз потребления для целей средне и долгосрочного планирования. (квартал, год).
Для каждого из указанных целей существуют свои наборы методов прогнозирования.
Потребление электроэнергии определяется различными факторами. На него влияет время суток, день недели, сезон и другие факторы. Один из непериодических факторов – погода. В разных регионах эта зависимость может сильно отличаться.
 |
Подробно процесс краткосрочного прогнозирования потребления (почасового, для нужд оперативного планирования (формирования ПБР) описан в Инструкции к программе «Энергостат» (далее – ИСП).
Рис.1 Функциональная схема формирования прогноза потребления.
При прогнозировании потребления важен учёт праздников и переносов рабочих дней. В инструкции реализован энергетический календарь, поддерживающий не только всероссийские, но и региональные праздники и особые даты, что позволяет более точно учитывать их влияние на потребление каждой энергосистемы. Система организована таким образом, чтобы к моменту, когда технолог, согласно регламенту планирования, начинает работу с прогнозом, требуемый тип прогноза уже был рассчитан автоматически и доступен пользователю для анализа и коррекции.
Таблица 1. Оценка точности прогноза потребления по рабочим дням в ИСП
| Оценка точности прогноза потребления по рабочим дням в ИСП, % | |||||||
| 01.01.2011 - 30.09.2011 | 1 СЗ ЕЭС (без ОЭС Сибири) | ОЭС Центра | ОЭС Средней Волги | ОЭС Урала | ОЭС Северо- Запада | ОЭС Юга | |
| математическое ожидание ошибки прогноза | ППБР | -0,11 | -0,07 | -0,14 | -0,04 | -0,05 | -0,05 |
| ПБР | -0,05 | -0,05 | -0,10 | 0,01 | -0,02 | -0,04 | |
| Среднеквадратическое отклонение | ППБР | 0,98 | 1,39 | 1,59 | 1,02 | 1,37 | 2,40 |
| ПБР | 0,75 | 1,18 | 1,33 | 0,86 | 1,12 | 1,82 | |
| Модуль ошибки | ППБР | 0,76 | 1,07 | 1,24 | 0,81 | 1,08 | 1,80 |
| ПБР | 0,59 | 0,93 | 1,04 | 0,68 | 0,89 | 1,42 | |
| Доверительный интервал (95%) | ППБР | 2,1 | 2,8 | 3,2 | 2,1 | 2,7 | 4,9 |
| ПБР | 1,5 | 2,4 | 2,7 | 1,7 | 2,2 | 3,7 |
Оценка показала соответствие предъявленным к ИСП техническим требованиям.
Таблица 1. Оценка точности прогноза потребления по рабочим дням в ИСП
| Оценка точности прогноза потребления по рабочим дням в ИСП, % | |||||||
| 01.01.2011 - 30.09.2011 | 1 СЗ ЕЭС (без ОЭС Сибири) | ОЭС Центра | ОЭС Средней Волги | ОЭС Урала | ОЭС Северо- Запада | ОЭС Юга | |
| математическое ожидание ошибки прогноза | ППБР | -0,11 | -0,07 | -0,14 | -0,04 | -0,05 | -0,05 |
| ПБР | -0,05 | -0,05 | -0,10 | 0,01 | -0,02 | -0,04 | |
| Среднеквадратическое отклонение | ППБР | 0,98 | 1,39 | 1,59 | 1,02 | 1,37 | 2,40 |
| ПБР | 0,75 | 1,18 | 1,33 | 0,86 | 1,12 | 1,82 | |
| Модуль ошибки | ППБР | 0,76 | 1,07 | 1,24 | 0,81 | 1,08 | 1,80 |
| ПБР | 0,59 | 0,93 | 1,04 | 0,68 | 0,89 | 1,42 | |
| Доверительный интервал (95%) | ППБР | 2,1 | 2,8 | 3,2 | 2,1 | 2,7 | 4,9 |
| ПБР | 1,5 | 2,4 | 2,7 | 1,7 | 2,2 | 3,7 |
Оценка показала соответствие предъявленным к ИСП техническим требованиям. Можно отметить низкий уровень систематической ошибки прогноза (математического ожидания) по всем ОЭС и ЕЭС.
К методам прогнозирования «на несколько дней вперед» относится «Методика прогнозирования графиков электропотребления для технологий краткосрочного планирования » утвержденная заместителем Председателя Правления ОАО "СО – ЦДУ ЕЭС" Н.Г. Шульгиновым14 декабря 2007 г.
Данная методика применяется в задачах краткосрочного планирования электроэнергетического режима работы ЕЭС России «на неделю вперед»; в формальной технологии выбора состава включенного генерирующего оборудования. (ВСВГО)
Методом моделирования ЭП, как случайного нестационарного процесса, является декомпозиция исходного процесса на регулярную (тренд) и нерегулярную составляющие. Тренд описывает устойчивые тенденции изменения процесса на интервале времени. Нерегулярная составляющая характеризует случайную непрогнозируемую часть потребления и вероятные отклонения фактических значений ЭП от тренда, выделенного из исходного процесса. Определение вида и параметров прогнозирующей модели выполняется путём аппроксимации известных значений ЭП на ретроспективном интервале времени и на интервале упреждения.
Методика использует следующие независимые переменных или влияющие факторы:
- время;
- суточные графики метеорологических параметров:
• температура;
• освещенность;
• влажность;
• осадки;
• скорость и направление ветра;
В качестве прогнозирующей модели ЭП могут быть использованы математически выраженные:
• регрессионные зависимости, имеющие в качестве аргументов влияющие факторы;
(В экономических исследованиях часто изучаются связи между случайными и неслучайными величинами. Такие связи называют регрессионными, а метод их изучения - регрессионным анализом.
Математически задача формулируется следующим образом. Требуется найти аналитическое выражение зависимости экономического явления (например, производительности труда) от определяющих его факторов; т.е. ищется функция y=f(x1, x2,..., xn), отражающая зависимость, по которой можно найти приближенное значение зависимого показателя y. В качестве функции в регрессионном анализе принимается случайная переменная, а аргументами являются неслучайные переменные).
• модели, представленные периодическим рядом Фурье;
• аддитивные (составные) функции, включающие наборы элементарных функций.
В качестве прогнозирующей модели ЭП может быть использована также обученная нейронная сеть.
Выбор конкретной прогностической модели осуществляется Системным оператором, исходя из анализа качества результатов прогнозирования потребления по территориям. В качестве основной прогностической модели, принимаемой «по умолчанию», рекомендуется использовать аддитивную модель, включающую в себя и регрессивную модель и модель, представленную рядом Фурье.
К долгосрочным основным методам прогнозирования потребления энергосистем относятся:
Нормативный метод. Нормативные методы основываются на использовании норм расхода энергии по основным видам продукции и секторам экономики. Использование нормативных методов предполагает прогнозирование удельных норм электропотребления на единицу продукции, на койко-место в больнице, на квартиру в многоквартирном доме и т.д.
Для определения величины нагрузки используются некоторые обобщенные показатели, коэффициенты, удельные нагрузки и удельные расходы электроэнергии, полученные на реальных предприятиях определенного типа, в процессе их эксплуатации.
Расчет ведется на основании таблиц удельной расчетной электрической нагрузки электроприемников квартир жилых домов, единицы выпускаемой продукции, единицы площади какого-либо помещения [3–5].
С точки зрения предлагаемой модели к достоинствам данного метода следует отнести то, что он довольно прост и не требует каких-либо сложных вычислений [2].
Метод обработки заявок потребителей. Прогнозирование на основе заявок потребителей достаточно эффективно для отдельных подстанций, узлов сети и менее эффективно для энергорайонов. Другими словами, относительная эффективность данного метода снижается по мере укрупнения территориального подразделения, т.е. по мере увеличения количества потребителей. С помощью этого метода возможно прогнозирование максимальной годовой нагрузки.
Линейный регрессионный анализ. Регрессионный анализ – метод обработки статистических данных, результатом которого является выявление зависимости случайной величины Y от переменных хj (j = 1, 2..., k), которые рассматриваются в регрессионном анализе как независимые.
Основной целью регрессионного анализа является определение связи между определенной величиной Y исследуемого явления или объекта и величинами х1, х2, …, хn, которые объясняют, влияют на изменение Y. Переменная Y называется зависимой переменной, влияющие переменные х1, х2, …, хn называются регрессорами. Задачами регрессионного анализа являются: установление формы зависимости, подбор модели регрессии, a также оценка параметров этой модели.
Ранговый анализ. Под ранговым распределением понимается распределение, полученное в результате процедуры ранжирования последовательности значений параметра, поставленных соответственно рангу. Ранжирование – процедура упорядочения объектов по степени выраженности какого-либо качества.
Нейросетевое программирование. Искусственные нейронные сети (ИНС) представляют собой вычислительные структуры, в которых моделируются процессы, схожие с процессами, происходящими в головном мозге человека.
Нейросети – это распределенные и параллельные системы, которые «умеют» адаптивно обучаться путем реакции на те или иные положительные и отрицательные воздействия.
Иску́сственная нейро́нная се́ть (ИНС) — математическая модель, а также её программное или аппаратное воплощение, построенная по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса. После разработки алгоритмов обучения получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.
ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие по отдельности простые процессоры вместе способны выполнять довольно сложные задачи.
Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами
Статистические методы основаны на построении и анализе динамических рядов параметров объектов прогнозирования. Наиболее распространены из этой группы экстраполяция, корреляционно-регрессионный анализ, интерполяция, метод аналогий, параметрический метод.
Экономико-математические методы предполагают использование математических моделей для прогнозирования основных параметров экономических процессов и взаимосвязей между ними.
Опережающие методы основаны на свойстве научно-технической информации опережать реализацию научно-технических достижений. Самый распространенный из них – анализ публикаций.