автореферат диссертации по электротехнике, 05.09.03, диссертация на тему:Моделирование электропотребления многономенклатурного предприятия для краткосрочного прогнозирования

На правах рукописи

у

Гофман Андрей Владимирович

МОДЕЛИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ МНОГОНОМЕНКЛАТУРНОГО ПРЕДПРИЯТИЯ ДЛЯ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ

Специальность 05.09.03 - «Электротехнические комплексы и системы»

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

2 6 СЕН 2013

Самара 2013

005533365

Работа выполнена на кафедре «Электрические станции» в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Самарский государственный технический университет» (г. Самара)

Научный руководитель - кандидат технических наук, доцент

ВЕДЕРНИКОВ Александр Сергеевич

Официальные оппоненты - доктор технических наук, заведующий кафедрой «Электроэнергетика и электроснабжение» ФГБОУ ВПО «Нижегородский государственный технический университет имени Р. Е. Алексеева», профессор ЛОСКУТОВ Алексей Борисович - кандидат технических наук, доцент кафедры АЭЭС ФГБОУ ВПО «Самарский государственный технический университет» ГУДКОВ Антон Владимирович Ведущая организация — Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Национальный исследовательский Томский политехнический университет»

Защита состоится «15» октября_2013 г. в 10 часов 00 мин. на заседании диссертационного совета Д 212.217.04 при ФГБОУ ВПО «СамГТУ» по адресу: 443100 г. Самара, ул. Первомайская д. 18, корпус №1, аудитория №4 (учебный центр СамГТУ-Электрощит)

Отзывы по данной работе в двух экземплярах, заверенные печатью, просим направлять по адресу: 443100, г. Самара, ул. Молодогвардейская 244, Главный корпус, ученому секретарю диссертационного совета Д 212.217.04; тел.: (846) 278-44-96, факс (846) 278-44-00; e-mail: aleksbazarov@yandex.ru.

С диссертацией можно ознакомиться в библиотеке Самарского государственного технического университета (г. Самара, ул. Первомайская, 18)..

Автореферат разослан «73 » 09 2013 г.

Ученый секретарь диссертационного совета Д212.217.04, доктор

технических наук, доцент Г^ Базаров A.A.

I. ОБЩАЯ ХАРАКТЕРИСТИКА ДИССЕРТАЦИОННОЙ РАБОТЫ

Актуальность темы. В отечественных и зарубежных исследованиях проблеме краткосрочного прогнозирования электропотребления промышленных предприятий уделялось значительное внимание. В настоящее время для краткосрочного прогнозирования электропотребления предприятий зачастую применяют регрессионные методы, основанные на использовании линейных моделей. Современные российские предприятия вынуждены следовать покупательскому спросу. Для этого им приходится осваивать выпуск новых видов продукции. При этом зачастую на одном предприятии или в одном цехе выпускается продукция различной номенклатуры. Такие предприятия являются многономенклатурными. Особенностями технологического процесса многономенклатурных предприятий являются неоднородный во времени технологический процесс с изменяющимися режимами работы оборудования предприятия и изменение номенклатуры выпускаемой продукции.

Зачастую многономенклатурные предприятия обеспечивают электроснабжение бытовых потребителей через свои внутренние электрические сети. Бытовая нагрузка в последнее время претерпела значительные изменения своей структуры - увеличилась доля расходов электроэнергии на отопление и кондиционирование, это привело к значительному влиянию метеофакторов на величину электропотребления бытовой нагрузки. Подобные предприятия имеют нелинейную зависимость своего электропотребления от метеофакторов и сложность в определении факторов, характеризующих технологический процесс, для его учета при краткосрочном прогнозировании электропотребления с применением традиционных методов.

Развитие методов с использованием нелинейных элементов — искусственных нейронных сетей (ИНС) позволило использовать их для краткосрочного прогнозирования электропотребления. Разработаны модели ИНС для прогнозирования электропотребления предприятий, имеющих основной цикл продукции одного вида, как правило, добывающей или перерабатывающей промышленности.

В настоящее время большинство российских предприятий — потребителей электроэнергии покупает или планирует покупать электроэнергию на оптовом рынке электроэнергии и мощности (ОРЭМ). Для экономически эффективного приобретения электроэнергии на ОРЭМ потребителю необходимо обеспечить высокую точность краткосрочного прогнозирования своего электропотребления, так как финансовые механизмы ОРЭМ предполагают применение штрафных санкций в случае отклонения фактического электропотребления от прогнозного.

Таким образом, требуется разработка модели электропотребления многономенклатурного предприятия, имеющего неоднородный во времени технологический процесс с изменяющимися режимами работы оборудования предприятия, нередкой сменой номенклатуры выпускаемой продукции и учетом бытовой доли нагрузки, применяемой для прогнозирования электропотребления. Это обуславливает актуальность диссертационной работы.

Объект исследования - системы электроснабжения многономенклатурных промышленных предприятий и их часовой график электропотребления.

Целью работы является разработка математической модели часового электропотребления многономенклатурного предприятия с учетом особенностей технологического процесса и бытовой нагрузки.

Задачи исследования. Для достижения поставленной цели в диссертационной работе сформулированы и решены следующие задачи:

• Разработка метода учета особенностей технологического процесса многономенклатурного предприятия;

• Разработка усовершенствованной методики учета доли бытовой нагрузки в электропотреблении многономенклатурного предприятия;

• Разработка усовершенствованной структуры модели искусственной нейронной сети (ИНС) прямого распространения для краткосрочного прогнозирования электропотребления многономенклатурного предприятия;

• Исследование разных вариантов ИНС для оценки влияния состава входной информации на точность прогнозирования и проведение сравнительного анализа с существующим методом.

Основные методы научных исследований.

Для решения задач использованы методы статистического анализа, методы нейросетевого моделирования электропотребления. Методы статистического анализа являются основой при проведении отбора входных параметров модели электропотребления предприятия. Методы нейросетевого моделирования позволили создать ИНС, моделирующую часовое электропотребление многономенклатурного предприятия. Научная новизна:

• Разработан метод учета особенностей технологического процесса многономенклатурного предприятия в моделировании краткосрочного электропотребления, основанный на применении параметра трудозатрат;

• Разработана методика учета температуры наружного воздуха при краткосрочном прогнозировании электропотребления, основанная на применении скользящего среднего;

• Усовершенствована структура ИНС с одним выходом, представляющая собой набор ИНС, выполняющих прогнозирование электропотребления одного конкретного часа суток.

Практическая ценность:

• Разработан метод, позволяющий моделировать особенности технологического процесса многономенклатурного предприятия для краткосрочного прогнозирования электропотребления;

• Разработана методика, позволяющая выполнять краткосрочное прогнозирование с учетом внутрисуточных изменений температуры наружного воздуха;

• Разработана и реализована в виде программного продукта модель ИНС, состоящая из кластеров ИНС с одним выходом, прогнозирующих «свой» час.

Достоверность полученных результатов.

Достоверность научных положений, выводов и результатов работы подтверждена удовлетворительным совпадением спрогнозированных значений электропотребления, выполненных с применением разработанной модели, с фактическими данными.

Реализация результатов работы.

Результаты диссертационной работы успешно апробированы при краткосрочном прогнозировании электропотребления предприятия ЗАО "Группа компаний "Электрощит"-ТМ Самара» и используются в учебном процессе по направлению 140400 «Электроэнергетика и электротехника» на базе кафедр «Электрические станции» и «Автоматизированные электроэнергетические системы» по учебному плану специализированной магистерской программы «Управление режимами электроэнергетических систем» СамГТУ и на базе кафедры электроэнергетических систем Энергетического Института ФГБОУ ВПО НИ ТПУ по учебному плану специализированной магистерской программы «Управление режимами электроэнергетических систем».

Основные положения, выносимые на защиту:

• Метод учета особенностей технологического процесса многономенклатурного предприятия в моделировании краткосрочного электропотребления, основанный на применении параметра трудозатрат;

• Методика учета доли бытовой нагрузки многономенклатурного промышленного предприятия, основанная на применении среднесуточной температуры, определяемой по методу скользящего среднего;

• Применение для прогнозирования набора ИНС, выполняющих прогнозирование электропотребления одного конкретного часа суток.

Апробация работы. Основные положения диссертации докладывались и обсуждались на Международной научно-технической конференции «Энергоэффективность и энергобезопасность производственных процессов» (г. Тольятти, 2009 г.); V открытой молодежной научно-практической конференции «Диспетчеризация в электроэнергетике: проблемы и перспективы» (г. Казань, 2009 г.); Всероссийской научно-технической конференции «Электроэнергетика глазами молодежи» (г. Екатеринбург, 2010 г.); 16-й и 19-й Международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика» (г. Москва, 2010 и 2013 г.); И международной научно-практической конференции «Энергосбережение, электромагнитная совместимость и качество в электрических системах» (г. Пенза, 2011 г.); Международной научно-технической конференции «Электроэнергетика глазами молодежи» (г. Самара, 2011 г.).

Кроме этого, материалы диссертации обсуждались на научно-технических семинарах кафедр «Автоматизированные электроэнергетические системы» и «Электрические станции» ФГБОУ ВПО Самарский государственный технический университет за период с 2008 по 2011 годы.

Публикации. По теме диссертации опубликовано 11 печатных работ: 3 статьи в изданиях из списка ВАК, 5 статей в других изданиях и 3 тезиса докладов на Международных и Всероссийских конференциях.

Структура и объем работы. Диссертация состоит из введения, пяти глав, заключения, списка литературы из 99 наименований, приложения и содержит 135 стр. основного текста.

II. КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается научная и практическая актуальность, формулируются цель, научные и практические задачи диссертационной работы. Описаны цели и задачи проводимого исследования и намечены предполагаемые методы их решения. Показаны научная новизна и практическая значимость работы, приводятся основные положения, выносимые на защиту.

В первой главе выполнен анализ разработанных и используемых методов прогнозирования электропотребления промышленного предприятия.

Выполнен обзор работ, опубликованных в отечественной и зарубежной технической литературе, посвященных прогнозированию электропотребления промышленного предприятия. Известны работы следующих авторов -Комиссарчик В.Ф., Мозгалин A.B., Дулесов В.А., Бажинов А.Н., Манусов В.З., Родыгина C.B., Седов A.B., Кушнарев Ф.А., Шумилова Г.П., Готман Н.Э., Старцев Т.Б., Круглов В.В., Борисов В.В., Гордиенко Е.К., Лукьяниц A.A., Харитонов Е.В. и др.

Анализ данных работ показывает актуальность задачи часового прогнозирования электропотребления промышленных предприятий. Для краткосрочного прогнозирования электропотребления промышленного предприятия на практике используются регрессионные или экспертные методы. Произошедшее в последнее время изменение структуры нагрузки - значительный рост доли коммунально-бытовой и непромышленной нагрузки предполагает существенное на неё влияние метеорологических факторов, как это показано в работах Макоклюева Б.И., Владимирова А.И., Фефеловой Г.И., Надто-ки И.И., Губского С.О., Демуры A.B., Ваколюка А.Я., Горбачёва В.В.

Развитие теории искусственного интеллекта позволило использовать для прогнозирования методы, основанные на применении ИНС. В настоящее время выполнено множество различных ИНС, осуществляющих прогнозирование электропотребления. В зарубежной практике широко используются ИНС для прогнозирования электропотребления энергосистем и предприятий. В отечественной практике краткосрочного и оперативного прогнозирования электропотребления предложены к использованию ИНС, в которых не учитываются метеофакторы, либо отсутствует возможность учета нерегулярности технологического процесса - широкого спектра выпускаемой продукции с неравномерными объемами её выпуска.

Во второй главе выполнен анализ статистической информации для определения входных величин модели. Для этого проанализированы временные ряды электропотребления и параметров технологического процесса.

Анализ фактических данных временного ряда электропотребления позволил определить состав фактических исходных данных для прогнозирования. Анализ выполнен с применением автокорреляционной функции (АКФ):

¥(?) = \/ (ОД'-* (1)

АКФ позволила определить наличие линейной тенденции - связь временного ряда с копией самого себя, смещённого на величину т, что позволяет определить характерные для временного ряда факторы, описывающие его свойства.

Для анализа использованы интегральные часовые данные фактического электропотребления промышленного предприятия ЗАО "Группа компаний "Электрощит"-ТМ Самара" за 2009-2012 гг., в кВт.ч из базы данных АСКУЭ предприятия. Использование данных АСКУЭ, соответствующей требованиям, предъявляемым к данным системам оператором торговой системы оптового рынка электроэнергии, позволяет судить о достоверности исходных данных фактического электропотребления. По этим данным построена коррело-грамма с шагом г от 1 до 999 часов, представленная на рисунке 1.

Рис.1. График коэффициента автокорреляции ЗАО «ГР Электрощит»

Согласно общей классификация корреляционных связей, связь является сильной при коэффициенте корреляции Ц/{т) > 0,70. Построенная коррело-грамма показывает, что значения коэффициента автокорреляции, большие 0,7, кратны значениям лага, равным 24 и 168 часов. Это свидетельствует о наибольшем влиянии на значение прогнозируемого часа значений того же часа предыдущих суток и суток неделю назад.

Выполнен анализ технологического процесса производства предприятия.

Предприятие имеет широкий спектр выпускаемой продукции:

- Комплектные трансформаторные подстанции - 12 наименований;

- Устройства комплектные распределительные - 8 наименований;

- Электрические аппараты - 13 наименований;

- Вакуумные выключатели - 3 наименования;

- Трансформаторы силовые- 3 наименования и измерительные - 7 наименований;

- Камеры одностороннего обслуживания, пункты секционирования, щиты распределительные, выключатели автоматические;

- Товары народного потребления - панели ППУ, фасадные элементы (конек, сливы), штакетник, металлочерепица, сайдинг, профиль оцинкованный.

Предприятие имеет множество цехов, распределенных по большой территории, а также промышленную и бытовую нагрузку, подключенную через внутреннюю сеть электроснабжения, схематично представленную на рисунке 2.

Рис.2. Схема электроснабжения предприятия ЗАО "Группа компаний "Электрощит"-ТМ Самара"

Продукция может выпускаться как в одном цехе, так и иметь сложный производственный цикл в нескольких цехах (сварочный, сборочный, окрасочный и т.д.). Анализ производственной информации показал наличие в планово-экономическом отделе данных о фактических и планируемых трудозатратах Q3 по производству всех видов продукции:

б*(0 = £а,(0*2Ц0,

(2)

Л=1

где: Qn(t) - трудоемкость номенклатуры продукции при изготовлении данного вида продукции в течении одних суток или трудоемкость производственных операций, совершаемых по производству данного вида продукции в течении одних суток, нормочас/ед;

В(1) — объем выпуска номенклатуры продукции, для изделий, изготавливаемых более одних суток равен 1, ед.;

? - период времени, сутки;

т - количество различного по номенклатуре вида продукции, ед.

На рисунке 3 показано графическое соотношение средесуточных значений трудоемкости и электропотребления за 2010 год.

25000,00 х-ж 10000

/хнормочас кВт.час

20000,00 15000,00 10000,00 5000,00

0,00

01.01.2010 01.04.2010 01.07.2010 01.10.2010

Рис.3. График среднесуточных значений трудоемкости и электропотребления

Для анализа влияния трудозатрат на временной ряд фактических данных электропотребления рассчитан коэффициент корреляции среднесуточных трудозатрат и значений среднесуточного электропотребления, который составил 0,462 ед. Такое значение характеризует умеренную корреляционную связь электропотребления предприятия и среднесуточных трудозатрат. Это позволяет использовать в качестве входной информации ИНС данные о трудозатратах на производство.

В третей главе разработан метод учета особенностей бытовой нагрузки при прогнозировании электропотребления многономенклатурного предприятия.

Бытовая нагрузка характеризуется сильной зависимостью от природных факторов: температуры наружного воздуха, освещенности, скорости и направления ветра.

Промышленное предприятие ЗАО "Группа компаний "Электрощит"-ТМ Самара" имеет подключенную нагрузку бытового электропотребления, составляющую 7% от номинальной потребляемой мощности. Кроме того на предприятии выполнены системы отопления и кондиционирования электро-

потребление которых, составляет до 10% от номинальной потребляемой мощности.

Температура наружного воздуха регистрируется датчиком, установленному на внутренней территории предприятия.

Резкие изменения температуры наружного воздуха, происходящие в течение суток, снижают точность часового прогнозирования с применением среднесуточной температуры из-за наличия эффекта запаздывания влияния температуры на электропотребление, характер которого различен для разных времен года, максимальных достигаемых значений и продолжительности снижения или роста температуры.

Анализ влияния температуры наружного воздуха за прошедшие часы от прогнозируемого часа Х-т, в различные времена года, выполнен для определения периода, температура наружного воздуха в котором оказывает наибольшее влияние на электропотребление. На рисунке 4 показаны значения коэффициента корреляции суточного графика электропотребления с графиком температуры наружного воздуха, сдвинутым на т часов назад для февраля, марта, июля и октября 2010 -2011 гг.

А У(г) ^ —

^^ ......Февраль -Апрель //

чч 4 — — Июль — • Октябрь

\ ч. Ч N. \ \ /'

\ \ /1 / '

> \ \ / ' о ■/ /

N \А'

4 / \ X 7 х .■■ Сдвиг, час

1 2 3 4 5 6 7 8 9 10 11 12 13 И 15 16 17 18 19 20 21 22 23 24 Рис.4. График коэффициентов корреляции для февраля, марта, июля и октября

Для разных периодов зависимость этого влияния различная, что не позволяет однозначно выделить период, который наилучшим образом характеризует влияние температуры наружного воздуха на электропотребление. Таким образом, для модели, выполняющей часовое прогнозирование, наиболее точным параметром, описывающим данное влияние, является среднесуточная температура.

Методика применения среднесуточной температуры при прогнозировании одного часа усовершенствована путем использования в качестве входной информации ИНС среднесуточной температуры, отсчитываемой с прогнози-

руемого часа - температуры наружного воздуха Г, определяемой по методу простого скользящего среднего:

Д о, (3)

Скользящее среднее рассчитывается за 24 предыдущих часовых интервала для часа, для которого выполняется прогнозирование электропотребления.

Данный вариант аналогичен по степени своего влияния на электропотребление значениям среднесуточной температуры наружного воздуха. Отличие заключается лишь в «приближении» этого влияния на значение электропотребления «своего» часа.

Корреляционный анализ графика суточного электропотребления и двух значений температуры наружного воздуха - среднесуточной и среднесуточной температуры, определяемой по методу простого скользящего среднего, дает значения коэффициента корреляции соответственно 0,467 и 0,478, что указывает на превосходство второго варианта. Возможность его использования подтверждается построенными совмещенными графиками электропотребления и среднесуточной температуры, определяемой по методу простого скользящего среднего, упорядоченными по возрастанию температуры (рисунки 5, 6). Графики построены за один час рабочих дней. Ночные часы выбраны для исключения влияния освещенности и технологического процесса на результаты исследований. Для исследований использованы данные за один месяц, в пределах которого не происходило значительное изменение состава и параметров потребителей. Полученные совмещенные графики скользящей средней температуры наружного воздуха и электропотребления предприятия, упорядочены по возрастанию температуры наружного воздуха.

Графики рисунков 5 и 6 выражают обратную для декабря и прямую для июля зависимости электропотребления от скользящей средней температуры наружного воздуха.

5500 5000 4500 4000 3500 3000 2500 2000

Потребление, кВт.час

Температура, С X

— — "Ч

\ / I / V

— — Потребление -Температура

I—I-I—I-I—I—I—I-I—г

234 5 6789101

-1—I I I—11111—I—I—I I ■

11213141516171819202122232425

10

5

0

-5

-10

-15

-20

-25

Рис.5. График скользящей средней температуры наружного воздуха и электропотребления предприятия за 4-й час декабря 2010г.

4600 4400 4200 4000 3800 3600 3400 3200 3000

' ^ Потребление, кВт.час

Температура, С А

Потребление Температура

г 35

30 25 20 15

■ ■ ■ ■

10

1 2 3 4 5 6 7 Я 9 1011 1213 1415 16171819 20 21

Рис. 6. График скользящей средней температуры наружного воздуха и электропотребления предприятия за 4-й час июля 2011 г.

Таким образом, решение задачи краткосрочного и оперативного прогнозирования электропотребления предприятия описывается следующим образом:

Р(0 = ( Що- ■ гп->) + О(10.. 1п_,)) * Щ *К(Т3), (4)

где: Р(1) —прогнозируемое значение электропотребления; ¡¥(1), О (г) —недельный и суточный тренды;

К(0 — корректирующая функция, учитывающая температуру наружного воздуха;

К(Т3) — корректирующая функция, учитывающая изменения технологического процесса. В четвертой главе выполнено создание модели ИНС для прогнозирования электропотребления предприятия с применением данных технологического процесса и температуры наружного воздуха, на границе учета предприятия по договорам о присоединении к торговой системе оптового рынка.

Задача создания ИНС, выполняющей прогнозирование электропотребления, состоит из определения оптимальной её структуры и набора входных переменных. Построение структуры такой ИНС предполагает следующие варианты:

1. Сеть с несколькими выходами, сразу выполняющая прогнозирование на несколько часов вперед, как правило, на все сутки либо до конца суток. Именно такую структуру используют существующие разработки при применении ИНС для краткосрочного или оперативного прогнозирования электропотребления. Характеризуется сложными алгоритмами обучения, необходимыми для преодоления главной проблемы подобной структуры — при обучении ИНС каждый выход пытается настроить сеть под себя, мешая тем самым другим выходам и создавая заведомо большую ошибку прогнозирования. Ввиду данных недостатков, данный вариант не рассматривался.

2. Сеть с одним выходом. Данный вариант имеет значительно упрощенный, по сравнению с вариантом 1, процесс обучения сети. Возможны вариации:

2.1. ИНС с одним выходом, выполняющая прогнозирование всех часовых значений. Широко распространенный вариант в практике применения ИНС.

2.2. Предложенный в данной работе вариант ИНС, представляющий кластер ИНС, прогнозирующих «свой» час суток.

Для сравнения традиционного варианта 2.1 и предложенного варианта 2.2 выполнена практическая работа по созданию моделей ИНС этих вариантов и сравнение результатов ошибки прогнозирования. Схема ИНС для прогнозирования одного часа показана на рисунке 7.

Фактическое электропотребление предыдущих суток в час X, МВт

1 СЛОЙ

Фактическое элекгропотребление суток год назад в час

Температура за предыдущие сутки, °С

Температура за сутки неделю назад, °С

Температу ра за сутки год назад, °С

Прогнозная температура, °С

Среднесуточные трудозатраты за сутки неделю назад, чел .час

Номер недели, о.е.

Номер дня недели, о.е.

2 слой

трудозатраты за предыдущие сутки.

трудозатраты в прогнозные сутки.

Рис. 7. Структура ИНС, выполняющей прогнозирование электропотребления предприятия на один час

При разработке ИНС использована модель двухслойного персептрона, так как такая модель имеет быстро обучаемую структуру и обладает свойством экстраполяции данных. В соответствии с теоремой Хехт-Нильсена, такая ИНС может моделировать функцию практически любой степени сложности.

Элементы 1-го и 2-го слоев представляют собой передаточную функцию вида:

т = >0' (5)

где: Ъ- коэффициент передаточной функции нейрона.

Созданные ИНС имеют идентичную структуру с двумя скрытыми слоями: первый слой — с количеством нейронов, равным количеству входных сигналов и второй слой — с двумя нейронами. Обучение сетей выполнено с использованием одинаковых алгоритмов - метода обратного распространения и метода сопряженных градиентов.

Результаты прогнозирования для вариантов 2.1 и 2.2 приведены на рисунке 8.

Рис. 8. Значения ошибки прогнозирования для вариантов 2.1 и 2.2

ИНС вариантов 2.1 и 2.2 имеют примерно одинаковое время обучения, в варианте 2.1 — это длительный процесс обучения сети на большом количестве примеров, в варианте 2.2 — быстрый процесс обучения ИНС в количестве 24 штуки.

Учитывая это, а также то, что вариант 2.2 имеет меньшую ошибку прогнозирования, его следует признать оптимальным для краткосрочного прогнозирования.

В пятой главе выполнен анализ результатов созданных ИНС для прогнозирования электропотребления предприятия.

В ходе экспериментальной работы выполнен прогноз электропотребления многономенклатурного предприятия тремя вариантами ИНС и с использованием существующего регрессионного метода:

A. ИНС, в качестве входной информации используются данные значений фактического электропотребления, входы ИНС - 1,2,3,11,12 рисунка 7;

Б, ИНС, в качестве входной информации используются данные фактического электропотребления, скользящей средней суточной температуры и прогнозной скользящей средней суточной температуры, входы ИНС - 1-7,11,12 рисунка 7;

B. ИНС, в качестве входной информации используются данные фактического электропотребления, скользящей средней суточной температуры, прогнозной скользящей средней суточной температуры, фактических и планируемых трудозатрат, входы ИНС - К12 рисунка 7;

Г. Регрессионный метод.

Использована существующая множественная регрессионная модель:

Х(0 = 737,193 + 0,325 * Хгод (0 + 0,577 * ХНЕД(/) - 0,0384* Хвч (?), (6)

где: Хгод, ХНЕД, Хвч - соответственно электропотребление за данный час год назад, неделю назад и вчера, кВт.час.

Значения ошибки прогнозирования электропотребления с применением данных вариантов изображены на рисунке 9.

Рис. 9. График значений ошибки прогнозирования электропотребления

Нелинейность зависимости электропотребления от температуры наружного воздуха и показателей производства ИНС, разработанной по варианту В, показана построением поверхностей отклика зависимости прогнозного значе-

ния электропотребления от параметров среднесуточных трудозатрат и температуры наружного воздуха, представленных на рисунке 10. Эти поверхности имеют сильно различающийся характер для различных часов различных периодов года. Это свидетельствует о значительной нелинейности данной зависимости. Например, значения электропотребления для температуры, ниже 0°С, для варианта 10-го часа 1 февраля, значительно зависят и от трудозатрат и от температуры. Аналогично для варианта 10-го часа 19 июля, трудозатраты и температура почти не оказывают влияния на величину электропотребления в отрицательной области температур.

1 февраля, 10-й час

Рис. 10. Поверхности отклика ИНС

Для оценки достоверности моделирования выполняется проверка адекватности модели. Проверка адекватности производится путем проверки превышения расчетного числа Фишера над табличным:

-^-->*■(«;/,;/.), (7)

/=1

где: N - объем обучающей выборки; к - количество входов ИНС;

У1ф - фактическое значение электропотребления;

Ушин - прогнозное значение электропотребления.

Значения расчетного и табличного чисел Фишера для ИНС с входами 1н-12 рисунка 6, изображены на рисунке 11.

Рис. 11. Расчетные и табличные значения чисел Фишера

Полученный график на рисунке 10 показывает, что расчетные значения чисел Фишера превосходят табличную величину для всех ИНС, что позволяет судить об адекватности разработанных моделей.

В заключении сформулированы результаты решения поставленных задач, которые позволяют сделать вывод о достижении поставленной цели диссертационной работы. Основные научные и практические результаты диссертационной работы заключаются в следующем:

1. Разработан метод учета особенностей технологического процесса с изменяющимися режимами работы оборудования предприятия и изменением номенклатуры выпускаемой продукции. Разработанный механизм опирается на параметр суммарных трудозатрат на производство. Практической работой доказано улучшение качества краткосрочного прогнозирования с применением данного метода.

2. Разработана методика учета внутрисуточных изменений температуры наружного воздуха при моделировании часового электропотребления, основанная на применении температуры, определяемой по методу простого скользящего среднего за 24 предшествующих часа. Практическая работа подтвердила возможность её применения для краткосрочного прогнозирования и доказала преимущества её применения.

3. Разработана модель для краткосрочного прогнозирования электропотребления, состоящая из группы 24-х ИНС, каждая из которых создана для одного конкретного часа суток. Практическая работа доказала её преимущества перед традиционным подходом к структуре ИНС.

4. Выполнено исследование ИНС с различным набором входной информации и проведено сравнение результатов краткосрочного прогнозирования с существующим методом. Практическая работа показала, что применение па-

раметров температуры, рассчитываемой по методу простого скользящего среднего и суммарных трудозатрат на производство, позволяет снизить ошибку прогнозирования многономенклатурного предприятия на величину до 0,47%. Максимальное улучшение прогнозных показателей по сравнению с существующим методом составило -1,48%, среднее - 0,79% или, по итогам 2011 года, 327,5 тыс.кВт.час.

Основное содержание работы отражено в следующих публикациях:

В изданиях по списку ВАК:

1. Гофман A.B. Определение набора входных данных для искусственной нейронной сети, выполняющей прогнозирование электропотребления Самарской энергосистемы [Текст] / Гофман A.B., Ведерников A.C., Добросотских A.C.// Электромеханика. Известия ВУЗов. Специальный выпуск «Электроснабжение». - Новочеркасск: ЮРГТУ (НИИ), 2009. - С. 30-32.

2. Гофман A.B. Применение скользящего смещения средней температуры при прогнозировании электропотребления [Текст] / Гофман A.B., Ведерников A.C., Шелушенина О.Н.// Вестник Самарского государственного технического. Серия «Технические науки». — Самара: СамГТУ, 2012. — №1(33). — С. 114-118.

3. Гофман A.B. Повышение точности краткосрочного и оперативного прогнозирования электропотребления энергосистемы с применением искусственной нейронной сети [Текст] / Гофман A.B. , Ведерников A.C., Ведерникова Е.С.// Электрические станции. Москва: НТФ «Энергопрогресс», 2012 №6.-С. 27-31.

В других изданиях:

4. Гофман A.B. Повышение эффективности прогнозирования электропотребления Самарской энергосистемы [Текст] / Гофман A.B. , Ведерников A.C., Ведерникова Е.С. // Энергоэффективность и энергобезопасность производственных процессов. Труды Междунар. научно-техн. конф. студ., магистр. и асп. - Тольятти: ТГУ, 2009. - С. 34-35.

5. Гофман A.B. Выбор состава обучающей выборки для искусственной нейронной сети в задаче прогнозирования электропотребления [Текст] / Гофман A.B. , Ведерников A.C., Ведерникова Е.С. // Радиоэлектроника, электротехника и энергетика: Тез. докл. 16-ой междунар. науч. — техн. конф. студентов и аспирантов. М.: Изд. дом МЭИ, 2010 Т.4. - С. 379-380.

6. Гофман A.B. Учет температуры наружного воздуха при создании ИНС в задаче краткосрочного прогнозирования электропотребления энергосистемы. [Текст] // Диспетчеризация в электроэнергетике: проблемы и перспективы: Материалы докладов V открытой молодежной научно-практической конференции. - Казань: Казан.гос.энерг.ун-т, 2011 Т.2. - С. 30-34

7. Гофман A.B. Учет температуры наружного воздуха при создании искусственной нейронной сети в задаче краткосрочного прогнозирования электропотребления Самарской энергосистемы [Текст] / Гофман A.B., Ведерников A.C., Гольдштейн ВТ.// Электроэнергетика глазами молодежи: Научные

труды всероссийской научно-технической конференции.-

Екатеринбург:УрФУ, 2010 Т.1. - С. 334 - 337.

8. Гофман A.B. Распределение алгоритма прогнозирования электропотребления по территории энергосистемы на уровень энергообъектов [Текст] / Гофман A.B. , Ведерников A.C.// Энергосбережение, электромагнитная совместимость и качество в электрических системах: Сборник статей II Международной научно-практической конференции.- Пенза, 2011. - С. 18-21.

9. Гофман A.B. Обеспечение точности исходных данных для расчета режима двухцепных ЛЭП в электрической сети [Текст] / Гофман A.B., Ведерников A.C. // Электроэнергетика глазами молодёжи: научные труды международной научно-технической конференции: сборник статей. - Самара: СамГТУ, 2011. Т.1.- С. 159-164.

10. Гофман A.B. Определение экономической целесообразности внедрения ИНС для потребителей ОРЭМ [Текст] // Электроэнергетика глазами молодёжи: научные труды международной научно-технической конференции: сборник статей. - Самара: СамГТУ,2011. Т.2. - С.359-362.

11. Гофман A.B. Усовершенствование методики прогнозирования многономенклатурного предприятия с учетом производственной деятельности [Текст] / Карнаухова Е.А., Ведерников A.C., Гофман A.B. // Радиоэлектроника, электротехника и энергетика: Тез. докл. 16-ой междунар. науч. — техн. конф. студентов и аспирантов. М.: Изд. дом МЭИ, 2013 Т.4.. - С. 269.

Личный вклад автора. В работах [1-5, 8, 11] автору принадлежат разработка математических моделей, расчетная часть и выводы, а в работах [7, 9] постановка задачи и методический подход.

Автореферат отпечатан с разрешения диссертационного совета Д 212.217.014 ГОУ ВПО Самарский государственный технический университет (протокол №_от_.2013 г.)

Заказ №2013/60825 Тираж 100 экз.

Отпечатано в типографии ООО "Типография Галеон" 125315, г. Москва, ул. Часовая, д.16, стр. 6

Министерство образования и науки Российской Федерации

Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования Самарский государственный технический университет

МОДЕЛИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ МНОГОНОМЕНКЛАТУРНОГО ПРЕДПРИЯТИЯ ДЛЯ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ

Специальность 05.09.03 - «Электротехнические комплексы и системы»

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель -кандидат технических наук Ведерников A.C.

Самара 2013

Оглавление

ВВЕДЕНИЕ.................................................................................................................3

ГЛАВА 1. ОБЗОР МЕТОДОВ КРАТКОСРОЧНОГО

ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ........................................9

1.1. Методы краткосрочного прогнозирования..............................................9

1.2. Применение ИНС для краткосрочного прогнозирования электропотребления...........................................................................................14

1.3. Краткосрочное прогнозирование электропотребления предприятий с применением ИНС.............................................................................................19

1.4. Выводы по главе 1 и постановка задачи диссертационного исследования.......................................................................................................23

ГЛАВА 2. АНАЛИЗ ВХОДНЫХ ПАРАМЕТРОВ МОДЕЛИ ЧАСОВОГО ПОТРЕБЛЕНИЯ МНОГОНОМЕНКЛАТУРНОГО ПРЕДПРИЯТИЯ........24

2.1. Определение входных параметров модели электропотребления........24

2.2. Анализ временных рядов электропотребления.....................................25

2.3. Моделирование особенностей технологического процесса.................32

2.4. Выводы по главе 2....................................................................................43

ГЛАВА 3. УЧЕТ ОСОБЕННОСТЕЙ БЫТОВОЙ НАГРУЗКИ.....................44

3.1. Определение параметров, характеризующих бытовую нагрузку........44

3.2. Применение параметра среднесуточной температуры, определяемой по методу скользящего среднего......................................................................56

3.3. Выводы по главе 3....................................................................................61

ГЛАВА 4. РАЗРАБОТКА МОДЕЛИ ПО МЕТОДУ ИНС...............................62

4.1. Разработка структуры модели электропотребления многономенклатурного предприятия...............................................................62

4.2. Практический выбор оптимальной модели............................................68

4.3. Выводы по главе 4....................................................................................71

ГЛАВА 5. ПРАКТИЧЕСКИЙ АНАЛИЗ РАЗРАБОТАННОЙ МОДЕЛИ. ...72

5.1. Оценка точности краткосрочного прогнозирования электроэнергии. 72

5.2. Оценка адекватности разработанной ИНС............................................79

5.3. Выводы по главе 5..................................................................................122

ЗАКЛЮЧЕНИЕ.....................................................................................................123

БИБЛИОГРАФИЧЕСКИЙ СПИСОК..............................................................124

ПРИЛОЖЕНИЕ.....................................................................................................136

ВВЕДЕНИЕ

Актуальность темы.

В отечественных и зарубежных исследованиях проблеме краткосрочного прогнозирования электропотребления промышленных предприятий уделялось значительное внимание. В настоящее время для краткосрочного прогнозирования электропотребления предприятий зачастую применяют регрессионные методы, основанные на использовании линейных моделей. Современные российские предприятия вынуждены следовать покупательскому спросу. Для этого им приходится осваивать выпуск новых видов продукции. При этом зачастую на одном предприятии или в одном цехе выпускается продукция различной номенклатуры. Такие предприятия являются многономенклатурными. Особенностями технологического процесса многономенклатурных предприятий является неоднородный во времени технологический процесс с изменяющимися режимами работы оборудования предприятия и изменением номенклатуры выпускаемой продукции.

Зачастую многономенклатурные предприятия обеспечивают электроснабжение бытовых потребителей через свои внутренние электрические сети. Бытовая нагрузка в последнее время претерпела значительные изменения своей структуры - увеличилась доля расходов электроэнергии на отопление и кондиционирование, это привело к значительному влиянию метеофакторов на величину электропотребления бытовой нагрузки. Подобные предприятия имеют нелинейную зависимость своего электропотребления от метеофакторов и сложность в определении факторов, характеризующих технологический процесс, для его учета при краткосрочном прогнозировании электропотребления с применением традиционных методов.

Развитие методов с использованием нелинейных элементов -искусственных нейронных сетей (ИНС) позволило использовать их для

краткосрочного прогнозирования электропотребления. Разработаны модели ИНС для прогнозирования электропотребления предприятий, имеющих основной цикл продукции одного вида, как правило, добывающей или перерабатывающей промышленности.

В настоящее время большинство российских предприятий - потребителей электроэнергии покупает или планирует покупать электроэнергию на оптовом рынке электроэнергии и мощности (ОРЭМ). Для экономически эффективного приобретения электроэнергии на ОРЭМ потребителю необходимо обеспечить высокую точность краткосрочного прогнозирования своего электропотребления, так как финансовые механизмы ОРЭМ предполагают применение штрафных санкций в случае отклонения фактического электропотребления от прогнозного.

Таким образом, требуется разработка модели электропотребления многономенклатурного предприятия, имеющего неоднородный во времени технологический процесс с изменяющимися режимами работы оборудования предприятия, нередкой сменой номенклатуры выпускаемой продукции и учетом бытовой доли нагрузки электропотребления. Это обуславливает актуальность диссертационной работы.

Объект исследования - системы электроснабжения многономенклатурных промышленных предприятий и их часовой график электропотребления

Цель и задачи исследования.

Целью работы является разработка математической модели часового электропотребления многономенклатурного предприятия с учетом особенностей технологического процесса и бытовой нагрузки.

Для достижения цели сформулированы и решены следующие задачи. • Разработка метода учета особенностей технологического процесса многономенклатурного предприятия;

• Разработка усовершенствованной методики учета доли бытовой нагрузки в электропотреблении многономенклатурного предприятия;

• Разработка усовершенствованной структуры модели искусственной нейронной сети (ИНС) прямого распространения для краткосрочного прогнозирования электропотребления;

• Исследование разных вариантов ИНС для оценки влияния состава входной информации на точность прогнозирования и проведение сравнительного анализа с существующим методом.

Основные методы научных исследований. Для решения задач использованы методы статистического анализа, методы нейросетевого моделирования электропотребления. Методы статистического анализа являются основой при проведении отбора входных параметров модели электропотребления предприятия. Методы нейросетевого моделирования позволили создать ИНС, моделирующую электропотребление.

Достоверность полученных результатов.

Достоверность научных положений, выводов и результатов работы подтверждена удовлетворительным совпадением спрогнозированных значений электропотребления, выполненных с применением разработанной модели, с фактическими данными. Научная новизна.

• Разработан метод учета особенностей технологического процесса многономенклатурного предприятия в моделировании краткосрочного электропотребления, основанный на применении параметра трудозатрат;

• Разработана методика учета температуры наружного воздуха при краткосрочном прогнозировании электропотребления, основанная на применении скользящего среднего;

• Усовершенствована структура ИНС с одним выходом, представляющая собой набор ИНС, выполняющих прогнозирование электропотребления

одного конкретного часа суток.

Основные положения, выносимые на защиту.

• Метод учета особенностей технологического процесса многономенклатурного предприятия в моделировании краткосрочного электропотребления, основанный на применении параметра трудозатрат;

• Методика учета доли бытовой нагрузки многономенклатурного промышленного предприятия, основанная на применении среднесуточной температуры, определяемой по методу скользящего среднего;

• Применение для прогнозирования набора ИНС, выполняющих прогнозирование электропотребления одного конкретного часа суток.

Практическая ценность.

• Разработан метод, позволяющий моделировать особенности технологического процесса многономенклатурного предприятия для краткосрочного прогнозирования электропотребления;

• Разработана методика, позволяющая выполнять краткосрочное прогнозирование с учетом внутрисуточных изменений температуры наружного воздуха;

• Разработана и реализована в виде программного продукта модель ИНС, состоящая из кластеров ИНС с одним выходом, прогнозирующих «свой» час.

Апробация работы.

Основные положения диссертации докладывались и обсуждались на Международной научно-технической конференции «Энергоэффективность и энергобезопасность производственных процессов» (г. Тольятти, 2009 г.); V открытой молодежной научно-практической конференции

«Диспетчеризация в электроэнергетике: проблемы и перспективы» (г. Казань, 2009 г.); Всероссийской научно-технической конференции

«Электроэнергетика глазами молодежи» (г. Екатеринбург, 2010 г.); 16-й и

19-й Международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика» (г. Москва, 2010 и 2013 г.); II международной научно-практической конференции «Энергосбережение, электромагнитная совместимость и качество в электрических системах» (г. Пенза, 2011 г.); Международной научно-технической конференции «Электроэнергетика глазами молодежи» (г. Самара, 2011 г.).

Кроме этого, материалы диссертации обсуждались на научно-технических семинарах кафедр «Автоматизированные

электроэнергетические системы» и «Электрические станции» ФГБОУ ВПО Самарский государственный технический университет за период с 2008 по 2011 годы.

Реализация результатов работы.

Результаты диссертационной работы успешно апробированы при краткосрочном прогнозировании электропотребления предприятия ЗАО «Группа компаний «Электрощит»-ТМ Самара» и используются в учебном процессе по направлению 140400 «Электроэнергетика и электротехника» на базе кафедр «Электрические станции» и «Автоматизированные электроэнергетические системы» по учебному плану специализированной магистерской программы «Управление режимами электроэнергетических систем» СамГТУ и на базе кафедры электроэнергетических систем Энергетического Института ФГБОУ ВПО НИ ТПУ по учебному плану специализированной магистерской программы «Управление режимами электроэнергетических систем».

Публикации.

Основные научные результаты диссертации отражены в 11 публикациях, в том числе 3 публикациях в рецензируемых научных журналах из Перечня, утверждённого ВАК.

Структура и объем работы.

Диссертация состоит их введения, 5 глав, заключения, библиографического списка и приложения. Общий объём работы содержит

135 стр. основного текста, включая 92 рисунка, 5 таблиц и список литературы из 99 наименований.

ГЛАВА 1. ОБЗОР МЕТОДОВ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ.

1.1. Методы краткосрочного прогнозирования.

Особенности рынка электроэнергии: невозможность хранения электроэнергии в значительных объемах, необходимость ежемоментного поддержания баланса производства и потребления электроэнергии, ограничения сети по передаче электроэнергии и т.д. предъявляют ряд обязательных требований к обеспечению надежного электроснабжения. Одним из основных среди них является прогнозирование

электропотребления с высокой точностью.

Современный оптовый рынок электроэнергии и мощности (ОРЭМ) включает в себя три механизма: рынок свободных (регулируемых) двухсторонних договоров, рынок на сутки вперед (PCB) и балансирующий рынок (БР) и функционирует таким образом, что точность прогнозирования электропотребления является стимулирующим финансовым механизмом для потребителей ОРЭМ.

Рынок свободных (регулируемых) двухсторонних договоров представляет собой систему финансовых двухсторонних договоров, заключающихся на год вперед на каждый час года. Стороны заключения таких договоров фиксируют исполнение финансовых обязательств по покупке/продаже электроэнергии. Двухсторонние договоры всегда являются исполненными - покупатель обязан заплатить за весь объем электроэнергии в соответствии с заключенным договором. Учитывая, что двухсторонние договоры заключаются на каждый час следующего года, задолго до отчетного периода, к точности планирования таких параметров не могут быть предъявлены высокие требования, и участие в торговле уточненными объемами на PCB для потребителей представляется экономически наиболее целесообразным.

В PCB для потребителей важную роль имеет краткосрочное прогнозирование электропотребления. В PCB используется система ежедневного конкурентного аукциона ценовых заявок потребителей и поставщиков электроэнергии, механизм этого рынка работает в предшествующие операционным сутки с выполнением расчета для каждого часа суток. Добиться экономически оптимального результата деятельности на PCB потребители могут путем максимально точного краткосрочного прогнозирования своего электропотребления. На БР определяются ценовые показатели для расчета отклонений фактического электропотребления от спрогнозированной на PCB величины.

При решении задачи краткосрочного прогнозирования величины нагрузки определяется почасовое потребление на сутки. График нагрузки большинства потребителей обладает свойством квазиподобия - суточное (годовое) потребление последующего дня (года), как правило, похоже на потребление предыдущего, что позволяет с успехом использовать регрессионные модели. При этом зачастую ошибку прогнозирования составляют факторы, отличающие друг от друга периоды измерения (день, неделя, год):

- изменение состава или параметров потребителей;

- отличие метеорологических факторов, их влияние вызвано тем, что существенная часть нагрузки используется на отопление, вентиляцию и кондиционирование.

Анализ методов прогнозирования [13], показывает, что в настоящее время насчитывается свыше 220 моделей. Число моделей, используемых для краткосрочного прогнозирования электропотребления значительно меньше. Модели, используемые для краткосрочного прогнозирования разделяют на две группы:

- статистические модели;

— структурные модели.

В статистических моделях функциональная зависимость между будущими и фактическими значениями временного ряда, а также внешними факторами задана аналитически. К статистическим моделям относятся следующие:

— регрессионные модели;

— авторегрессионные модели;

— модели экспоненциального сглаживания.

В структурных моделях функциональная зависимость между будущими и фактическими значениями временного ряда, а также внешними факторами задана структурно. К структурным моделям относятся следующие:

— нейросетевые модели;

— модели на базе цепей Маркова.

1.1.4. Регрессионные модели

В настоящее время регрессия получила широкое применение для задач краткосрочного прогнозирования электроэнергии. Целью регрессионного анализа является определение зависимости между исходной переменной и множеством внешних факторов.

Линейная регрессионная модель.

Линейная регрессионная модель создается на предположении о существовании фактора Х((), влияющего на значение электропотребления при этом связь между ними линейна. Модель прогнозирования на основании линейной регрессии описывается уравнением:

Р(1) = а0 + «1 * ХСО + Е, (1.1)

где: а0 и - коэффициенты регрессии; £ - ошибка модели.

Множественная регрессионная модель.

Множественная регрессионная модель учитывает влияние ряда факторов Х^), Х2(^... Хп(0. Модель прогнозирования при этом описывается уравнением:

F(t) = a0 + «1 * Xi(t) + a2 * X2(t) + - + an * Xn(t) + £, (1.2)

Модель группового учета аргументов (МГУ А) разработана Ивахтенко А.Г. [67]. МГУА описывается уравнением опорной функции:

F(t) = о0 +Zf=1o, *Xi(t) + Zf=iSPiay *Xi(t) *X,-(t) + (1.3)

1.1.2. Авторегрессионные модели

Авторегрессионные модели используют в своей основе предположение о зависимости значения электропотребления Fn(t) от предыдущих значений

Fn-m(t).

Авторегрессионная модель.

В авторегрессионной модели текущее значение Fn(t) выражается конечной линейной совокупностью предыдущих значений Fn.m(t) и некоторой величиной смещения е:

F(t) = a0 + аг * F(t - 1) + a2 * F(t - 2) + ••• + an * F(t - n) + s, (1.4)

Модель скользящего среднего.

Модель скользящего среднего описывается уравнением:

F(t) = i (F(t - 1) + F(t - 2) + - + F(t