автореферат диссертации по электротехнике, 05.09.03, диссертация на тему:Построение моделей долгосрочного прогноза потребления электроэнергии и мощности промышленными предприятиями

На правах рукописи ґ

7 __________.

ПОЛИТОВ ЕВГЕНИЙ АЛЕКСАНДРОВИЧ

ПОСТРОЕНИЕ МОДЕЛЕЙ ДОЛГОСРОЧНОГО ПРОГНОЗА ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ ПРОМЫШЛЕННЫМИ ПРЕДПРИЯТИЯМИ

Специальность 05.09.03 - Электротехнические комплексы и системы

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

1 2;.ПР2С:2

Кемерово - 2012

005018719

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Кузбасский государственный технический университет имени Т.Ф. Горбачева»

Научный руководитель —

кандидат технических наук, старший научный сотрудник Ефременко Владимир Михайлович

Официальные оппоненты:

доктор технических наук, профессор Пугачев Емельян Васильевич кандидат технических наук, доцент Нестеровский Александр Владимирович

Ведущая организация: Кемеровское ОАО «Азот»

Защита диссертации состоится 26 апреля 2012 г. в 12 часов на заседании диссертационного совета Д 212.102.01 в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Кузбасский государственный технический университет имени Т.Ф. Горбачева» но адресу:

650026, г. Кемерово, ул. Весенняя, 28. Факс: (3842) 36-16-87

С диссертацией можно ознакомиться в библиотеке Федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Кузбасский государственный технический университет имени Т.Ф. Горбачева».

Автореферат разослан «_<=3_» _2012 г.

Ученый секретарь

диссертационного совета

А. Г. Захарова

Общая характеристика работы

Актуальность работы. В условиях рыночной экономики, при существовании сложной системы взаимоотношений в сфере производства, распределения и потребления электрической энергии, моделирование и прогнозирование потребления электроэнергии и мощности становится сложной задачей как на краткосрочном, так и на долгосрочном периоде, когда на первый план выходит влияние переменных рыночных факторов.

Прогнозирование потребления электроэнергии и мощности отдельными участниками оптового рынка электроэнергии и мощности важно не только для всей энергосистемы в целом, но и для отдельного предприятия, и даже для его цехов и участков. Формирование универсального аппарата моделирования и прогнозирования электропотребления и мощности для различных уровней иерархии промышленных предприятий позволило бы сократить расходы на оплату электроэнергии при покупке ее на оптовом и розничном рынках электроэнергии и мощности, качественно определить влияние различных технологических условий и факторов производства на электропотребление или мощность нагрузки, выбрать наиболее эффективные стратегии энергосбережения и направление мероприятий по экономии электрической энергии.

При решении задачи прогнозирования необходимо учитывать значительное число факторов, влияющих на изменение электропотрсбления предприятий. Следует учитывать изменение выработки продукции иод воздействием экономических условий, влияние плана ремонтов оборудования, зависимость от метеорологических и прочих факторов.

Многообразие влияющих факторов, сложность прогноза самих этих факторов не позволяют однозначно определить оптимальный метод прогнозирования для решения данной задачи.

Целью работы является повышение точности долгосрочного прогноза электроэнергии и мощности промышленных предприятий путем построения многофакторных моделей потребления электрической энергии и мощности промышленными предприятиями, учитывающих структуру технологических процессов предприятий..

Идея работы состоит в представлении системы электроснабжения промышленного предприятия в виде совокупности прогнозных моделей, относящихся к разным производственным процессам.

Задачи исследований:

1. Проанализировать действующие автоматизированные системы долгосрочного прогнозирования электропотребления, выявить применяемые методы прогнозирования, ключевые особенности, достоинства и недостатки.

2. Разработать методику построения модели прогноза потребления электрической энергии и мощности промышленным предприятия, реализовать расчеты по методике в виде соответствующего программного обеспечения, проверить методику на примере выбранного предприятия.

3. Разработать методику формирования обучающего множества данных для прогнозной модели, которая бы позволила учесть нестандартные режимы работы технологического и электрического оборудования промышленного предприятия.

4. Установить влияние разделения модели на части для отдельного прогнозирования параметров, определяющих электропотребление технологических процессов предприятия, и прогнозирования параметров, определяющих потребление промышленного предприятия на санитарно-технические нужды (освещение, вентиляция, вспомогательные нужды).

5. Произвести анализ влияния способа построения внутренней структуры прогнозной модели, состава входных параметров модели, величины шага прогноза и размера обучающего множества на точность долгосрочного прогноза электропотребления.

6. Разработать и опробовать метод определения удельного расхода электроэнергии для производства каждого вида учитываемой продукции с помощью построенной модели прогноза.

Основные научные положения, выносимые на защиту:

1. Разработанная математическая модель, основывающаяся на искусственной нейронной сети, параметры которой настраиваются с помощью алгоритмов генетического отбора, и использующая информацию о существующих технологических связей между производственными процессами для построения своей внутренней структуры, позволяет повысить точность долгосрочного прогноза потребления электроэнергии и мощности промышленным предприятием.

2. Применение предложенного алгоритма формирования обучающего множества данных, учитывающего различные режимы работы систем электроснабжения промышленных предприятий, позволяет повысить точность долгосрочного прогноза потребления электроэнергии и мощности на период ремонтов электрического и технологического оборудования.

3. Модель долгосрочного прогноза электропотребления промышленного предприятия на основе искусственных нейронных сетей, использующая в составе входных параметров объемы производства продукции, позволяет определить удельный расход электроэнергии на выработку продукции без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом предприятия.

4. Установленные зависимости точности прогноза от построения внутренней структуры модели, состава входных и выходных параметров, вели-

чины шага прогноза и размера обучающего множества позволяют определить параметры прогнозной модели для требуемой точности прогноза.

Научная новизна работы заключается в следующем:

— разработана методика построения долгосрочного прогноза потребления электрической энергии и мощности промышленным предприятием на основе аппарата искусственных нейронных сетей, отличающаяся: использованием информации о действующей технологии производства для построения своей внутренней структуры; раздельным прогнозированием параметров, определяющих электропотребление технологических процессов предприятия, и параметров, определяющих потребление промышленного предприятия на санитарно-технические нужды;

— разработан алгоритм формирования обучающего множества данных, учитывающий различные режимы работы систем электроснабжения промышленных предприятий, и позволяющий повысить точность прогнозирования моделью периодов ремонта электрического и технологического оборудования;

— разработан алгоритм определения удельного расхода электроэнергии на выработку продукции в условиях недостаточности данных, отличающийся отсутствием необходимости прямых замеров потребления электроэнергии каждым технологическим процессом предприятия;

— впервые установлена зависимость точности долгосрочного прогноза электропотребления промышленного предприятия от построения внутренней структуры прогнозной модели, от величины шага прогноза и размера обучающего множества.

Методы исследования. Исследования проводились на основании теории математического моделирования, теории системного анализа, теории корреляционно-регрессионного анализа, теории искусственных нейронных сетей, теории генетических алгоритмов отбора и нечеткой логики, теории компьютерного моделирования и обработки данных.

Достоверность научных положений и выводов подтверждается экспериментальной проверкой разработанной методики создания прогнозной модели для долгосрочного прогноза потребления электроэнергии и мощности путем создания прогнозных моделей для предприятий химической, нефтеперерабатывающей, угледобывающей отрасли и цветной металлургии.

Для построения моделей использовались выходные данные систем коммерческого учета электроэнергии предприятий и данные об объемах выпуска продукции.

Практическая значимость состоит в том, что полученные в работе результаты могут быть использованы:

— при планировании потребления электроэнергии и мощности предприятием либо его цехами в зависимости от производственных, метеорологических и прочих факторов;

— при разработке прогнозных моделей электропотребления для любых типов промышленных предприятий на долгосрочный период и среднесрочный период;

-- при определении удельных расходов электроэнергии на выработку продукции в условиях недостаточности данных, без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом;

— при разработке мероприятий, направленных на снижение финансовых издержек предприятия по оплате потребляемой электроэнергии и мощности на оптовом и розничном рынках.

Реализация результатов работы. На основе предложенных в работе методов составления модели прогноза электропотребления разработана модель долгосрочного прогноза электропотребления ОАО «Азот», принятая в Управлении главного энергетика предприятия в качестве дополнения к существующим методам долгосрочного прогнозирования электропотребления.

Апробация работы. Основные положения диссертации докладывались на следующих конференциях: всероссийская научно-техническая конференция «Современные пути развития машиностроения и автотранспорта Кузбасса», 2007 г.; VII международная научно-практическая конференция «Современные энергетические системы и комплексы и управление ими», г. Новочеркасск, 2007 г.; Разработки молодых специалистов в области электроэнергетики 2008: Ш научно-техническая конференция ОАО «НТЦ электроэнергетики», г. Москва, 22-26 сентября 2008 г.; молодежная программа «Russia Power 2011» «Инвестирование в будущее», г. Москва, 29 марта 2011 г.

Публикации. Материалы диссертации опубликованы в И печатных работах в соавторстве с другими авторами, из них 4 статьи в рекомендуемых ВАК изданиях, 3 статьи в сборниках трудов конференций.

Личный вклад автора. Автором выполнен анализ существующих систем построения долгосрочных прогнозов потребления электроэнергии и мощности, разработана методика построения модели долгосрочного прогноза потребления электрической энергии и мощности, разработана методика формирования обучающего множества данных для прогнозной модели, проведены сбор и обработка исходных данных, разработан алгоритм определения удельного расхода электроэнергии на выработку продукции, установлена взаимосвязь между параметрами прогнозной модели и требуемой точностью прогноза.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Работа изложена на 147 страницах текста, содержит 55 рисунков, 26 таблиц, список литературы включает 113 наименований.

Основное содержание работы

Во введении обоснована актуальность темы диссертационной работы, сформулированы цель и задачи исследования, отмечены научная новизна, представлены основные положения, выносимые на защиту, определена практическая ценность результатов работы.

В первой главе рассматриваются основные проблемы, связанные е прогнозированием потребления электрической энергии и мощности промышленными предприя тиями. Описаны особенности формирования финансовых обязательств потребителей па оптовом рынке электроэнергии и мощности. Приведены результаты исследования существующих убытков при оплате мощности и электроэнергии промышленными предприятиями, связанных с ошибками прогнозирования.

Убытки предприятий, вызванные неточностью прогнозирования, возникают как на краткосрочных периодах, что связано с работой механизмов «рынок на сутки вперед» (PCB) и «балансирующего рынка» (БР), так и на долгосрочных, на рынке мощности. Анализ переплаты за электроэнергию и мощность, проведенный для одного из крупных промышленных предприятий Кузбасского региона, показал, что неточность прогнозирования в 1 % обходится ДЛЯ предприятия в 25 тыс. руб. в месяц при оплате за потребленную электроэнергию и 67 тыс. руб. в месяц при оплате за мощность.

Прогнозирование электропотреблеиия важно не только для всего предприятия в целом, но и даже для его цехов и участков. Формирование универсального аппарата моделирования и прогнозирования электропотреблеиия и мощности для различных уровней иерархии промышленных предприятий позволило бы сократить расходы на оплату электроэнергии при покупке ее на оптовом и розничном рынках электроэнергии и мощности, качественно определить влияние различных технологических условий и факторов производства на, электропотребление или мощность нагрузки, выбрать наиболее эффективные стратегии энергосбережения и направление мероприятий по экономии электрической энергии.

Во второй главе рассмотрены существующие методы прогнозирования электропотребления, приведена их классификация, проанализированы существующие системы составления прогнозов электропотребления.

Становление и развитие методов прогнозирования электропотреблеиия связано с работами таких ученых, как Бартоломей Г1.И., Бердин A.C., Вэнн Д.В., Вагин В.П., Веников В.А., Гордеев В.И., Карпов В.В., Кудрин Б.И., Куренный Э.Г., Макоклюев Б.И., Меламед A.M., НадтокаИ.И., Рабинович М.А., Седов A.B., Тимченко В.Ф., Фармер Е.Д., Фокин Ю.А., Черныш Е.А. и других. Вопросы прогнозирования электропотребления прорабатываются в Научно-исследовательском институте электроэнерге-

тики (ВНИИЭ), Московском энергетическом институте, Институте систем энергетики им. Л.А. Мелентьева, Томском политехническом университете, Сибирском федеральном университете.

В настоящее время получили наиболее широкое распространение такие методы прогнозирования электропотребления, как: экстраноляционные методы, эконометрические и регрессионные методы, методы Бокса-Джен-кипса (ARIMA, ARMA), экспертные методы, искусственные нейронные сети (ИНС), гибридные вычисления. На их основе построены различные программные комплексы: «Энергостат», «Прогноз электропотрсбления», Программное обеспечение ООО НГ1П «ВНИКО», программный комплекс «Модель оптимального управления электрогютреблением техноценоза», система «Энерго-Пропгаз», «ПРЭС».

Для долгосрочного прогнозирования электропотребления и мощности автором был выбран метод построения ИНС, совместно с использованием генетических алгоритмов (ГА) для точной настройки параметров ИНС.

В третьей главе приведена методика построения модели прогноза потребления электрической энергии и мощности промышленным предприятием. Выбраны методы формирования состава входных и выходных параметров модели, обучающего и проверочного множеств, выбраны способы верификации модели.

Выбор входных параметров модели в первую очередь определяется требуемой глубиной и шагом прогноза.. При краткосрочном прогнозировании требуется учитывать такие параметры, как номер часа, температура атмосферного воздуха, тип рабочего дня. При долгосрочном прогнозировании одна из особенностей заключается в том, что на длительный период времени на год вперед и дальше — неизвестны многие параметры, влияющие на электропотребление.

Из всех параметров, влияющих на элсктропотребление промышленного предприятия были выделены параметры, которые возможно использовать при построении долгосрочной прогнозной модели элсктропотребления:

1. Объемы выпуска продукции, Vp, где р G Сприд, С„рол — множество всей выпускаемой предприятием продукции, в том числе и промежуточная продукция, используемая для получения другой продукции.

2. Температура атмосферного воздуха, Т.

3. Продолжительность светового дня, L, напрямую влияет на расход электроэнергии для нужд освещения предприятия.

4. Параметры, характеризующие изменение электропотребления во времени. Таким параметрами, в зависимости от шага прогноза, могут являться: номер месяца, Nmc-, номер дня недели, 7\Адень; номер часа, JV,iac; тип дня, D: рабочий день, выходной день, праздничный день.

5. Электропотрсблсние предприятия за предыдущий период, И4-1-

6. Электропотрсблепие за аналогичный прошедший период,

7. Число рабочих часов за период времени, соответствующий шагу прогноза, Край-

Для предварительной оценки степени влиянии выбранных параметров на величину электропотребления прогнозируемого объекта использован метод корреляционного анализа.

В большинстве случаев при разработке прогнозных моделей электропотребления обучающее множество данных формируется па основе непрерывного ряда последних на момент составления прогноза значений. Однако при таком подходе возможны случаи, когда обучающее; множество входных данных не полностью охватывает прогнозируемое. Тем самым на прогнозируемом отрезке времени будут присутствовать такие сочетания входных параметров, на которых модель не смогла обучиться, и точность прогноза резко падает.

Напрямую это относится к ремонтам электрического и технологического оборудования. Во время проведения ремонтов снижается выпуск продукции, изменяются параметры работы машин и агрегатов. Для того, чтобы спрогнозировать поведение модели в подобный период, требуется дополнительно обучить модель на множестве данных, по совокупности входных параметров близкому к прогнозируемому.

Для формирования обучающего множества предлагается использовать следующий алгоритм:

1. Привести все входные параметры {Пь П2,..., Пд?п} каждого элемента Рархив множества всех доступных параметров архива /'архив, и каждого элемента Рпрогн множества параметров на интервале прогнозаРПропп к диапазону

2. Добавить в обучающее множество Р0буч определенное количество (ЛГокпо) последних элементов из /'архив- ^окио устанавливается экспериментальным путем индивидуально для каждой прогнозной модели.

3. Для каждого элемента р11рш-н,1 £ /"прогн ищутся элементы рархе ^ архив, находящиеся не дальше некоторого расстояния О от ¿»про™,,;- Искомое расстояние вычисляется как евклидово расстояние между двумя точками в Л^п-мерном пространстве:

где П£ч"""м — значение к-то параметра элемента рарХИвУ> — значение

к-го параметра элемента рПрогн,>-

Найденные элементы добавляются в Р0бУч при условии, что они не были туда добавлены ранее.

4. Для каждого рпporHi; КОЛИЧвСТВО ПОДХОДЯЩИХ элементов ИЗ -Робуч должно быть не менее дпух. При их отсутствии D увеличивается, и поиск производится повторно. Если повторный поиск нс дал результатов, то это свидетельствует о pairee тге встречавшемся режиме работы предприятия, и требует ручного вмешательства оператора, производящего прогноз.

Предложенный алгоритм дополняет обучающее множество примерами, облегчающими обучение модели иод конкретные условия на периоде прогноза, что позволяет упитывать нестандартные режимы работы технологического и электрического оборудования предприятия.

В четвертой главе рассмотрены особенности построения внутренней структуры прогнозных моделей. Для построения внутренней структуры прогнозной модели выбран метод ИНС, а из всех разновидностей ИНС -- многослойная сеть прямого распространения, или многослойный исрсептрон. Дополнительно обосновано применение обратных связей внутри сети для большей адаптивности модели.

Для точного определения количества скрытых слоев, и количества нейронов в каждом скрытом слое предлагается использовать ГА.

Известно, что ИНС обеспечивает наилучшие результаты работы в том случае, когда количество весов сети минимально, и в то же время достаточно для обобщения сетью всех предъявляемых для обучения образцов. Обычные модели прогноза электронотребления па основе ИНС представляют предприятие одним большим полносвязным псрсептроном, в то время как промышленные предприятия могут состоять из десятков различных цехов, выпускающих различные виды продукции. Исходя из этого, структуру внутренних связей нейронов следует настроить так, чтоб отдельные группы нейронов отражали собой отдельные цеха производства. Тогда входные нейроны сети будут иметь не полный набор связей с первым скрытым слоем, а усеченный, согласно параметрам, влияющим на электропотребленис того или иного цеха. Выходы моделей одних подразделений связываются с входами моделей других подразделений, согласно структуре их технологических связей. При таком подходе влияние характера работы одного подразделения на характер работы другого учитывается в комплексе, так как выход модели связан со всеми ее входными параметрами.

Пример структуры прогнозной модели для промышленного предприятия, состоящего из трех подразделений, два из которых имеют свои точки учета, приведен на рисунке 1.

Связи wl3 и w23 характеризуют влияние результатов работы подразделений 1 и 2 на работу подразделения 3, а связи tul4, u¡24 и ги34 характеризуют затраты электроэнергии при выполнении этих процессов.

Были выделены основные способы организации ИНС для прогнозной модели электропотребления:

Элоктропотребление аналогичного

Электропотреб лен ив предыдущею периода по точке учета 1

Прогнозируемое электропотребление предприятия по точке учета 1

Полноса нэный многослойный персептрон

Объемы выпуска продукции 3

Прогнозируемое электропотребление предприятия по точке учета 2

Электропотребление предыдущего

периода по точке учета 2

Электропотребление аналогичного периода по точке учета 2

Рисунок 1 - Пример прогнозной модели с разделением по точкам учета

1. Персептрон с одним выходом. Прогнозируется элсктропотребление всех цехов предприятия одной величиной, при этом цеха представлены единым многослойным персептроном.

2. Персептрон с несколькими выходами. Величина элсктроиотреблепия каждого из цехов представлена отдельным выходом сети, при этом все цеха также представлены единым персептроном.

3. Отдельный персептрон на каждый цех. Цеха представлены отдельными персептронами, никак не связанными между собой.

4. Иерархическая структура ИНС. Цеха, представлены отдельными персептронами, связанными между собой согласно технологии производства. Эти дополнительные связи характеризуют влияние объемов производства продукции одного цеха на выработку другого.

В зависимости от того, учитывается ли план выработки продукции, и применяются ли рекуррентные (обратные) связи, можно построить 10 моделей с различной структурой связей.

В пятой главе производится проверка предлагаемой методики составления прогнозной модели для нескольких цехов кемеровского предприятия химической промышленности ОАО «Азот»:

1. Цех газового сырья (№2).

2. Цех аммиака 1 (№7).

3. Цех аммиака 2 (№8).

4. Цех аммиачной селитры (№11).

5. Цех азотной кислоты (№12).

6. Цех производства карбамида (№10).

На этапе выбора входных данных были построены диаграммы, показывающие связь коэффициентов линейной корреляции входных параметров модели с выходными для каждого цеха предприятия. В результате анализа полученных результатов был сделан вывод, что величины электропотребления технологических процессов предприятия (И^С0а> ИямЬ 1¥аи2, Иссл, И^, И^крбм) имеют качественно разные коэффициенты корреляции по отношению к наборам входных параметров, чем величины электропотребления на санитарно-техничсскис нужды (Wo.au)- Самая сильная корреляционная связь наблюдается по отношению к объемам производства продукции (УР), и количеству рабочих часов за принятый шаг исходной выборки данных (Крац). В то же время, элс.ктропотребление на санитарно-техничсскис нужды больше зависит от внешних условий — продолжительности светового дня (/,), температуры окружающего воздуха (Т), и от предшествующего режима работы предприятия (И7^).

Таким образом, следует разделить части прогнозной модели, отвечающие за прогнозирование технологического и санитарно-тсхнического электропотребления, каждая под-модель будет иметь свой набор входных и выходных параметров. При этом уменьшается суммарное количество связей внутри модели и исключается заведомо малозначимое влияние определенных входных параметров на выходные, что, в итоге, приводит к увеличению точности прогнозирования.

Для проверки был произведен расчет по модели 8 и модели м8а, отличающейся раздельным прогнозированием электропотребления на технологические и санитарпо-технические нужды. По некоторым цехам ошибка значительно уменьшилась, по некоторым не изменилась. В целом точность прогнозирования электропотребления предприятия И^ повысилась на 1,1 %, с 5,3 % до 4,2 %.

Согласно предложенной методике были разработаны и проверены 16 различных прогнозных моделей для целей долгосрочного прогнозирования электропотребления, от самых простых, состоящих из простейшего псрсситрона, до сложных (рисунок 2).

Результаты расчета среднеабсолютной ошибки прогноза (МАРЕ) сведены в таблицу 1.

Результаты вычислений показывают следующее:

1. Точность прогноза в большой степени зависит от сложности расчетной модели. С постепенным усложнением внутренней структуры модели точность прогноза возрастала, но только тогда, когда имелись дополнительные входные параметры, способные обеспечить полноценное обучение.

2. Использование обратной связи делает сеть более восприимчивой к самым последним изменениям прогнозируемой величины, но применение

Рисунок 2 - Структура по мололи 16

Таблица 1 - Сравнение моделей долгосрочного прогноза электропотреблен и я

Строение сети Простая сеть Обратная связь План производства План произв. и обр. связь

Персептрон с одним выходом 6,8% 5,2 % 5,6 % 5,5 %

Персептрон с несколькими выходами 7,8% 4,0 % ■1,3 % 5,3 %

Персептрон на каждый цех 8,1 % 7,6 % 3,1 % з.ГГ-

Иерархическая структура персептропов 8,0 % 8,3 % 2,9 % 2,7 %

обратной связи без дополнительных механизмов целесообразно только па простых моделях сети.

3. Введение плана производства продукции как входного параметра позволяет значительно повысить точность прогноза.

4. Наилучшей по качеству получившегося прогноза электропотребления получилась сеть с иерархической структурой связей, и включающую в себя как обратные связи, так и планы выработки продукции.

Произведено исследование влияния величины шага прогноза па точность прогноза. Были составлены прогнозные модели электропотребления для нескольких крупных промышленных предприятий Сибири, базирующихся на модели 2, и рассчитаны с применением как месячного, так и суточного шага прогноза. Результаты расчетов показаны в таблице 2.

Таблица 2 - Сравнение точности прогнозных моделей с месячным и суточным шагами прогноза

МАРЕ, МАРЕ,

Предприятие К, месячный суточный

шаг, % шаг, %

Алюминиевый завод 0,987 1,24 0,67

Нефтеперерабатывающий завод 0,986 0,16 0,11

Завод синтетического каучука 0,953 0,85 1,11

Угольный разрез 0,885 2,82 5,44

Горно-обогатительный комбинат 0,792 3,53 4,16

При значениях коэффициента заполнения графика нагрузки близких к единице, предпочтительней использовать шаг прогноза, равный одним суткам, а при более низких — равный одному месяцу. При этом у предприятий с явно выраженной зависимостью электроиотребления от типа дня ошибка прогноза меньше, чем у предприятий, где такая зависимость не наблюдается.

Так же было произведено исследование влияния размера обучающего множества на точность прогноза. Проведен ряд расчетов, с постепенно уменьшающимся размером обучающего множества. Получившийся график для химического завода и горно-обогатительного комбината (ГОК) показан на рисунке 3.

Рисунок 3 Влияние размера обучающего множества на точность прогноза

Модель, использующая в качестве входного параметра объемы выработки продукции (химический завод), оказалась более устойчива к сокращению размера обучающего множества. Даже при подаче на вход сети данных за последние 6 месяцев точность прогноза оказалась ненамного ниже, чем для 48 месяцев — 4,0 % против 2,7 %.

Полученная модель прогноза электропотребления позволила рассчитать расход электроэнергии для производства каждого вида учитываемой продукции в условиях недостаточности данных, без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом. Метод вычисления удельного электропотребления основывается на свойстве ИНС определять веса для связей каждого из входных параметров сети.

Для расчетов было предложено использовать следующий алгоритм:

1. Подготовка архивных данных для обучения модели.

2. Обучение модели.

3. Для каждого входного параметра Ц, обозначающего количество произведенной продукции, и принадлежащему множеству входных параметров {ПЬП2,...,Щ}:

3.1. Формируется входной массив М данных для расчетов размером км, в котором значения выбранного параметра устанавливаются равными:

777

П<,т = пр* + —(Iipa'r - Прш), т « 1 ..км .

к м

Остальные параметры инициализируются своими средними значениями: пj,m - ^(ПГ01 + П™") .

3.2. Массив подается на вход модели и рассчитывается конечное электропотребление предприятия Wcyu.

3.3. Строится график зависимости Wcyu --- f(Tlhm).

3.4. С помощью метода наименьших квадратов график аппроксимируется прямой линией, для которой находится угол наклона. Численное значение этого угла будет равняться усредненному удельному потреблению электроэнергии W i-

По результатам проведенного эксперимента погрешность определения удельного расхода электроэнергии составила 9.. 18 %.

Наряду с прогнозом электропотреблепия были проведены опыты по прогнозированию потребления мощности. Порядок построения прогнозной модели потребления мощности промышленным предприятием отличается от подобной модели потребления электроэнергии набором входных параметров.

Для опробования методики была рассчитана прогнозная модель потребления мощности предприятием легкой промышленности Кемеровской области. В графической форма результат работы прогнозной модели показан на рисунке 4.

Р, МВт

— Фактическая мощность — Ooy'iinim1 модс.ш • • Прогнем мощности

Рисунок 4 - Прогноз потребления мощности

Заключение

В диссертационной работе на основании выполненных автором исследований дано решение актуальной задачи повышения точности прогнозирования электропотрсблепия и мощности на долгосрочный период, имеющей существенное значение для повышения эффективности эксплуатации систем электроснабжения промышленных предприятий.

Повышение точности долгосрочного прогноза электроэнергии и мощности промышленных предприятий достигается путем построения многофакторных моделей потребления электрической энергии и мощности промышленными предприятиями, учитывающих структуру технологических процессов предприятий.

Основные научные и практические результаты диссертационной работы состоят в следующем:

1. Разработала методика долгосрочного прогнозирования потребления электроэнергии и мощности промышленными предприятиями на основе искусственных нейронных сетей, генетического алгоритма и метода конфигурации связей нейронной сети согласно действующей технологии производства и структуры СЭС предприятия.

2. Применение оптимизированного алгоритма генетического отбора позволило увеличить устойчивость ГА в процессе работы. Модель прогнозирования, оптимизированная с помощью ГА, показала лучший результат в работе, чем модели с эвристически подобранными параметрами.

3. Применение разработанной методики позволило улучшить точность прогноза потребления электроэнергии и мощности по сравнению с существующей системой долгосрочного прогнозирования предприятия.

4. Проведен сравнительный анализ моделей на основе шестнадцати различных архитектур ИНС для целей долгосрочного прогнозирования элсктро-потребления. В результате анализа установлено:

4.1. Использование обратной связи делает модель более восприимчивой к самым последним изменениям прогнозируемой величины, но применение обра/гной связи без дополнительных механизмов целесообразно только на простых моделях сети.

4.2. Введение плана производства продукции как входного параметра позволяет значительно повысить точность прогноза, но применение, этого плана целесообразно в случае сложных сетей, учитывающих цеха раздельно.

4.3. Наилучшей по качеству получившегося прогноза электропотребления получилась сеть с иерархической структурой связей, включающую в себя как обратные связи, так и планы выработки продукции. Применение метода конфигурации связей ИНС согласно действующей технологии произ-

водства позволило уменьшить ошибку прогноза и сократить время обучения модели.

5. Раздельное прогнозирование элсктропотребления предприятия па технологические и санитарно-технические нужды приводит к уменьшению ошибки прогноза.

6. Предложен алгоритм формирования обучающего множества данных для прогнозной модели, позволяющий значительно увеличить точность прогноза в случаях проведения ремонтов элементов СЭС предприятия, нестандартных режимов работы электрооборудования.

7. Проведено исследование влияния шага прогноза на точность долго срочного прогноза электропотробления. При значениях коэффициента заполнения, близких к 1, предпочтительней использовать шаг прогноза, равный одним суткам, а при более низких —■ равный одному месяцу.

8. Проведено исследование влияния размера обучающего множества на точность долгосрочного прогноза элсктропотребления. Модель, использующая в качестве входного параметра объемы выработки продукции, показала лучшую устойчивость к сокращению размера обучающего множества.

9. Проведены расчеты среднесрочного прогнозирования электропотреб-лепия для целей заключения биржевых контрактов.

10. Построенные с помощью предложенной методики прогнозные модели позволяют с достаточной точностью определить удельное электропотребление каждого вида учитываемой продукции без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом.

11. Сформулированы направления развития методики построения прогнозной модели с целью дальнейшего повышения точности прогноза.

12. Создано программное обеспечение для расчета произвольных ИНС и выбора их параметров с помощью генетических алгоритмов, позволяющее получать различные модели ИНС для последующих экспериментальных исследований и выполнять над ними процедуру генетической оптимизации.

Работы, опубликованные по теме диссертации:

1. Политое, Е. А. Использование нейронной сети для долгосрочного прогнозирования элсктропотребления промышленного предприятия /' Е. А. Политов, И. В. Воронов, В. М. Ефремонко // Вестник КузГТУ. — 2006.- № 6.-С. 71-73.

2. Воронов, И. В. Использование нейронной сети для краткосрочного прогнозирования электропотребления промышленного предприятия / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ.— 2006. - № 6. - С. 73-74.

3. Воронов, И. В. Обзор типов искусственных нейронных сетей и методов их обучения / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. - 2007. - № 3. - С. 38 42.

4. Воронов, И. В. Методика выбора входных параметров нейронной сети для прогнозирования электропотребления промышленного предприятия / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ.— 2009. - № 3. - С. 62-64.

5. Политов, Е. А. Принципы построения прогнозной модели электропотребления промышленного предприятия на основе искусственной нейронной сети / Е. А. Политов, И. В. Воронов, В. М. Ефременко // Вестник, КузГТУ. - 2009. - № 5. - С. 58-60.

6. Воронов, И. В. Определение параметров, влияющих на электронотреб-ление промышленного предприятия с помощью метода экспертных оценок / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ - 2009. - № 5. - С. 61 64.

7. Воронов, И. В. Краткосрочное прогнозирование элсктропотребления энергосистем с помощью искусственных нейронных сетей / И. В. Воронов, Е. А. Политов // Электрические станции. — 2009. - № 12. — С. 15-18.

8. Воронов, И. В. Создание прогнозной модели электропотрсбления предприятия химической отрасли на основе искусственных нейронных сетей / И. В. Воронов, Е. А. Политов // Промышленная энергетика. — 2011.

№ 3. - С. 23-28.

9. Воронов, И. В. Применение нейронных сетей для прогнозирования электропотребления промышленных предприятий / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Современные пути развития машиностроения и автотранспорта Кузбасса: Труды I Всероссийской научно-технической конференции, 24-25 октября 2007 г. — Кемерово : ГУ КузГТУ, 2007. - С. 276-279.

10. Воронов, И. В. Применение нейронных сетей для прогнозирования электропотребления промышленных предприятий в условиях работы орэ / И. В. Воронов, Е. А. Политов, А. А. Шевченко // Современные энергетические системы и комплексы и управление ими: Материалы VII Меж-дунар. науч.-практ. конф., г. Новочеркасск, 20 апр. 2007 г.: В 2 т. Т. 2. — Новочеркасск : ЮРГТУ, 2007.- С. 5-8.

11. Политое, Е. А. Долгосрочное прогнозирование электропотребления с применением искусственных нейронных сетей / Е. А. Политов // Разработки молодых специалистов в области электроэнергетики 2008: Сборник докладов третьей научно-технической конференции ОАО «НТЦ электроэнергетики». 22-26 сентября 2008 г. М. : ОАО «НТЦ электроэнергетики», 2008. - С. 140-142.

Подписано в печать

Формат 60x84/16. Бумага офсетная. Отпечатано на ризографе. Объем 1,0 п.л. Тираж 100 экз. Заказ ¿о^

КузГТУ. 650000, Кемерово, ул. Весенняя, 28. Типография КузГТУ. 650000, Кемерово, ул. Д. Бедного, 4а.

61 12-5/3396

Федеральное государственное оюджетное образовательное учреждение высшего профессионального образования Кузбасский государственный технический университет имени Т.Ф. Горбачева

На правах рукописи

Политов Евгений Александрович

Построение моделей долгосрочного прогноза потребления электроэнергии и мощности промышленными предприятиями

05.09.03 - Электротехнические комплексы и системы

ДИССЕРТАЦИЯ

на соискание ученой степени кандидата технических наук

Научный руководитель к. т. н., ст. науч. сотр. Ефременко В. М.

Кемерово - 2012

СОДЕРЖАНИЕ

ВВЕДЕНИЕ .............................. 4

Глава 1. ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ ПРОМЫШЛЕННЫМИ ПРЕДПРИЯТИЯМИ......... 10

1.1. Оптовый рынок электроэнергии............... 10

1.2. Оптовый рынок мощности.................. 14

Глава 2. МЕТОДЫ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ....... 18

2.1. Прогнозная модель...................... 18

2.2. Классификация методов прогнозирования......... 20

2.3. Анализ методов прогнозирования электропотребления . . 23

2.4. Выбор метода составления модели прогноза........ 36

Глава 3. МЕТОДИКА ПОСТРОЕНИЯ МОДЕЛИ ПРОГНОЗА ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ ПРОМЫШЛЕННЫМ ПРЕДПРИЯТИЕМ .................................. 39

3.1. Выбор входных параметров модели............. 39

3.2. Выбор выходных параметров модели............ 46

3.3. Выбор методов формирования обучающего и проверочного множеств .......................... 51

3.4. Выбор способов верификации модели............ 58

Глава 4. ВНУТРЕННЯЯ СТРУКТУРА ПРОГНОЗНОЙ МОДЕЛИ.............................. 61

4.1. Строение искусственных нейронных сетей..................61

4.2. Методы построения внутренних связей прогнозной модели 71

4.3. Уточнение параметров прогнозной модели..................77

Глава 5. ПРОГНОЗ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ............................................81

5.1. Программная реализация......................................83

5.2. Анализ входных параметров..................................84

5.3. Анализ выходных параметров................................91

5.4. Расчет модели 1................................................91

5.5. Расчет модели 6................................................95

5.6. Расчет модели 11 ..............................................98

5.7. Расчет модели 16 .......................101

5.8. Сравнение результатов расчета ...............104

5.9. Раздельное прогнозирование потребления на технологические и санитарно-технические нужды............108

5.10. Влияние величины шага прогноза на точность прогноза . 109

5.11. Влияние размера обучающего множества на точность прогноза ..............................112

5.12. Определение удельного электропотребления........115

5.13. Среднесрочное прогнозирование потребления электроэнергии .............................119

5.14. Прогнозирование потребления мощности..........120

5.15. Рекомендации по дальнейшему повышению точности прогноза ..............................125

ЗАКЛЮЧЕНИЕ ...........................129

Литература...............................132

ВВЕДЕНИЕ

Актуальность работы. В условиях рыночной экономики, при существовании сложной системы взаимоотношений в сфере производства, распределения и потребления электрической энергии, моделирование и прогнозирование потребления электроэнергии и мощности становится сложной задачей как на краткосрочном, так и на долгосрочном периоде, когда на первый план выходит влияние переменных рыночных факторов.

Прогнозирование потребления электроэнергии и мощности отдельными участниками оптового рынка электроэнергии и мощности важно не только для всей энергосистемы в целом, но и для отдельного предприятия, и даже для его цехов и участков. Формирование универсального аппарата моделирования и прогнозирования электропотребления и мощности для различных уровней иерархии промышленных предприятий позволило бы сократить расходы на оплату электроэнергии при покупке ее на оптовом и розничном рынках электроэнергии и мощности, качественно определить влияние различных технологических условий и факторов производства на электропотребление или мощность нагрузки, выбрать наиболее эффективные стратегии энергосбережения и направление мероприятий по экономии электрической энергии.

При решении задачи прогнозирования необходимо учитывать значительное число факторов, влияющих на изменение электропотребления предприятий. Следует учитывать изменение выработки продукции под воздействием экономических условий, влияние плана ремонтов оборудования, зависимость от метеорологических и прочих факторов.

Многообразие влияющих факторов, сложность прогноза самих этих факторов не позволяют однозначно определить оптимальный метод прогнозирования для решения данной задачи.

Целью работы является повышение точности долгосрочного прогноза электроэнергии и мощности промышленных предприятий путем построения многофакторных моделей потребления электрической энергии и мощности промышленными предприятиями, учитывающих структуру технологических процессов предприятий.

Идея работы состоит в представлении системы электроснабжения промышленного предприятия в виде совокупности прогнозных моделей, относящихся к разным производственным процессам.

Задачи исследований:

1. Проанализировать действующие автоматизированные системы долгосрочного прогнозирования электропотребления, выявить применяемые методы прогнозирования, ключевые особенности, достоинства и недостатки.

2. Разработать методику построения модели прогноза потребления электрической энергии и мощности промышленным предприятием, реализовать расчеты по методике в виде соответствующего программного обеспечения, проверить методику на примере выбранного предприятия.

3. Разработать методику формирования обучающего множества данных для прогнозной модели, которая бы позволила учесть нестандартные режимы работы технологического и электрического оборудования промышленного предприятия.

4. Установить влияние разделения модели на части для отдельного прогнозирования параметров, определяющих электропотребление технологических процессов предприятия, и прогнозирования параметров,

определяющих потребление промышленного предприятия на санитарно-технические нужды (освещение, вентиляция, вспомогательные нужды).

5. Произвести анализ влияния способа построения внутренней структуры прогнозной модели, состава входных параметров модели, величины шага прогноза и размера обучающего множества на точность долгосрочного прогноза электропотребления.

6. Разработать и опробовать метод определения удельного расхода электроэнергии для производства каждого вида учитываемой продукции с помощью построенной модели прогноза.

Основные научные положения, выносимые на защиту:

1. Разработанная математическая модель, основывающаяся на искусственной нейронной сети, параметры которой настраиваются с помощью алгоритмов генетического отбора, и использующая информацию о существующих технологических связей между производственными процессами для построения своей внутренней структуры, позволяет повысить точность долгосрочного прогноза потребления электроэнергии и мощности промышленным предприятием.

2. Применение предложенного алгоритма формирования обучающего множества данных, учитывающего различные режимы работы систем электроснабжения промышленных предприятий, позволяет повысить точность долгосрочного прогноза потребления электроэнергии и мощности на период ремонтов электрического и технологического оборудования.

3. Модель долгосрочного прогноза электропотребления промышленного предприятия на основе искусственных нейронных сетей, использующая в составе входных параметров объемы производства продукции, позволяет определить удельный расход электроэнергии на выработку

продукции без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом предприятия.

4. Установленные зависимости точности прогноза от построения внутренней структуры модели, состава входных и выходных параметров, величины шага прогноза и размера обучающего множества позволяют определить параметры прогнозной модели для требуемой точности прогноза.

Научная новизна работы заключается в следующем:

— разработана методика построения долгосрочного прогноза потребления электрической энергии и мощности промышленным предприятием на основе аппарата искусственных нейронных сетей, отличающаяся: использованием информации о действующей технологии производства для построения своей внутренней структуры; раздельным прогнозированием параметров, определяющих электропотребление технологических процессов предприятия, и параметров, определяющих потребление промышленного предприятия на санитарно-технические нужды;

— разработан алгоритм формирования обучающего множества данных, учитывающий различные режимы работы систем электроснабжения промышленных предприятий, и позволяющий повысить точность прогнозирования моделью периодов ремонта электрического и технологического оборудования;

— разработан алгоритм определения удельного расхода электроэнергии на выработку продукции в условиях недостаточности данных, отличающийся отсутствием необходимости прямых замеров потребления электроэнергии каждым технологическим процессом предприятия;

— впервые установлена зависимость точности долгосрочного прогноза электропотребления промышленного предприятия от построения

внутренней структуры прогнозной модели, от величины шага прогноза и размера обучающего множества.

Методы исследования. Исследования проводились на основании теории математического моделирования, теории системного анализа, теории корреляционно-регрессионного анализа, теории искусственных нейронных сетей, теории генетических алгоритмов отбора и нечеткой логики, теории компьютерного моделирования и обработки данных.

Достоверность научных положений и выводов подтверждается экспериментальной проверкой разработанной методики создания прогнозной модели для долгосрочного прогноза потребления электроэнергии и мощности путем создания прогнозных моделей для предприятий химической, нефтеперерабатывающей, угледобывающей отрасли и цветной металлургии.

Для построения моделей использовались выходные данные систем коммерческого учета электроэнергии предприятий и данные об объемах выпуска продукции.

Практическая значимость состоит в том, что полученные в работе результаты могут быть использованы:

— при планировании потребления электроэнергии и мощности предприятием либо его цехами в зависимости от производственных, метеорологических и прочих факторов;

— при разработке прогнозных моделей электропотребления для любых типов промышленных предприятий на долгосрочный период и среднесрочный период;

— при определении удельных расходов электроэнергии на выработку продукции в условиях недостаточности данных, без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом;

— при разработке мероприятий, направленных на снижение финансовых издержек предприятия по оплате потребляемой электроэнергии и мощности на оптовом и розничном рынках.

Реализация результатов работы. На основе предложенных в работе методов составления модели прогноза электропотребления разработана модель долгосрочного прогноза электропотребления ОАО «Азот», принятая в Управлении главного энергетика предприятия в качестве дополнения к существующим методам долгосрочного прогнозирования электропотребления.

Апробация работы. Основные положения диссертации докладывались на следующих конференциях: всероссийская научно-техническая конференция «Современные пути развития машиностроения и автотранспорта Кузбасса», 2007 г.; VII международная научно-практическая конференция «Современные энергетические системы и комплексы и управление ими», г. Новочеркасск, 2007 г.; Разработки молодых специалистов в области электроэнергетики 2008: III научно-техническая конференция ОАО «НТЦ электроэнергетики», г. Москва, 22-26 сентября 2008 г.; молодежная программа «Russia Power 2011» «Инвестирование в будущее», г. Москва, 29 марта 2011 г.

Публикации. Материалы диссертации опубликованы в 11 печатных работах в соавторстве с другими авторами, из них 4 статьи в рекомендуемых ВАК изданиях, 3 статьи в сборниках трудов конференций.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Работа изложена на 147 страницах текста, содержит 55 рисунков, 26 таблиц, список литературы включает 113 наименований.

Глава 1

ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ ПРОМЫШЛЕННЫМИ ПРЕДПРИЯТИЯМИ

1.1. Оптовый рынок электроэнергии

С 01 апреля 2006 года вступили в силу новые правила работы оптового и розничных рынков электроэнергии. В результате введения этих правил осуществлен переход к регулируемым договорам между покупателями и генерирующими компаниями, ликвидирован сектор свободной торговли (ССТ), запущен «рынок на сутки вперед» (РСВ) и рынок реального времени — «балансирующий рынок» (БР) [1].

Потребители электрической энергии на оптовом рынке электроэнергии и мощности (ОРЭМ) ежегодно заключают двусторонние договора на поставку электроэнергии и мощности. Администратор торговой системы — ОАО «АТС» формирует объем электроэнергии, продающийся по этим договорам, в соответствии с плановым балансом электроэнергии. Плановый баланс электроэнергии ежегодно утверждается Федеральной службой по тарифам Российской Федерации (ФСТ РФ). На основе этого баланса рассчитываются регулируемые тарифы на электроэнергию и мощность [2].

Объемы электроэнергии, не покрытые регулируемыми договорами, продаются по свободным ценам [3]. Таких способов торговли электроэнергией в новой модели оптового рынка два — это свободные двусторонние

договоры и РСВ. В рамках свободных двусторонних договоров участники рынка сами определяют контрагентов, цены и объемы поставки.

Основой РСВ является проводимый ОАО «АТС» конкурентный отбор ценовых заявок поставщиков и покупателей за сутки до реальной поставки электроэнергии с определением цен и объемов поставки на каждый час суток. Если происходит отклонение от запланированных на сутки вперед объемов поставки, участники покупают или продают их на балансирующем рынке.

Свободные рыночные цены на электроэнергию рынка СВ имеют выраженный сезонный характер. Было произведено исследование влияния точности долгосрочного прогноза электропотребления на величину финансовых убытков предприятия. Анализ величин переплаты за электроэнергию на одном из крупных промышленных предприятий Кузбасса приведен в таблице 1.1.

Таблица 1.1 - Оплата электроэнергии на долгосрочном периоде

Период Цена РСВ, руб./МВт-ч Заявл. энергия, МВт-ч Факт, энергия, МВт-ч Откл., % Убытки, тыс. руб.

янв.09 456,18 59538 73054 18,5 597

фев.09 495,15 65797 70290 6,4 374

мар.09 439,58 65200 65315 0,2 3

апр.09 439,05 64135 70370 8,9 169

май.09 419,51 59218 64933 8,8 43

июн.09 393,85 63637 58415 8,9 95

июл.09 355,87 64486 63013 2,3 83

авг.09 405,55 63495 64263 1,2 5

Зимой цены, как правило, выше, так как из-за низкой температуры увеличивается потребление электроэнергии по всем регионам, загружа-

ются дополнительные генерирующие мощности, соответственно наблюдается уменьшение резерва на электростанциях, и рост свободных цен.

Летом — наоборот, увеличивается выработка гидроэлектростанций, имеющих более низкую стоимость электроэнергии по сравнению с тепловыми станциями, снижается общий спрос на электроэнергию, и цены на PCB падают.

Проведенный анализ величин выплат на потребленную электроэнергию для одного из крупным промышленных предприятий Кузбасского региона показал, что среднеабсолютная месячная ошибка прогноза составила 6,9 %, суммарные издержки за 9 месяцев, вызванные разницей цен PCB и тарифов ФСТ — 1 млн 358 тыс. руб., или 25 тыс. руб. в месяц в пересчете на 1 % ошибки прогноза.

В 2011 году, в соответствии с Постановлением Правительства Российской Федерации от 7 апреля 2007 года, произошла замена регулируемых договоров на свободные (нерегулируемые) договоры [4]. Что касается розничных рынков электроэнергии, то правила функционирования предполагают постепенную либерализацию розничных рынков параллельно с либерализацией оптового рынка при сохранении обеспечения населения электроэнергией по регулируемым тарифам.

Для предприятий, работающих на оптовом рынке, переход к полностью свободному рынку привел к необходимости заключения долгосрочных свободных договоров на поставку электроэнергии. Свободные договоры, в отличие от регулируемых, могут заключаться на произвольный период времени, по ценам, определенным по достигнутым соглашениям между самими участниками. Учитывая долгосрочных характер этих договоров, цены в них складываются ниже цен PCB, поэтому чем точнее предприятие укажет свое электропотребление в таком договоре,

тем меньше будет величина последующих отклонений и финансовых убытков.

Для облегчения взаимодействия участников