автореферат диссертации по процессам и машинам агроинженерных систем, 05.20.02, диссертация на тему:Разработка методики определения электропотребления сельскохозяйственных потребителей региона на перспективу

Солодухин Александр Михайлович

Разработка методики определения электропотребления сельскохозяйственных потребителей региона на перспективу (на примере Калужской области)

Специальность 05.20.02 - Электротехвологии и электрооборудование в сельском хозяйстве

Автореферат диссертации на соискание ученой степени кандидата технических наук

2 9 грм 2011

МОСКВА 2011

4855028

Работа выполнена в Федеральном государственном образовательном учреждении высшего профессионального образования «Московский государственный агроинженерный университет имени В. П. Горячкина».

Научный руководитель:

доктор технических наук, профессор Лещинская Тамара Борисовна

Официальные оппоненты:

доктор технических наук, профессор Кудрин Борис Иванович доктор технических наук, профессор Воробьев Виктор Андреевич

Ведущая организация:

Государственное Научное Учреждение Всероссийский Институт Электрификации Сельского Хозяйства (ГНУ ВИЭСХ)

Защита диссертации состоится «10» октября 2011 г. в _ часов на заседании

диссертационного совета Д 220.044.02 при ФГОУ ВПО «Московский государственный агроинженерный университет имени В. П. Горячкина» по адресу: 127550, г. Москва, ул. Лиственничная аллея, д. 16-а, корпус 3, конференц-зал.

С диссертацией можно ознакомиться в библиотеке ФГОУ ВПО МГАУ.

Автореферат разослан «_»_2011 г. и размещен на сайте ФГОУ ВПО

МГАУ www.nisau.ru « »_2011г.

Ученый секретарь диссертационного совета, кандидат технических наук

С. А. Андреев

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Система электроснабжения (СЭС) - большая сложная система, одним из свойств которой является динамика развития. Важным показателем при разработке и выборе вариантов развития СЭС является значение электропотребления на перспективу краткосрочную, среднесрочную и долгосрочную. Чем точнее прогноз электропотребления, тем режимы и параметры СЭС ближе к оптимальным. СЭС должна создаваться таким образом, чтобы при разумно минимальных затратах денежных средств, оборудования и материалов она обеспечивала надежное электроснабжение и подавала потребителям качественную электроэнергию, т.е. достигала целей функционирования.

В настоящее время СЭС сельских районов характеризуется почти стопроцентным износом электрооборудования (электрических сетей и трансформаторных подстанций), несовершенством схем питания, большой протяженностью воздушных линий 10 кВ, морально и физически устаревшим оборудованием и нуждается в коренной реконструкции и преобразовании. Требуется строительство новых районных трансформаторных подстанций 110/10; 35/10; 110/35/10 кВ что приведет к сокращению длин и радиусов ВЛ 10 кВ, снижению потерь электроэнергии в них, повышению надежности электроснабжения потребителей. Применение более совершенного электрооборудования (вакуумных выключателей, релейной защиты на микропроцессорах, изолированных проводов и др.) также повысит надежность электроснабжения.

Исходными данными при проектировании электрических сетей и планировании мероприятий по преобразованию СЭС сельских районов являются электрические нагрузки или электропотребление на перспективу.

Таким образом, разработка методики определения электропотребления сельскохозяйственных потребителей региона на перспективу является важной и актуальной задачей, так как методика определения электрических нагрузок, их достоверность оказывает существенное влияние на все последующие этапы проектирования.

Проблемой прогнозирования электропотребления для сельскохозяйственных районов занимались многие ученые, среди которых: И.А. Будзко, Б.И. Кудрин, С.Д. Волоб-ринский, Б.В. Гнеденко, В.Ю. Гессен, А.Г. Захарин, Г.М. Каялов, П.Н. Клейн, Б.А. Кня-зевский, A.A. Климов, Н.С. Канакин, А.П. Коршунов, М.С. Левин, Д.С. Лившиц, Ю Л. Мукосеев, Г.И. Назаров, В.К. Плюгачев, A.A. Пястолов, П.Я. ГТирхавк, В.Г. Стафийчук, Р.Я. Федосенко, Ю.А. Фокин, МК. Харчев, В.М. Цвях, Л.Е. Эбин, В.В. Шереметьев, Па-хамов A.B. и др.

Нормативными методами определения перспективного электропотребления в отрасли сегодня являются - экстраполяция временных рядов электропотребления и балансовый метод. Их недостаток - проецирование тенденций прошлого на будущее, что снижает их точность и адекватность. Поэтому необходимо создать современные методы, основанные на учете большого количества факторов в динамике с применением новых достижений математики - нейронных сетей и техноценоза.

Научная проблема. Заключается в необходимости общей методологии определения электрических нагрузок на перспективу, применимой к различным регионам страны.

Целью исследования является разработка методики определения электропотребления сельскохозяйственных потребителей региона (на примере Калужской области) на перспективу, сравнение и анализ существующих методов прогнозирования электрических нагрузок, с выявлением наиболее качественного из них, по критерию наименьшей ошибки в прогнозе.

Объектом исследования являются методы прогнозирования электропотребления сельскохозяйственных районов Калужской области на перспективу.

Методы исследования. Для решения поставленных задач использовались методы основанные на ранговом анализе техноценозов и методы, в основе которых лежит аппарат нейронных сетей.

Научная новизна. Научную новизну результатов представляют: разработанные методы прогнозирования электропотребления сельскохозяйственных потребителей региона (на примере Калужской области), обеспечивающие единую методику определения расчетных нагрузок; показатели основных видов электрических нагрузок (промышленных, с/х, коммунально-бытовых), динамики их развития и других факторов, влияющих на перспективное электропотребление сельскохозяйственных потребителей области; математические модели, позволяющие с достаточной точностью выполнять краткосрочный прогноз ряда энергетических характеристик (электропотребления, мощности электродвигателей и т.п.), на основе исходных данных о развитии групп потребителей электроэнергетического направления.

Практическая ценность работы. Практическая значимость результатов заключается в разработанной методике определения электропотребления сельскохозяйственных потребителей региона на перспективу, которая может быть использована при проектировании новых электрических сетей (реконструкции существующих), а также полученных результатах исследования электрических нагрузок. Результаты диссертационной работы приняты и внедрены в ООО Инвестиционно-проектной группе «СИНЭФ».

На защиту выносится: Методика прогнозирования электропотребления апробированная на сельскохозяйственных потребителях Калужской области.

Апробация работы. Основные положения и результаты диссертационной работы обсуждались на конференциях: 7-ая Международная научно-техническая конференция (Москва, ГНУ ВИЭСХ, 2010г.).

Публикации. Основные положения и выводы диссертации опубликованы в трудах научно-технической конференции и трех статьях, в изданиях, рекомендованных Высшей аттестационной комиссией Минобразования и науки РФ.

Структура и объем работы. Диссертация состоит из введения, пяти глав, общих выводов и списка литературы, содержит иллюстрированный материал.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность темы и проблема исследования; определяются его объект и цель; раскрывается научная новизна и достоверность исследования, его практическая ценность; формулируются основные положения, выносимые на защиту; указываются апробация научных результатов и публикации основных положений, структура и объем диссертации.

В первой главе «Электроэнергетический комплекс Калужской области» рассматривается история развития электроэнергетики Калужской области, взявшая свое начало в 1912 году, когда первая дизельная электростанция региона была введена в эксплуатацию и по настоящее время.

I HL^IIUK i - i шанирусмам динамик

потребления электроэнергии.

тт. :л ;

Плажруемая динамика потреблении электроэнергии по Калужской области в 2003-2011 мдах í,»\\ 12007-2011 гоаы-план), или кВтч

Í i-

ti

На данный момент (на первое полугодие 2009 года) потребление электроэнергии в области выросло по сравнению с аналогичным периодом 2008 года на 0,9%, причем наибольший рост потребления наблюдается у сельскохозяйственных потребителей и сельского населения. Так прирост потребления производственных сельскохозяйственных потребителей составил 6,5%, городского населения - 2,9%, сельского

населения - 10,2%, а также потребителей, приравненных к категории «население» - 4,8%. Однако, существует некоторое снижение энергопотребления промышленными предприятиями. поставка электроэнергии для потребителей Калужской области, за исключением населения, по регулируемым ценам в первом полугодии составила от 57% до 67%.

Данная глава дает представление о системе электроэнергетики Калужской области, это сделано для того чтобы понять что Калужская область является областью, которая не имеет характерных особенностей и отличий от других областей нейтрального региона. Это позволяет на ее примере разрабатывать методику определения электропотребления сельскохозяйственных потребителей на перспективу, которую в последующем можно применить к любой другой области.

Во второй главе «Математические модели и методы прогнозирования» рассмотрена сущность понятия «прогнозирование», как процесс разработки прогнозов.

Прогноз - конкретное предсказание, суждение о состоянии какого-либо явления в будущем на основе специального научного исследования. Классификация прогнозов осуществляется, по двум признакам временному и функциональному. По временному признаку различают прогнозы: кратко-, средне-, долгосрочные и сверхдолгосрочные. Функциональная классификация прогнозов предполагает их деление на исследовательские, программные и ресурсные.

Также в этой главе описаны существующие методы прогнозирования и произвелась попытка применения их для прогнозирования потребления электроэнергии сельскохозяйственными потребителями Калужской области.

- Корреляционный и регрессионный анализы.

Задачи корреляционного анализа сводятся к измерению тесноты известной связи между варьирующими признаками, определению неизвестных причинных связей (причинный характер которых должен быть выяснен с помощью теоретического анализа) и оценки факторов, оказывающих наибольшее влияние на результативный признак.

Для практического использования моделей регрессии большое значение имеет их адекватность, т.е. соответствие фактическим статистическим данным.

Корреляционный и регрессионный анализ обычно проводится для ограниченной по объему совокупности. Поэтому показатели регрессии и корреляции - параметры уравнения регрессии, коэффициенты корреляции и детерминации могут быть искажены действием случайных факторов. Чтобы проверить, насколько эти показатели характерны для всей генеральной совокупности, не являются ли они результатом стечения случайных обстоятельств, необходимо проверить адекватность построенных статистических моделей.

- Анализ временных рядов.

Временным рядом называют последовательность наблюдений, обычно упорядоченную во времени, хотя возможно упорядочение и по какому-то другому параметру. Основной чертой, выделяющей анализ временных рядов среди других видов статистического анализа, является существенность порядка, в котором производятся наблюдения. Если во многих задачах наблюдения статистически независимы, то во временных рядах они, как правило, зависимы и характер этой зависимости может определяться положением наблюдений в последовательности. Природа ряда и структура порождающего ряд процесса могут предопределять порядок образования последовательности.

На практике для количественной оценки динамики явлений широко применяются следующие основные аналитические показатели: абсолютные приросты, темпы роста и темпы прироста. Причем каждый из этих показателей может быть трех видов: цепной, базисный и средний.

Описание динамики ряда с помощью среднего абсолютного прироста соответствует его представлению в виде прямой, проведенной через две крайние точки. В этом случае, чтобы получить прогноз на Ь шагов вперед (Ъ - период упреждения), достаточно воспользоваться следующей формулой:

у_ + ЬАу

(1)

где:

у„ - фактическое значение в последней п-ой точке ряда (конечный уровень ряда); Ул+1_ прогнозная оценка значения (п+Ь)-го уровня временного ряда; Ау - значение среднего абсолютного прироста, рассчитанное для временного ряда УьУг ...,Уп.

Очевидно, что этой подход к получению прогнозного значения корректен, если характер развития близок к линейному. Оценивая наш временной ряд, можно заключить, что его характер развития не линеен (рисунок.2).

ГОДЫ Потребление

1993 3682,5

1994 3413,16

Г 1995 3231,3

1996 3133,6

1997 3108,7

1998 3043,7

1999 3276,1

2000 3380,1

2001 3398,2

2002 3388,7

2003 3345,7

2004 3376,1

2005 3314,72

2006 3301,41

2007 3345,25

2008 3520,24

зооо

1993199-31995 1996 199? 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 Год

Рисунок 2 - Ряд потребления электроэнергии Калужской областью в млн.кВтч.

Однако если рассмотреть временной промежуток с 1999 по 2007 год, то здесь просматривается линейная зависимость с четкой тенденцией потребления электроэнергии. Попытаемся определить прогнозное значение электропотребления на 2008 год с помощью среднего абсолютного прироста для этого участка ряда.

Расчет цепных абсолютных приростов происходит по формуле Ду! = у! - Уы.

Ду2=3380,1 - 3276,1 = 104 (млн. кВтч); ...; Ду»=3345,25-3301,41 =43,84 (млн. кВтч).

Хотя визуально динамика близка к линейной, цепные абсолютные приросты изменяются на всем промежутке времени ряда. По мнению экспертов, условием для применения этого приема прогнозирования должно являться сохранение инерционности развития показателя для всего периода упреждения (момента прогноза). Поэтому мы не можем считать этот метод прогнозирования как наиболее достоверным, однако определим прогнозное значение.

Значение среднего абсолютного прироста определим по формуле;

Ау = -

3343.23-3276.1

= 8,644 (млн.кВтч),

(2)

т.е. в среднем ежегодно в исследуемом периоде потребление электроэнергии изменялось на 8,6 (млн.кВтч).

Теперь определим прогнозное значение электропотребление Калужской области на 2008 год с помощью выражения:

А о = У» + ¿У = 3345,25 + 8, 644 = 3353.894 (млн.кВтч), (3)

6

Полученный прогноз, как ожидалось, не оказался достаточно точным (электропотребление за этот год составило 3520,24 млн.кВтч). Поэтому здесь гребуются иные подходы для прогнозирования.

В третьей главе «Внутриквартирные электрические нагрузки сельских потребителей» рассмотрена методика сбора и обработки информации, необходимой для определения электрических бытовых нагрузок.

Для формирования исходных данных, для расчетов электрических нагрузок жилых зданий (квартир) и коттеджей (частных домов) на перспективу, была подготовлена анкета, которая предоставлялась к заполнению владельцу (жителю) квартиры/дома, и состоящая из следующих вопросов:

1. Область проживания опрашиваемого.

2. Количество светоточек в доме/квартире.

3. Количество электрических бытовых приборов и их мощность.

4. Площадь дома/квартиры.

5. Количество комнат в доме/квартиры.

6. Количество жителей в доме/квартире.

Нагрузка жилого дома/квартиры находится как сумма бытовых нагрузок и освещения. В таблице 1 представлены показатели, характеризующие осветительную нагрузку обследованных домов.

Таблица 1 - Осветительная нагрузка домов.

Количество обследованных домов Количество светоточек на 1 дом Установленная мощность освещения на 1 дом (Вт) Средняя мощность 1 светоточки (Вт)

69 10,812 1825,94 168,8809

В работе приведены результаты исследования зависимости мощности освещения в доме/квартире от количества комнат, а также числовые оценки математического ожидания (т), среднеквадратичного отклонения (а) и коэффициент вариации (V) полученных статистических распределений.

Для того чтобы установить зависимость установленной мощности освещения (у) от количества комнат в доме/квартире (х) аппроксимируем функцию у=/(х) линейной (у=а1+а2Х), квадратичной (у=а|+а2Х+азХ'2) и экспоненциальной (у=а|еа2х) функцией. Полученные уравнения зависимостей выглядят так:

у=977,5987+303,3599х; у=394,48+886,48х-116,62х2; у=Ю65,01е0 |84х. (4) Проанализировав полученные уравнения и построив график всех трех функций (рисунок 3), можно заключить, что наиболее подходящей зависимостью для нашего исследования является линейная зависимость.

Рисунок 3 - Результаты аппроксимации: абсцисса - мощность, Вт ордината - кол-во комнат

Получено следующее уравнение регрессии:

Рос.=977,5987+303,3599п, (5) где Росв - установленная мощность освещения, Вт; п - количество комнат.

—> А шедения

1 ооэ.ио

Определим степень линейной связи между Росе и п, определив коэффициент корреляции Пирсона: г = 0,844836 (при г - корреляция является полной прямой).

Полученные результаты позволяют сделать вывод, что одним из основных факторов, определяющим величину установленной мощности освещения является количество комнат в доме\квартире. Распределения домов по числу комнат в сельскохозяйственных регионах практически равны, однако, надо принять к сведению, что в таких регионах возрастает интерес к строительству коттеджей по индивидуальному проекту, с большим количеством комнат, что следует учесть при перспективном планировании осветительной нагрузки.

В таблице 2 приведены данные о показателях удельной установленной мощности электрических бытовых приборов на 1 дом/квартиру, осветительная нагрузка, а также суммарная нагрузка на 1 дом/квартиру.

Таблица 2 - Показатели бытовой нагрузки.

Количество обследованных домов Осветительная нагрузка, Вт/дом Бытовая нагрузка, Вт/дом Суммарная нагрузка, Вт/дом

69 1825,94 4655,07 6481,01

Анализируя приведенное выше исследование, можно заключить, что установленная мощность освещения и бытовой нагрузки зависит от архитектурно-планировочных (число комнат, жилая площадь и т.д.) и социологических факторов (количество жителей, их возраст и т.д.).

Изменение уровней насыщения бытовых приборов и соответствующих нагрузок от численности семьи приведено на рисунках 4 и 5.

160%

Рисунок 4 - Уровни насыщения бытовыми приборами в зависимости от численности семьи: абсцисса - наличие бытовых электроприборов, % ордината - численность семьи.

Рисунок 5 - Уровни внутридомовой нагрузки в зависимости от численности семьи: абсцисса - мощность общая, Вт

ордината - численность семьи.

о

1 2 3 4 5

Анализ показал что, при прогнозировании будущей бытовой нагрузки на этапе

•«Электроплиты — Компьютеры

СВЧ -Кинотеатры

8000 7000 6000 5000 400О ЗООО 2000 1000

/

—■Освеще н ие

Бытовые приборы СУММА

строительства, следует учитывать перспективные изменения численности семьи, влекущие за собой и изменения бытовой нагрузки, а бытовая нагрузка обратнопропорциональна возрасту семьи.

В результате проведенного исследования получена возможность выявить зависимость перспективной расчетной электрической нагрузки от сегодняшней нагрузки.

В таблице 3 приведены данные о потребление жилого сектора Калужской области за 15 лет с 1993 года по 2007 .

Таблица 3 - Потребление населения за 15 лет.

В соответствии с методикой нахождения уравнения регрессии. рассмотренной ранее, был проведен анализ данных из таблицы 7, на основании которого, получена следующую зависимость:

^'„«„^ =0,997968, г=0,9958 (6)

где \\'на,: „ер™ - перспективная нагрузка на жилой сектор , млн.кВтч;

У/ге|, - текущее потребление электрической энергии, млн.кВтч.

Уравнение тренда зависимости электропотребления от номера года имеет вид:

У/пас .перс1, =742,7726 - 0,09684п, (7) где \№„ас персп - перспективная нагрузка на жилой сектор , млн.кВтч; п - номер года.

Используя это уравнение, получено перспективное значение электропотребление на следующий временной промежуток, оно равно 741,2236 млн.кВтч, погрешность прогноза составляет 5,99% от фактического значения (788,5338 млн.кВтч). Однако, зависимость не близка к линейной, поэтому полученная погрешность будет меняться в зависимости от предыстории.

Прогнозное значение на 16-й год, по параболической модели, составляет 946,274 млн. кВтч, погрешность прогноза по модулю составляет 20,0% от фактического значения.

Как видно из рисунка 6, наиболее подходящая из зависимостей, это линейная зависимость.

Рисунок 6 - Соответствие данных исследования и найденной зависимости:

абсцисса - электропотребление, млн.кВтч ордината - года.

№№ Год измерения Потребление,

п.п. млн.кВтч

1 1993 824,88

2 1994 764,5478

3 1995 723,8112

4 1996 701,9264

5 1997 696,3488

6 1998 681,7888

7 1999 733,8464

8 2000 757,1424

9 2001 761,1968

10 2002 759,0688

11 2003 749,4368

12 2004 756,2464

13 2005 742,4973

14 2006 739,5158

15 2007 749,336

В результате исследования получены следующие зависимости:

- Зависимость мощности освещения от количества комнат: Рос,=977,5987+303,3599п, (8)

где Рос - установленная мощность освещения, Вт; п - количество комнат. (9)

- Зависимость бытовой нагрузки от количества комнат: Р6ыт =6800,897-844,472п, '(10)

где Р6ыт - установленная бытовая нагрузка на дом/квартиру, Вт; п - количество комнат. (11)

- Зависимость общей мощности от количества комнат: У/Сум„ =7778,496-541,112п, (12)

где \Усумм - суммарная нагрузка дома/квартиры, Вт; п - количество комнат.

- Зависимость общей нагрузки от количества жителей: \Усумм=6130,742-119,792п, (13)

где \Усу*м - суммарная нагрузка дома'квартиры, Вт; п - количество жителей.

В четвертой главе рассмотрена «Разработка методики прогнозирования электропотребления техноценоза Калужской области» на основе рангового анализа техноценоза (на основе теории Кудрина Б.И.)

Техноценоз - ограниченная в пространстве и во времени, взаимосвязанная совокупность, далее неделимых, технических изделий/особей, объединенных слабыми связями. Прогнозирование проходит согласно следующим этапам:

Прогнозирование проходит согласно следующим этапам;

1. Выделение техноценоза, как совокупности изделий/особей ограниченных в пространстве и во времени (в нашем случае система электропотребления Калужской области была определена как техноценоз).

2. Определение семейства особей (потребители электроэнергии).

3. Обозначение видообразующих параметров (социологическая принадлежность потребителей).

4. Определение перечня видов особей техноценоза (мы имеем 5 групп потребителей: промышленные, с/х, населения, не промышленные и прочее).

5. Построение распределений и оптимизация ценоза.

После того как данные об электропотреблении техноценоза имеются в нашем распоряжении, создается электронная база данных, которая представляет собой неупорядоченную совокупность значений исследуемых параметров особей техноценоза (таблица 4).

Таблица 4 - Потребление техноценоза в период с 1993 г. по 2007 г. в млн.кВтч.

ГОДЫ X Промышленность сх Население Не пром-ость Прочее Е

1993 3682,5 1027,4175 489,7725 824,8800 1211,5425 128,8875 3682,50

1994 3413,16 952,2716 453,9503 764,5478 1122,9296 119,4606 3413,16

¡995 3231,3 901,5327 429,7629 723,8112 1063,0977 113,0955 3231,30

1996 3133,6 874,2744 416,7688 701,9264 1030,9544 109,6760 3133,60

1997 3108,7 867,3273 413,4571 696,3488 1022,7623 108,8045 3108,70

1998 3043,7 849,1923 404,8121 681,7888 1001,3773 106,5295 3043,70

1999 3276,1 914,0319 435,7213 733,8464 1077,8369 114,6635 3276,10

2000 3380,1 943,0479 449,5533 757,1424 1112,0529 118,3035 3380,10

2001 3398,2 948,0978 451,9606 761,1968 1118,0078 118,9370 3398,20

2002 3388,7 945,4473 450,6971 759,0688 1114,8823 118,6045 3388,70

2003 3345,7 933,4503 444,9781 749,4368 1100,7353 117,0995 3345,70

2004 3376,1 941,9319 449,0213 756,2464 1110,7369 118,1635 3376,10

2005 3314,72 924,8069 440,8578 742,4973 1090,5429 116,0152 3314,72

2006 3301,41 921,0934 439,0875 739,5158 1086,1639 115,5494 3301,41

2007 3345,25 933,3248 444,9183 749,3360 1100,5873 1 17,0838 3345,25

Несмотря на то, что мы имеем крайне малое количество групп потребителей, а именно: промышленность, с/х, население, не промышленность и прочее; постараемся применить ранговый метод исследования техноценозов к нашему региону, и проанализируем полученные результаты с предоставлением выводов о возможности использования данного метода для прогнозирования наших данных по электропотреблению области.

— Промышленность -С/Х

нлг.иленик

- не промышленность Причее

Рисунок 7 - Электропотребление групп потребителей.

Прогнозирование основано на ранговом анализе. Ранговый анализ - метод исследования техноценозов, полагающий в качестве основного критерия форму видовых и ранговый распределений. Ранговое распределение - убывающая последовательность значений параметров, упорядоченная таким образом, что каждое последующее число меньше предыдущего, и поставлено в соответствии рангу (ранг - номер по порядку ряду натуральных чисел, расположенных в порядке возрастания) (рис.9, 10).

«5858Й 8 8 8 8 8 8 8

0 2 4 6

Рисунок 8,9 - Ранговое параметрическое распределение техноценоза (по состоянию на первый год исследований), трехмерная ранговая поверхность техноценоза: абсцисса -ранг объекта; ордината - электропотребление, млн.кВтч (рисунок 8); ордината - временной интервал (номер года исследования) (рисунок 9); аппликата - электропотребление,

млн.кВтч.

Необходимо определить является ли техноценоз взаимосвязанным по параметру электропотребления путем вычисления коэффициента копкордации,что показывает согласованность перемещения объектов по ранговой поверхности при переходе от одного временного интервала к последующему.

1250КУ

—Т К = 1 (14)

т \п - гу

Для совокупности данных, используемых в нашем исследовании, коэффициент конкордации значим, что свидетельствует о том, что наш техноценоз взаимосвязан по параметру электропотребления. Однако, не всегда исходные данные, полученные для исследования техноценоза, вполне корректны, что влияет на дальнейший его анализ и на такие процедуры как прогнозирование. Следовательно, необходимо провести предварительную процедуру верификации базы данных, которая включает следующие подпроцедуры: устранение нулевых данных, устранение явно ошибочных данных (выбросов), устранение абсолютно равных данных, восстановление утерянных данных.

По завершению построена трехмерная ранговая поверхность (рисунок 10).

Рисунок 10 - Верифицированная трех-То мерная ранговая поверхность:

абсцисса - ранг объекта; ордината - непрерывное время (годы); 500 аппликата - электропотребление, млн.кВтч.

Ключевое значение имеет проверка на соответствие критериям Н-распределения. Во-первых, совокупность данных не должна подчиняться нормальному закону и, во-вторых, данные должны являться значимо взаимосвязанными (найденный выше коэффициент конкордации свидетельствует о взаимосвязанности техноценоза). В случае если обе гипотезы выполняются - исследуемый объект является техиоценозом, а данные по его электропотреблению могут обрабатываться методами рангового анализа.

Ъ--Рисунок 11 - Проверка гипотезы о

, несоответствии распределения нормаль-1 ному закону: абсцисса - электропотреб' ление, млн.кВтч; 0 * ордината - квантили.

а

-1 % Из графика (рисунок 11) видно,

точки не лежат вблизи какой-либо пря--2 мой, гипотеза о нормальном распределе-

0 500 1х1С? 1.М05 нии генеральной совокупности отвергает-

ся. В данном случае мы имеем дело с ярко выраженным техноценозом. Подобный вывод позволяет в дальнейшем при обработке статистических данных по электропотреблению использовать методологию рангового анализа.

Далее необходимо выявить математическую модель, путем аппроксимации этого распределения. Среди исследователей техноценозов выбрана следующая модель:

2 1 0 1

2

г ^

f = ~¥ <">

В работе аппроксимация проведена методом наименьших модулей, наименьших квадратов и линейный метод наименьших квадратов. Выявлено, что наиболее корректным является метод наименьших модулей: „„ ч Г 1212

=7шт <16>

1.5х|0! 1x103 500 0

0

График результирующей аппроксимационной кривой параметрического распределения техноценоза представлен на рисунке 12.

Рвсунок 12 - График результирующей аппроксимационной кривой параметрического распределения техноценоза: абсцисса - ранг объекта; ордината - злектропотребление, млн.кВтч.

Найдены значения коэффициентов и р за весь временной интервал (таблица 5). Таблица 5 - Данные аппроксимации за весь интервал.

№ года 93 94 95 96 97 98 99 00 01 02 03 04 05 06 07

\У*10 3 1,2 12 1,2 3 !, 06 3 1,0 31 1,0 23 1,0 01 1,0 78 1,1 12 1,1 8 1,1 5 1,1 01 1Д М 1,0 91 1,0 86 1,1 01

Р 0,6 53 0,6 53 0, 65 3 0,6 53 0,6 53 0,6 53 0,6 46 0,6 47 0,6 53 0,6 53 0,6 53 0,5 47 0,5 46 0,6 19 0,6 54

Ранговый анализ позволяет провести прогноз по средствам нескольких методов: О-метод на основе анализа главных компонент, й-метод на основе декомпозиции временных рядов, 2-методом на основе техноценологической методологии (крупный математический аппарат которых имеется в диссертации). Здесь представлен результат й-метода на основе декомпозиции временных рядов.

Рисунок 13

Электропотребление объекта (группы

промышленность) на

последющих временных шагах:

абсцисса - номер года; ордината -

электропотребление в

относительных единицах; Левая часть графика - электропотребление за известный период времени с реальными данными (крестики); правая часть графика - прогнозное значение электропотребления с 95%-ми доверительными границами (штриховые линии).

Рассматривая подробнее правую часть графика выявляем прогнозные минимальные и максимальные возможные значения и прогнозные доверительные 95%-ые интервалы с учетом тренда на год. Результат прогноза на 4 года представлен в таблице 10 и на рисунке 14.

Рисунок 14 - Прогноз электропотребления объекта на последующие 4 года: абсцисса - номер года: ордината - электропотребление, млн.кВтч; ЕР(2) - ЕР(3) - прогнозный минимальный -медианный интервал с учетом тренда на год, ЕР(5) - ЕР(4) - прогнозный доверительный 95%-ый интервал с учетом тренда на год.

Таблица 6 - Таблица прогнозных значений электропотребления объекта

[.кВтч)

Номер MIN МАХ Доверительная Дверительная ниж-

года верхняя граница няя граница

1 863,631 942,128 1082 820,103

2 865,734 933,892 1038 840,499

3 884,398 926,718 953,423 900,761

4 882,611 932,412 1002 867,774

На основе выше рассмотренного метода прогнозирования значений электропотребления на примере промышленного сектора Калужской области, был проведен прогноз для других групп с/х, население, не промышленность, прочее).

Таблица 7 - Итоги прогноза.

Наименование потребителя Номер года В период с 2008 года по 2011 год (1-4).

Минимальные значения Медианные значения Доверительные 95% границы

ПРОМЫШЛЕННОСТЬ 1 863,631 942,128 820,103 1082

2 865,734 933,9862 840,499 1038

3 884,398 926,718 900,761 953,423

4 882,611 932,412 867,774 1002

СЕЛЬСКОЕ ХОЗЯЙСТВО 1 411,695 449.115 390,945 515,939

2 412,698 445,189 400,668 494.657

3 421,595 441,769 429,385 454,499

4 420,743 444,483 413,67 477,591

НАСЕЛЕНИЕ I 693,381 756,404 658,434 868,95

2 695,07 749,792 674,81 833,106

3 710,054 744,032 723,191 ' 765,472

4 708,62 748,603 696,708 804,363

НЕ ПРОМЫШЛЕННОСТЬ 1 1018 1111 967,075 1276

2 1021 1101 991,126 1224

3 1043 1093 1062 1124

4 1041 1100 1023 1181

ПРОЧЕЕ 1 108,341 118,188 102,88 135,773

2 108,605 117,155 105,439 130,173

3 110,946 116,255 112,999 119,605

4 110,722 116,969 108,861 125,682

Теоретические значения, полученные прогнозным путем, с помощью методов рангового анализа техноценоза, соответствуют реальному значению, полученному опытным путем за 2008 год (промышленность 982,147 млн.кВтч, с/х 468,1919 млн.кВтч, население 788,5338 млн.кВтч, не промышленность 1158,159 млн.кВтч, прочее 123,2084 млн.кВтч) с вероятной ошибкой для каждой из групп потребителей в 4,07%. На основании этого можно заключить, что данная методика прогнозирования электропотребления Калужской области, как техноценоза, позволяет с достаточной вероятностью и известной ошибкой провести прогноз и получить вполне корректные данные о потреблении как в целом по региону, так и отдельно взятой той или иной группы потребителей.

Принимая во внимание расчетную ошибку данного метода прогнозирования, применительно к Калужской области, можно использовать полученные данные прогноза, как для планирования строительства новых сетей, так и для совершенствования уже существующих сетей, при выявлении такой необходимости. Преимущество модели заключается также в том, что она не требует привлечения большого количества данных, как это требуется в многофакторных моделях. Данная методика обеспечивает приемлемую точность необходимую для заключения договоров с энергосистемами и позволяет находить новые пути в решении вопросов энергосбережения.

Пятая глава «Нейронные сети и применение их в прогнозировании».

В последнее десятилетие, с огромными темпами развития технического прогресса и компьютеризации, наблюдается повышение интереса к интеллектуальным технологиям. Причина заключается в неограниченных возможностях и относительной простоты в использовании. Одной из таких технологий является технологии искусственных нейронных сетей. На основе их и проведен прогноз в данном разделе диссертации.

Искусственная нейронная сеть - совокупность моделей биологических нейронных сетей. Представляют собой сеть элементов (искусственных нейронов) связанных между собой синаптическими соединениями. Сеть обрабатывает входную информацию и в процессе изменения своего состояния во времени формирует совокупность выходных сигналов. На рисунке 15 представлена структура нейрона.

Расуиок 15 - Структура искусственного нейрона.

Математическая модель нейрона имеет следующий вид:

5 = Е^и- + Ь, (17) (18)

_{> где - вес синапса, I = 1...П; Ь -значение смещения; Б - результат суммирования; х; - компонент входного вектора (входной сигнал); у - выходной сигнал нейрона; п - число входов нейрона; Г- нелинейное преобразование (функция активации).

На рисунке 16 представлена многослойная нейронная сеть, как объединение нейронов.

С,—

w.

х-, -

,Г

Рисунок 16 - Многослойная (двухслойная) сеть прямого распространения. Слева направо: входной слой, скрытый слой, выходной слой.

Процесс функционирования нейронной сети зависит от величин синаптических связей. Поэтому, задавшись архитектурой сети, необходимо найти значения переменных весовых коэффициентов. Этот этап называется обучением нейронной сети, и от того, насколько

качественно он будет выполнен, зависит

способность сети решать поставленные перед ней проблемы во время функционирования. Процесс обучения

представлен на рисунке 17. Рисунок 17 - Процесс обучения нейронной сети При прогнозировании задача заключается в создании нейронной сети, с помощью которой, можно прогнозировать значения электропотребления того или иного региона, основываясь на имеющихся данных по электропотреблению за последнее время, используя все тот же временной ряд. Очевидно, что прогнозирующая нейронная сеть должна иметь всего один выход и столько входов, сколько предыдущих значений мы используем для прогноза (например, 4 последних значения).

входы ВЫХОДЫ

1027,418 952,2716 901,5327 874,2744 952,2716 901,5327 874,2744 867,3273 867,3273 849,1923

874,2744 867,3273 849,19а 914,0319 867,3273| 849,1923[ Э14,0319[ »13,0479

849,1923 914,0319 943,0479 948,0978

914,0319 943,0479 948,0973 345,4473

943,0479 948,0978 945,4473 933.4S03

948,0978 945,4473 933,4503 941,9319

945,4473 933,4503 941,9319 924,£

933,4503 941,9319 924,8069 921,0934

941,9319 924,8069 921,0934 933,3248

924,8069 921,0934 933,3248 982,147

921,0934 933,3248 982,147

933,3248 982,147 982,147

На рисунке 18 представлена обучающая выборка.

Рисуаок 18 -

Обучающая выборка.

Здесь на вход подается 4 известных значения и на выходе указывается 5-ое значение. Во второй строчке указываем также 4 значения, но 4-ое значение это 5-ое __ с первой строчке, и

т.д. Однако для четвертой снизу строки заданы все четыре входных значения, но неизвестно значение выхода нейронной сети, именно к этой строке мы будем применять обученную нейронную сеть для получения прогнозного значения на последующий год.

После составления выборки выбираем архитектуру сети, и используя пакет Neural Networks Toolbox обучаем сеть (рис.19). Функция имеет вид: nct=newcf(I'R,[S 1 S2...SN1],(TF1 TF2... TFN1 },BTF, В LF,PF

Рисунок 19

Процесс обучения в MATLAB «Neural Network Training».

Рисунок 20 -Графический результат работы нейронной сети.

Ошибка имеет непостоянный характер (табл.8), однако максимальное отклонение составляет всего Д=4,5%, это показывает, что сеть работает оптимально при заданных ей значениях параметров электропотребления.

Таблица 8 - Числовой результат работы нейронной сети.

После получения обученной нейронной сети, зададим новые входящие параметры и получим прогнозное значение электропотребления на 2008 год. Получен следующий результат: а =

Columns 1 through 11 931.4801 906.5095 893.0946 889.6757 880.7507 912.6608 926.9407 929.4260 928.1216 922.2174 926.3915

Columns 12 through 14 917.9636 916.1361 922.1556

Таким образом получено прогнозное значение за 2008 год равное 922,1556 млн.кВтч, отклонение от фактического значения Д=6,108% (982,147 млн.кВтч).

Рассчитаем значения электропотребления группы промышленных потребителей Калужской области использовав созданную нейронную сеть в период с 2008 по 2011 года и сравним их с данными полученными путем рангового анализа (таблица 9).

Таблица 9 - Сравнение результатов прогноза.

Метод 2008 г. 2009г. 2010г. 2011г.

Ранговый метод 942,128 933,9862 926,718 932,412

Метод нейронных сетей 911,3035 919,4593 921,1628 915,5518

810

Реальные Расчетные

ГОДЫ значения, значения, Ошибка, %

млн.кВтч млн. кВтч

1993 1027,418 1027,418 0

1994 952,2716 968,4623 1,671795

1995 901,5327 931,4801 3,215034

1996 874,2744 906,5095 3,555958

1997 867,3273 893,0946 2,88517

1998 849,1923 889,6757 4,550355

1999 914,0319 880,7507 -3,77873

2000 943,0479 912,6608 -3,32951

2001 948,0978 926,9407 -2,28247

2002 945,4473 929,426 -1,72378

2003 933,4503 928,1216 -0,57414

2004 941,9319 922,2174 -2,13773

2005 924,8069 926,3915 0,171051

2006 921,0934 917,9636 -0,34095

2007 933,3248 916,1361 -1,87622

Сравнение фактических данных с данными полученными ОАО «Калужская сбытовая компания» и результатами исследования данной диссертации отражено в таблице 10.

Таблица 10 - Сравнение результатов прогноза.

Года Фактическое значение электропотребления, млн.кВт.ч. Ранговый анализ, млн.кВт.ч. ОАО «Калужская сбытовая компания», млн.кВт.ч.

2008 3520,24 3376,835 4370,22

2009 3662,1 3347,1222 4774,87

2010 3853,21 2231,774 4766,77

2011 ... 3342,467 3925,29

Согласно данным таблицы 10 делаем вывод, что прогнозные значения электропотребления, полученные согласно методике рангового анализа техноценоза, наиболее точно отображают действительный фактический результат нежели прогнозные данные полученные экспертами ОАО «Калужская сбытовая компания».

В таблице 11 показано отклонение расчетных значений электропотребления области от фактических, выраженное в процентах.

Таблица 11 - Сравнение результатов прогноза. Ошибка прогноза.

Года 2008 2009 2010

Ранговый анализ, % 4,073727928 8,601015811 13,79203314

ОАО «КСК», % -24,14551281 -30,38611726 -23,70906335

Анализ данных показывает - метод, основанный на ранговом анализе техноценоза, увеличивает свою погрешность с увеличением интервала глубины прогнозирования, следовательно, данный метод пригоден для краткосрочного прогнозирования (от 1 до 4 лет). Однако результат, который показал метод прогнозирования ОАО «КСК» значительно отличен от фактического, наибольшая ошибка здесь составляет 30,38%, а это 850 млн.кВт.ч. По одноставочному тарифу Калужской области для населения, проживающего в сельских населенных пунктах, на один кВт.ч приходится 2,0,7 руб., согласно этому 850 млн.кВт.ч это 1759,5 млн.руб. То есть небольшая ошибка в прогнозе ОАО «КСК» стоит государству потерей ежегодно около полутора триллиона рублей. В условиях рыночной экономики такие потери денежных средств не допустимы, соответственно этим подчеркивается актуальность разработанной нами методики и применение ее для расчетов прогнозных значений электропотребления различных регионов нашей страны.

Основные выводы.

В работе получены и защищаются следующие результаты:

1. На основе анализа статистического материала электропотребления сельским хозяйством Калужской области установлено, что погрешность прогноза электропотребления, выполненного по методике энергосистем составила свыше 30% на 2009 год и около 24% на 2010 год, что позволяет сделать вывод о необходимости создания более точных методов прогнозирования электропотребления.

2. Рассмотрено три математические модели перспективного электропотребления сельского хозяйства Калужской области - линейная, квадратичная, экспоненциальная (бытовые нагрузки). Наиболее точный прогноз дает линейная модель при экстраполяции временных рядов электропотребления, но ее погрешность также велика.

3. В диссертации разработаны методы краткосрочного (от 1 до 5 лет) прогнозирования электропотребления сельского хозяйства области, основанные на представлении системы электроснабжения техноценозом и с использованием математического аппарата нейронных сетей,

4. Ошибка рангового анализа составляет 4,07%, ошибка метода с применением нейронных сетей - 7,2%. Можно заключить, что сеть реагирует на новые данные менее точно, чем на данные прогнозируемые на один год вперед. Чем больше период прогнозирования тем меньше точность прогноза с использованием нейронных сетей. Следовательно этот метод пригоден только для кратковременного прогнозирования от 1 до 4 лет.

5. Экономический эффект для Калужской области при повышении точности прогноза может составить до триллиона рублей ежегодно.

Основные положения исследования отражены в следующих публикациях:

1. Солодухин, A.M. Оптимизация электроснабжения на основе рангового анализа ч.1 [Текст] / A.M. Солодухин // Сельский механизатор. - научно-производственный журнал / Учредители: Министерство сельского хозяйства Российской Федерации, ООО «Нива», ФГБОУ ВПО МГАУ им. В.П. Горячкина - М„ 2010. - ISNN 0131-7393, 2010, №10. -с. 26-27.

2. Солодухин, A.M. Оптимизация электроснабжения на основе рангового анализа ч.П [Текст] / A.M. Солодухин // Сельский механизатор. - научно-производственный журнал / Учредители: Министерство сельского хозяйства Российской Федерации, ООО «Нива», ФГБОУ ВПО МГАУ им. В.П. Горячкина - М„ 2010. - ISNN 0131-7393, 2010, №11. -с.27, 29.

3. Солодухин, A.M. Оптимизация электроснабжения сельскохозяйственных районов на основе рангового распределения [Текст] / A.M. Солодухин // Груды 7-й Международной научно-технической конференции «Энергообеспечение и энергосбережение в сельском хозяйстве» часть 1. «Проблемы энергообеспечения и энергосбережения»/ Учредитель: ГНУ ВИЭСХ - М., 2010. - ISNN 0131-5277,2010. - с. 250 - 255.

4. Солодухин, A.M. Прогнозирование электропотребления региона на основе нейронных сетей [Текст] / A.M. Солодухин // Техника в сельском хозяйстве. - научно-теоретический журнал / Учредитель: Российская академия сельскохозяйственных наук -М„ 2011.-ISSN0131-7105, 2011, №4. -с. 18-19.

Подписано к печати 07.09.2011. Формат 60x84/16. Гарнитура Тайме.

Бумага офсетная. Усл.-печ. л. 1,1. Тираж 100 экз. Заказ №684 Отпечатано в издательском центре ФГОУ ВПО МГАУ.

Адрес: 127550, Москва, Тимирязевская, 58. Тел. 976-02-64.

Введение.

Глава 1. Электроэнергетический комплекс Калужской области.

1.1. История электроэнергетики Калужской области.

1.2. Реформирование электроэнергетики.

1.3. Реформа электроэнергетики в регионе.

1.4. Ценообразование и розничный рынок электроэнергии.

Глава 2. Математические модели и методы прогнозирования.

2.1. Сущность прогнозирования.

2.2. Корреляционный и регрессионный анализы.

2.3. Анализ временных рядов.

2.3.1. Временные ряды.44

2.3.2. Прогнозирование на основе временных рядов.

2.4. Нейронные сети и прогнозирование.

2.4.1. Нейросетевые методы прогнозирования.

2.5. Прогнозирование электропотребления на основе устойчивого Н-распределения.

2.5.1. Техноценоз.

2.5.2. Прогнозирование электропотребления.

Глава 3. Внутриквартирные электрические нагрузки сельских потребителей.

3.1.Методика сбора и обработки информации, необходимой для определения электрических бытовых нагрузок.

3.2. Результаты обработки собранных данных и их анализ.

3.3. Прогнозирование электрических нагрузок жилого сектора.

Глава 4. Разработка методики прогнозирования электропотребления техноценоза

Калужской области.

4.1. Импорт, сортировка и визуализация данных.

4.1.1. Подготовка данных.

4.1.2. Получение табулированного рангового распределения.

4.1.3. Графическое представление данных.

4.1.4. Определение рангов для каждого объекта.

4.1.5. Вычисление коэффициента конкордации.

4.2. Верификация исходной базы данных.

4.2.1. Устранение нулевых данных.

4.2.2. Устранение явно ошибочных данных (выбросов).

4.2.3. Устранение абсолютно равных данных.

4.2.4. Восстановление утерянных данных.

4.3. Проверка данных на соответствие критериям Н-распределения.

4.3.1. Подготовка данных.

4.3.2. Проверка о несоответствии генеральной совокупности нормальному распределению по критерию Пирсона.

4.3.3. Проверка гипотезы о нормальном распределении методом спрямленных диаграмм.

4.3.4. Проверка взаимосвязанности данных с помощью коэффициента конкордации.

4.3.5. Проверка с помощью выборочного коэффициента ранговой корреляции Кендалла.

4.3.6. Проверка с помощью выборочного коэффициента ранговой корреляции Спирмена.

4.3.7. Проверка с использованием выборочного коэффициента линейной корреляции.

4.3.8. Результаты.

4.4. Аппроксимация ранговых распределений.

4.4.1. Метод наименьших модулей.

4.4.2. Линейный метод наименьших квадратов.

4.4.3. Метод наименьших квадратов.

4.4.4. Оценивание результатов аппроксимации.

4.5. Прогнозирование электропотребления G-методом на основе АГК.

4.5.1. Подготовка данных.

4.5.2. Выделение из исходной базы матрицы данных и матрицы верификации.

4.5.3. Свертка одномерного ряда в многомерный.

4.5.4. Сингулярное разложение траекторной матрицы.

4.5.5. Рекуррентное SSA-прогнозирование электропотребления.

4.5.6. Векторное SSA-прогнозирование электропотребления.

4.5.7. Анализ собственных векторов временного ряда.

4.6. Прогнозирование электропотребления G-методом на основе ДВР.

4.6.1. Подготовка данных.

4.6.2. Анализ годового совпадения данных.

4.6.3. Определение статистических характеристик электропотребления.

4.6.4. Прогнозирование электропотребления на следующий временной шаг.

4.6.5. Анализ результатов прогноза на гауссовость.

4.7. Прогнозирование электропотребления Z-методом на основе ТЦМ.

4.7.1. Подготовка данных для прогнозирования.

4.7.2. Прогнозирование электропотребления объектами ноевой касты.

4.7.3. Прогнозирование электропотребления объектами пойнтер-касты.

4.7.4. Прогнозирование электропотребления объектами саранчовой касты.

4.7.5. Прогноз электропотребления техноценозом в целом.

Актуальность темы.Система электроснабжения (СЭС) - большая сложная система, одним из свойств которой является динамика развития. Важным показателем при разработке и выборе вариантов развития СЭС является значение электропотребления на перспективу краткосрочную, среднесрочную и долгосрочную. Чем точнее прогноз электропотребления, тем режимы и параметры СЭС ближе к оптимальным. СЭС должна создаваться таким образом, чтобы при разумно минимальных затратах денежных средств, оборудования и материалов она обеспечивала надежное электроснабжение и подавала потребителям качественную электроэнергию, т.е. достигала целей функционирования.

В настоящее время СЭС сельских районов характеризуется почти стопроцентным износом электрооборудования (электрических сетей и трансформаторных подстанций), несовершенством схем питания, большой протяженностью воздушных линий 10 кВ, морально и физически устаревшим оборудованием и нуждается в коренной реконструкции и преобразовании. Требуется строительство новых районных трансформаторных подстанций 110/10; 35/10; 110/35/10 кВ что приведет к сокращению длин и радиусов ВЛ 10 кВ, снижению потерь электроэнергии в них, повышению надежности электроснабжения потребителей. Применение более совершенного электрооборудования (вакуумных выключателей, релейной защиты на микропроцессорах, изолированных проводов и др.) также повысит надежность электроснабжения.

Исходными данными при проектировании электрических сетей и планировании мероприятий по преобразованию СЭС сельских районов являются электрические нагрузки или электропотребление на перспективу.

Таким образом, разработка методики определения электропотребления сельскохозяйственных потребителей региона на перспективу является важной и актуальной задачей, так как методика определения электрических нагрузок, их достоверность оказывает существенное влияние на все последующие этапы проектирования.

Наше правительство также особое место уделяет направлению в сфере энергоэффективности и энергосбережения, в том числе вопросам разработки новых видов топлива[1]. Принимая это во внимание можно заключить, что главной целью энергетической политики и реформирования энергетики в целом является надежное обеспечение всех отраслей экономики и населения электроэнергией, надлежащего качества, а также максимально эффективное использование топливно-энергетических ресурсов и производственного потенциала топливно-энергетического комплекса (ТЭК) страны.

Модернизация энергетики, реализация энергоэффективных проектов в других отраслях экономики позволит более полно использовать имеющийся у нас потенциал энергосбережения и снизить энергоемкость ВВП.

В целом по России уровень электропотребления восстановится в лучшем случае в 2011 году. Согласно оптимистичному прогнозу, в случае восстановления внутреннего спроса, внешней торговли и промышленного производства в 2010 году, объемы потребления выйдут на докризисный уровень в первом квартале 2011 года. Пессимистичный прогноз предполагает возможность снижения темпов роста производства в промышленности, сокращения потребительского и инвестиционного спроса, падение строительства и объемов инвестиций в основной капитал, рост безработицы, а также сокращение электропотребления в результате активного энергосбережения и роста энергоэффективности[2].

На фоне аварии на подстанции Чагино в Москве 25 мая 2005 г., Министерство промышленности и энергетики РФ и РАО «ЕЭС России» пересмотрели прогнозные балансы производства и потребления электроэнергии и заявили о необходимости масштабных инвестиций в отрасль. На протяжении второй половины 2006 г. планы по вводу электрогенерирующих мощностей и развитию сетевого хозяйства неоднократно корректировались в сторону повышения. В результате, рассмотренная на заседании Правительства РФ 20 апреля 2007 г. «Генеральная схема размещения объектов электроэнергетики до 2020 г.» предусматривает рекордные инвестиции в отрасль, значительно превышающие показатели советских лет[3].

Обеспечением надежности электроснабжения в Калужской областизанимается специально созданный Штаб, одной из его функций является мониторинг, прогнозирование и информирование субъектов электроэнергетики и потребителей электрической энергии о возникновении или угрозе возникновения нарушения электроснабжения [4].

Экономичность вновь сооружаемых сельских электротехнических объектов, а также реконструкция существующих установок должна в первую очередь достигаться высоким качеством принимаемых проектных решений, выявлением наилучших технико-экономических вариантов систем сельского электроснабжения.

Нормативными методами определения перспективного электропотребления в отрасли сегодня являются - экстраполяция временных рядов электропотребления и балансовый метод. Их недостаток — проецирование тенденций прошлого на будущее, что снижает их точность и адекватность. Поэтому необходимо создать современные методы, основанные на учете большого количества факторов в динамике с применением новых достижений математики — нейронных сетей и техноценоза.

Решаемая научная проблема.Сложность определения электрических нагрузок в сельских сетях в первую очередь определяется тем, что потребители

А. сельского хозяйства отличаются значительным разнообразием видов, обусловленным большим количеством, резко отличающихся друг от друга, территориальных районов России. Кроме того, следует отметить большую рассредоточенность сельскохозяйственных потребителей. Исходя из этого, проблема заключается внеобходимости общей методологии определения электрических нагрузок на перспективу, применимой к различным регионам страны.

Проблемой прогнозирования электропотребления для сельскохозяйственных районов занимались многие ученые, среди которых: И.А. Будзко, Б.И. Кудрин, С.Д. Волобринский, Б.В. Гнеденко, В.Ю. Гессен, А.Г. Захарин, Г.М. Каялов, П.Н. Клейн, Б.А. Князевский, A.A. Климов, Н.С. Канакин, А.П. Коршунов, М.С. Левин, Д.С. Лившиц, Ю.Л. Мукосеев, Г.И. Назаров, В.К. Плюгачев, A.A. Пястолов, П.Я. Пирхавк, В.Г. Стафийчук, Р.Я. Федосенко, Ю.А. Фокин, М.К. Харчев, В.М. Цвях, Л.Е. Эбин, В.В. Шереметьев, Пахамов A.B. и др.

Целю исследованийявляетсяразработка методики определения электропотребления сельскохозяйственных потребителей региона (на примере Калужской области) на перспективу, сравнение и анализ существующих методов прогнозирования электрических нагрузок, с выявлением наиболее качественного из них, по критерию наименьшей ошибки в прогнозе.

На защиту выносится: Методика прогнозирования электропотребления апробированная на сельскохозяйственных потребителях Калужской области.

Объект научных исследований.Методы прогнозирования электропотребления сельскохозяйственных районов Калужской области на основе рационального использования информации, содержащейся в документах производственно-технической отчетности;

Научная новизнаисследований включает:

I. Разработанные методы прогнозирования электропотребления сельскохозяйственных потребителей региона (на примере Калужской области), обеспечивающие единую методику определения расчетных нагрузок.

II. Показатели основных видов электрических нагрузок (промышленных, с/х, коммунально-бытовых), динамики их развития и других факторов, влияющих на перспективное электропотребление сельскохозяйственных потребителей области.

III. Математические модели, позволяющие с достаточной точностью выполнять краткосрочный прогноз ряда энергетических характеристик (электропотребление и т.п.), на основе исходных данных о развитии групп потребителей электроэнергетического направления.

Достоверность исследований. Данная работа обусловлена корректной постановкой задачи и применением математического аппарата, совпадением расчетных и экспериментальных данных. Информационные данные, положенные в основу исследования, получены в результате измерений и анализа, а также по результатам отчетов энергосбыта и энергобаланса Калужской области.

Практическая ценность исследований. Разработанная в диссертационной работе методика прогнозирования электропотребления позволяет повысить точность прогноза производственных нагрузок потребителей, что снижает затраты на сооружение новых и реконструкцию существующих электрических сетей. Предлагаемый метод позволяет более полно использовать информацию, которая в настоящее время накапливается в документах производственно-технического учета и обеспечивает единую методику определения нагрузок. На основе сопоставления различных методов даются практические рекомендации о применении наиболее эффективных из них. Самостоятельное практическое значение для повышения эффективности и качества принимаемых решений имеют полученные статистические характеристики промышленных, сельскохозяйственных и прочих нагрузок.

Апробация научных результатов. Основные положения и результаты диссертационной работы обсуждались на конференциях: 7-ая Международная научно-техническая конференция (Москва, ГНУ ВИЭСХ, 2010г.).

Основные положения диссертации опубликованы в трудах научно-технической конференции и трех статьях, в изданиях, рекомендованных Высшей аттестационной комиссией.

Структура и объем диссертации. Диссертация состоит из введения, пяти глав, заключения, списка использованной литературы и приложения. Общий объем работы200 страниц, содержит 22 таблиц, 57 рисунков. Библиография включает 52 наименований.

Основные результаты и выводы

Было проведено сравнение прогнозных данных электропотребления Калужской области, полученных расчетным путем (методом рангового анализа), с прогнозными данными, взятыми из постановления правительства Калужской области от 29 июня 2009 года №250 «О стратегии социально-экономического развития Калужской области до 2030 года» приложение №3 «Обоснование выбора стратегических приоритетов» и приложению к постановлению правительства Калужской области «Программа и схема развития электроэнергетики Калужской области на 2011-2015 годы» [53,54]. Согласно вышеуказанным постановлениям и приложениям полезный отпуск электроэнергии потребителям Калужской области в 2010 году будет составлять 4766,77 млн.кВт.час, в 2011 году — 3925,29 млн.кВт.час. Расчетные значения этого показателя за 2010 и 2011 года, полученные на основе метода рангового анализа, составляют 3321,77 и 3342,47 млн.кВт.час соответственно. Фактические данные за период 2010 года составляет 3853,21 млн.кВт.час., согласно приложению к постановлению правительства Калужской области «Программа и схема развития электроэнергетики Калужской области на 2011-2015 годы» [54]. Сравнение фактических данных с данными полученными ОАО «Калужская сбытовая компания» и результатами исследования данной диссертации отражено в таблице 6.1 и графике (рис.6.1).

1. Косолапов В.В. Информационное прогнозирование и обеспечение. К: 1978. 198 стр.

2. О.Т. Лебедев. Прогнозирование подготовки инженерных кадров для электронной промышленности, Ленинград 1977 . 230 с.

3. Практикум по теории статистики, под ред. P.A. Шмойловой, М.: Финансы и статистика, 2001. 456 с.

4. И.И. Елисеева, М.М. Юзбашев. Общая теория статистики, М.: Финансы и статистика, 2002. 480 с.

5. Т. Андерсон . Статистический анализ временных рядов: пер. с англ. — М.: Мир, 1976

6. Басовский Л. Е. Прогнозирование и планирование в условиях рынка, Учебное пособие М.: ИНФРА-М, 2001. - 260с

7. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление -М.: Мир, 1994 г.

8. Некоторые подходы к прогнозированию экономических показателей.— М.:ИЭПП, 2005. С. 195

9. A.A. Ежов С.А. ¡Думский. Избранные лекции по нейрокомпьютингу -М: МИФИ, 199823. www.anriintern.com: Тарасенко P.A., Сидоркин К.В., Костюхин М.Н. Прогнозирование на основе аппарата нейронных сетей

10. С.А. Бурдинский, В.К. Кистенев, A.C. Торопов. Прогнозирование электропотребления на основе устойчивого Н-распределения. Красноярский государственный технический университет.

11. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики М.: ЮНИТИ, 1998 - 40с.

12. Андерсон Т. Статистический анализ временных рядов. М.:Мир, 197111с.

13. Баканов М.И., Мельник М.В., Шеремет А.Д. Теория экономического анализа. М.: Финансы и статистика, 2007 257с.

14. Гипрокоммунэнерго, РАО "ЕЭС России", Энергосетьпроект. Инструкция по проектированию городских электрических сетей РД 34.20.185-94. Энергоатомиздат, 1995.

15. Шестерень Виктор Егорович. Исследование и разработка методов прогнозирования электрических нагрузок сельскохозяйственных потребителей (на примере БССР) М.1976 - 30с.30. http://www.comprofit.ru/inform/index.phD7id агйс!е=236Ш раае=2

16. Вентцель Е.С. Теория вероятностей Наука, 1969.

17. Митропольский А.К. Техника статистических вычислений — Наука, 1971.

18. Кудрин Б.И. Введение в технетику. Томск: Издание ТГУ, 1993. - 552с.

19. Гнатюк В.И. Закон оптимального построения техноценозов. М.: Изд-во ТГУ - Центр системных исследований, 2005. - 384 с. (Компьютерная версия в сети Интернет - http://gnatukvi.ru/ind.html).

20. Дьяконов В.П. МАТНСАЕ) 8/2000: Специальный,справочник. СПб.: Питер, 2001. - 592 с.

21. Фуфаев В.В. Ценологическое определение параметров электропотребления, надежности, монтажа и ремонта электрооборудования предприятий региона. М.: Центр системных исследований, 2000. - 320 с.

22. Четыркин Е.М., Калихман И.Л. Вероятность и статистика. М.: Финансы и статистика, 1982. - 319 с.

23. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука, 1978. - 832 с.

24. Гнатюк В.И., Северин А.Е. Ранговый анализ и энергосбережение. -Калининград: КВИ ФПС РФ ЗНЦ НТ РАЕН, 2003. - 120 с.

25. Кендалл М. Ранговые корреляции. Зарубежные статистические исследования. М.: Статистика, 1975. - 216 с.

26. Четыркин Е.М., Калихман И.Л. Вероятность и статистика. М.: Финансы и статистика, 1982. - 319 с.

27. Королюк B.C., Портенко Н.И. и др. Справочник по теории вероятностей и математической статистике. М.: Наука, 1985. - 640 с.

28. Кудрин Б.И., Жилин Б.В., Лагуткин O.E., Ошурков М.Г. Ценологическое определение параметров электропотребления

29. Гнатюк В.И., Лагуткин O.E. Ранговый анализ техноценозов. -Калининград: БНЦ РАЕН КВИ ФПС РФ, 2000. - 86 с.

30. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности. М.: Финансы и статистика, 1989. - 607 с.

31. Данилов Д.Л., Жиглявский A.A. Главные компоненты временных рядов: Метод "Гусеница". СПб.: СПбГУ, 1997. - 308 с. (Компьютерная версия в сети Интернет - см. на сайте http://www.gistatgroup.com/gus).

32. Гнатюк В.И., Луценко Д.В. Верификация базы данных по электропотреблению // Электрика. № 7. — М.: Наука и технологии, 2006. - С. 35 -38.

33. Голяндина Н.Э. Метод "Гусеница SSA": прогноз временных рядов: Учебное пособие. - СПб.: ВВМ, 2004. - 52 с. ■

34. Кистенёв В.К., Лукьянов П.Ю., Яковлев Д.А. Прогнозирование годового электропотребления модернизированным методом наискорейшего спуска // Технические науки, технологии и экономика: Матер. III Межрегион. научнопракт. конф. Чита: ЧТУ, 2003.

35. Круглов В.В., Борисов В.В. Искусственный нейронные сети. Теория и практика. 2-е издание М, 2002.

36. Осовский С. Нейронные сети для обработки информации (перевод с польского И.Д.рудинского) М, «Финансы и статистика», 2002.

37. Дьяконов В.П., Круглов В.В. Математические пакеты расширения MATLAB: Специальный справочник Питер, 2001.