Краткосрочное прогнозирование электропотребления мегаполиса на основе ортогональных разложений и нейронных сетей тема диссертации и автореферата по ВАК РФ 05.14.02, кандидат наук Вялкова Светлана Александровна

• Вялкова Светлана Александровна
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Вялкова Светлана Александровна

СПИСОК СОКРАЩЕНИИ

ВВЕДЕНИЕ

ГЛАВА 1 ОБЗОР И АНАЛИЗ МЕТОДОВ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ ЭНЕРГОСИСТЕМ И ЭНЕРГООБЪЕДИНЕНИЙ

1.1 Цели и задачи прогнозирования активной мощности энергосистем и энергообъединений

1.2 Классические подходы в прогнозировании активной мощности

1.3 Современные методы прогнозирования активной мощности и программное обеспечение

1.4 Обзор гибридных методов прогнозирования активной мощности

1.5 Учет метеофакторов в системах краткосрочного прогнозирования активной мощности

1.5.1 Система контроля естественной освещенности г. Москвы

1.5.2 ПАК «Метео» для учета и прогнозирования метеофакторов

1.6 Условия технической реализации краткосрочного прогнозирования активной мощности г. Москвы

1.7 Обзор проблем краткосрочного прогнозирования активной мощности для г. Москвы

1.8 Выводы к главе

ГЛАВА 2 АНАЛИЗ И МОДЕЛИРОВАНИЕ СУТОЧНЫХ ГРАФИКОВ АКТИВНОЙ МОЩНОСТИ И МЕТЕОФАКТОРОВ Г. МОСКВЫ

2.1 Характеристики суточных графиков активной мощности г. Москвы

2.2 Виды суточных графиков активной мощности по типу дня

2.3 Влияние температуры воздуха на показатели суточных графиков активной мощности

2.4 Влияние естественной освещенности на показатели суточных графиков активной мощности

2.5 Сингулярный спектральный анализ суточных графиков активной мощности и метеофакторов

2.5.1 Анализ суточных графиков активной мощности, температуры воздуха и естественной освещенности методом одномерного сингулярного спектрального анализа

2.5.2 Закономерности, выявленные при разложении временных рядов методом одномерного сингулярного спектрального анализа

2.5.3 Автоматическая идентификация аддитивных составляющих временного ряда

2.6 Анализ временных рядов методом многомерного сингулярного спектрального анализа

2.7 Анализ данных естественной освещенности и облачности

2.8 Выводы к главе

ГЛАВА 3 ОБОСНОВАНИЕ СТРУКТУРЫ МОДЕЛЕЙ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ СУТОЧНОГО ГРАФИКА АКТИВНОЙ МОЩНОСТИ

3.1 Разработка структуры системы моделей прогнозирования активной мощности г. Москвы

3.2 Применение сингулярного спектрального анализа при прогнозировании активной мощности

3.3 Модель краткосрочного прогнозирования активной мощности на основе нейронной сети

3.4 Модель краткосрочного прогнозирования активной мощности на основе нечеткой нейронной сети

3.5 Учет резких изменений активной мощности для г. Москвы

3.6 Гибридная модель для прогнозирования активной мощности г. Москвы

3.7 Модель для прогнозирования естественной освещенности г. Москвы

3.8 Выводы к главе

ГЛАВА 4 ИССЛЕДОВАНИЕ И ТЕСТИРОВАНИЕ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ СУТОЧНЫХ ГРАФИКОВ АКТИВНОЙ МОЩНОСТИ Г. МОСКВЫ

4.1 Постановка задачи исследования и тестирования моделей прогнозирования

4.2 Выполнение тестовых прогнозов активной мощности по фактическим данным метеофакторов

4.3 Тестирование алгоритма учета резких изменений метеоусловий

4.4 Выполнение тестовых прогнозов активной мощности по прогнозным данным метеофакторов

4.5 Анализ взаимосвязей активной мощности и метеофакторов

4.5.1 Анализ ошибок прогнозов основных метеофакторов для прогнозирования активной мощности

4.5.2 Анализ ошибок прогнозов активной мощности с учетом различных прогнозных данных освещенности

4.6 Анализ стабильности моделей прогнозирования суточных графиков активной мощности

4.7 Анализ качества прогнозирования суточных графиков активной мощности в течение года

4.8 Анализ качества прогнозирования суточных графиков активной мощности для разных типов дней в течение года

4.9 Описание автоматизированной системы краткосрочного прогнозирования активной мощности

4.10 Выводы к главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

149

ПРИЛОЖЕНИЕ А (справочное) Анализ данных активной мощности и

метеофакторов

А1. Зависимости активной мощности от температуры воздуха и

освещенности

А 2. Результаты разложения сингулярного спектрального анализа

А 3. Результаты анализа данных естественной освещенности

ПРИЛОЖЕНИЕ Б (справочное) Значения ошибок прогнозирования активной

мощности

Б 1. Значения ошибок прогнозирования активной мощности

Б 2. Значения ошибок прогнозирования активной мощности с учетом

фактических метеофакторов

Б 3. Значения ошибок прогнозирования метеофакторов

Б 4. Значения ошибок активной мощности гибридной моделью и нечеткой

нейронной сетью с учетом прогнозных метеофакторов

Б 5. Значения среднемесячных ошибок прогнозирования активной мощности

по типам дней

ПРИЛОЖЕНИЕ В (справочное) Листинг программы реализации прогноза

естественной освещенности

ПРИЛОЖЕНИЕ Г (справочное) Свидетельство о государственной

регистрации программы для ЭВМ «Прогноз-ЭТО Москва. Версия 1.0»

ПРИЛОЖЕНИЕ Д (справочное) Сведения о внедрениях

ПРИЛОЖЕНИЕ Е (справочное) Дипломы по результатам участия в конференциях

СПИСОК СОКРАЩЕНИЙ

АИИСКУЭ - Автоматизированная информационно-измерительная

система коммерческого учёта электроэнергии

ГМ - Гибридная модель

ЕО - Естественная освещенность

МФ - Метеофактор

МГК - Метод главных компонент

МНК - Метод наименьших квадратов

МССА - Многомерный сингулярный спектральный анализ

НС - Нейронная сеть

ННС - Нейронная нечеткая сеть

НСО - Нейронная сеть для прогнозирования освещенности

ОИК - Оперативный измерительный комплекс

ОДУ - Объединенное диспетчерское управление

ПАК - Программно-аппаратный комплекс

РДУ - Региональное диспетчерское управление

ССА - Одномерный сингулярный спектральный анализ

ТВ - Температура воздуха

ТСК - Нечеткая нейронная сеть Такаги-Сугено-Канга

ЭО - Энергообъект

ЭП - Электропотребление

ЭС - Энергосистема

ЕЭС - Единая энергетическая система России

Введение диссертации (часть автореферата) на тему «Краткосрочное прогнозирование электропотребления мегаполиса на основе ортогональных разложений и нейронных сетей»

ВВЕДЕНИЕ

Актуальность темы диссертации. Прогнозирование электропотребления является одним из способов повышения точности планирования электроэнергетических режимов работы энергообъектов (ЭО) и энергосистем (ЭС) субъектов Российской Федерации обеспечивая надежное и безопасное поддержание баланса между производством и потреблением электрической мощности в Единой энергетической системе (ЕЭС) в целом. Прогнозирование ожидаемого электропотребления (ЭП) необходимо при планировании режимов работы ЭО и ЭС и при обеспечении непрерывного поддержания баланса электрической мощности в ЕЭС России.

Снижение затрат на приобретение электроэнергии - основная приоритетная задача промышленных и частных потребителей электроэнергии. Минимизация стоимости покупки электроэнергии достигается путем составления заявок с использованием прогнозирования математической моделью с высокой точностью ЭП. Реализация прогнозов уменьшает затраты на приобретение электроэнергии при составлении точных заявок на покупку электроэнергии. Например, при уменьшении ошибки прогноза на 0,1% (11,3 МВт) за сутки, при среднесуточном ЭП г. Москвы 11300 МВт. Средневзвешенная нерегулируемая цена на электрическую энергию на оптовом рынке 2017 г. составляет 1 229,93 руб./МВтч. Таким образом, уменьшает затраты на покупку ЭП на 13908,95 руб. за сутки и на 5 076 768,5 руб. в год [1]. Похожие данные затрат на оплату отклонений от плана по поставкам электроэнергии на 3-5 млн. руб. в год, были получены в 2005 г. Макоклюевым Б.И. в [2].

Высокая точность прогнозов обеспечивает качественную работу диспетчерских служб, что является дополнительным резервом мощности. Чем меньше ошибка прогнозирования, тем меньше износ оборудования ЭС, нет необходимости включения дополнительных мощностей, тем самым

увеличивается экономический эффект из-за ненадобности дополнительных средств на ресурсы ЭС и оплату рабочего персонала.

Постоянные и случайные факторы, влияющие на величину потребления, такие, как изменение требований энергорынка, развитие электроэнергетических систем, значительно усложняют задачу повышения точности прогнозирования ЭП.

Современные методы и технологии, такие как сингулярный спектральный анализ, нечеткая логика, нейронные и нейронные нечеткие сети и т.д., позволяют учитывать сложные нелинейные зависимости при прогнозировании ЭП. Гибридные модели с использованием искусственных нейронных сетей позволяют эффективно решать задачи повышения точности краткосрочных и оперативных прогнозов ЭП.

Вопросами разработки прогнозирующих систем ЭП с середины прошлого века занимаются во многих странах Европы, Азии и Северной Америки, а также в ведущих вузах России и научно-исследовательских организациях.

В настоящее время разработкой систем прогнозирования ЭП занимаются специалисты ОАО «НТЦ ФСК ЕЭС», Национального исследовательского университета «МЭИ», Института систем энергетики им. Л.А. Мелентьева Сибирского отделения Российской академии наук (ИСЭМ СО РАН), Санкт-Петербургского государственного

электротехнического университета «ЛЭТИ» им. В.И. Ульянова (Ленина), Самарского государственного технического университета СамГТУ, Южно-российского государственного политехнического университета (НПИ) им. М.И. Платова и др. организациях. Несмотря на большое количество специалистов, в этой области остается ряд нерешенных проблем, связанных с повышением точности прогнозных моделей, в которых реализован учет влияющих факторов.

Специалисты диспетчерских служб региональных диспетчерских управлений (РДУ) отмечают естественную освещенность как фактор, который по их мнению, влияет на точность выполнения краткосрочных прогнозов ЭП. Для исследования влияния естественной освещенности на точность прогнозирования ЭП, в порядке эксперимента, по заданию АО «СО ЕЭС» ООО НПП «ВНИКО» и ЮРГПУ (НПИ) была установлена автоматическая система контроля освещенности в разных районах г. Москвы и разработано программное обеспечение для ее функционирования в составе оперативного измерительного комплекса (ОИК). Ранее аналогичные системы контроля освещенности были установлены в Ростовском и Кубанском РДУ.

Решению различных вопросов моделирования электропотребления и прогнозирования нестационарных временных рядов активной мощности посвящены работы:

- по моделированию и прогнозированию электрических нагрузок: Васильева И.Е., Гальяны Ф.Д., Гамма А.З., Гордеева В.И., Дж. Гросса, Каялова Г.М., Кудрина Б.И., Курбацкого В.Г., Куренного Э.Г., Лещинской Т.Б., Макоклюева Б.И., Надтоки И.И., Седова А.В., Степанова В.П., Русиной А.Г., Клюева Р.В., Bunn D.W., Farmer E.D., Ackerman G.B., Gupta P.C., Baker A.B., Chen M.S., Fan J.Y., Yang H.T., Huang C.M. и др.;

- по применению нейронных сетей для решения задач прогнозирования в электроэнергетике: Готтмана Н.Э., Осовского С., Старцевой Т.Б., Щелкалина В.Н., Шумиловой Г.П. и др.

Вопросы прогнозирования случайных временных рядов различной природы отражены в работах: Александрова Ф.И., Голяндиной Н.Э., Колмогорова А.Н., Лукашина Ю.П., Сычева В.А. и др.

Несмотря на большое количество публикаций по прогнозированию электропотребления остается ряд нерешенных проблем, обусловленных по-

стоянно растущими требованиями к точности прогнозных моделей, на решение которых направленны исследования данной работы, таких как:

- прогнозирование суточных графиков активной мощности при резких изменениях метеоусловий;

- прогнозирование суточных графиков активной мощности в дни с ти -пом «праздник» и «нерегулярный» (перенос праздников на рабочие сутки);

- учет влияния естественной освещенности на электропотребление;

- создание математической модели прогнозирования естественной освещенности с использованием прогнозных данных по облачности.

Таким образом, важной и актуальной задачей, имеющей научное и практическое значение на сегодняшний день, является выполнение прогнозов активной мощности для мегаполиса с использованием математической модели, способной учитывать влияние метеофакторов для повышения точности прогнозирования. В качестве объекта исследования энергосистемы мегаполиса автором работы был выбран г. Москва.

Целью данной работы является улучшение качества прогнозирования электропотребления, реализованного на базе современных энергетических систем.

Для достижения поставленной цели в данной работе ставятся и решаются следующие задачи:

1) сравнительный анализ современных методов и программных продуктов для прогнозирования электропотребления;

2) исследование влияния основных метеофакторов (температуры воздуха, облачности и естественной освещенности) на уровень потребления и форму суточных графиков активной мощности г. Москвы за период с 2009 г. по 2018 г.;

3) исследование временных рядов электропотребления и результатов прогнозирования в различных условиях таких, как разные

сезоны года, резкие изменения метеоусловий, а также в дни с типами «праздничный» и «нерегулярный»;

4) разработка прогнозной модели для естественной освещенности с учетом прогнозных и фактических данных облачности;

5) создание моделей для краткосрочного прогнозирования электропотребления и выполнение сравнительного анализа, следующих методов: нечеткая нейронная сеть; гибридная модель на основе многомерного сингулярного спектрального анализа и нечеткой нейронной сети;

6) тестирование разработанных моделей прогнозирования на временных рядах активной мощности с учетом фактических и прогнозных температуры воздуха и естественной освещенности г. Москвы;

7) анализ и оценка результатов прогнозирования суточных графиков активной мощности.

Методология и методы исследования. При решении поставленных задач использовались методы прикладной статистики, ортогональные преобразования одномерного и многомерного сингулярного спектрального анализа временных рядов, методы моделирования и прогнозирования на основе нечетких нейронных сетей. Тестирование моделей проводились с помощью программы «Прогноз ЭТО-Москва. Версия 1.0»

Новизна результатов проведённых исследований состоит в следующем:

1. Разработанная методика анализа электропотребления и метеофакторов на основе сингулярного спектрального разложения, которая позволяет выявлять основные закономерности взаимосвязей почасовых и интегральных значений температуры воздуха и освещенности с формой суточного графика активной мощности мегаполиса и обосновать структуру нейронной нечеткой сети в составе гибридной модели, которая повышает точность прогнозирования электропотребления.

2. Впервые предложена структура гибридной модели краткосрочного прогнозирования суточного графика электропотребления на основе многомерного сингулярного спектрального анализа и нейронной нечеткой сети, которая в отличие от известных отличается учетом прогнозных и фактических данных освещенности и облачности, что позволяет повысить точность прогнозирования электропотребления.

3. Разработана структура прогнозной модели электропотребления на основе нейронной нечеткой сети, отличающаяся от известных тем, что учитываются фактические и прогнозные данные о естественной освещенности, что позволяет повысить точность краткосрочного прогнозирования суточного графика активной мощности мегаполиса.

4. Разработан алгоритм модели на основе нейронной сети для прогнозирования среднесуточных значений естественной освещенности, отличающийся учетом прогнозных данных об облачности и осадках, который используется в прогнозных моделях для повышения точности краткосрочного прогнозирования электропотребления.

Теоретическая значимость результатов диссертационной работы заключается в установленных с помощью методов сингулярного спектрального анализа закономерностях влияния естественной освещенности на электропотребление, а также в разработке гибридной модели, в которой используются трендовые и периодические компоненты ортогональных разложений суточных графиков активной мощности и метеофакторов.

Практическая значимость результатов диссертационной работы заключается в следующем.

1. Разработанные принципы построения прогнозных моделей электропотребления мегаполиса (г. Москвы) могут быть рекомендованы как для других мегаполисов, так и для прогнозирования электропотребления: в региональных диспетчерских управлениях - филиалов АО «СО ЕЭС»; региональных сетевых и энергосбытовых компаниях; в диспетчерских

управлениях отдельных предприятий, которые являются участниками оптового или розничного рынков электроэнергии и мощности.

2. Разработанные алгоритмы и программа прогнозирования естественной освещенности по прогнозам облачности могут использоваться в составе автоматизированной системы краткосрочного прогнозирования электропотребления для мегаполисов и для региональных диспетчерских управлениях - филиалов АО «СО ЕЭС».

3. Предложенный в работе алгоритм корректировки прогноза суточного графика электропотребления, дает возможность повысить точность прогнозирования при резких изменениях погоды, а также для нерегулярных дней.

4. Разработана и зарегистрирована программа краткосрочного прогнозирования электропотребления г. Москвы для ЭВМ «Прогноз ЭТО-Москва. Версия 1.0».

Достоверность полученных результатов подтверждена корректностью использования математических методов и моделей прогнозирования временных рядов активной мощности на основе многомерного сингулярного спектрального анализа и нечетких нейронных сетей; выполнением рекомендаций и требований, предъявляемых к современным системам прогнозирования активной мощности; использованием статистических данных, полученных с помощью сертифицированных систем телемеханики и автоматизированных систем коммерческого учета электроэнергии; результатами анализа ошибок прогнозирования, рассчитанных и проверенных с помощью утвержденной методики АО «СО ЕЭС».

Внедрение результатов. Результаты исследования используются в технологии прогнозирования электропотребления в филиале АО «СО ЕЭС» «Регионального диспетчерского управления энергосистемы г. Москвы и Московской области» (имеется акт о внедрении), апробированы в ООО НПП «ВНИКО» по заказу Московского РДУ в 2011-2013 гг. при

выполнении НИР: «Оперативное и краткосрочное прогнозирование электропотребления с учетом метеофакторов в операционной зоне филиала АО «СО ЕЭС» Московское РДУ» (имеются акт о внедрении) и используются в учебном процессе ЮРГПУ (НПИ) при проведении лекционных, практических и лабораторных занятий при подготовке магистров по направлению 13.04.02 - Электроэнергетика и электротехника.

Апробация работы. Основные положения и результаты работы докладывались и обсуждались на следующих конференциях и семинарах: XII, XIV Междунар. науч.-практ. конф. «Моделирование. Теория, методы и средства» (ЮРГПУ (НПИ), г. Новочеркасск, 2012 г., 2014 г.); IV, V, VI Междунар. науч. -техн. конф. «Электроэнергетика глазами молодежи» (г. Новочеркасск, 2013 г.; г. Томск 2014 г.; г. Иваново, 2015 г.; г. Ставрополь 2020 г.); XIV Междунар. науч.-практ. конф., «Фундаментальные и прикладные проблемы современной техники» (СКНЦ ВШ, Ростов н/Д, 2014 г.); XII Междунар. науч.-практ. конф. «Современные энергетические системы и комплексы и управление ими» (ЮРГПУ (НПИ), г. Новочеркасск, 2014 г.); XXXVII, XL сессии семинара «Кибернетика энергетических систем» по тематикам «Электроснабжение» (ЮРГПУ (НПИ), г. Новочеркасск, 2015 г., 2018 г.); XIII Всерос. открытой молод. науч.-практ. конф. «Диспетчеризация и управление в электроэнергетике» (КГЭУ, г. Казань, 2018 г.).

Публикации. По теме диссертации опубликованы 19 научных работ общим объемом 5,36 п. л. и 3,0267 Мб, вклад соискателя 3,027 п. л. и 1,48 Мб, из них работ, опубликованных в рецензируемых научных изданиях (из перечня Минобрнауки России) - 3; опубликованных в научных журналах, включенных в международную базу цитирования SCOPUS - 3. Получено одно свидетельство о регистрации программы для ЭВМ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы из 144 наименований отечественных и зарубежных авторов, 6 приложений.

Работа изложена на 170 страницах машинописного текста без приложения, включая 12 таблиц и 63 иллюстраций.

Соответствие паспорту специальности. Диссертационная работа соответствует формуле и пунктам 6 и 13 паспорта специальности 05.14.02 -«Электрические станции и электроэнергетические системы»:

В части формулы специальности: так как в ней выполнены «исследования по развитию и совершенствованию теоретической и технической базы электроэнергетики с целью обеспечения экономичного и надежного производства электроэнергии, ее транспортировки и снабжения потребителей электроэнергией в необходимом для потребителей количестве и требуемого качества»;

В части области исследования:

пункту 6 - «Разработка методов математического и физического моделирования в электроэнергетике», - разработаны математические модели прогнозирования суточных графиков активной мощности для энергобъединения мегаполиса, с учетом температуры воздуха и освещенности, позволяющие осуществлять анализ и прогнозирование электропотребления в энергообъеденениях;

пункту 13 - «Разработка методов использования ЭВМ для решения задач в электроэнергетике», - выполнена разработка методов и алгоритмов тестовых программ прогнозирования активной мощности для решения задач на ЭВМ, алгоритмов и программного обеспечения для решения задач краткосрочного прогнозирования суточных графиков активной мощности г. Москвы.

В первой главе подробно рассмотрены задачи прогнозирования ЭП энергосистем и энергообъединений. Выполнен аналитический обзор классических, современных и наиболее распространённых гибридных моделей прогнозирования ЭП. Подробно описаны исходные данные метеофакторов, полученные при помощи ПАК «Метео». Показаны основные

нерешенные проблемы при краткосрочном прогнозировании ЭП. В качестве моделей прогнозирования ЭП для г. Москвы выбраны гибридная модель и нечеткая нейронная сеть. Определенны основные направления исследований для моделей краткосрочного прогнозирования суточных графиков активной мощности.

Во второй главе подробно рассмотрены основные особенности графика активной мощности г. Москвы. Представлены примеры зависимостей между активной мощностью и температурой воздуха, активной мощностью и естественной освещенностью.

Проведен анализ основных закономерностей между суточными графиками активной мощности и метеофакторами. Установлена зависимость между трендовыми и гармоническими составляющими, выделенными при помощи метода одномерного сингулярного спектрального анализа (ССА) для рядов: активной мощности, температуры воздуха и естественной освещенности. Представлен анализ выделенных составляющих метода многомерного сингулярного спектрального анализа ^ССА) для временных рядов: активной мощности, температуры воздуха и естественной освещенности. Выполнен анализ зависимости естественной освещенности от облачности г. Москвы, так как прогнозы по естественной освещенности отсутствуют, но есть различные варианты прогнозов облачности.

В третьей главе описаны гибридные модели прогнозирования активной мощности на основе многомерного сингулярного спектрального анализа и нечеткой нейронной сети для г. Москвы. Разработан алгоритм «корректировки прогноза» для поиска «похожих» суток и учета резких изменений погоды. Подробно рассмотрены основные функции и интерфейс разработанного программного обеспечения.

В четвертой главе представлены результаты прогнозирования гибридной моделью и нейронной нечеткой сетью с учетом и без учета метеофакторов. Проведен сравнительный анализ результатов

прогнозирования между гибридной моделью и нейронной нечеткой сетью. Представлены результаты прогнозирования для одинаковых месяцев разных лет. Подробно проанализированы результаты разных моделей прогнозирования по типу дня и по различному сочетанию основных метеофакторов и найден лучший вариант для каждого месяца в течение года.

В заключении приводятся основные выводы и результаты работы.

В приложениях представлены материалы, не вошедшие в основную часть, листинги основных модулей программы; копии актов о внедрении результатов работы; копия свидетельства о регистрации разработанной программы и пр.

ГЛАВА 1 ОБЗОР И АНАЛИЗ МЕТОДОВ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ ЭНЕРГОСИСТЕМ

И ЭНЕРГООБЪЕДИНЕНИЙ

1.1 Цели и задачи прогнозирования активной мощности энергосистем и энергообъединений

Качественное построение прогнозов потребления электрической энергии в энергосистеме с минимальной ошибкой является необходимым условием для решения следующих задач:

а) увеличения надежности работы энергосистемы, бесперебойного энергоснабжения потребителей;

б) уменьшения затрат функционирования оптового рынка электроэнергии и мощности;

в) улучшения качества диспетчерского управления;

г) повышения экономической эффективности ЕЭС России.

Эксплуатация всей энергосистемы осуществляется при точном

слежении за нагрузкой системы в ходе производства и распределения электроэнергии. Расчеты ожидаемых балансов основаны на результатах прогноза электропотребления за различные периоды времени. Временные интервалы отслеживания нагрузок электропотребления разделяются на секундные, минутные, часовые и суточные. Во всех временных интервалах необходимая задача решается, при помощи эффективного диспетчерского управления:

- с помощью системы автоматического регулирования частоты и мощности (секундного);

- методами диспетчерского управления (минутного);

- пуском или остановкой целых энергоагрегатов или перераспределением энергии между соседними системами (часовые и суточные).

Долгосрочное прогнозирование реализуется для интервалов более одного года и необходимо для формирования ежегодных сводных балансов производства электроэнергии и потребления. Среднесрочное прогнозирование выполняется на период от одного месяца до года. Краткосрочное прогнозирование осуществляется для построения суточных диспетчерских графиков в пределах одних суток и до нескольких недель [2-4]. Оперативное прогнозирование реализуется построением прогнозов на часы и минуты в пределах одних суток. Прогнозирование осуществляется на всех временных интервалах с уточнением прогнозов по мере уменьшения интервала прогноза [5].

Технология прогнозирования графиков электропотребления заключается в анализе исходных данных, применении математических методов моделирования суточных графиков активной мощности, оценке результатов и корректировке полученных результатов, необходимых для составления плана электропотребления. Необходимая точность при планировании должна быть в границах допустимых интервалов, исходя из технических требований «Методики контроля точности прогноза потребления», используемой в АО «СО ЕЭС» и приведенной в [6].

1.2 Классические подходы в прогнозировании активной мощности

Прогнозирование электропотребления осуществляется большим количеством методов. Все эти методы используют данные по электропотреблению, некоторые из них осуществляют прогнозирование с использованием различных факторов, влияющих на электропотребление.

При прогнозировании электропотребления моделируются графики нагрузки, образующие временной ряд электропотребления Р(г). Данный процесс математически интерпретировать достаточно затруднительно в связи с большим количеством влияющих на электропотребление факторов, таких, как временные, погодные, экономические и случайные [2-4, 7-30]. Временной ряд Р(г), описывающий наблюдаемую величину электропотребления в виде графиков нагрузки, представляет собой последовательность значений электропотребления, регистрируемых через промежуток времени 1 час.

В публикациях [3, 16 - 18, 24, 29, 30] рассмотрены различные варианты классификации методов прогнозирования. Авторы Д.В. Бэнн, Е.Д. Фармер в [3] представили общую классификацию прогнозирования электропотребления, разделяющую модели на три вида: детерминированные, стохастические и нечёткие. Они предлагают классифицировать методы прогнозирования на два вида:

1) с использованием графиков нагрузки электропотребления Р(г);

2) с учетом метеорологических факторов.

Авторы [24, 29, 30] приводят общую классификацию для прогнозирования временных рядов статистических прогнозирующих математических моделей, разделяя на два вида стационарных и нестационарных процессов. В [31-34] описана классификация трех направлений прогнозирования - статистических, детерминированных и вероятностно-детерминированных моделей. Также показано разделение моделей прогнозирования на два вида: однофакторные и многофакторные. Рассмотрена классификация детерминированных моделей на основе нейронных сетей, сингулярного спектрального анализа, алгебраических регрессионных зависимостей и т.д.

Авторегрессионные модели, представленные в [3, 4, 34-42], обладают достаточной адекватностью для прогнозирования электропотребления, малой

трудоемкостью. Классические авторегрессионные модели показали свою эффективность с линейными и стационарными временными рядами.

В работах [3, 4, 16-18, 34-42] выявляют ряд недостатков статистических авторегрессионных моделей (AR(ARI), ARIMA, ARX, ARIMAX) при прогнозировании суточных графиков нагрузки, заключающихся в использовании операций осреднения по множеству реализаций, что приводит к ухудшению математической модели при увеличении времени упреждения и к плохому результату прогноза.

Данную проблему авторы в [4, 34-36] решают при помощи трендового подхода, тем самым обеспечивая модели требуемую устойчивость и точность. Трендовый подход основан на моделировании суточных графиков активной мощности, в виде суммы аддитивных составляющих: трендовой PD (t) и случайной PR (t):

P(t) = Pd (t) + Pr (t), (1.1)

где t - время суток.

В моделях электропотребления описанных в [3,4, 18, 21-24] приводится аналогичное разложение ряда на базовую составляющую (трендовую) и остаточную. Базовая составляющая разлагалась на сумму следующих составляющих: трендовокомпонентной, сезонной нагрузки и недельной цикличности. В этих работах при моделировании также было предложено добавить трендовую составляющую в аддитивное разложение базовой, что позволило учесть дополнительные условия, влияющие на нагрузку, такие, как изменение времени восхода и захода солнца весной и осенью.

Для прогнозирования остаточной составляющей чаще всего используют модели, учитывающие случайную компоненту такие, как авторегрессионные, экспоненциального сглаживания, спектрального анализа, Бокса-Дженкинса [4].

Авторы [3, 4] в своих работах применяют многофакторную модель прогнозирования ARIMAX с учетом метеофакторов (температуры воздуха,

21

долготы дня и т.д.). Для уменьшения ошибки прогнозирования детерминированную составляющую разлагают на аддитивные составляющие по формуле (1.1). Основной целью данного разложения является анализ временных рядов, выявление и моделирование компонент, прежде всего тренда. Полученное разложение является основой, как для прогноза отдельных составляющих, так и самого ряда.

Список литературы диссертационного исследования кандидат наук Вялкова Светлана Александровна, 2022 год

- - - - - - -

фев.18 - 4046,92 7095,26 2000 0,4 0,7

Б 4. Значения ошибок активной мощности гибридной моделью и нечеткой нейронной сетью с учетом прогнозных метеофакторов

Таблица Б.4.1 - Результаты ошибок прогнозирования с учетом прогнозных МФ _сентябрь-октябрь 2015 г.

Дата Ошибка Ошибка Дата Ошибка Ошибка

прогноза ГМ,% прогноза ННС,% прогноза ГМ,% прогноза ННС,%

01.09.2015 1,37 2,35 01.10.2015 0,92 1,48

02.09.2015 1,20 1,18 02.10.2015 1,95 1,56

03.09.2015 1,54 2,19 03.10.2015 1,42 1,07

04.09.2015 1,37 1,39 04.10.2015 1,30 2,15

05.09.2015 1,70 2,31 05.10.2015 2,67 1,61

06.09.2015 1,69 1,41 06.10.2015 2,34 2,49

07.09.2015 0,55 1,36 07.10.2015 3,78 4,50

08.09.2015 3,35 1,19 08.10.2015 1,28 3,49

09.09.2015 1,08 1,97 09.10.2015 2,07 0,79

10.09.2015 0,74 1,84 10.10.2015 3,02 1,33

11.09.2015 1,34 0,86 11.10.2015 1,60 2,13

12.09.2015 1,37 1,67 12.10.2015 1,28 2,65

13.09.2015 1,25 0,99 13.10.2015 0,94 1,37

14.09.2015 1,46 1,14 14.10.2015 1,12 1,84

15.09.2015 1,64 1,83 15.10.2015 2,00 2,51

16.09.2015 2,27 1,93 16.10.2015 2,13 1,70

17.09.2015 2,53 0,95 17.10.2015 1,43 0,87

18.09.2015 1,54 2,75 18.10.2015 1,55 2,03

19.09.2015 0,93 1,56 19.10.2015 0,99 1,27

20.09.2015 1,39 1,35 20.10.2015 2,43 1,68

21.09.2015 1,41 1,24 21.10.2015 1,95 1,59

22.09.2015 1,46 1,29 22.10.2015 1,53 0,68

23.09.2015 0,88 2,86 23.10.2015 0,86 1,04

24.09.2015 0,84 2,40 24.10.2015 1,85 0,67

25.09.2015 1,14 3,52 25.10.2015 1,31 2,30

26.09.2015 1,37 1,64 26.10.2015 1,64 1,02

27.09.2015 1,33 1,15 27.10.2015 1,80 1,72

28.09.2015 2,26 1,84 28.10.2015 2,87 2,55

29.09.2015 5,19 1,12 29.10.2015 1,83 0,93

30.09.2015 1,70 0,98 30.10.2015 1,24 0,50

31.10.2015 1,99 1,76

Ср. зн.,% 1,60 1,68 Ср. зн.,% 1,78 1,72

Дата Ошибка Ошибка Дата Ошибка Ошибка

прогноза ГМ,% прогноза ННС,% прогноза ГМ,% прогноза ННС,%

01.11.2015 2,18 1,96 01.12.2015 0,81 0,56

02.11.2015 2,97 2,91 02.12.2015 0,95 0,87

03.11.2015 0,99 2,96 03.12.2015 0,87 0,52

04.11.2015 0,97 0,94 04.12.2015 0,56 0,82

05.11.2015 1,47 5,90 05.12.2015 1,46 0,89

06.11.2015 1,61 1,80 06.12.2015 1,86 1,82

07.11.2015 3,82 3,94 07.12.2015 1,92 0,64

08.11.2015 0,99 0,37 08.12.2015 1,11 1,56

09.11.2015 0,90 1,09 09.12.2015 1,03 1,06

10.11.2015 1,85 1,66 10.12.2015 0,68 0,72

11.11.2015 1,38 0,91 11.12.2015 0,95 0,98

12.11.2015 1,09 1,41 12.12.2015 1,14 1,24

13.11.2015 1,07 0,85 13.12.2015 1,20 0,85

14.11.2015 1,25 2,01 14.12.2015 0,79 0,89

15.11.2015 1,28 1,41 15.12.2015 1,29 1,38

16.11.2015 1,03 1,05 16.12.2015 0,83 0,60

17.11.2015 2,42 1,60 17.12.2015 0,87 0,41

18.11.2015 0,90 0,42 18.12.2015 1,26 1,20

19.11.2015 0,54 0,39 19.12.2015 1,27 1,33

20.11.2015 1,59 1,33 20.12.2015 3,29 3,35

21.11.2015 1,64 1,17 21.12.2015 3,26 2,66

22.11.2015 1,10 0,75 22.12.2015 1,06 0,50

23.11.2015 0,78 1,42 23.12.2015 0,84 0,62

24.11.2015 1,43 1,87 24.12.2015 0,82 0,52

25.11.2015 0,77 0,73 25.12.2015 1,16 0,84

26.11.2015 0,61 0,42 26.12.2015 1,26 1,59

27.11.2015 1,81 0,95 27.12.2015 2,00 1,08

28.11.2015 0,98 1,01 28.12.2015 1,43 1,31

29.11.2015 1,48 1,22 29.12.2015 0,97 1,47

30.11.2015 1,66 1,20 30.12.2015 2,29 1,70

31.12.2015 0,50 1,42

Ср. зн.,% 1,42 1,52 Ср. зн.,% 1,28 1,14

Дата Ошибка прогноза ГМ,% Ошибка прогноза ННС,% Дата Ошибка прогноза ГМ,% Ошибка прогноза ННС,%

01.01.2016 3,63 4,02 01.02.2016 1,56 1,13

02.01.2016 2,03 1,53 02.02.2016 1,51 1,37

03.01.2016 1,27 1,30 03.02.2016 0,49 0,85

04.01.2016 1,53 1,35 04.02.2016 1,25 1,09

05.01.2016 1,20 1,42 05.02.2016 0,66 1,24

06.01.2016 1,04 1,36 06.02.2016 1,04 0,91

07.01.2016 1,49 1,77 07.02.2016 0,88 1,27

08.01.2016 1,54 1,13 08.02.2016 1,82 0,81

09.01.2016 0,65 1,30 09.02.2016 1,45 1,96

10.01.2016 0,86 1,49 10.02.2016 0,79 1,20

11.01.2016 1,53 4,05 11.02.2016 0,69 0,56

12.01.2016 4,18 3,53 12.02.2016 1,17 1,19

13.01.2016 0,81 1,46 13.02.2016 0,73 0,87

14.01.2016 1,00 1,11 14.02.2016 0,82 0,56

15.01.2016 1,37 1,08 15.02.2016 0,79 0,53

16.01.2016 1,88 2,10 16.02.2016 0,74 1,47

17.01.2016 2,40 2,03 17.02.2016 1,38 1,02

18.01.2016 1,56 0,90 18.02.2016 1,45 1,35

19.01.2016 1,49 0,83 19.02.2016 0,42 0,94

20.01.2016 0,49 1,02 20.02.2016 2,14 1,84

21.01.2016 0,75 0,65 21.02.2016 1,60 0,91

22.01.2016 0,61 0,93 22.02.2016 1,49 3,77

23.01.2016 1,49 1,08 23.02.2016 3,01 2,65

24.01.2016 1,27 0,56 24.02.2016 1,70 1,20

25.01.2016 0,60 0,85 25.02.2016 1,35 0,96

26.01.2016 0,49 1,10 26.02.2016 1,51 1,77

27.01.2016 1,48 0,63 27.02.2016 1,71 0,69

28.01.2016 3,27 2,85 28.02.2016 2,77 2,83

29.01.2016 1,95 1,68 29.02.2016 0,87 1,89

30.01.2016 1,17 1,21

31.01.2016 1,17 0,71

Ср. зн.,% 1,49 1,52 Ср. зн.,% 1,30 1,34

Дата Ошибка прогноза ГМ,% Ошибка прогноза ННС,% Дата Ошибка прогноза ГМ,% Ошибка прогноза ННС,%

01.03.2016 2,49 2,32 01.04.2016 1,06 1,08

02.03.2016 0,82 0,98 02.04.2016 3,09 2,32

03.03.2016 0,95 1,14 03.04.2016 1,16 1,44

04.03.2016 0,58 0,60 04.04.2016 1,10 0,73

05.03.2016 1,64 1,25 05.04.2016 1,07 0,52

06.03.2016 1,35 1,08 06.04.2016 1,10 0,78

07.03.2016 1,93 4,41 07.04.2016 1,42 0,98

08.03.2016 0,69 0,40 08.04.2016 3,48 1,45

09.03.2016 2,77 1,47 09.04.2016 1,00 1,00

10.03.2016 1,68 1,30 10.04.2016 4,65 3,45

11.03.2016 1,77 1,98 11.04.2016 1,27 2,00

12.03.2016 1,78 1,70 12.04.2016 2,06 1,55

13.03.2016 1,11 0,86 13.04.2016 3,16 0,62

14.03.2016 1,54 1,57 14.04.2016 1,01 1,91

15.03.2016 1,41 1,40 15.04.2016 1,83 1,05

16.03.2016 0,63 0,57 16.04.2016 4,01 4,06

17.03.2016 0,87 1,26 17.04.2016 2,10 1,54

18.03.2016 1,63 1,34 18.04.2016 4,35 2,71

19.03.2016 3,22 2,46 19.04.2016 1,19 1,20

20.03.2016 1,98 0,91 20.04.2016 1,50 1,83

21.03.2016 0,59 0,83 21.04.2016 0,89 1,45

22.03.2016 0,86 1,15 22.04.2016 1,21 1,21

23.03.2016 0,79 0,99 23.04.2016 3,28 3,72

24.03.2016 0,64 0,49 24.04.2016 0,75 0,88

25.03.2016 1,35 0,79 25.04.2016 3,09 2,12

26.03.2016 2,17 1,47 26.04.2016 0,85 1,19

27.03.2016 3,03 2,18 27.04.2016 1,17 0,90

28.03.2016 3,07 2,29 28.04.2016 1,42 1,40

29.03.2016 1,23 1,24 29.04.2016 2,84 2,56

30.03.2016 1,80 0,38 30.04.2016 4,33 5,08

31.03.2016 0,87 0,90

Ср. зн.,% 1,52 1,35 Ср. зн.,% 2,05 1,76

Дата Ошибка Ошибка Дата Ошибка Ошибка

прогноза ГМ,% прогноза ННС,% прогноза ГМ,% прогноза ННС,%

01.05.2016 5,98 6,76 01.06.2016 1,06 1,46

02.05.2016 1,36 0,77 02.06.2016 0,75 1,14

03.05.2016 2,17 5,75 03.06.2016 0,94 1,21

04.05.2016 2,62 2,85 04.06.2016 0,86 1,17

05.05.2016 0,83 1,44 05.06.2016 1,83 2,18

06.05.2016 0,84 0,61 06.06.2016 2,62 2,20

07.05.2016 1,69 1,36 07.06.2016 4,44 5,62

08.05.2016 2,58 1,71 08.06.2016 2,42 2,91

09.05.2016 2,42 2,02 09.06.2016 3,67 2,63

10.05.2016 1,24 4,52 10.06.2016 3,18 1,04

11.05.2016 2,58 5,42 11.06.2016 1,00 1,06

12.05.2016 1,46 3,93 12.06.2016 1,17 1,38

13.05.2016 3,04 2,12 13.06.2016 2,46 6,50

14.05.2016 2,97 1,73 14.06.2016 1,98 1,74

15.05.2016 1,85 1,52 15.06.2016 1,19 1,52

16.05.2016 1,56 3,81 16.06.2016 1,10 1,52

17.05.2016 2,50 3,06 17.06.2016 1,18 2,21

18.05.2016 1,04 1,35 18.06.2016 1,37 1,53

19.05.2016 0,61 0,96 19.06.2016 1,83 2,76

20.05.2016 2,81 1,41 20.06.2016 1,33 2,90

21.05.2016 3,28 2,21 21.06.2016 3,63 3,88

22.05.2016 0,94 0,81 22.06.2016 1,78 1,16

23.05.2016 2,84 1,88 23.06.2016 2,74 3,81

24.05.2016 1,08 1,97 24.06.2016 0,58 0,91

25.05.2016 1,48 1,22 25.06.2016 0,95 1,29

26.05.2016 1,45 0,89 26.06.2016 1,25 0,76

27.05.2016 1,86 0,82 27.06.2016 1,38 2,14

28.05.2016 3,40 2,99 28.06.2016 1,48 2,16

29.05.2016 1,50 0,93 29.06.2016 1,43 2,49

30.05.2016 1,25 1,60 30.06.2016 2,35 1,15

31.05.2016 1,30 1,21

Ср. зн.,% 2,02 2,25 Ср. зн.,% 1,80 2,15

Дата Ошибка Ошибка Дата Ошибка Ошибка

прогноза ГМ,% прогноза ННС,% прогноза ГМ,% прогноза ННС,%

01.07.2016 0,89 0,82 01.08.2016 0,86 1,41

02.07.2016 0,73 1,10 02.08.2016 2,68 3,01

03.07.2016 1,34 0,52 03.08.2016 1,95 2,04

04.07.2016 0,77 1,42 04.08.2016 3,48 3,67

05.07.2016 3,17 2,52 05.08.2016 1,09 1,50

06.07.2016 2,18 2,71 06.08.2016 0,91 1,62

07.07.2016 1,00 1,61 07.08.2016 1,54 1,92

08.07.2016 2,36 1,62 08.08.2016 3,50 2,78

09.07.2016 2,21 1,25 09.08.2016 1,06 1,22

10.07.2016 3,49 1,43 10.08.2016 1,58 2,33

11.07.2016 2,55 1,44 11.08.2016 0,94 1,97

12.07.2016 1,77 2,98 12.08.2016 1,17 0,91

13.07.2016 2,23 3,87 13.08.2016 1,97 2,71

14.07.2016 1,03 1,35 14.08.2016 4,00 2,46

15.07.2016 1,32 1,85 15.08.2016 1,21 2,37

16.07.2016 2,88 3,29 16.08.2016 1,07 0,93

17.07.2016 2,32 3,98 17.08.2016 1,92 2,27

18.07.2016 1,98 1,36 18.08.2016 2,22 1,70

19.07.2016 2,27 2,17 19.08.2016 1,25 1,96

20.07.2016 0,96 1,08 20.08.2016 1,31 1,62

21.07.2016 2,89 3,16 21.08.2016 1,11 1,52

22.07.2016 2,78 3,11 22.08.2016 2,65 2,80

23.07.2016 3,38 3,21 23.08.2016 3,24 4,24

24.07.2016 1,15 0,79 24.08.2016 0,93 1,63

25.07.2016 1,33 3,90 25.08.2016 0,66 1,72

26.07.2016 4,22 4,05 26.08.2016 1,35 1,63

27.07.2016 3,07 2,71 27.08.2016 0,88 1,81

28.07.2016 0,70 0,48 28.08.2016 2,12 0,87

29.07.2016 0,67 0,82 29.08.2016 3,12 1,25

30.07.2016 1,22 1,72 30.08.2016 2,07 1,65

31.07.2016 1,36 1,80 31.08.2016 0,68 0,36

Ср. зн.,% 1,94 2,07 Ср. зн.,% 1,76 1,93

Б 5. Значения среднемесячных ошибок прогнозирования активной мощности по типам дней

Таблица Б.5.1 - Распределение по типам дня в течение года (1.09.2015 г. - 31.08.2016 г.) значений среднемесячной ошибки прогнозирования с учетом прогнозных данных

метеофакторов и типа суток (рабочие и выходные)

Месяц Рабочие Выходные

Ошибка Ошибка Ошибка Ошибка

прогноза с учетом прог. ТВ и ЕО ГМ,% прогноза с учетом прог. ТВ и ЕО ННС,% прогноза с учетом прог. ТВ и ЕО ГМ,% прогноза с учетом прог. ТВ и ЕО ННС,%

Сентябрь 2015 1,68 1,74 1,38 1,51

Октябрь 2015 1,8 1,77 1,72 1,59

Ноябрь 2015 1,36 1,22 1,64 1,54

Декабрь 2015 1,17 0,99 1,69 1,52

Январь 2016 1,67 1,44 1,51 1,41

Февраль 2016 1,19 1,11 1,36 1,15

Март 2016 1,28 1,18 2,04 1,49

Апрель 2016 1,77 1,39 2,51 2,30

Май 2016 1,68 1,98 2,28 1,66

Июнь 2016 1,96 2,2 1,28 1,52

Июль 2016 1,91 2,14 2,01 1,91

Август 2016 1,77 1,97 1,73 1,82

Ср. год. зн. , % 1,59 1,62 1,77 1,63

За год Max , % 5,19 5,62 4,65 4,06

За год Min , % 0,42 0,36 0,73 0,37

Таблица Б.5.2 - Распределение по типам дня в течение года (1.09.2015 г. - 31.08.2016 г.)

значений среднемесячной ошибки прогнозирования с учетом прогнозных данных _метеофакторов и типа суток (праздник)

Дата Тип дня Ошибка прогноза с учетом факт. МФ ГМ,% Ошибка прогноза с учетом факт. МФ ННС,% Ошибка прогноза с учетом прог. МФ ГМ,% Ошибка прогноза с учетом прог. МФ ННС,%

04.11.2015 Праздник 0,89 0,90 0,97 0,94

01.01.2016 Праздник 2,03 1,36 3,63 4,02

02.01.2016 Праздник 2,69 3,24 2,03 1,53

03.01.2016 Праздник 1,00 0,62 1,27 1,3

04.01.2016 Праздник 0,53 0,51 1,53 1,35

05.01.2016 Праздник 1,75 1,16 1,2 1,42

06.01.2016 Праздник 0,55 0,38 1,04 1,36

07.01.2016 Праздник 0,87 0,79 1,49 1,77

08.01.2016 Праздник 1,38 1,72 1,54 1,13

09.01.2016 Праздник 0,63 1,00 0,65 1,3

23.02.2016 Праздник 1,39 1,41 3,01 2,65

08.03.2016 Праздник 0,52 0,28 0,69 0,4

01.05.2016 Праздник 1,09 1,27 5,98 6,76

02.05.2016 Праздник 2,33 3,97 1,36 0,77

09.05.2016 Праздник 1,88 2,55 2,42 2,02

12.06.2016 Праздник 0,48 0,55 1,17 1,38

Ср. год. зн. , % 1,25 1,36 1,87 1,88

Таблица Б.5.3 - Распределение по типам дня в течение года (1.09.2015 г. - 31.08.2016 г.)

значений среднемесячной ошибки прогнозирования с учетом прогнозных данных _метеофакторов и типа суток (нерегулярный)

Дата Тип дня Ошибка прогноза с учетом факт. МФ ГМ,% Ошибка прогноза с учетом факт. МФ ННС,% Ошибка прогноза с учетом прог. МФ ГМ,% Ошибка прогноза с учетом прог. МФ ННС,%

03.11.2015 Предпраздничный 0,90 1,11 0,99 2,96

05.11.2015 Послепраздничный 0,88 0,95 1,47 5,9

31.12.2015 Предпраздничный 2,38 1,24 0,5 1,42

20.02.2016 Пятница некалендарная 1,93 2,15 2,14 1,84

22.02.2016 Воскресенье некалендарное 2,04 2,99 1,49 3,77

24.02.2016 Понедельник некалендарный 1,66 1,42 1,7 1,2

07.03.2016 Воскресенье некалендарное 1,96 4,41 1,93 4,41

09.03.2016 Понедельник некалендарный 2,30 0,74 2,77 1,47

30.04.2016 Предпраздничный 0,62 0,49 4,33 5,08

03.05.2016 Воскресенье некалендарное 2,13 5,98 2,17 5,75

04.05.2016 Понедельник некалендарный 3,00 0,81 2,62 2,85

10.05.2016 Понедельник некалендарный 1,22 4,63 1,24 4,52

13.06.2016 Воскресенье некалендарное 2,55 5,11 2,46 6,5

14.06.2016 Понедельник некалендарный 3,49 1,05 1,98 1,74

Ср. год. зн. ^ПП, % 1,93 2,36 1,99 3,53

ПРИЛОЖЕНИЕ В (справочное) Листинг программы реализации прогноза естественной освещенности

#Исходные данные

set.seed(101) # стабилизирует начальные веса одинаковые при каждом запуске

library("neuralnet")

library(haven)

library(readxl)

testEO <- read_excel("A:/R/Neural network/testEO.xlsx")

View(testEO)

#загрузить файл

mydata <- testEO

k=29 # ! изменить дату прогноза с 1-го числа по 30-е в выборке +0 ->29

d=183+k # !изменить конец данных в году 32-фев.| 61-март| 92 -апр. | 122 -май|183 -

июль |245 - сен. |274-окт.

q=152+k # !изменить начало данных 0-фев.| 32-март |92-31= 61 -апр.| 91 -май 1152- июль |214 -сен. |243-окт. h=d-2 p=d-1

y = mydata$'E 2017' [q:d] #[1:d] для фев. View(y) #

#O = mydata$'Ov fackt 2016' [ 1:d] #OF= mydata$'Ov forecast 2016' [1:d]# #O2 = mydata$'E 2015'[1:d] #OF2= mydata$'Ov fackt 2015' [1:d]

# Составление прогнозов облачности после факта для обучения

O1=mydata$'Ov fackt 2017'[q:h] # !изменить +1 29 [1:31] $'Ov fackt 2016' $'Ov fackt 2015' #O2=mydata$'Ov forecast 2016' [p:d] # !изменить +1 30 [32:d] O2=mydata$'Ov forecast 2017' [p:d] # !изменить +1 30 [32:d] $'Ov fackt 2016' O<-data.frame(list(O = c(O1, O2))) #факт облачности +прогноз на 2 суток #O<-data.frame(list(O = c(O1, O2))) #факт облачности +прогноз на 2 суток View(O) #

#Таблица исходных данных выход сдвинутый на 1 и на 2

mydata <- data.frame( y, O)

#mydata <- data.frame( y, O, O2, OF2)

names(mydata) <- c('y','O')

#names(mydata) <- c('y','O', 'O2', 'OF2')

j=length(y)

# ряд количества входных данных с шагом 20/200=0,01 k = seq(1,j,length=j) #0,20,length=200 plot(k,y,type="l")

#Масштабная нормализация scaleddata<-scale(mydata) #Макс-Мин Нормализация normalize <- function(x) { return ((x - min(x)) / (max(x) - min(x)))

#Затем используется lapply для запуска функции на существующих данных

(набор данных, загруженный в R, как mydata

maxmindf <- as.data.frame(lapply(mydata, normalize))

View(maxmindf)

#Training and Test Data

yLn<- length(y)

yLn1<- yLn-2

yLn2<- yLn-1

trainset <- maxmindf[1:yLn1, ] testset <- maxmindf[yLn2:yLn, ] View(trainset) #Neural Network library(neuralnet)

#https://www.rdocumentation.org/packages/neuralnet/versions/1.44.2/topics/neuralnet nn <- neuralnet(y~ O,

#O+O2+OF2, data=trainset,

hidden=c(8, 4),# архитектура c(8,4) linear.output=FALSE, stepmax = 50000 , #act.fct = "logistic", threshold=0.01) #http://www.rpubs.com/ranvirkumarsah/Intro2ANN #act.fct="logistic" функция активации (по умолчанию tanh) # err.fct = "ce", # функция ошибки для кросс-энтропии #lifesign.step -окно

#threshold=0,00001,# пороговое значение ошибки

#lifesign.step=4, окно

#lifesign = "minimal",

#stepmax = 100000,

nn$result.matrix

#plot(nn)

nn $ result.matrix

#Test the resulting output

temp_test <- subset(testset, select = c("O"))

#temp_test <- subset(testset, select = c("O","O2", "OF2"))

head(temp_test)

nn.results <- compute(nn, temp_test)

results <- data.frame(actual = testset$y, prediction = nn.results$net.result) results

#Examine results

predicted=results$prediction * abs(diff(range(y))) + min(y)

actual=results$actual * abs(diff(range(y))) + min(y)

comparison=data.frame(predicted,actual)

deviation=((actual-predicted)/actual)

comparison=data.frame(predicted,actual,deviation)

accuracy=1-abs(mean(deviation))

accuracy

#создание графика в доп. окне #dev.new()

plot(k,y,type="l",col = 2) lines(k[c(yLn2:yLn)],predicted, col="green") lines(k[c(yLn2:yLn)],actual, col="black") legend(5, 70, c("y", "results"), cex=1.5, fill=2:3) head(predicted)

rezyltat<-data.frame(actual,predicted) View(rezyltat)

MAPE <- mean(abs(predicted-actual)/ actual)*100 head(MAPE)

ПРИЛОЖЕНИЕ Г (справочное) Свидетельство о государственной регистрации программы для ЭВМ «Прогноз-ЭТО Москва. Версия 1.0»

ПРИЛОЖЕНИЕ Д (справочное) Сведения о внедрениях

УТВЕРЖДАЮ

Директор Филиала АО «СО ЕЭС» ' ... «Региональное диспетчерское ¡щравление^энерГосиЛемы йсквы и |Московской/области»

.П. Поляков 2021 г.

АКТ

внедрения результатов диссертационной работы Вялковой С.А. «Краткосрочное прогнозирование электропотребления г. Москвы на основе ортогональных разложений и нейронных сетей», представленной на соискание ученой степени кандидата технических наук по специальности 05.14.02 - Электрические станции и электроэнергетические системы

Комиссия в составе: Первый заместитель директора - главный диспетчер Филиала АО «СО ЕЭС» Московское РДУ Куделин A.C. и начальник Службы оперативного планирования режимов Филиала АО «СО ЕЭС» Московское РДУ Грачев С.П. рассмотрела результаты исследований Вялковой С.А., полученные при разработке прогнозных моделей и программного обеспечения для краткосрочного прогнозирования электропотребления г. Москвы при выполнении условий договора от 26 декабря 2011 г. №1/121-11 «Оперативное и краткосрочное прогнозирование электропотребления с учетом метеофакторов в операционной зоне Филиала ОАО «СО ЕЭС» Московское РДУ»), а также при создании новых прогнозных моделей, разработанных в инициативном порядке.

В настоящее время в деловом процессе Службы оперативного планирования режимов для повышения точности краткосрочного прогноза потребления активной мощности используются результаты диссертационной работы Вялковой С.А., в которой исследована зависимость потребления мощности (электроэнергии) по г. Москве от освещенности.

1. В системе автоматического сбора данных о фактической освещенности на территории г. Москвы, эксплуатирующейся в Филиале АО «СО ЕЭС» Московское РДУ, использованы результаты диссертационной работы, оптимизирующие выбор мест расположения датчиков контроля

освещенности. Информация о средней освещенности по г. Москве используется в разработанных в диссертации прогнозных моделях.

2. При уточнении и корректировке краткосрочного прогноза потребления мощности используются разработанные в диссертации методики получения взаимосвязей между освещенностью, облачностью (по разным ярусам) и потреблением мощности, на основе многомерного сингулярного спектрального анализа.

Настоящий акт не является основанием для финансовых расчетов по внедрению и использованию результатов, полученных в диссертационной работе Вялковой С.А.

Первый заместитель директора -главный диспетчер Филиала АО «СО ЕЭС» Московское РДУ

Начальник Службы оперативного планирования режимов Филиала АО «СО ЕЭС» Московское РДУ

Общество с ограниченной ответственностью научно-протводственное предприятие #КПП КО»

ООО НПП «В НИ КО»

XJW3P

*Х> яс&>

346410. Россия. Ростовская область, г 11опочеркж:ск. ул Атаманская, 49 тел./факс +7(H63-S) 22-44-02 ИНН Ь1500095 18 / КПП 615001001 ОКНО 27154435. ОГРИ 1026102223069 Heb: «w w.vniko.ru e-mail: adin^MUkßJU

ИсхЛв359-А20

УТВЕРЖДАЮ Генеральный директор -^^ Уржумов Д.В.

«30»ноября 2020 г.

Акт

о внедрении результатов диссертационной научной работы Вялковой С. А. на

тему:

«Краткосрочное прогнозирование электропепребзешм г. Москвы на основе ортогональных разложений и нейронных сетей»

Настоящим актом подтверждается, что результаты научной работы «Краткосрочное прогнозирование электропотреблення г. Москвы на основе ортогональных разложений и нейронных сетей», выполненной Вялковой Светланой Александровной аспиранткой кафедры «Электроснабжение и электропривод» Южно-Российского государственного политехнического университета (НИИ) имени М.И. Платова, использованы при выполнении научно-исследовательской работы по договору с Филиалом ОАО «СО ЕЭС» Московское РДУ №1/121-11 от 26 декабря 2011 г. «Оперативное и краткосрочное прогнозирование электропозребления с учетом метеофакторов в операционной зоне Филиала ОАО «СО ЕЭС» Московское РДУ».

Разработанные Вялковой С.А. гибридные математические модели краткосрочного прогнозирования электропотребления г. Москвы с учетом мстсофакторов переданы в опытную эксплуатацию в филиал АО «СО ЕЭС» Московское РДУ. В процессе опытной эксплуатации гибридной модели и программы краткосрочного прогнозирования, а также после ее завершения Вялкова С.А принимала участие в доработке алгоритмов с целью повышения точности прогнозирования, которые были переданы в филиал АО «СО ЕЭС» Московское РДУ.

Зам. технического директора по проектированию и IT технологиям ^ ООО НПП «ВНИКО», к.т.н.

А. В. Демура

Министерство науки и высшего образования Российской Федерации

федеральное государственное бюджетное образовательное учреждение высшего образования

«Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова» (ФГБОУ ВО «ЮРГПУ (НПИ) имени М.И. Платова»)

ул Просвещения, д 132, I Новочеркасск. (Ъстовская область. 346428 телефон [phone]. факс [phone] e-mail: rekloral'ii npiTu ni. http://www.npi-tu.ru ()KTM<) 60727000001. БИ К 046015001 ИНН 6150010834. КПП 615001001 № с-ТР/-/Я ОТ с ? О/ Яйх'/i-

Проректор по инновационной деятельности ФГБОУ ВО «Южно-Российского государственного политехнического университежа(НПИ) имени М.И. Платова» O.A. Кравченко

2021 г.

на №

Акт внедрения в учебный процесс результатов диссертационных исследований ведущего инженера инжинирингового центра «Сквозные производственные технологии» ЮРГПУ(НПИ) Вялковой Светланы Александровны

Мы, нижеподписавшиеся, начальник учебно-методического управления, Е.В. Скринников, и.о. заведующего кафедрой «Электроснабжение и электропривод» энергетического факультета, д.т.н., O.A. Кравченко, профессор кафедры «Электроснабжение и электропривод», д.т.н. И.И. Надтока составили настоящий акт о том, что прогнозные математические модели и программное обеспечение, разработанные аспиранткой Вялковой С.А. при выполнении диссертационных исследований на тему «Краткосрочное прогнозирование электропотребления г. Москвы на основе ортогональных разложений и нейронных сетей», используется в проведении лекционных, практических и лабораторных занятий при подготовке магистров энергетического факультета ЮРГПУ (НПИ) по направлению 13.04.02 «Электроэнергетика и электротехника» направленностей «Цифровые системы электроснабжения» и «Автоматизированные электромеханические комплексы и системы», а также аспирантов по направлению подготовки 13.06.01 «Электро- и теплотехника», направленность 05.14.02 «Электрические станции и электроэнергетические системы».

Начальник учебно-методического

управления ЮРГПУ (НПИ)

Е.В. Скринников

Зав. кафедрой «Электроснабжение и электропривод», д.т.н., доцент

O.A. Кравченко

Профессор кафедры «Электроснабжение и электропривод», д.т.н., профессор

Л"" И.И. Надтока

¿7 -

ПРИЛОЖЕНИЕ Е (справочное) Дипломы по результатам участия в конференциях

кибернетика

энергетических

систем

СЕРТИФИКАТ

участника XI. сессии семинара "Кибернетика энергетических систем"

выдан

Вялковой С.А.

Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова

Новочеркасск, ЮРГПУ(НПИ) 24-26 сентября 2018 г.