Краткосрочное прогнозирование электропотребления в электроэнергетических системах с использованием искусственных нейронных сетей тема диссертации и автореферата по ВАК РФ 05.14.02, кандидат наук Алексеева, Инна Юрьевна

• Алексеева, Инна Юрьевна
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Алексеева, Инна Юрьевна

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ

1.1. Общие положения

1.2. Актуальность прогнозирования электропотребления в условиях рынка электрической энергии

1.3. Задачи суточного планирования режимов ЭЭС

1.4. Общие подходы к построению прогнозной модели процесса электропотребления

1.5. Методы краткосрочного прогнозирования электропотребления

1.5.1. Обзор традиционных методов и средств краткосрочного прогнозирования потребления электроэнергии

1.5.2. Метод Сааренда в исследовании динамики электропотребления в региональной энергосистеме

1.5.3. Метод экспоненциального сглаживания линии тренда временного ряда в сочетании с методом индексов сезонности

1.6. Целесообразность использования искусственных нейронных сетей в системах прогнозирования

1.7. Выводы

ГЛАВА 2. ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ

2.1. Общие положения

2.2. Искусственные нейронные сети. Основные понятия и определения

2.3. Свойства систем, построенных на основе ИНС

2.4. Представление нейронных сетей с помощью

ориентированных графов

2.5. Архитектура сетей

2.6. Представление знаний

2.7. Краткосрочное прогнозирование электропотребления ЭЭС с использованием ИНС

2.7.1. Общие замечания

2.7.2. Определение набора входных данных ИНС для краткосрочного прогнозирования электропотребления энергосистемы

2.7.3. Построение модели ИНС и определение неизвестных весовых коэффициентов выходного слоя сети методом интерполяции

2.7.4. Алгоритм обучения ИНС прямого распространения

2.8. Выводы

ГЛАВА 3. ОПИСАНИЕ ЗАВИСИМОСТИ ЭЛЕКТРОПОТРЕБЛЕНИЯ

ОТ ТЕМПЕРАТУРЫ НАРУЖНОГО ВОЗДУХА

3.1. Общие замечания

3.2. Анализ статистических данных электропотребления и температуры наружного воздуха ЭЭС Самарской губернии за весенний и летний период года

3.3. Анализ статистических данных электропотребления и температуры наружного воздуха ЭЭС Самарской губернии за осенний и зимний период года

3.4. Методика учета температуры наружного воздуха в модели ИНС при прогнозировании электропотребления

3.5. Выводы

ГЛАВА 4. МЕТОДИКА, АЛГОРИТМ И ПРОГРАММНЫЙ ПАКЕТ РАСЧЕТА ПРОГНОЗНЫХ ЗНАЧЕНИЙ ЭЛЕКТРОПОТРЕБЛЕНИЯ ЭНЕРГОСИСТЕМЫ НА ОСНОВЕ ИНС

4.1. Общие замечания

4.2. Описание методики краткосрочного прогнозирования электропотребления на основе ИНС

4.3. Алгоритм и программа расчета прогнозных значений электропотребления ЭЭС методом на основе ИНС

4.4. Результаты работы модели ИНС и сравнение результатов прогнози-

рования с другими методами

4.5. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ П. 1. Исходный текст программы расчета прогнозных

значений электропотребления методом ИНС

ПРИЛОЖЕНИЕ П.2. Документы о внедрении результатов диссертационной работы

Введение диссертации (часть автореферата) на тему «Краткосрочное прогнозирование электропотребления в электроэнергетических системах с использованием искусственных нейронных сетей»

ВВЕДЕНИЕ

Актуальность работы. В условиях становления рыночных отношений в электроэнергетике задача совершенствования методов краткосрочного прогнозирования электропотребления и создания соответствующего программного обеспечения для повышения точности планирования оптимальных режимов электроэнергетических систем (ЭЭС) является важной и актуальной. Повышение точности планирования предполагает обеспечение наиболее экономичной работы ЭЭС при рациональном расходовании энергоресурсов и удовлетворении требований надежности энергоснабжения и качества электроэнергии. Прогнозы нагрузки играют решающую роль при ценообразовании на электроэнергию на оптовом рынке электроэнергии и мощности и становятся все более важными как для ее производителей, так и для потребителей.

В условиях функционирования оптового рынка электроэнергии необходимость точного прогнозирования электропотребления обусловлена технологическими и экономическими причинами. Для ЭЭС повышение точности прогноза необходимо для поддержания оптимального плана генерации электроэнергии с точки зрения обеспечения минимума расхода энергоресурсов, недопущения перегрузки генерирующих мощностей и ухудшения качества электроэнергии. Энергосбытовые компании и гарантирующие поставщики осуществляют планирование потребления групп и отдельных потребителей. Генерирующие компании и электростанции участвуют в процессе планирования электропотребления, определяя расход электроэнергии на нужды эксплуатации электростанций. В данной ситуации необходим точный прогноз «на сутки вперед».

Точность прогнозирования напрямую зависит от методик расчета. Существует большое количество моделей и методов краткосрочного прогнозирования нагрузки. Становление и развитие методов

математического моделирования, прогнозирования и планирования электропотребления связано с работами таких отечественных и зарубежных ученых: Аюев Б.И., Бартоломей П.И., Бердин A.C., Богданов В.А., Вагин В.П., Васильев И.Е., Веников В.А., Гордеев В.И., Гурский С.К., Калюжный

A.C., Карпов В.В., Кудрин Б.И., Куренный Э.Г., Липес A.B., Меламед А.М., Макоклюев Б.И., Праховник A.B., Рабинович М.А., Степанов В.П., Тимченко

B.Ф., Фокин Ю.А., Черныш Е.А., Bunn D.W., Farmer E.D., Ackerman G.B., Gupta P.C., Baker A.B. и других.

Качество прогноза во многом зависит от выбранной математической модели. Наибольшее распространение получили модели, разлагающие нагрузку на две составляющие: базовую (регулярную) и зависящую от погоды (нерегулярную). Однако, имеющиеся в эксплуатации методы краткосрочного прогнозирования электропотребления, не удовлетворяют в полной мере технологии их использования при управлении режимами. Основным недостатком существующих методов является необходимость построения модели нагрузки и постоянное уточнение готовой модели. Другим недостатком этих методов является неточное установление соотношения между входными и выходными переменными, так как зависимости между ними нелинейные.

В последнее десятилетие с развитием теории искусственного интеллекта решение задачи прогнозирования нагрузки осуществляют с использованием моделей на основе искусственных нейронных сетей (ИНС). Большой вклад в развитие теории ИНС при прогнозировании электропотребления внесли работы следующих авторов: Манусова В.З., Седова A.B., Надтока И.И., Демура A.B., Кушнарева Ф.А., Шумиловой Г.П., Готман Н.Э., Старцевой Т.Б., Круглова В.В., Борисова В.В., Гордиенко Е.К., Лукьяница A.A., Харитонова Е.В. и других.

Наиболее точным и перспективным методом краткосрочного прогнозирования электропотребления в настоящее время является метод с использованием ИНС, позволяющий производить учет метеофакторов.

Цель работы — разработка модели краткосрочного прогнозирования потребления электроэнергии с использованием ИНС для повышения точности планирования оптимального режима электроэнергетической системы (на примере ЭЭС Самарской области) и повышения достоверности при решении технических и экономических задач.

Задачи исследования:

1. Анализ существующих методов прогнозирования электропотребления.

2. Выбор входных данных ИНС для прогнозирования электропотребления в ЭЭС.

3. Выбор модели ИНС и ее обоснование.

4. Построение структуры и разработка математической модели ИНС прямого распространения для целей прогнозирования потребления электроэнергии.

5. Определение значений исходных весовых коэффициентов ИНС прямого распространения для ЭЭС.

6. Анализ влияния температуры наружного воздуха на электропотребление и разработка методики учета температуры в прогнозной модели ИНС для ЭЭС.

7. Разработка и реализация алгоритма и программы расчета прогнозных значений электропотребления методом ИНС для ЭЭС.

8. Исследование нейромодели с разным количеством нейронов в скрытом и входном слое для оценки влияния изменения топологии ИНС на точность прогнозирования.

9. Сравнительный анализ методов краткосрочного прогнозирования электропотребления и оценка эффективности применения метода на основе ИНС.

Методы исследования. Для решения поставленных задач использовались положения теории вероятности, методы математической

статистики и нейросетевого моделирования, корреляционного и регрессионного анализа.

Научная новизна диссертационной работы заключается в следующем:

1. Разработана модель ИНС с автоматизированным выбором входных переменных для краткосрочного прогнозирования электропотребления в ЭЭС.

2. Определены основные факторы, оказывающие влияние на электропотребление и произведена оценка их влияния на точность прогнозирования.

3. Разработана методика учета температуры наружного воздуха в модели ИНС для повышения точности прогнозирования.

Практическая ценность.

1. Составлен алгоритм оптимального прогнозирования потребления электроэнергии ЭЭС с использованием ИНС.

2. Разработана программа автоматизированного выбора оптимального набора входных переменных для модели ИНС.

3. Разработан программный комплекс расчета прогнозных значений потребления электроэнергии ЭЭС на ПЭВМ в среде FANN (Fast Artifical Neural Network) для операционных систем Linux и Windows.

Реализация.

Результаты диссертационной работы реализованы в филиале ОАО «СО ЕЭС» Самарское РДУ и внедрены в учебный процесс на электротехническом факультете ФГБОУ ВПО «СамГТУ» в дисциплинах: «Проектирование электроэнергетических систем», «Передача и распределение электроэнергии», «Оптимизация электроэнергетических систем».

Достоверность основных научных положений и выводов работы подтверждается результатами сравнительного анализа метода прогнозирования электропотребления на основе ИНС с традиционными методами с использованием фактических данных действующей ЭЭС.

Обоснованность положений диссертации подтверждается корректным использованием математического аппарата, адекватного решаемым задачам.

Основные положения, выносимые на защиту:

1. Модель краткосрочного прогнозирования электропотребления с использованием ИНС.

2. Методика учета температуры в прогнозной модели ИНС для повышения точности прогнозирования.

3. Влияние изменения топологии представленной модели ИНС на точность прогнозирования электропотребления.

Апробация работы. Основные положения диссертации докладывались и обсуждались на XIV международной научно-технической конференции студентов и аспирантов «Радиоэлектроника, электротехника и энергетика» (МЭИ, г. Москва, 2007г.) и на молодежной научно-практической конференции РДУ Татарстана (г. Казань, 2010г.).

Публикации по материалам диссертации — 6 печатных работ, их них 3 статьи в журналах, рекомендованных ВАК.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 81 наименования, 2 приложений и содержит 157 страниц основного текста. Общий объем работы 176 страниц.

В первой главе диссертации рассматриваются задачи прогнозирования электрических нагрузок ЭЭС в условиях рыночных отношений в энергетике, описаны общие подходы к построению прогнозной модели процесса электропотребления. Представлен обзор существующих традиционных методов прогнозирования, показаны их достоинства и недостатки. Описываются основные методы краткосрочного прогнозирования электропотребления, которые применяются в сетевых службах: метод Сааренда и метод экспоненциального сглаживания линии тренда временного ряда в сочетании с методом индексов сезонности. Показана целесообразность

применения в системах прогнозирования искусственных нейронных сетей, обладающих рядом достоинств.

Во второй главе рассмотрены общие вопросы развития и применения ИНС в задачах прогнозирования. Для целей краткосрочного прогнозирования электропотребления в ЭЭС построена структура и разработана математическая модель ИНС прямого распространения дающая наиболее точный прогноз нагрузки, так как обладает высокой степенью нелинейности и связности, реализуемой посредством прямых связей нейронов между собой. Определены основные факторы, оказывающие влияние на электропотребление и произведена оценка их влияния на точность прогнозирования. Разработанная нейромодель отличается

автоматизированным выбором оптимального набора входных переменных ИНС, что позволяет использовать модель для прогнозирования потребления электроэнергии в любой энергосистеме и обуславливает научную новизну диссертационной работы.

В третьей главе проведен корреляционный и регрессионный анализ электропотребления и температуры наружного воздуха на основе статистических данных действующей ЭЭС (на примере Самарской энергосистемы) за 2007г. с помощью программы <<£НайБйса 6.0». Построены графики временных рядов электропотребления и температуры наружного воздуха по сезонам года (весна, лето, осень, зима), диаграммы рассеяния для каждого месяца с указанием значения коэффициента корреляции и уравнения регрессии. С помощью программы <<&а//5//до 6.0» описаны основные числовые характеристики рассматриваемых величин. Зависимость электропотребления от температуры наружного воздуха получена с помощью построения упорядоченного графика. График электропотребления аппроксимируется линией полиномиального тренда. Уравнение тренда подается на вход ИНС и позволяет учитывать влияние температуры при прогнозировании электропотребления. Определены значения начальных

и

весовых коэффициентов для учета температуры в модели ИНС на основании построения диаграмм рассеяния.

В четвертой главе описана методика краткосрочного прогнозирования электропотребления на основе ИНС. Разработан алгоритм и программа расчета прогнозных значений потребления электроэнергии ЭЭС методом на основе ИНС. Представлена блок-схема алгоритма этой программы. Компьютерная программа написана в среде FANN (Fast Artifical Neural Network) для операционных систем Linux и Windows. С помощью этой программы исследованы нейромодели с разным количеством нейронов в скрытом и входном слое, а также с разным количеством скрытых слоев, для оценки влияния изменения топологии нейросети на качество прогнозирования. Выбрана оптимальная модель для ЭЭС. Критерий оптимальности — минимальное значение квадратичной ошибки и повышение точности прогноза. Все расчеты по прогнозированию электропотребления проводились на основании этой сети. Построенная сеть делает предсказания значения электропотребления на сутки вперед, исходя из предыдущих значений и учитывая влияние температуры наружного воздуха, сезонность и тип дня недели. Проведен сравнительный анализ представленных в работе методов краткосрочного прогнозирования, результаты анализа представлены в виде таблицы и графиков.

В заключении представлены основные научные и практические результаты диссертационной работы.

В приложениях к диссертации представлены: исходный текст разработанной программы, документы о результатах внедрения диссертационной работы.

ГЛАВА 1. ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ

1.1. Общие положения

В условиях становления рыночных отношений в электроэнергетике является актуальной задача создания методик и соответствующего программного обеспечения для моделирования электропотребления с высокой степенью вероятности с целью повышения точности планирования оптимального режима электроэнергетической системы (ЭЭС). Точное прогнозирование электропотребления обеспечивает оптимальное распределение нагрузок между потребителями.

Решение задачи прогнозирования электрических нагрузок традиционным способом состоит из двух этапов [1, 5-22]:

- построение математической модели, с помощью которой обрабатываются данные о нагрузках за прошедший период времени;

- получение прогноза на базе построенной модели.

Качество прогноза во многом зависит от выбранной математической модели. В настоящее время существует много методов, способных прогнозировать нагрузки в ЭЭС. Наиболее успешные среди них — регрессионные модели и модели временных рядов [1, 5-22]. Однако, имеющиеся в эксплуатации методы оперативного и краткосрочного прогнозирования, не удовлетворяют в полной мере технологии их использования при управлении режимами [23, 24]. Основным недостатком существующих методов является необходимость построения модели нагрузки и постоянное уточнение готовой модели. Другим недостатком этих методов является неточное установление соотношения между входными и выходными переменными, так как зависимости между ними нелинейные [2529]. Внедрение высокопроизводительных вычислительных систем на базе

ПЭВМ дает возможность применять новые, более совершенные методы моделирования и прогнозирования, основанные на глубоком анализе значительных по объему массивов статистических данных [1, 24, 26, 30]. Соблюдение требований методики прогнозирования позволяет разрабатывать прогнозы относительно высокой степени точности.

1.2. Актуальность прогнозирования электропотребления в условиях

рынка электрической энергии

Переход к рыночным принципам взаимоотношений между потребителями электроэнергии и энергосистемой повышает требования к точности прогнозирования электропотребления, как для отдельных предприятий, так и для энергосистемы и ответственность за решения, принятые на основе результатов прогнозирования. Прогнозирование электрических нагрузок играет важную роль при ценообразовании на рынке электроэнергии. Своевременное получение информации о предстоящей нагрузке имеет большое значение для достижения оптимального режима в ЭЭС [1, 21-29]. Точность прогнозов потребления существенно влияет на итоговые технологические и экономические показатели ЭЭС в условиях функционирования рынка электроэнергии.

С 1 сентября 2006г. запущен реальный конкурентный сектор рынка, где цена на электроэнергию формируется на основе спроса и предложения. Правовой основой организации функционирования и развития новой модели оптового рынка электроэнергии и мощности (НОРЭМ) является Постановление Правительства РФ от 31 августа 2006г. №529 «О совершенствовании порядка функционирования оптового рынка электрической энергии (мощности)». Преобразование рынка позволило создать систему, отражающую реальную стоимость электроэнергии в стране.

С 1 января 2011г. на новом оптовом рынке электроэнергия и мощность поставляются по свободным (нерегулируемым) ценам, за исключением поставок населению.

НОРЭМ представляет собой систему договорных отношений множества его участников (субъектов), связанных между собой единством технологического процесса производства, передачи, распределения и потребления электроэнергии (рис. 1.1). Участниками НОРЭМ являются производители электроэнергии - генерирующие компании (ТГК, ОГК), и покупатели электроэнергии - энергосбытовые компании (АО-энерго). Организатор рынка НОРЭМ осуществляет поддержание электрических сетей в надежном состоянии, обеспечивающем передачу электроэнергии и мощности между субъектами рынка - производителями и покупателями электроэнергии, организация параллельной работы энергосистем и

поддержание необходимого уровня эксплуатационной готовности противоаварийной автоматики, обеспечивающей надежную безаварийную

работу ЭЭС. Организатор через администратора торговой системы ОАО «АТС», осуществляет формирование балансов электроэнергии и мощности на год (квартал, месяц) по отдельным субъектам и в целом по энергосистеме, проведение работ по прогнозированию спроса на электроэнергию. Через системного оператора НОРЭМ - ОАО «СО-ЕЭС» и территориальные структурные подразделения, объединенные диспетчерские управления — ОДУ, организатор осуществляет оперативно-диспетчерское управление технологическим процессом производства, передачи и потребления электроэнергии и мощности (диспетчеризации) в ЕЭС России.

Основной задачей субъектов НОРЭМ является обеспечение соблюдения технологических требований по надежному функционированию единой ЭЭС. Оно включает в себя поддержание установленных нормативов качества электроэнергии (по частоте и напряжению) в нормальном режиме работы, сохранение устойчивости параллельной работы и надежности электроснабжения потребителей (рис. 1.2) в утяжеленных режимах, устранение аварийных нарушений, восстановление нормального режима и быструю ликвидацию аварийного режима, предотвращение каскадного развития аварийных нарушений.

Прогнозирование режимных параметров и технико-экономических показателей является одной из важных задач, как при планировании, так и при ведении текущих режимов ЭЭС [1, 23]. Для принятия решений при планировании режимов в ЭЭС и оперативном управлении ими требуются прогнозы со временем упреждения от нескольких минут до нескольких лет. Временная последовательность расчетов разделяется на три основных интервала [1, 26]:

- долгосрочное планирование (от месяца до года вперед);

- краткосрочное планирование (от суток до месяца вперед);

- оперативное управление режимами (минуты, часы).

Задача расчетов прогнозов потребления электроэнергии решается на всех временных интервалах с последовательным уточнением результатов

расчетов по мере уменьшения времени упреждения. Для оперативного управления режимами ЭЭС и обеспечения экономичной и безопасной работы важную, ключевую роль играет краткосрочный прогноз электрической нагрузки. Выполнение многих диспетчерских функций, таких как выбор состава включенных агрегатов и назначение им заданий, координация их работы, оценка устойчивости, сохранение работоспособности требует решение этой задачи.

Рис. 1.2. Структура потребителей электроэнергии

Одним из важнейших показателей при планировании является уровень ожидаемого электропотребления в целом по энергообъединению и группам. Необходимость точного прогнозирования потребления электроэнергии обусловлена технологическими и экономическими причинами. Ошибка прогнозирования снижает качество управления и экономичность режимов ЭЭС. Заниженный прогноз приводит к необходимости использования дорогостоящего аварийного электрооборудования. Завышенное предсказание приводит к увеличению издержек на поддержание в рабочем состоянии излишних резервных мощностей [1, 25-29].

Генерирующие компании и электростанции участвуют в процессе планирования электропотребления, определяя расход электроэнергии на

нужды эксплуатации электростанций. Энергосбытовые компании осуществляют планирование потребления групп и отдельных потребителей, находящихся на обслуживании. Для ЭЭС повышение точности прогноза необходимо для поддержания оптимального плана генерации электроэнергии с точки зрения обеспечения минимума расхода энергоресурсов, недопущения перегрузки генерирующих мощностей и ухудшения качества электроэнергии.

Цель прогноза для энергосистемы состоит в оценке ожидаемого графика изменений мощности потребителей (спроса) и величины потребления электроэнергии для планирования режимов работы энергосистемы и входящих в нее электростанций.

Цель прогноза для потребителей электроэнергии - оценка графика мощности при оптимизации и оперативном управлении электропотреблением, прогноз заявляемого максимума и расходов электроэнергии при формировании заявок и договора с энергоснабжающей организацией на поставку электроэнергии, планирование потребности в электроэнергии по планам и прогнозам выпуска продукции [1, 23, 26].

Точность прогнозных расчетов определяется соответствием применяемых математических моделей процессу колебаний потребления электроэнергии [1, 22-24, 26]. Данные колебания - сложный нестационарный случайный процесс, имеющий определенные цикличности, которые определяются сезонными колебаниями температуры и долготой дня в разрезе года, технологическим режимом работы предприятий, режимом труда и отдыха населения. На регулярные колебания накладываются нерегулярные и случайные компоненты, связанные с резкими изменениями погодных условий, с различными социальными факторами. Все эти процессы должны учитываться при разработке математических моделей прогноза [1, 5-22, 2530].

Величина прогноза электропотребления является опорным показателем для последующего планирования балансов электроэнергии. Особенность управления ЭЭС состоит в необходимости постоянного

поддержания электрического баланса - точного соответствия генерирующих мощностей уровню электропотребления. Основными задачами прогнозирования балансов электроэнергии являются:

- удовлетворение спроса потребителей электроэнергии и мощности;

- обеспечение надежного электроснабжения потребителей;

- минимизация затрат на производство и поставку электроэнергии;

- соблюдение качества электрической энергии.

Небаланс мощности отражается на основных параметрах электрических режимов. Задержка с восстановлением баланса приводит к ухудшению параметров режимов, к авариям и перерывам в электроснабжении

Рис. 1.3. Иерархия диспетчерского управления

потребителей. Объемы потребляемой и генерируемой электроэнергии на всех временных этапах планирования и эксплуатации обязательно согласовываются с вышестоящими уровнями управления. Иерархия

диспетчерского управления представлена на рис. 1.3. Повышение качества диспетчерского управления в условиях функционирования оптового рынка тесно связано с развитием оперативно-информационных комплексов (ОИК), на основе современных технических средств сбора, обработки, передачи и отображения информации. ОИК являются составной частью автоматизированной системы управления электропотреблением (АСУЭ). Точность, устойчивость и гибкость их работы определяет эффективность работы всей системы [1,23, 26].

Оценочные расчеты, проводимые ОАО «ВНИИЭ» для ЭЭС России с уровнем месячного потребления около 1500 млн. кВт*ч, показали, что улучшение качества прогнозирования только месячного потребления на 0,1% способно в настоящее время снизить затраты на оплату отклонений от плана по поставкам электроэнергии на 3-5 млн. руб. в год [31]. Еще больший эффект приносит уточнение краткосрочного и оперативного прогноза [1]. В связи с этим, АСУЭ предъявляет к ОИК следующие требования по точности прогнозирования электропотребления [1]:

- погрешность при оперативном (внутрисуточном) прогнозе на 6-10 временных интервалов и дискретизации процесса 2-5 минут не должна превышать 2-4%;

- погрешность при краткосрочном прогнозировании на несколько суток вперед (до 7) и дискретизации процесса 30 минут или 1 час не должна превышать 4-6%.

Как измерительный инструмент ОИК является необходимой основой для разработки и реализации системы энергосберегающих мероприятий, которые дают прямой экономический эффект. Внедрение ОИК для технического учета электропотребления создает дополнительные возможности по снижению издержек на электроэнергию за счет оптимизации режима работы потребителей. Это доказывает, что краткосрочное прогнозирование электропотребления и минимизация ошибки прогноза, а

также создание соответствующего программного обеспечения является актуальной задачей.

При краткосрочном и оперативном прогнозировании одним из существенных моментов уточнения прогнозов является учет влияния метеофакторов [1, 25-28]. Точность краткосрочного и оперативного прогнозов определяется, как правило, адекватностью (соотношением) математических моделей. Ошибки краткосрочного прогнозирования увеличиваются при увеличении упреждения от суток к неделе. Для ЭЭС с незначительной суточной неравномерностью ошибки прогноза существенно меньше, чем для энергосистем с высокой неравномерностью. При оперативном прогнозировании ошибки в значительной степени зависят от упреждения, с каким производился прогноз. Лучшая точность прогнозов достигается при минимальном упреждении — час, полчаса. При увеличении упреждения прогноза точность ухудшается и приближается по мере роста времени упреждения к точности краткосрочного прогноза на сутки вперед [1, 24-28].

1.3. Задачи суточного планирования режимов ЭЭС

Новая модель рынка НОРЭМ включает в себя три сектора торговли электроэнергией: рынок «на сутки вперед» (РСВ), балансирующий рынок (БР), свободные двусторонние договоры (СДД). Основой рынка "на сутки вперед" является конкурентный отбор ценовых заявок поставщиков и покупателей за сутки до реальной поставки электроэнергии с определением цен и объемов поставки на каждый час суток. Если происходит отклонение от запланированных за сутки вперед объемов поставки, участники покупают или продают их на БР. БР — это рынок, на котором торгуются заявки на текущее производство или потребление на час вперед до фактического

Список литературы диссертационного исследования кандидат наук Алексеева, Инна Юрьевна, 2013 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Седов A.B., Надтока И.И. Системы контроля, распознавания и прогнозирования электропотребления: модели, методы, алгоритмы и средства. - Ростов — на - Дону: Изд-во Ростовского университета, 2002. - 320 с.

2. Шумилова Г.П., Готман Н.Э., Старцева Т.Е. Прогнозирование электрических нагрузок при оперативном управлении электроэнергетическими системами на основе нейросетевых структур. Екатеринбург: УрО РАН, 2008. - 88 с.

3. Хайкин Саймон. Нейронные сети. Полный курс. 2-е изд., испр. / Пер. с англ. - М.: Вильяме, 2006. - 1104 с.

4. Круглое В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. - 2-е изд., стереотип. - М.: Горячая линия — Телеком, 2002. -382с.

5. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление - М.: Мир, 1974, вып. 1. — 406 е., вып. 2. — 200 с.

6. Кендэл М. (Кендсиш М. Дж.). Временные ряды. - М.: Финансы и статистика, 1981. — 199 с.

7. Андерсон Т. Статистический анализ временных рядов. М.: Мир, 1976. -755 с.

8. Крамер Г. Математические методы статистики. — М.: Мир, 1975. — 648 с.

9. Карлин С. Основы теории случайных процессов. - М.: Мир, 1971. — 536 с.

10. Бендат Дж., Пирсол А. Измерение и анализ случайных процессов. — М.: Мир, 1974. - 464 с.

11. Бендат Дж., Пирсол А. Прикладной анализ случайных данных. — М.: Мир, 1989.-540 с.

12. Фокин Ю.А. Исследование случайных процессов изменения нагрузок городских сетей // Изд. АН СССР. Сер. Энергетика и транспорт, 1970, №6.-С. 147-153.

13. Гнеденко Б.В. Курс теории вероятностей. - М.: Наука, 1969. — 400 с.

14. Колмогоров А.Н. Основные понятия теории вероятностей. — М.: Наука, 1974.-120 с.

15.Вентцелъ Е.С., Овчаров JIA. Теория вероятностей и ее инженерные приложения. - М.: Изд. центр «Академия», 2003. - 464 с.

16. Тутубалин В.Н. Теория вероятностей и случайных процессов. Уч. пос. - М.: Изд-во МГУ, 1992. - 400 с.

17. Коваленко И.Н., Кузнецов Н.Ю., Шуренков В.М. Случайные процессы. Справочник. - Киев: Наукова думка, 1983. - 367 с.

18. Давенпорт В.Б. и Рут B.JI. Введение в теорию случайных сигналов и шумов. -М.: Изд. иностранной литературы, 1960. — 468 с.

19. Ивахненко А.Г. Непрерывность и дискретность. — Киев: Наукова думка, 1990.-224 с.

20. Феллер В. Введение в теорию вероятностей и ее приложения. — М.: Мир, 1984. Т. 1. - 528 е.; т.2. - 752 с.

21. Надтока И.И., Седов A.B. Адаптивные модели прогнозирования нестационарных временных рядов электропотребления // Изв. вузов. Электромеханика, 1994, №1-2. - С. 57-64.

22. Гурский С.К. Адаптивное прогнозирование временных рядов в электроэнергетике. - Минск: Наука и техника, 1983. - 271 с.

23. Папков Б.В. Надежность и эффективность электроснабжения. Уч. пос. - Нижний Новгород: Нижегородский государственный технический университет, 1996. — 210 с.

24.Белан A.B., Гордеев В.И., Демура A.B., Надтока НИ. Пути и результаты совершенствования методов прогнозирования электропотребления // Промышленная энергетика, 1993, №9. - С. 2326.

25. Меламед A.M. Анализ влияния колебаний температуры на изменения месячного электропотребления энергосистем. - Исследования в области устойчивости и режимов электропотребления энергосистем. Труды ВНИИЭ, 1979, вып. 57. - С. 131-140.

26. Куренный Э.Г., Дмитриева E.H. и др. Прогнозирование электрических нагрузок // Изв. АН СССР. Энергетика и транспорт, 1988, №2.-С. 89-100.

27. Шнейдер A.M., Такенава Т., Шиффман Д.А. Суточное прогнозирование нагрузки ЭЭС с учетом прогнозов температуры // Сравнительные модели прогнозирования электрической нагрузки энергосистем. - М.: Энергоатомиздат, 1987. - 260 с.

28. Бэнн Д.В., Фармер Е.Д. Обзор методов краткосрочного прогнозирования в электроэнергетике // Сравнительные модели прогнозирования электрической нагрузки энергосистем. - М.: Энергоатомиздат, 1987.-260 с.

29. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирования электрической нагрузки - М.: Энергоатомиздат, 1987. - 200 с.

30. Кендалл М., Стъюарт А. Многомерный статистический анализ и временные ряды / Пер. с англ. - М.: Наука, 1976. — 540 с.

ЪХ.Макоклюев Б.И. Анализ и планирование электропотребления — М.: Энергоатомиздат, 2008. - 296 с.

32. Алексеева И.Ю., Степанов В.П., Ведерников A.C. Метод Сааренда в исследовании динамики бытового электропотребления населением г. Чапаевска Самарской губернии // Электротехнические системы и комплексы, 2008. №15. - Магнитогорск: МГТУ - С. 196-201.

33. Почебут Д.В. Анализ, моделирование и прогнозирование бытового электропотребления в региональной энергосистеме. Дис. канд. техн. наук. - Новочеркасск, 2001. — 170 с.

34. Меламед A.M., Тимченко В.Ф., Сааренд К.А. Моделирование динамики изменений потребления электроэнергии энергосистем при неполной информации // Электричество. 1977. №4. - С. 23-30.

35. Жежеленко И.В., Кроткое Е.А., Степанов В.П. Методы вероятностного моделирования в расчетах характеристик электрических нагрузок потребителей. - Самара: СамГТУ, 2001. -196с.

36. Гордеев В.И., Васильев И.Е., Шуцкий В.И. Управление электропотреблением и его прогнозирование. — Ростов-на-Дону: Изд-воРГУ, 1991.-104 с.

37. Доброжанов В.И. Краткосрочное прогнозирование электрических нагрузок промышленных предприятий // Изв. вузов. Энергетика, 1987, №1. - С. 8-12.

38.Дьяков А.Ф., Сюткин БД., Тимченко В.Ф. Основы вероятностной теории, статистического анализа и интервального прогнозирования режимов потребления электроэнергии в электроэнергетических системах // Изв. АН России Энергетика, 1992, №5. - С. 45-73.

39. Лукашин Ю.Г. Адаптивные методы краткосрочного прогнозирования. - М.: Статистика, 1979. - 256 с.

40. Тимченко В.Ф., Меламед A.M., Скрипко O.A. Прогнозирование режимов электропотребления нерегулярных дней // Электрические станции, 1987, №5. - С. 52-57.

41 .Ивахненко А.Г., Лапа В.Г. Предсказание случайных процессов. — Киев: Наукова думка, 1970. - 416 с.

42. Алексеева И.Ю., Степанов В.П., Ведерников A.C. Метод экспоненциального сглаживания линии тренда временного ряда в сочетании с методом индексов сезонности при краткосрочном прогнозировании электропотребления // Сер. Технические науки, №1. Вестник СамГТУ. - Самара: ГОУ ВПО «СамГТУ», 2008. - С. 137-143.

43. Мелник М. Основы прикладной статистики / Пер. с англ. — М.: Энергоатомиздат, 1983. - 416 с.

44. Блум Ф., Лейзерсон А., Хофстедтер Л. Мозг, разум и поведение / Пер. с англ. - М.: Мир, 1988. - 306 с.

45. Куффлер С., Николе Дж. От нейрона к мозгу / Пер. с англ. - М.: Мир, 1979.-260 с.

46. Хъюбел Д. Глаз, мозг, зрение / Пер. с англ. - М.: Мир, 1990. - 232 с.

47. Напалков A.B., Прагина Л.Л. Мозг человека и искусственный интеллект. - М.: Наука, 1995. - 310 с.

48. Эшби У.Р. Введение в кибернетику. -М.: УРСС, 2006. - 432 с.

49. Анохин П.К. Системные механизмы высшей нервной деятельности. -М.: Наука, 1979.-453 с.

50. Карпенков С.Х. Концепции современного естествознания. — М.: Академический Проект, 2003. - 640 с.

51. Гордиенко Е.К., Лукьяница A.A. Искусственные нейронные сети. Основные определения и модели // Техническая кибернетика, 1994. №5. - С. 79-92.

52. Осовский С. Нейронные сети для обработки информации / Пер. с польского. - М.: Вильяме, 2000. - 344 с.

53. Поспелов Г.С. Искусственный интеллект - основа новой информационной технологии. -М.: Наука, 1988. - 168 с.

54. Тарасов В.Б. От искусственного интеллекта к искусственной жизни: новые направления в науках об искусственном // Новости искусственного интеллекта, 1995. №4. - С. 24-30.

55. Галушкин А.И. Теория нейронных сетей. М.:ИПРРЖР, 2000. - 416 с.

56. Каллан Р. Основные концепции нейронных сетей / Пер. с ант. — М., С-Пб., Киев: Вильяме, 2003. - 291 с.

57. Борисов В.В., Круглое В.В., Харитонов Е.В. Основы построения нейронных сетей. - Смоленск: Изд-во Военного университета войсковой ПВО ВС РФ, 1999. - 405 с.

58. Горбанъ А.Н. Обучение нейронных сетей. - М.: СПб, Параграф, 1990. - 200 с.

59. Курбацкий В.Г. Краткосрочное прогнозирование электрических нагрузок с использованием новых информационных технологий / В.Г. Курбацкий, Н.В. Томин // Вестник Амурского государственного университета. - Благовещенск: Изд-во АмГУ, 2004, вып. 27. - С. 48-51.

60. Шумилова Г.П., Готман Н.Э., Старцева Т.Е. Краткосрочное прогнозирование электрических нагрузок с использованием искусственных нейронных сетей // Электричество, 1999. №10. - С. 612.

61. Шумилова Г.П., Готман Н.Э., Старцева Т.Е. Краткосрочное прогнозирование электрических нагрузок с использованием методов искусственных нейронных сетей // Региональные энергетические исследования: 1953-1998 годы. - Сыктывкар: Изд-во Коми НЦ УрО РАН, 1999.

62. Шумилова Г.П., Готман Н.Э., Старцева Т.Е. Модели прогнозирования нагрузок на основе аппарата искусственных нейронных сетей // Методические вопросы исследования надежности больших систем энергетики. Вып. 51. - Сыктывкар: Изд-во Коми НЦ УрО РАН, 2000.

63.Шумилова Г.П., Готман Н.Э., Старцева Т.Е. Прогнозирование электрических нагрузок ЭЭС с использованием методов искусственного интеллекта // РНСЭ, 10-14 сентября 2001: Материалы докладов. - Казань: Казан. Государственный энергетический университет, 2001. — Т. II.

64. Демура A.B. Использование искусственной нейронной сети в качестве многомерной модели при планировании электропотребления предприятий // Изв. вузов Северо-Кавказский регион. Сер. Технические науки, 1996, №3. - С. 102-108.

65. Демура A.B., Кушнарев Ф.А., Надтока И.И., Седов A.B. Прогнозирование электропотребления в знергоситеме Ростовэнерго // Изв. вузов России. Сер. Электромеханика, 1994, №4-5. - С. 102-110.

66. Кравецкий A.C., Каневский М.Ф., Савельева Е.А. и др. Прогнозирование электропотребления при помощи многослойного персептрона / Препринт №IBRA-2000-07. - Москва: Институт проблем безопасности развития атомной энергетики РАН, 2000.

61. Ведерников A.C., Гофман A.B., Добросотских A.C. Определение набора входных данных для искусственной нейронной сети, выполняющей прогнозирование электропотребления Самарской энергосистемы // Изв. Вузов. Электромеханика. - Новочеркасск: ЮРГТУ (НПИ), 2009. - С. 30-31.

68. Леонов Ю.П. Теория статистических решений. - М.: Наука, 2000. — 196 с.

69. Боровиков В. STATISTICA. Искусство анализа данных на компьютере: Для профессионалов. 2-е изд. - СПб.: Питер, 2003. - 688 с.

70. Родыгина С.В. Краткосрочное прогнозирование электрических нагрузок промышленных предприятий с применением интеллектуальных информационных технологий. Автореф. дис. канд. техн. наук. - Новосибирск: ФГОУ ВПО НГАВТ, 2010. - 20 с.

71. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика / Пер. с англ. - М.: Мир, 1992. 240 с.

12. Алексеева И.Ю., Шелушенина О.Н., Ведерников A.C. Определение весовых коэффициентов нейронной сети прямого распространения при прогнозировании электропотребления Самарской энергосистемы // Изв. Вузов. Электромеханика. - Новочеркасск: ЮРГТУ (НПИ), 2009. -С. 32-33

73. Алексеева И.Ю., Ведерников A.C., Скрипачев М.О. Прогнозирование электропотребления с использованием метода искусственных нейронных сетей // Сер. Технические науки. Вестник СамГТУ. -Самара: ГОУ ВПО «СамГТУ», 2010. - С. 135-138.

74. Данилюк A.B. Опыт применения искусственных нейронных сетей в электроэнергетике // Вестник государственного университета «Львовская политехника»: Компьютерная инженерия и информационные технологии, 1999, №380. — С. 116-120.

75. Ферстер Э., Ренц Б. Методы корреляционного и регрессионного анализа / Пер. с немец. - М.: Финансы и статистика, 1983. - 303 с.

76. Бендат Дж., Пирсол А. Применения корреляционного и спектрального анализа. - М.: Мир, 1983. - 312 с.

77. Гордеев В.И., Надтока И.И. Математическое ожидание взаимнокорреляционных функций графиков электрической нагрузки // Изв. вузов. Электромеханика, 1974, №10. - С. 1158-1160.

78. СеберДж. Линейный регрессионный анализ. - М.: Мир, 1980. — 456с.

79. Гордеев В.И. Расчет дисперсии графиков электрической нагрузки // Электричество, 1971, №10. - С. 86-88.

80. Гордеев В.К, Надтока И.И. Взаимная корреляция в расчетах характеристик графиков электрической нагрузки // Электричество, 1978, №8.-С. 17-21.

81 .Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. - Новосибирск: Наука. Сибирская издательская фирма РАН, 1996.-276 с.