Телефон: 8-800-350-22-65
WhatsApp: 8-800-350-22-65
Telegram: sibac
Прием заявок круглосуточно
График работы офиса: с 9.00 до 18.00 Нск (5.00 - 14.00 Мск)

Статья опубликована в рамках: LIV Международной научно-практической конференции «Научное сообщество студентов XXI столетия. ТЕХНИЧЕСКИЕ НАУКИ» (Россия, г. Новосибирск, 29 июня 2017 г.)

Наука: Технические науки

Секция: Энергетика

Скачать книгу(-и): Сборник статей конференции

Библиографическое описание:
Устинов А.А. АВТОМАТИЗИРОВАННОЕ ПРОГНОЗИРОВАНИЕ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ В ЭНЕРГОСБЫТОВОЙ КОМПАНИИ // Научное сообщество студентов XXI столетия. ТЕХНИЧЕСКИЕ НАУКИ: сб. ст. по мат. LIV междунар. студ. науч.-практ. конф. № 6(53). URL: https://sibac.info/archive/technic/6(53).pdf (дата обращения: 29.03.2024)
Проголосовать за статью
Конференция завершена
Эта статья набрала 0 голосов
Дипломы участников
У данной статьи нет
дипломов

АВТОМАТИЗИРОВАННОЕ ПРОГНОЗИРОВАНИЕ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ В ЭНЕРГОСБЫТОВОЙ КОМПАНИИ

Устинов Александр Андреевич

магистрант, институт информационных технологий, Челябинский государственный университет,

РФ, г. Челябинск

Введение

Потребление электроэнергии населением и промышленными предприятиями является важной частью современного общества. Оно зависит от различных факторов, которые необходимо учитывать: температура окружающего воздуха; степень освещенности; долгота дня; день недели; переходы с зимнего на летнее время и обратно; наличие экстраординарных событий (катастрофы; массовые акции); прогнозы погодных условий; состояние других факторов, влияющих на изменение потребления в соответствии с данными, полученными в результате обработки статистики потребления; планируемое включении/отключении энергоемких производств [3]. Население и промышленные предприятия требуют постоянного потока электроэнергии, потому что на сегодняшний день практически всё окружающее нас связано с электричеством.

Нагрузка на коммуникации бывает разной, а значит, в случае перегрузки системы может произойти сбой и отключение электросетей. Прекращение поступления энергии на жизненно важные объекты может стать причиной катастрофы и привести к таким большим финансовым потерям, что в большинстве случаев целесообразнее затратить деньги на предотвращение кризисных ситуаций. Поэтому встает проблема необходимость непрерывного снабжения электроэнергией и предотвращение критических ситуаций.

Обзор темы

Существует два пути решения проблемы сокращения числа аварийных ситуаций. Одним из вариантов является постоянный мониторинг состояния оборудования и прогнозирование его на несколько периодов. Такой подход подразумевает рутинную работу с привлечением экспертов. И для воплощения такой системы в жизни потребуется достаточно много времени и финансовых затрат. Однако, нельзя с большой уверенностью утверждать, что способ будет эффективен в долгосрочной перспективе и сможет уменьшить риски.

Существует другой подход. Он заключается в прогнозировании потребления электроэнергии. Обычно компании, занимающиеся сбытом электроэнергии, располагают информацией о среднем электропотреблении и могут предположить, необходимый объём электроэнергии, который нужно поставить. Информация, необходимая для прогнозирования, как правило, собирается приборами учёта или коммунальными службами. Такой способ прогнозирования не является самым точным и стабильным, но такие прогнозы можно делать в очень короткие сроки, что является несомненным плюсом.

На сегодняшний день планирование потребления электроэнергии является приоритетной задачей. В последние годы она встала весьма остро в связи с реформой российской электроэнергетики.  Правилами функционирования розничных рынков, установленными российским законодательством, существует обязанность потребителей по точному планированию объемов потребления электроэнергии и закреплена ответственность за потребление в большем или меньшем объеме по сравнению с запланированным. Отклонение в потреблении электроэнергии более 2% от запланированной ведет к дополнительным издержкам. За отклонения, превышающие допустимые значения, предприятия вынуждено платить крупные суммы в качестве штрафа.

Таким образом, служба энергетики предприятия оказывается перед непростой задачей составления достоверной заявки на потребление электроэнергии. И прогнозирование является выгодной не только с практической стороны (снижение количества аварийных ситуаций), но и финансовой (снижение рисков подачи неточных показаний).

Постановка задачи

На сложность прогноза энергопотребления влияет количество потребителей и факторы, влияющих на их потребление. Для решения задач по прогнозированию обычно используются статистические модели, например, регрессионные модели и модели на основе временных рядов.

Сейчас набирают популярность использование методов машинного обучения. Машинное обучение (англ. Machine Learning) – класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решению множества сходных задач. Такие методы имеют широкую область практических применений в различных сферах. Машинное обучение включает в себя задачи широкого спектра: от построения графиков до оценки качества данных [4, 5].

Поэтому наряду с традиционными методами стали чаще применяться модели на основе экспертных систем и искусственных нейронных сетей. Это обусловлено тем, что построения модели объекта не требуется и не теряется работоспособность при неполной входной информации. Искусственные нейронные сети обладают устойчивостью к помехам, имеют высокое быстродействие. Основной проблемой области является использование без достаточного понимания методов и техник машинного обучения, данная работа была проведена с целью объяснить особенности методов области.

Из текущих задач, возникающих у компаний по сбыту электроэнергии, остановимся, на задачах по планированию. Необходимо описать текущую ситуацию. На предприятии отдел прогнозирования рассчитывают модели данных, которые в дальнейшем используются для составления планируемых показателей на потребление электроэнергии. Основная схема составления планируемых потреблений представлена на рисунке 1.

 

http://www.ivpromenergo.ru/page/model/images/scheme1.jpg

Рисунок 1. Схема прогнозирования потреблений

 

На представленной схеме видно, что набор данных, необходимый для составления прогноза формируется из:

  1. данных энергопотребления, которые аккумулируются в организации, на основании времени, на которое необходимо сделать прогноз, составляются временные промежутки;
  2. производственных планов, норм энергопотребления;
  3. других источников (метеорологическая информация, финансовые показатели региона энергопотребления и т.д.).

Весь цикл составления прогноза, включая отчистку данных и расчёты производят сотрудники организации на основании методик, принятых в РАО «ЕЭС России» в 2007 году без какой либо автоматизации и опоры на современные методы обработки данных. Это в свою очередь создаёт угрозу возникновения дополнительных издержек в процессе поставки электроэнергии, данный ресурс приобретается на оптовом рынке электроэнергии непрерывно и его невозможно хранить. Следовательно, процесс планирования не является простой задачей – это очень ответственное и важное занятие, от которого зависят показатели предприятия. Поэтому использования автоматизации в этом поможет сократить риски ошибок и увеличить точность предсказаний расчетных показателей почти до 100%. То есть допустимое отклонение в 2% можно будет свести практически к нулю. Для автоматизированного прогнозирования чаще всего используют методы машинного обучения, а именно искусственные нейронные сети. Разнообразие факторов, которые необходимо учитывать при планировании электропотребления, обычно приводит к выводу о целесообразности применения ИНС из-за возможности использования различных входных параметров.

Формально, перед исследователем ставится несколько заранее не оговариваемых задач. Цель прогнозирования с помощью машинного обучения можно сформулировать как: «получить как можно больше информации из имеющихся данных и построить как можно более точный прогноз». Конкретные действия выбираются аналитиком, исходя из своего опыта и имеющихся данных. Отсутствие формализации заставляет исследователя проводить предварительные исследования, называемые «описательным анализом».

Организация информации играет важную роль в планировании исследования и постановке задачи. Цель ставится «от данных», мы вынуждены тратить время на изучение их организации, так как не было поставлено четких задач исследования.  

 

Список литературы:

  1. Preimesberger, Chris Hadoop, Yahoo, 'Big Data' Brighten BI Future.
  2. Виктор Майер-Шенбергер, Кеннет Кукьер. Большие данные. Революция, которая изменит то, как 
мы живём, работаем и мыслим.
  3. Воропай Н.И., Негневицкий М, Томин Н.В. и др. Интеллектуальная система для предотвращения 
крупных аварий в энергосистемах // Электричество. - 2014. - No8. - C.19-31. 

  4. Курбацкий В.Г., Томин Н.В., Воропай Н.И. и др. Раннее выявление предаварийных состояний в 
энергосистемах на базе алгоритмов машинного обучения // Оперативное управление в 
электроэнергетике. - 2014. - No5. - C.33-39. 

  5. Курбацкий В.Г., Спиряев В.А., Томин Н.В. и др. Прогнозирование параметров 
электроэнергетических систем используя преобразование Гильберта-Хуанга и машинное обучение 
// Известия Иркутского государственного университета. Серия Математика. - 2014. - Т.9. - C.75-90.
  6. Aclara’s Smart Infrastructure Solutions http://www.aclara.com/smart-infrastructure-solutions/electric- utility-solutions/  

  7. PowerOn Reliance http://www.gegridsolutions.com/Software_solutions/catalog/poweronreliance.htm  

  8.  Spectrum PowerCC http://www.siemens.at/future-of-energy-2015/en/_assets/downloads/5_Buchner_SpectrumPower.pdf   
  9.  В.В.Крылов, С.В.Крылов «Большие данные и их приложения в электроэнергетике. От бизнес-аналитики до виртуальных электростанций».
Проголосовать за статью
Конференция завершена
Эта статья набрала 0 голосов
Дипломы участников
У данной статьи нет
дипломов

Оставить комментарий

Форма обратной связи о взаимодействии с сайтом
CAPTCHA
Этот вопрос задается для того, чтобы выяснить, являетесь ли Вы человеком или представляете из себя автоматическую спам-рассылку.