// Вестник МЭИ. – 2007. – N 2. – С. 45-47.

 

 

методика обеспечения почасового прогнозирования электропотребления предприятий с учетом погодных факторов

Б.И. Кудрин, А.В. Мозгалин

Московский энергетический институт (ТУ)

 

Современное металлургическое предприятие является сложным объектом, на электропотребление которого оказывают влияние различные факторы, число которых не поддается точному определению. Каждое предприятие является индивидуальным по составу влияющих факторов и вкладу каждого фактора [1]. Кроме того, влияние того или иного фактора может изменяться во времени и иметь нелинейный характер. Все эти причины затрудняют построение системы прогнозирования электропотребления металлургического предприятия.

Однако, возможно получение прогнозов приемлемой точности при условии учета конечного числа факторов, применяемых для построения математической модели предприятия.

Нами применяется два подхода к прогнозированию. Первый подход подразумевает, что в предыстории изменения прогнозируемой величины уже учитываются все влияющие факторы, и прогнозирование  производится на основании временных рядов [2], то есть будущие значения электропотребления экстраполируются из предыдущих значений факторов, находящихся с ними в стохастической (в частном случае – корреляционной) связи: электропотребления, изменения погодных условий и др. При этом может рассматриваться структура ряда с выделением трендовой, циклической и случайной компонент, либо (в случае краткосрочных прогнозов, когда глубина прогноза составляет 3-5% от предыстории) может  производиться прямое нейросетевое предсказание. Ряд при этом рассматривается в динамике, когда значение прогнозируемой величины связано функциональной зависимостью с предыдущими значениями.

Второй подход к прогнозированию предусматривает введение модели электропотребления на основании факторов, оказывающих влияние на производство. В этом случае прогнозирование происходит на основании значений влияющих факторов, определяемых на период прогнозирования.

Большое влияние технологических процессов на характер электропотребления требует обратить внимание на использование прогнозов по отдельным агрегатам и установкам. Проведенное исследование показало, что при прогнозировании на сутки вперед невозможно точное прогнозирование почасового потребления каждого агрегата в отдельности, что обусловлено трудностями планирования работы каждого агрегата, а также проблемой соблюдения запланированного режима работы с точностью до часа. При сравнении прогнозов по группе агрегатов, которая может быть увеличена до завода в целом, и прогнозов по отдельным агрегатам, наблюдается различие точности прогнозирования. Прогноз по группе лучше показывает общие тенденции электропотребления на более длительный временной интервал, а прогноз по отдельным агрегатам обладает большей детализацией, но при попытке его использования на большой интервал дает значительную погрешность.

Анализ результатов прогнозирования привел к необходимости изменения общего подхода к прогнозированию для целей работы предприятия на НОРЭМ. В качестве основной задачи была определена необходимость совпадения заявленного и фактического потребления предприятия с погрешностью не более двух процентов, что позволяет предприятию не нести убытков от штрафов за ошибочный заказ мощности. Для решения задачи предлагается алгоритм действий, который можно разбить на несколько этапов.

Для обеспечения правильности прогнозирования следует выбрать те факторы, вклад которых в электропотребление является значительным, а совокупность этих факторов будет представлять собой репрезентативную выборку. Выбор таких факторов для каждого случая является отдельной задачей. До начала прогнозирования производится предварительное оценивание влияния предполагаемых факторов прогнозирования. В процессе прогнозирования может оказаться, что достижение необходимой точности прогноза затруднено или невозможно, что требует возврата к оценке влияния факторов и коррекции их набора.

Следует особо отметить, что использование для определения влияющих факторов корреляционного анализа является неверным, что обусловлено возможностью появления ложной корреляции. Правильным способом является нахождение влияющих факторов путем логического анализа взаимосвязи и изучением физических процессов, обусловливающих электропотребление предприятия.

В результате проведенного логического анализа был определены следующие виды факторов, оказывающих воздействие на электропотребление: температура окружающего воздуха, тип дня (рабочий, выходной, праздничный, рабочий по приказу), освещенность, либо астрономическая долгота светового дня, номер часа (либо получасового, минутного интервала) в сутках, номер дня в месяце. Нами уделено наибольшее внимание исследованию объемов электропотребления по предприятию в целом, определяемое погодными условиями. Для России, и в частности, для обследуемых нами металлургических комбинатов Нижнетагильского, Западно-Сибирского и Магнитогорского, возможны большие минусовые температуры, превышающие расчетные 45 градусов Цельсия, резкие перепады в течение суток и даже часов, вносят ошибку в прогнозирование, превышающую 2% на данные сутки (по часам). Изменение температуры с 10 до 20 градусов Цельсия по крупным комбинатам находится на уровне 10 МВт, а при достижении 45 град эта величина могла бы быть больше, но начинает сказываться снижение объемов производства, а, следовательно, и нагрузки.

Влияние температуры на электропотребление обусловлено большим ее влиянием на ряд производств, связанным с изменением мощности, потребляемой на обогрев помещений, а также на работу компрессорного оборудования [3]. Кроме компрессорного оборудования значительное изменение расходов электропотребления сказывается на вентиляции, особенно на коксохимическое производство, где требуется многократный  обмен всего объема воздуха помещения. В этом случае с необходимостью приходится забирать холодный воздух и выбрасывать теплый. Изменяется и загрузка цеха водоснабжения, объекты которого, как правило, размещены по всей территории завода, а сами насосные начинают работать по иному графику.

Наглядным является отсутствие четкой зависимости коэффициента корреляции часовых выборок температуры и мощности за неделю, приведенных для НТМК.

MATLAB Handle Graphics

Рис. 1. Корреляция между часовыми выборками температуры и электропотребления за первую неделю января для НТМК при поминутном сдвиге интервала

 

Влияние типа дня проявляется в изменении загрузки производства в рабочие и выходные дни. Следует отметить, что большинство металлургических производств работают по непрерывному циклу, что ослабляет влияние типа дня, и заставляет производить проверку его влияния при помощи анализа корреляционной зависимости. Исследования, в частности, по Западно-Сибирскому заводу за три года (150 понедельников, 150 вторников и т.д.) показали существенное, до 5%, и даже до 10% различие по дням недели, а с учетом таких праздников, как Пасха, Новый Год, майские праздники, приходится делать прогноз, выделяя эти дни, как особые, и создавая для них специальный кластер.

Влияние освещенности более всего заметно для бытовых потребителей, а также на предприятия с высокими требованиями к освещенности рабочих мест. В связи с малой требовательности металлургического производства к искусственному освещению, доля изменения нагрузки при изменении освещенности сравнительно невелика. Отметим, что почасовое прогнозирование освещенности на практике представляет собой сложную задачу в связи с большой изменчивостью состояния облачного покрова в течение часа, которое в начале или конце дня может значительно изменить освещенность, несмотря на астрономическую долготу светового дня, что делает такой тип информации для целей прогнозирования малоприемлемым. Кроме того, при использовании для прогноза нейронных сетей, улавливающих изменение динамики ряда, таких как сети Элмана и аналогичные им по свойствам [4], позволяет уловить изменение дневного электропотребления в условиях реально изменяющейся освещенности, что более надежно, чем введение астрономической долготы дня в качестве меры освещенности.

Следует учитывать, что для обеспечения точного прогнозирования необходимо иметь точные значения влияющих факторов на период прогнозирования, что для погодных данных затруднено необходимостью их прогнозирования с достаточной точностью, так как точность прогнозов погоды не превышает 60-70%.

Электропотребление промышленных предприятий, в отличие от потребления энергосистем, является гораздо более детерминированным. Основным фактором, влияющим на изменение электропотребления предприятия, является выпуск продукции, обусловливающий изменение загрузки электропотребляющего оборудования, которая напрямую связана с потребляемой мощностью.

Оценка качества прогнозирования в соответствии с [5] производится по показателю MAPE ( англ.: Mean Absolute Percentage Error):

,

(1)

где   - полученное в результате прогноза значение мощности, отн. ед.;  - реальное значение мощности на прогнозируемом временном интервале, отн. ед; n – число часов, на которое составляется прогноз.

Такой подход позволяет оценивать усредненную ошибку прогноза, т.к. благодаря разбросу ошибок происходит взаимная компенсация неточностей прогнозирования каждого отдельно взятого значения. Однако для целей выхода на оптовый рынок необходимо учитывать, что заявленная мощность будет принята за базу оценки отклонения, а отклонения в оценке значения каждого часового потребления будут наказаны штрафом с учетом отклонения вверх или вниз от заявленного значения. Данные требования приводят к необходимости введения другой оценки для каждого часового электропотребления:

,

(2)

где i – номер часа в сутках.

На основании изложенных выше фактов была создана система прогнозирования электропотребления промышленного предприятия, которая имеет блочную структуру, и состоит из следующих блоков:

1)           блок считывания исходных данных;

2)           блок предобработки данных, реализующий функции восстановления пропущенных в результате сбоев в оборудовании значений, удаление шумов и искажений сигнала, приведение данных в формат, наилучшим образом позволяющий производить точное прогнозирование в последующем блоке;

3)           блок нейросетевой обработки, который на основе поступающих в него соответствующим образом подготовленных данных производит прогнозирование электрической нагрузки.

4)           блок конечного преобразования, который производит обратное преобразование данных в формат, пригодный для рассмотрения конечным потребителем, обеспечивает наглядное представление данных прогнозирования, пригодное для принятия управленческих решений с целью экономии финансов при работе на рынке электроэнергии.

Дальнейшая обработка данных производится пользователем, в задачу которого входит выбор прогноза в соответствии с рекомендациями, выдаваемыми нейросетевой частью предиктора электропотребления, а также верификация полученного прогноза по критерию логического соответствия развитию реальной ситуации, что позволяет дополнительно увеличить надежность прогнозирования. Кроме того, пользователь может влиять на работу системы прогнозирования практически на любом этапе ее функционирования.

Предусматривается два варианта работы системы прогнозирования электропотребления:

1)     прогнозирование на неделю вперед по часам для предварительной оценки и планирования недельной загрузки цехов;

2)     прогнозирование на 48 часов вперед, уточняя предварительную оценку значения потребляемой мощности для целей заявления мощности на оптовый рынок электрической энергии.

Структура предиктора электропотребления представлена на рисунке 2. Источником данных для прогнозирования служит АСКУЭ предприятия. Также в качестве входных данных могут быть использованы данные по температуре окружающего воздуха, получаемые с сервера метеостанции, доступного через сеть Internet. Кроме того, возможен ввод данных от пользователя о планируемой загрузке предприятия на сутки вперед.

Рис. 2. Структура системы нейросетевого прогнозирования электропотребления.

 

Ошибка прогнозирования, полученная с учетом приведенной методики, показана на рисунке 2.

MATLAB Handle Graphics

Рис. 3. График изменения ошибки при прогнозировании электропотребления НТМК на 48 часов вперед с учетом введения модели плановой мощности

 

Таким образом, при построении прогнозов в данной работе сравниваются два основных подхода к прогнозированию: с использованием прогнозирования по временным рядам, а также на основании влияющих факторов, где качестве основного влияющего фактора вводятся плановые показатели загрузки производства на период прогнозирования. Второй подход показывает значительно лучшую точность прогнозирования, удовлетворяющую необходимым требованиям при условии отсутствия незапланированных изменений в ведении технологического процесса.

Литература

1.                             Кудрин, Б.И. Введение в технетику / Б.И. Кудрин.  – Томск: Издательство Томск. гос. ун-та, 1991. – 384 с.

2.                             Жичкин С.В. Краткосрочное прогнозирование суточного электропотребления Нижнетагильского металлургического комбината / А.В. Мозгалин, С.В. Жичкин // Электрификация металлургических предприятий Сибири. Вып.12 – Томск: Изд-во Том. ун-та, 2004. С. 222-238.

3.                              Славгородский В.Б. Влияние температуры воздуха на динамику суточного электропотребления кислородно-компрессорного производства Магнитогорского металлургического комбината / В.Б. Славгородский, В.П. Прудаев, Ю.П. Коваленко // Промышленная энергетика. – 2000. – №7. – С. 19 – 23.

4.                              Хайкин С. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. / С. Хайкин. – М.: Издательский дом «Вильямс», 2006. – 1104 с.: ил. – Парал. тит. англ.

5.                              Осовский С. Нейронные сети для обработки информации. / Пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, 2004. – 334 с.