// Электрификация металлургических предприятий Сибири. Вып.12. – Томск: Изд-во Том. ун-та, 2004. С. 222–238.

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ СУТОЧНОГО ЭЛЕКТРОПОТРЕБЛЕНИЯ НИЖНЕТАГИЛЬСКОГО МЕТАЛЛУРГИЧЕСКОГО КОМБИНАТА

С.В. Жичкин, А.В. Мозгалин

Реформа электроэнергетики формирует оптовые и розничные рынки электроэнергии, и крупные потребители получают формальное право выхода на оптовый рынок, где цена на электроэнергию складывается рыночным способом и может быть существенно ниже розничной цены. Мелкие потребители не могут выйти на оптовый рынок в силу законодательного ограничения минимальной мощности, с которой этот выход возможен. Однако и для крупных потребителей возникает масса технических, юридических, экономических проблем, одна из которых – повышение точности прогноза электропотребления, на основе которого формируется заявка. Необходим месячный прогноз с разбивкой по суткам и часам. Эта задача не может быть решена качественно без применения математических методов прогнозирования. На многих предприятиях не создано информационных баз данных, удовлетворяющих по объему и содержанию требованиям прогнозирования, но в любом случае, на первом этапе разработки прогнозных моделей необходим анализ временного ряда электропотребления, позволяющий хоть в какой-то мере снизить неопределенность при планировании.

Система прогнозирования параметров электропотребления – это часть большой системы менеджмента электрохозяйством и играет немалую роль в повышении энергетической эффективности предприятия. Сформулируем общие принципы решения проблемы прогнозирования параметров электропотребления:

1) Прогнозирование параметров электропотребления необходимо при принятии решений в управлении предприятием и способствует уменьшению рисков. Поскольку прогнозирование никогда не сможет полностью уничтожить риск при принятии решений, то необходимо явно определять требуемую точность прогноза. Предоставляя прогнозу больше ресурсов (финансовых, информационных, технических), можно увеличить точность прогноза и уменьшить ущерб, связанные с неопределенностью при принятии решений. Стоимость прогноза будет увеличивается по мере того, как уменьшаются убытки от его неопределенности. Количество, точность, представительность и достоверность исторических статистических данных напрямую влияют на точность прогнозирования.

2) Изучение функций энергетического менеджмента на предприятии и технологии производства должно помочь ответить на вопросы о том, какие параметры электропотребления прогнозировать и какие влияющие факторы учитывать.

3) При определении того, что нужно прогнозировать (выбор параметров электропотребления, которые будут анализироваться и предсказываться), очень важен требуемый уровень детализации. На используемый уровень детализации влияет доступность и точность данных.

4) Определение периода прогнозирования, горизонта прогнозирования и интервала прогнозирования. Период прогнозирования является основной единицей времени, на которую делается прогноз. Горизонт прогнозирования - это число периодов в будущем, которые покрывает прогноз. Под интервалом прогнозирования понимается частота, с которой делается новый прогноз. Часто интервал прогнозирования совпадает с периодом прогнозирования, то есть прогноз пересматривается каждый период, используя требование за последний период и другую текущую информацию.

В зависимости от используемых интервалов прогнозирования, в электроэнергетике используется следующая классификация прогнозов:

• перспективный прогноз – пять лет и более (для целей стратегического развития промышленного региона);

• долгосрочный годовой прогноз – от одного года до пяти лет (для целей стратегического развития самого предприятия и районных электрических сетей);

• долгосрочный текущий прогноз – от одного до нескольких месяцев в пределах одного года (для заключения договора с энергоснабжающей организацией в части юридически-правовых и технико-экономических аспектов и для планирования затрат на обеспечение электроснабжения внутризаводских потребителей);

• краткосрочный прогноз – от одних до нескольких суток в преде-лах одного месяца (для осуществления планово-производственной деятельности, технологического и энергетического менеджмента предприятия);

• оперативный прогноз – от нескольких минут до нескольких часов в пределах одних суток (для диспетчерского управления режимами электропотребления предприятия).

5) Необходимо определение требуемой формы прогноза – проводится оценка ожидаемого значения переменной или доверительного интервала, на котором сохраняется доверительная вероятность содержания будущих значений переменной.

Существующие методы прогнозирования можно разделить на квалитативные (основанные на мнении экспертов и включающие некоторые процедуры обобщения) и квантитативные (явно прослеживаются логика и математические операции). Квантитативные методы выявляют закономерности процесса электропотребления (стабильность, периодичность, зависимость от технологических факторов) на основе исследования исторических данных и используют полученные данные для экстраполяции процесса.

В настоящее время используются два типа моделей: модели временных рядов и причинные модели. Анализ временных рядов использует исторические данные для выявления трендов и циклических составляющих, и прогнозирование осуществляется экстраполяцией временного ряда /1/. Причинные модели используют связь между временным рядом электропотребления и одним или несколькими временными рядами технологических факторов. Применение причинных моделей ограничивает то, что значения технологических факторов должны быть известны ко времени, когда делается прогноз.

Для прогнозирования суточного электропотребления ОАО «Нижнетагильский металлургический комбинат» использовалась статистическая отчётность суточному электропотреблению, утреннему и вечернему максимуму с 1 января 2000 г. по 31 октября 2003 г. (отчётность за август 2003 г. отсутствует) – всего за 1369 суток. Так как статистическая отчётность по объёмам выпуска продукции за указанные период отсутствует, то прогноз основывался на учёте свойств временного ряда электропотребления.

Суточное электропотребление за рассматриваемый период (рис.1) изменяется от 3622 (4.11.2002 г.) МВтч до 6608 МВтч (31.01.2001 г.): наблюдается устойчивая тенденция уменьшения суточного электропотребления в течение 2001 г.

Рис.1. Временной ряд суточного электропотребления ОАО «НТМК».

Автокорреляционный анализ временного рядов суточного электропотребления комбината не выявил недельной периодичности и других краткосрочных периодических колебаний. Автокорреляционная функция равномерно убывает от 0,969 до 0,880 (при значении лага равном 14 суткам). Из гистограммы суточных значений электропотребления (рис.2) видно, что закон его распределения полимодален и значительно отклоняется от нормального, из-за наличия краткосрочных тенденций во временном ряде и зависимости электропотребления от объёмов выпуска продукции.

Рис.2. Гистограмма распределения суточного электропотребления ОАО «НТМК».

Так как аналитически невозможно определить вид зависимости параметров электропотребления комбината в текущие сутки от предыдущих., то для прогнозирования суточного электропотребления предприятия использовалась нейронная сеть с прямой передачей сигнала (рис.3). В качестве входного использовался вектор с тремя элементами: значения максимума в утренние и вечерние часы, суточное электропотребление ОАО «НТМК» в предыдущие сутки. Сеть имеет два слоя с тремя нейронами в первом слое и одном нейроном во втором слое; используемые функции активации: гиперболический тангенс - в первом слое, линейная – во втором слое.

Рис.3. Архитектура нейронной сети с прямой передачей сигнала.

Искусственные нейронные сети могут менять свое поведение в зависимости от внешней среды. После предъявления входных сигналов вместе с требуемыми выходами они самонастраиваются, чтобы обеспечивать требуемую реакцию /2/.

Перед началом обучения всем весам должны быть присвоены небольшие начальные значения, выбранные случайным образом. Это гарантирует, что в сети не произойдет насыщения большими значениями весов, и предотвращает ряд других патологических случаев.

Обучение осуществляется путем последовательного предъявления входных векторов с одновременной подстройкой весов. В процессе обучения веса сети постепенно становятся такими, чтобы каждый входной вектор вырабатывал выходной вектор. Для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет минимального уровня. После обучения сеть используется для прогнозирования и веса не изменяются.

Для обучения сети использовался временной ряд суточного электропотребления с 1 января 2000 г. по 29 июня 2003 г. (1276 суток), для проверки точности прогноза модели – с 1 августа 2003 г. по 30 октября 2003 г. (91 сутки). Были получены следующие значения матриц весовых коэффициентов и смещений:

b2=2.9125

Прогноз и фактическое значение электропотребления на основе нейронной сети приведены на рис.4, относительная погрешность прогноза на рис.5. Среднее значение модуля относительной ошибки составило 2,9%, находится в пределах от -11,3% до 14,1%.

Точность полученного прогноза следует признать удовлетворительной (в 90% случаев погрешность не превысила 6%). Для её увеличения и возможности прогнозирования с упреждение на несколько суток /3/ (например, для полного посуточного прогноза в пределах одного месяца) необходимо использовать статистическую отчётность по объёмам выпущенной и планируемым объёмам продукции.

Рис.4. Прогнозируемое с помощью нейронной сети и фактическое суточное электропотребление ОАО «НТМК».

Рис.5. Относительная погрешность прогноза суточного электропотребления ОАО «НТМК».

Литература

1. Кендалл М.Дж. Временные ряды. М.: Финансы и стаистика, 1981. 199 с.

2. Горбань А.Н. Обучение нейронных сетей. М.: СП ПараГраф, 1990. 160 с.

3. Кудрин Б.И., Жичкин С.В. Учёт технологических факторов при нормировании расходов электроэнергии и прогнозировании электропотребления химических предприятий // Промышленная энергетика. 2002. №12. С. 24-28.