Отчет по практике в ОАО «Красноярскэнергосбыт»

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

2. Прогнозирование электропотребления в современных условиях 

 

Для энергокомпаний актуальны кратко- и среднесрочные прогнозы электропотребления, выполняемые на период от часа до нескольких лет. При этом краткосрочное прогнозирование преследует цель обеспечения информацией для текущего управления эксплуатационными режимами. Среднесрочные прогнозы необходимы для обоснования роста масштабов производства и ввода новых мощностей в генерирующих и сетевых компаниях. Объектом таких прогнозов является спрос на энергоносители в географических границах того рынка, который обслуживает энергокомпания. Например, для электрогенерирующих компаний это могут быть ценовая зона оптового рынка электроэнергии либо конкретный узел нагрузки в этой зоне, для электросетевых (распределительных) компаний – территория региона или города.

Краткосрочные прогнозы электрических  нагрузок от часа до недели вперед имеют  важное значение прежде всего с точки  зрения участия в спотовом рынке  электроэнергии и оптимизации режимов  работы генерирующего и сетевого оборудования.

Обычно при прогнозе на сутки определяются ожидаемая почасовая нагрузка, а также пиковая нагрузка и суммарное суточное потребление электроэнергии в обслуживаемом районе. Для таких задач наибольшее распространение получили линейные регрессионные модели, основанные на анализе временных рядов, а также в последнее время – более совершенные – адаптивные обучаемые нелинейные модели, создаваемые на принципах «искусственных нейронных сетей». Эти инструменты прогнозирования образуют широкий класс методов экстраполяции.

Классическим подходом к моделированию нагрузки в электросети является интерпретация ее изменений как дискретного временного ряда. Временные ряды стационарного типа редко встречаются на практике, обычно в них наблюдается определенная периодичность (сезонность) и направленный рост (убывание) значений параметра (тренд).

При работе с нестационарными рядами используется декомпозиция процесса:

Xt = Mt + St +Yt,       (2. 1)

 

где Mt – компонента, описывающая тренд;

St – сезонная компонента, описываемая периодической функцией с известным периодом;

Yt – слабо стационарная случайная  компонента.

 

Сначала с помощью подобранных моделей выделяют сезонную компоненту и тренд, а затем моделируют оставшуюся случайную компоненту. Для этих целей, в частности, применяют периодические функции, полиномы разных степеней, автокорреляционные зависимости.

Для уменьшения ошибок прогноза, выполняемого подобными методами экстраполяции, модифицируют технологию формирования временных рядов. Например, принимается условие, что нагрузка в любой рабочий день определяется нагрузкой в предыдущий и последующий рабочие дни и аналогична нагрузке в те же дни предыдущей недели. Таким образом, для прогноза нагрузки на понедельник строится временной ряд, состоящий из почасовых нагрузок понедельников и вторников, для прогноза на вторник – понедельников, вторников и сред и т.д. Как недостатки этих методов следует отметить неважные по точности результаты для праздничных и выходных дней, а также отсутствие адаптивных возможностей, необходимых, в частности, для учета изменения погодных условий.

Искусственные нейронные сети (ИНС) представляют собой структуру для параллельной распределенной обработки информации. ИНС состоят из обрабатывающих элементов – нейронов, которые могут обладать локальной памятью и выполнять локальные операции по обработке информации. Нейроны соединены синаптическими связями для передачи информации.

Важным свойством ИНС является адаптируемость или способность менять свое поведение и знания в зависимости от внешней среды. После предъявления входных сигналов (возможно, вместе с желаемым выходом) нейросети самонастраиваются (обучаются) для обеспечения требуемой реакции. Для обучения ИНС используется алгоритм, цель которого состоит в уменьшении ошибки между выходом ИНС и требуемым значением (выбранным для обучения).

Основная привлекательность применения искусственных нейронных сетей  для прогноза нагрузки в электросети  состоит в возможности использования большого количества входных параметров модели, которые влияют на результат прогноза. В них входят нагрузки за предшествующее время, погодные условия (температура, скорость ветра, облачность), время суток, тип дня (рабочий, выходной, праздничный), иногда день недели.

Следует подчеркнуть, что в зависимости  от объема входных параметров и степени  неопределенности тех или иных факторов, влияющих на нагрузку, для обучения ИНС могут потребоваться ретроспективные  данные за периоды продолжительностью до нескольких лет. В то же время  практика прогнозирования электрических нагрузок в зарубежных энергокомпаниях показывает, что в ряде случаев метод ИНС дает в 2 раза меньшие ошибки, чем метод линейной регрессии.

Среднесрочные прогнозы. Так как  эти прогнозы связаны с инвестиционной деятельностью компании, их целесообразно разрабатывать на период, охватывающий в сумме средние сроки сооружения энергообъектов и окупаемости капиталовложений (от 3 до 10 лет). Для среднесрочных прогнозов потребления электроэнергии и тепла в качестве основных рекомендуется применять метод «прямого счета» и эконометрические модели.

Метод прямого счета (нормативный) предполагает предварительное раздельное прогнозирование удельных расходов электроэнергии и тепла, исчисленных на единицу продукции в натуральном или стоимостном выражении, единицу работы, одного жителя и соответствующих объемов продукции, работ, численности населения. Определение удельных расходов энергии может основываться на выборе технологий, а в ряде случаев и на экстраполяции. Оценку экономических показателей получают также путем экстраполяции временных рядов (тренда).

В общем случае расчет электропотребления Wt в регионе на перспективу для  года t производится по выражению

Wt=  eBi Bi + Wн+ eLj L,                       (2.2)

 

где eBi – удельный расход энергии (норма расхода) на производство продукции (услуги) вида i;

Bi – объем выпуска продукции  (услуги) i-го вида;

Wн – ненормируемая часть энергопотребления;

eLj – удельный расход энергии (норма) на 1 жителя в процессе вида j (освещение, приготовление пищи, отопление, горячее водоснабжение и др.);

L – численность населения региона; 

п – число видов продукции (услуг) в сфере материального производства;

т – число энергопотребляющих процессов  в быту и сфере услуг для  населения.

 

Обычно в практических целях в расчеты включают только основных потребителей, на которых в перспективе будет приходиться 70-80% общего энергопотребления, что, как показывает опыт, дает неплохой результат. Метод прямого счета целесообразнее применять для нижних значений горизонта среднесрочного прогнозирования, т.е. до 3-5 лет. В некоторых случаях для определения перспективных значений удельных расходов целесообразно подключение экспертных оценок.

Эконометрические модели представляют собой системы регрессионных  многофакторных зависимостей и балансовых уравнений (тождеств). Их параметры устанавливаются статистически на основе временных рядов или выборочных данных. Введение переменных с временным запаздыванием или параметра времени придает эконометрической модели динамический характер.

Ценность таких моделей для  прогнозирования заключается, в  частности, в возможности, задавая  различные комбинации экзогенных (внешних) показателей, формировать разные варианты развития исследуемого объекта, это сужает зону неопределенности прогноза энергопотребления. Оценки экзогенных показателей базируются как на формальных процедурах (например, той же экстраполяции), так и на использовании методов экспертных оценок.

Следует подчеркнуть, что при разработке эконометрической модели необходимо особо  тщательно отобрать экзогенные переменные, которые должны идентифицировать только наиболее существенные факторы, объясняющие динамику процесса энергопотребления. Кроме того, для определения постоянных коэффициентов в уравнениях регрессии требуется достаточно представительная статистика показателей, имеющихся в этих зависимостях.

В качестве примера рассмотрим простую  эконометрическую модель, предназначенную  для прогнозирования электропотребления в индустриальном регионе (крупном городе).

Модель включает четыре электропотребляющих  блока:

- промышленность;

- жилой сектор;

- городское хозяйство;

- сектор услуг для населения.

Каждый блок описывается соответствующей  регрессионной зависимостью.

Промышленность:

 

ЭВ t = a1 КМ + а1 аэ ± а3 ,                                                                 (2.3)

 

WПt = ЭВ t Bt,                                                          (2.4)

 

где      ЭВt – электроемкость промышленной продукции в год t периода прогноза;

Км – коэффициент загрузки производственных мощностей;

аэ – удельный вес электроемких отраслей в объеме промышленного  производства;

а1, …, а3 – постоянные коэффициенты;

Bt  – объем промышленного  производства в год t;

WПt – электропотребление в  год t.

 

Жилой сектор:

 

ЭL t = –a4 Jц + а5 J3 ± а6 ,                                                                  (2.5)

 

WЖt = ЭL t Lt,                                                                          (2.6)

 

где    ЭLt – потребление  электроэнергии в быту на 1 жителя в  год t прогнозного периода;

Jц – индекс роста цен на электроэнергию;

J3 – индекс роста средней  заработной платы; 

а4, ..., а6  – постоянные коэффициенты;

Lt – численность населения в  год t;

WЖt – электропотребление в  год t.

 

Городское хозяйство:

 

WГ t =  a7 t  ± а8 ,                                                        (2.7)

 

где     WГ t   – электропотребление в год t периода прогноза;

t – линейный временной тренд (первый год временного ряда принимается за единицу);

a7 ,  а8 – постоянные коэффициенты.

 

Сектор услуг:

 

WY t =  a9 OТ +  a10 Oоп  +a11 t  ± а12 ,                                        (2.8)

 

где    WY t    – электропотребление в год t периода прогноза;

OТ    – объем товарооборота  в розничной торговле;

Oоп   – розничный оборот  в сети общественного питания;

t – линейный временной тренд;

а9, ..., а12 – постоянные коэффициенты.

 

Суммарное электропотребление:

 

WО t =  WПt +WЖt + WГ t + WY t.                                         (2.9)

 

Варианты прогноза формируются путем изменения экзогенных переменных модели: В, L, Км, аэ, Jц, J3, OT, Ооп. Расчеты можно проводить на любой год прогнозного периода; для этого надо иметь сценарий погодовой динамики экзогенных переменных. Знаки перед коэффициентами в уравнениях регрессии должны отвечать экономическому смыслу взаимосвязей. Поэтому перед коэффициентом загрузки оборудования в уравнении  и индексом роста цен на электроэнергию в уравнении  стоит знак «минус», т.к. повышение коэффициента загрузки ведет к снижению удельных расходов энергии, а значит, и электроемкости продукции при прочих равных условиях. Параметр линейного тренда t в уравнениях интегрирует факторы, также влияющие на электропотребление, но не представленные в явном виде в данных зависимостях.

К долгосрочным прогнозам относятся прогнозы энергопотребления на период 15-20 лет. Они  представляют интерес главным образом для органов государственного управления, разрабатывающих комплексные национальные и региональные программы развития топливно-энергетического комплекса. Задачей таких прогнозов является не столько получение каких-либо количественных оценок, сколько выявление будущих условий и факторов экономического, ресурсного, демографического, климатического, научнотехнического характера, которые могут в исследуемой перспективе оказывать определяющее влияние на энергетику страны, сдерживая или, наоборот, ускоряя ее развитие.

Базовым методом, в наибольшей степени отвечающим удаленности горизонта и задачам этого прогнозирования, служит сценарный подход, широко использующий экспертные оценки. Формализованные методы применяются, но только как вспомогательные поисковые процедуры, дающие информацию для работы над сценарием экспертным группам. Например, использование в долгосрочных прогнозах электропотребления метода простой экстраполяции тренда может вывести аналитика на барьерные уровни (поворотные точки), за которыми ресурсное обеспечение электроэнергетики для покрытия такого спроса представляется невозможным. Насколько реальна такая ситуация, каковы ее временные координаты, существует ли у экономической системы научнотехнический и организационный потенциал для ее преодоления – вот круг вопросов, на которые должен дать ответы долгосрочный прогноз на макроуровне.