Анализ и прогнозирование режимных параметров и характеристик для субъектов розничного рынка электроэнергии на базе технологий искусственного интеллекта

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Анализ и прогнозирование режимных параметров и характеристик для субъектов розничного рынка электроэнергии на базе технологий искусственного интеллекта

Общая характеристика диссертационной работы

Актуальность проблемы. В современных условиях реформирования электроэнергетики России и перехода оптового рынка электроэнергии (ЭЭ) к розничному, первоочередной задачей является формирование новых отношений между субъектами рынка при обеспечении чётко отлаженных взаимоотношений между потребителем и энергоснабжающей организацией.

В соответствии с Федеральным законом «Об электроэнергетике» на розничных рынках электроэнергии (РРЭ) основными участниками являются оптовые покупатели-перепродавцы (энергосбытовые организации - ЭСО) и потребители. Взаимоотношения на рынке полностью контролирует государство в лице региональных энергетических комиссий (РЭК), которые устанавливают экономически обоснованные тарифы, как на отпуск, так и на покупку ЭЭ. Купля-продажа ЭЭ осуществляется по строго установленным тарифам. При превышении заявленного объёма потребления ЭЭ РЭК взимает штрафы, размер которых компенсирует расходы на дополнительную выработку ЭЭ.

Оптовый рынок ЭЭ состоит из двух частей:

· регулируемый сектор;

· сектор свободной торговли и балансирующий рынок.

Тарифы в регулируемом секторе определяет Федеральная служба по тарифам (ФСТ). Сектор свободной торговли предусматривает свободное ценообразование, когда тариф на ЭЭ является равновесной ценой спроса и предложения. Так, с 1-го ноября 2003 года в России введена продажа ЭЭ на федеральном оптовом рынке электроэнергии в размере до 15% от общей выработки по свободно формируемым ценам. Отклонения фактического графика нагрузок субъекта оптового рынка от заявленных значений больше определенного процента приводит к покупке электроэнергии с балансирующего рынка по более высокой цене. Отклонение в меньшую сторону также «карается» оплатой за недопоставленную электроэнергию, определяемую разницей между заявленным и фактическим потреблением ЭЭ по установленным расценкам.

Следует подчеркнуть, что изменение принципов функционирования отечественного рынка ЭЭ, приводит к повышению требований, предъявляемым к показателям качества прогнозных расчётов (точности, достоверности, информативности, быстродействию и т.д.). К сожалению, на сегодняшний момент далеко не все отечественные электрические сети и энергорайоны в должной степени обеспечены современными средствами учёта ЭЭ, что приводит к значительному дефициту исходной информации для задач анализа и прогнозирования, а, следовательно, затрудняет их решение.

Введение новых принципов функционирования рынков ЭЭ повлекло за собой и существенное изменение договоров энергоснабжения и купли-продажи. Энергоснабжающие организации и потребители (субъекты РРЭ) в сложившихся на данный момент условиях заинтересованы в достоверном планировании (прогнозировании) потребностей в ЭЭ и проведении эффективного анализа по её использованию. Вследствие этого существенно возрастает ответственность в решении задач анализа и прогнозирования режимных параметров* (в первую очередь, электрической нагрузки потребителей, перетоков мощности и т.д.) и характеристик (потерь электроэнергии, температуры наружного воздуха и т.д.) для каждого конкретного ЭСО.

Одним из путей повышения качества решения указанных задач, с учётом выделенных проблем, является использование современных технологий искусственного интеллекта (ТИИ), в частности наиболее популярных и эффективных структур ТИИ - искусственных нейронных сетей (ИНС). Необходимо подчеркнуть, что ТИИ не связаны с алгоритмическими вычислениями, и, следовательно, не требуют построения сложных вычислительных моделей объекта. В нашей стране вопросами применения методов искусственного интеллекта для решения электроэнергетических задач занимаются в Институте систем энергетики им. Мелентьева СО РАН (ИСЭМ СО РАН), Отделе энергетики Института социально-экономических и энергетических проблем Севера Коми, Новосибирском государственном техническом университете (НГТУ), Уральском государственном техническом университете (УГТУ УПИ) и ряде других организаций. Решению отдельных аспектов этой многогранной проблемы посвящены работы Богатырёва Л.Л., Воропая Н.И., Гамма А.З., Глазуновой А.М., Колосок И.Н., Курбацкого В.Г., Манова Н.А., Манусова В.З., Михайлова М.Ю., Успенского М.И., Хохлова М.В., Чукреева Ю.Я., Этингова П.В. и других.

В данной работе представлены результаты исследований и практические методы решения задач анализа и прогнозирования режимных параметров и характеристик (РПХ) на базе современных ТИИ в системах электроэнергетики низшего иерархического уровня*. Предложенные подходы ориентированы для применения в расчётах энергосбытовых и других сетевых организаций - субъектов РРЭ** с учётом современных условий.

Целью работы является разработка подходов на базе современных ТИИ для низшего уровня электроэнергетической системы, позволяющих эффективно решать задачи анализа и прогнозирования РПХ в рамках субъектов РРЭ.

Для достижения этой цели в работе были поставлены и решены следующие задачи:

1. Исследование известных методов и алгоритмов анализа данных, используемых при решении электроэнергетических задач.

2. Анализ существующих методов и подходов по прогнозированию РПХ.

3. Анализ современных ТИИ, применяемых в электроэнергетике.

4. Изучение алгоритмов и процедур предварительной обработки исходных данных и возможности их практического использования в задачах анализа и прогнозирования РПХ в электрических сетях.

5. Разработка нейросетевой процедуры визуализации РПХ для анализа основных технических и экономических показателей ЭСО.

6. Разработка нейросетевого метода кластерного анализа потерь электроэнергии в распределительных электрических сетях субъектов РРЭ.

7. Разработка подходов к прогнозированию РПХ на базе современных методов искусственного интеллекта (ПМИИ)

Методы исследования. Для решения поставленных задач в работе использовались методы математической статистики, современные технологии искусственного интеллекта, алгоритмы и процедуры нелинейного анализа данных. Для выполнения экспериментальных исследований и практических расчётов были использованы современные программные пакеты по искусственному интеллекту.

Научная новизна

1. На базе современных методов искусственного интеллекта предложены оригинальные подходы к прогнозированию РПХ для субъектов РРЭ, использующие специализированные процедуры предварительной обработки информации, что позволяет значительно упростить решение задачи прогнозирования и существенно повысить точность прогноза.

2. Разработана нейросетевая процедура адаптивного анализа и визуализации РПХ, позволяющая эффективно выделить особенности и различия в режимах работы электрической сети.

3. Разработан нейросетевой метод кластерного анализа потерь электроэнергии на базе самоорганизующихся карт Кохонена, позволяющий в электрических сетях субъектов РРЭ эффективно выявлять «очаги» потерь ЭЭ с выяснением причин их возникновения и осуществлять текущее планирование потерь ЭЭ, даже в условиях дефицита исходной информации.

4. Выполнен сравнительный анализ эффективности использования предложенных «интеллектуальных» подходов анализа и прогнозированию РПХ с традиционными вероятностно-статистическими методами. Показана целесообразность применения методов искусственного интеллекта в задачах анализа и прогнозирования РПХ в новых рыночных условиях.

Практическая ценность. Разработанные методы и подходы и результаты выполненных исследований могут использоваться в ЭСО, электросетевых и энергоснабжающих организациях для решения практических задач анализа и прогнозирования различных РПХ. Один из предложенных в работе методов прогнозирования в настоящее время применяется в Братском муниципальном теплоэнергетическом предприятии (МБ ТЭП) ЖКХ МО г. Братска при формировании тарифов на ЭЭ и тепловую энергию (ТЭ).

Основное практическое значение работы заключается в повышении эффективности используемых методов анализа и прогнозирования РПХ, что продиктовано новыми рыночными условиями функционирования российской электроэнергетики.

Реализация работы. Исследования, представленные в диссертационной работе, выполнены в рамках хоздоговорных работ с ЭСО (организациями электрических сетей и теплоэнергетическими предприятиями). При использовании предложенного подхода по прогнозированию РПХ в задаче определения расхода ТЭ для МБ ТЭП ЖКХ МО г. Братска достигнут экономический эффект порядка 644 000 (Шестьсот сорок четыре тысячи) рублей в год. (акт внедрения от 23 марта 2005 г.)

Часть полученных в диссертационной работе результатов, в настоящее время, отражена в учебном пособии Курбацкий В.Г., Томин Н.В. АСДУ энергосистем. Братск: ГОУ ВПО «БрГУ», 2005. - 62 с. и используется в дисциплине «АСДУ энергосистем» для специальности 14020565.

Апробация работы. Материалы работы докладывались и обсуждались на международных, всероссийских, региональных конференциях, в том числе на:

1. International Scientific-Practical Conference «Communication-2004» (Киргизия, г. Бишкек, 2004 г.)

2. XLII, XLIII Международных студенческих конференциях «Студент и научно-технический прогресс» (НГУ, г. Новосибирск, 2004 (диплом II-ой степени), 2005 гг.)

3. II Всероссийской научно-технической конференции «Энергосистема: управление, качество, конкуренция» (УГТУ-УПИ, г. Екатеринбург, 2004 г.)

4. Открытом конкурсе Московского энергетического института на лучшую научную работу студентов по разделам №42 «Энергетика, электротехника и энергетическое машиностроение» и №43 «Энергосберегающие технологии» (г. Москва, 2005 г., диплом Министерства образования науки России)

5. XII, XIII Всероссийских семинарах «Нейроинформатика и её приложения» (ИВМ СО РАН, г. Красноярск, 2004, 2005 гг.)

6. IV Всероссийской научно-технической конференции с международным участием «Энергетика: управление, качество и эффективность использования энергоресурсов» (АмГУ, г. Благовещенск, 2005 г.)

7. Научно-технических конференциях Братского государственного университета (БрГУ, г. Братск 2003-2006 гг.)

8. Конференции молодых ученых ИСЭМ СО РАН (г. Иркутск, 2006 г., диплом Гран-при)

9. Всероссийской научно-техническая конференции студентов, аспирантов и молодых учёных «Научная сессия ТУСУР-2006» (г. Томск, 2006 г.)

10. V Международной конференции «Энергетическая кооперации в Азии: механизмы, риски, барьеры» (г. Якутск, 2006 г.).

11. III International workshop «Liberalization and modernization of power systems: risk assessment and optimization for asset management» (ИСЭМ СО РАН, г. Иркутск, 2006 г.)

Публикации. По теме диссертации опубликовано более 30 печатных работ

Объём и структура диссертации. Диссертация состоит из введения; четырёх глав; заключения, списка литературы, 4-х приложений. Диссертация содержит 183 страницы основного текста, 50 рисунков, 34 таблицы. Список литературы насчитывает 130 наименований.

Основное содержание работы

нейросетевой электроэнергетика кластерный

Во введении обосновывается актуальность проблемы эффективного решения задач анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ. Сформулированы цель и структура работы, показана научная новизна проведённых исследований и их практическая ценность. Приведены сведения о внедрении результатов работ, перечислены основные положения, выносимые на защиту.

В первой главе дана постановка задач анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ.

Актуальность получения «прозрачной картины» по обслуживаемым электрическим сетям энергосбытовых организаций и электросетевых предприятий продиктована новыми условиями, сложившимися на РРЭ. Каждый отдельный субъект РРЭ представляет собой обособленный элемент общей системы покупки и реализации ЭЭ, который для успешной финансовой деятельности должен проводить анализ основных РПХ, чаще всего самостоятельно. Сложная система взаимоотношений (ОРЭ, РЭК, ФСТ, потребители) (рис. 1) требует от ЭСО* применения эффективных методов оценки и анализа, а также выработки корректных решений.

Рис. 1. Механизм взаимоотношений субъектов РРЭ в сфере покупки и реализации электроэнергии в новых рыночных условиях

Значительные трудности возникают во взаимоотношениях ЭСО с ОРЭ. Риски и доходы, при покупке ЭЭ на ОРЭ и реализации её на РРЭ, полностью берёт на себя ЭСО

Несмотря на многообразие методов и технических средств, которые позволяют в той или иной степени анализировать массивы РПХ, в настоящее время существует ряд моментов, связанных со спецификой отечественных электрических сетей, существенно затрудняющих решение задачи анализа РПХ, а именно:

1. Недостаточная наблюдаемость электрической сети, возникающая вследствие низкой обеспеченности отечественных электрических сетей средствами измерения и учёта ЭЭ.

2. Слабая проработка в современных методах анализа РПХ вопросов визуализации данных, что приводит к недостаточной «наглядности» анализируемых данных.

Таким образом, в сложившихся условиях, необходимо создание эффективных методик анализа и визуализации РПХ, применимых к особенностям современного информационного обеспечения в электрических сетях субъектов РРЭ России.

В связи с развитием рыночных отношений в России значимость проблемы потерь ЭЭ, тесно связанной с вопросами тарифообразования и выделения в составе отчетных потерь ЭЭ составляющей нормативных потерь, существенно возросла. Кроме того, в процессе реформирования отечественной электроэнергетики возникает необходимость в разграничении ответственности за потери ЭЭ между субъектами РРЭ. Это требует разработки эффективных методов расчета и анализа потерь ЭЭ, позволяющих получить достоверные оценки потерь ЭЭ для каждого отдельного элемента электрической сети.

Особое место в задаче расчёта и анализа потерь ЭЭ занимает проблема сверхнормативных потерь электроэнергии (СПЭ)*. Несмотря на то, что методика, утверждённая ФСТ, устанавливает порядок расчёта нормативов технологических потерь, проблемы СПЭ в ней не рассматриваются. В настоящая время прибыль ЭСО существенно снижается из-за наличия СПЭ. Как правило, это лишает ЭСО денежных средств, которые могли бы быть направлены на мероприятия по снижению этих потерь. Особенно остро эта проблема стоит в коммунальных распределительных сетях, где значительна доля бытового потребления и соответственно велики СПЭ.

В главе показано, что основным «индикатором» при наличии негативной ситуации по потреблению ЭЭ в электрических сетях являются «очаги» потерь ЭЭ. В силу существенных различий в структуре электрических сетей и их протяжённости уровни фактических потерь ЭЭ будут представлять для каждой конкретной ЭСО вполне индивидуальное значение, зависящее от режимов работы электрических сетей и особенностей учёта поступления и отпуска ЭЭ.

Таким образом, в настоящий момент при анализе потерь ЭЭ, для субъектов РРЭ крайне важно корректно выявлять «очаги» таких потерь ЭЭ и причину их возникновения, поскольку они в значительной степени предопределяют возможные финансовые убытки предприятия. Наряду с этим необходимо отметить, что недостаточный объём режимных данных и разобщённость сетевых участков (с.у.) энергорайонов существенно затрудняет анализ потерь ЭЭ в рамках традиционных методик, вследствие чего не представляется возможным с необходимой точностью выявлять «очаги» потерь ЭЭ

В работе показано, что эффективным решением визуализации и анализа РПХ является использование карт данных, способных достаточно полно отразить особенности исследуемых РПХ в электрических сетях. Исследования показали, что наиболее информативным способом представления таких карт являются диаграммы Хилтона, когда на каждом узле сетки изображается квадрат, размер которого пропорционален числу точек данных, ближайших к данному узлу, а оттенок отражает значение соответствующего признака. Так, к примеру, в задаче анализа потребления ЭЭ можно в достаточно удобной и понятной форме визуализировать информацию о дебиторской задолженности по ЭЭ с отображением на диаграмме Хилтона всей необходимой информации (рис. 2)

С переходом на РРЭ и формированием новых отношений между субъектами этого рынка на первый план выходит проблема тарифообразования, которая играет существенную роль в экономической деятельности ЭСО и тесно связана с задачей прогнозирования РПХ.

Рис. 2. Пример визуализации составляющей дебиторской задолженности в виде диаграммы Хилтона

Так важность задачи прогнозирования электрической нагрузки предопределяется, прежде всего, возможным ущербом от ошибок прогноза, оказывающих существенное влияние на нормальную работу ЭСО. При сложившейся системе взаимоотношений как ЭСО, так и конечные потребители несут дополнительные затраты, связанные с отклонением фактического потребления ЭЭ от утверждённого, а следовательно они крайне заинтересованы в точных прогнозах потребления ЭЭ и электрической нагрузки на различные временные интервалы.

Стоимость потерь ЭЭ является одной из составляющих тарифов на ЭЭ, поэтому ЭСО крайне важно знать ожидаемый процент потерь ЭЭ, в первую очередь СПЭ в обслуживаемых ей электрических сетях. Прогноз СПЭ необходим, прежде всего, для субъекта РРЭ, поскольку именно корректное обоснование предприятием для РЭК норматива потерь ЭЭ с учётом СПЭ позволит установить «разумный» тариф и значительно сократить возможные убытки ЭСО. В свою очередь, в соответствии с действующими нормативами каждое ТЭП обязано до 1 августа текущего года предоставлять прогнозные расчёты, обосновывающие тариф на ТЭ на предстоящий календарный год. На их основе РЭК формирует окончательный тариф на ТЭ для каждого отдельного ТЭП.

Из вышесказанного, очевидно, что одним из основных мероприятий, позволяющих минимизировать издержки субъектов РРЭ, вызванных новыми правилами рынка является эффективное прогнозирование реализаций различных РПХ.

В главе проанализированы традиционные подходы (АРПСС, экспоненциальное сглаживание, анализ Фурье и т.д.) и представлены современные технологии искусственного интеллекта (ИНС, генетические алгоритмы (ГА)) для прогнозирования РПХ на уровне субъектов РРЭ. Проведённые прогнозные расчёты, в рамках моделей АРПСС, показывают, что ошибки прогноза выше в случае, когда реализация процесса нестационарна и, как следствие, принятая модель АПРСС неадекватна анализируемой реализации. К сожалению, именно на уровне распределительных сетей - основной уровень субъектов РРЭ, реализации основных РПХ (электрическая нагрузка и электропотребление, потери ЭЭ и т.д.) нестационарны и содержат значительную величину нерегулярной оставляющей. Исследования показали, что для этих случаев, целесообразно применение методов искусственного интеллекта, в первую очередь ИНС и ГА.

Во второй главе рассмотрены и выделены основные особенности современных ТИИ, а именно структуры ИНС и ГА, позволяющие эффективно решать задачи по анализу и прогнозированию РПХ, и тем самым «выйти» из «замкнутого круга» новых рыночных требований и современных российских реалий, получив значительно лучшие решения по сравнению с традиционными методиками. Главными из выделенных особенностей являются:

· «интеллектуальные» алгоритмы не требуют построения сложных вычислительных моделей изучаемого объекта;

· такие подходы «копируют» отдельные функции творческой деятельности человеческого мозга или эволюционных процессов, что позволяет при наличии большого числа возможных состояний в кратчайшие сроки находить оптимальные решения.

Проанализированы практические разработки по использованию ИНС при решении задач анализа и прогнозирования РПХ, что, в конечном итоге, позволяет говорить о более высокой эффективности «интеллектуальных» методов по сравнению с традиционными алгоритмическими подходами.

Представлен сравнительный анализ современных программных продуктов по ИНС, используемых в электроэнергетике, и приведена характеристика основного программного продукта STATISTICA Neural Networks. Отмечено, что до сих пор практически нет программных пакетов по ИНС и ГА, специализированных для задач электроэнергетики. Основную часть программ искусственного интеллекта, используемых в электроэнергетических расчётах, составляют пакеты, предназначение которых носит либо общий, либо экономический характер.

Среди множества существующих видов ИНС в качестве важнейших для электроэнергетики следует выделить структуру типа многослойный персептрон MLP, сети с самоорганизацией в результате конкуренции нейронов (в первую очередь, сети Кохонена), радиальные сети RBF, обобщенно-регрессионные сети GRNN, а также рекуррентные нейронные сети.

Исследования показали, что применение различных архитектур и оригинальных способов обучения структур ИНС позволяют эффективно решать многочисленные электроэнергетические задачи даже при наличии значительных нелинейных зависимостей и присутствии «плохих данных» в исходных выборках. Кроме того, в работе отмечено, что использование ГА позволяет решать сложные нелинейные задачи вне зависимости от вида целевой функции

В главе показано, что использование алгоритмов и процедур предварительной обработки информации на базе ТИИ, таких как нелинейный анализ главных компонент (NPCA), нейрогенетический отбор (NGIS) и метод имитации отжига (SA), позволяют свести к минимуму ряд негативных особенностей связанных с представительными массивами информации, свойственных задачам анализа и прогнозирования РПХ для энергопредприятий низшего уровня иерархии.

В третьей главе рассмотрены предложенные подходы на основе методов искусственного интеллекта, позволяющие эффективно решать задачи анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ.

В работе предложен нейросетевой подход анализа и визуализации РПХ на базе карт Кохонена (SOM). В основе такого анализа лежит адаптивная кластеризация исходных данных, позволяющая эффективно выделить особенности и различия в режимах работы электрической сети и своевременно выявить ненормальные режимы. Данный подход включает следующие основные этапы:

1. Формирование обучающей выборки и нормирование данных

2. Кластеризация полученного массива РПХ на базе SOM - базовая модель.

3. Визуализация результатов анализа РПХ

4. Системное прогнозирование РПХ и выработка решений

В общем случае, состав входной выборки, в зависимости от располагаемой информации и поставленной задачи анализа РПХ, может быть различным. Но следует отметить, что чем полнее во входном векторе будут представлены все зависимые РПХ, тем более полным и объективным будет конечный результат кластерного анализа.

Процедура кластеризации предполагает разделение полученных данных на компактные группы с близкими (идентичными) свойствами, причём, количественные и качественные параметры этих кластеров априори неизвестны. В предлагаемом подходе, кластеризация данных осуществляется в рамках критерия соседства гауссовского типа:

(1)

где - уровень соседства; - весовой коэффициент; d (i; w) - эвклидово расстояние между векторами весов «нейрона-победителя» и i-го нейрона.

Для снижения размерности входного пространства и выделения наиболее информативных переменных, перед началом кластеризации входные данные анализируются алгоритмом NPCA.

На основании рассмотренного алгоритма кластеризации строятся карты SOM в виде диаграмм Хилтона. Таким образом происходит отображение всего многомерного массива РПХ в виде компактных групп, позволяющих визуализировать интересующие характеристики этих групп. Необходимо отметить, что каждый кластер интерактивен, и при обращении к нему выводится количественная и содержательная информация, характеризующая этот кластер. Полученная нейросетевая модель SOM является базовой моделью и в дальнейшем может быть использована для вновь поступающих данных.

Динамические свойства кластерных структур позволяют выявлять тенденции и временные изменения исследуемого параметра. Это даёт возможность осуществлять системное прогнозирование, даже в условиях серьёзного дефицита исходной информации, поскольку в этом случае изучаются свойства не каждого отдельного элемента электрической сети, а всей группы в целом. Анализ динамических изменений и тенденций позволяет наряду с прогнозированием осуществить и определённое управление ситуацией в исследуемом энергорайоне. Совместная визуализация результатов прогнозирования и анализа динамических изменений, полученных кластерных структур, позволяет определить возможные стратегии по управлению, которые, в конечном итоге, приведут к желаемому изменению тренда того или иного РПХ

В зависимости от выбора для анализа конкретного РПХ предложенный общий алгоритм нейросетевого подхода будет конкретизироваться. Так в работе разработан кластерный анализ потерь ЭЭ на базе самоорганизующейся сети SOM. Суть данного подхода состоит в анализе потерь ЭЭ в рамках групп-кластеров, полученных в результате объединения определённых участков и объектов электрической сети по признаку идентичного распределения потерь ЭЭ в течение заданного периода времени (как правило, годового интервала). Предложенный алгоритм базируется содержит следующие основные этапы:

1. Формирование обучающей выборки на базе архива потерь ЭЭ.

2. Первичная кластеризация данных о потерях ЭЭ на базе SOM - формирование базовой модели

3. Детальная кластеризация выявленных групп, отнесённых SOM к «очагам» потерь ЭЭ.

4. Поиск конкретных мест и объектов электрической сети, приводящих к высоким потерям ЭЭ внутри кластера.

5. Оценка «очагов» потерь ЭЭ на наличие СПЭ.

6. Использование полученной базовой модели для анализа изменения потерь ЭЭ в рамках системного прогнозирования уровня потерь ЭЭ.

В зависимости от состава исходных данных определяется общая постановка задачи анализа потерь ЭЭ. При использовании в качестве исходных данных как годового архива потерь ЭЭ, так и реализаций дополнительных РПХ (коэффициент загрузки, мощность трансформатора, длина ЛЭП) в задаче анализа появляется возможность оценить степень влияния «технических причин» на общий уровень потерь ЭЭ для каждого отдельного объекта электрической сети. К примеру, соотнести степень влияния коэффициента загрузки трансформаторов на выявленные «очаги» потерь ЭЭ. Если в качестве исходных данных используется лишь годовой архив потерь ЭЭ, то задача анализа будет носить характер мониторинга, позволяющего визуализировать представительный массив информации в виде компактных групп-кластеров.

Необходимо подчеркнуть, что во всех представленных случаях достигается конечная цель анализа - выделение «очагов» потерь ЭЭ с выявлением причин их возникновения.

На этапе первичной кластеризации, для выявления «очагов» потерь ЭЭ, вся информация о потерях ЭЭ исследуемого энергорайона визуализируется в виде компактных кластеров на базе диаграмм Хилтона. Если такие «очаги» обнаружены, то проводится детальная кластеризация исследуемых данных.

После выделения по результатам кластерного анализа, «очагов» потерь ЭЭ можно именно на этих участках энергорайона с помощью оценки несоответствия А оценить влияние составляющей СПЭ:

(2)

где- отпуск ЭЭ в сеть для собственных потребителей; - полезный отпуск ЭЭ потребителям; - потери холостого хода; - климатические потери ЭЭ; - расход ЭЭ на собственные нужды подстанции; Д - количество дней в месяце.

Использование предложенного кластерного подхода для анализа потерь ЭЭ может быть осуществлено и совместно с применением традиционных методов анализа (оценка небаланса ЭЭ, определение долевого участия ЭЭ и т.д.)

Для повышения качества прогнозных расчётов в работе предложен оригинальный подход ПМИИ, состоящий из следующих этапов:

1. Выбор обучающих данных

2. Использование SA при выборе оптимальной архитектуры прогнозной ИНС для каждого конкретного ЭСО.

3. Применение специализированных алгоритмов предварительной обработки ретроспективных данных, таких как NGIS и NPCA, что обеспечивает существенное повышение качества прогнозирования в условиях дефицита исходной информации

4. Прогнозирование на базе полученной нейросетевой модели режимных параметров и характеристик ЭСО на заданный интервал упреждения.

5. Возможная адаптация ИНС при изменении схемно-режимных параметров электрической сети

В ходе исследований выявлены минимальные объёмы ретроспективных выборок при использовании нейросетевого прогнозирования для получения достоверных прогнозов, а именно:

· Годовой прогноз - среднемесячные значения. Минимальная глубина ретроспективы в этом случае составляет порядка пяти лет (электрическая нагрузка, потери ЭЭ). В случае сложного, комплексного изменения параметра (к примеру, температуры наружного воздуха) минимальный объём выборки составляет порядка десяти лет.

· Суточный прогноз - среднечасовые значения. Минимальный объём ретроспективной выборки включает данные по исследуемому месяцу двух предыдущих лет (т.е. к примеру, апрель 2004 и апрель 2005 гг.)

Так как особенности выборки могут быть различны, то указанные минимальные объёмы ретроспективы могут оказаться недостаточны. В работе показано, что использование специализированных алгоритмов анализа данных позволяет определить необходимый объём выборки.

«Соревновательный» принцип алгоритма SA может работать в рамках двух критериев:

1) баланс между производительностью и сложностью ИНС;

2) выбор структуры ИНС с наилучшей производительностью.

После этого задаётся количество итераций алгоритма SA, соответствующее числу анализируемых ИНС. Как правило, достаточно до 15 итераций, чтобы найти оптимальный тип и архитектуру ИНС.

Несмотря на то, что представленный подход ПМИИ имеет значительное количество этапов и включает определённое количество процедур нелинейной оптимизации, он существенно облегчает процедуру прогнозирования с одновременным повышением качества прогноза. Представленные этапы работают, как правило, одновременно и параллельно, при этом оператор лишь задаёт обучающую выборку и необходимый выходной параметр. Всё остальное «берёт» на себя процедуры искусственного интеллекта, что значительно сокращает время расчёта. Предложенный подход является универсальным для прогнозирования различных РПХ

В работе рассмотрены и проанализированы современные отечественные программные комплексы «РАП-95» и «ПРОГНОЗ», предназначенные для решения задач анализа и прогнозирования РПХ в электрических сетях. Сопоставление предложенных подходов на базе ТИИ с методиками, реализованными в приведённых комплексах, свидетельствует о том, что «интеллектуальные» подходы, в отличие от традиционных методик, в большей степени удовлетворяют основным требованиям, предъявляемые к задачам анализа и прогнозирования РПХ.

В четвёртой главе на основе результатов проведённых исследований и выполненных практических работ с различными организациями электрических сетей и теплоэнергетическими предприятиями сформирована определённая взаимосвязанная структура первостепенных задач ЭСО с позиции современных реалий (рис. 3)



Рис. 3. Взаимосвязанная структура первостепенных задач ЭСО

С этих позиций в работе, в рамках предложенных «интеллектуальных» подходов, были проведены экспериментальные расчёты для реальных электрических сетей Братского энергорайона и г. Иркутска.

Предложенный кластерный подход на базе самоорганизующейся сети Кохонена применялся для анализа:

1) расчётных потерь активной ЭЭ, в распределительных сетях 0.4-10 кВ МБ ТЭП ЖКХ г. Братска;

2) величины СПЭ в районных электрических сетях (РЭС) Братского энергорайона ОАО «Северные электрические сети» (Иркутскэнерго).

Анализ потерь ЭЭ в распределительных сетях МБ ТЭП ЖКХ г. Братска. В представленной задаче входной набор данных включал:

1) месячные расчётные значения величины * для 41 трансформаторной подстанции (ТП) 6/0,4 кВ пяти сетевых участков Братского энергорайона за 2003 год;

2) дополнительные РПХ - коэффициент загрузки трансформаторов, мощность трансформаторов и протяжённость распределительных сетей.

В процессе обучения нейросетевая модель Кохонена, согласно критерию (1), осуществила разделение ТП исследуемого энергорайона на четыре кластерные группы. С целью выявления «очагов» потерь ЭЭ на различных с.у. вся информация по исследуемому энергорайону была визуализирована в виде диаграмм Хилтона (рис 4). Наряду с кластеризацией, нейросеть Кохонена выполнила сравнительную оценку потерь активной ЭЭ по ТП для каждой из полученных групп. В рамках каждого месяца сравнивались потери по группам, что и позволило выделить месяцы с более высоким уровнем потерь.

Рис. 4. Выявление очагов потерь ЭЭ с использованием диаграммы Хилтона

Использование в качестве входных данных дополнительных РПХ позволило оценить степень влияния «технических причин» на уровни потерь ЭЭ в различных кластерах. Так, кластеру B1, который характеризуется «очагами» потерь ЭЭ, соответствует ряд «технических причин», приводящих к высокому уровню потерь ЭЭ: в первую очередь, высокие значения для этого энергорайона коэффициентов загрузки трансформаторов, = 0.790.86 и значительная протяжённость распределительных сетей, L = 18502460 м.

C группами, которым в определённые месяцы была присвоена метка** «очаги потерь ЭЭ», на базе карт Кохонена проводилась детальная кластеризация. В результате, для сетевых участков Братского энергорайона, были выделены ТП с аномально высоким уровнем потерь ЭЭ в ряде (рис. 5, табл. 1).



Таблица 1. Выявление «очагов» потерь ЭЭ на базе сети Кохонена

Подстанции, с повышенным уровнем потерь ЭЭ	Месяц наибольших потерь ЭЭ	Причины возникновения «очагов» потерь ЭЭ
ТП 2 (с.у. Порожский)	Январь, апрель, май-сентябрь, ноябрь, декабрь	Сверхнормативные потери ЭЭ
ТП 7 (с.у. Порожский)	Октябрь
ТП 203, 250 (с.у. Чекановский); ТП 196 (с.у. Стениха)	Февраль, апрель, май, июль-сентябрь, ноябрь
ТП 5, 6, 9 (с.у. Порожский) ТП 178/1, 175 (с.у. Южный Падун)	Все месяцы кроме октября

Анализ полученных данных показал, что высокие среднегодовые потери ЭЭ в с.у. Порожский, Южный Падун, Стениха и Чекановский обусловлены «активностью» отдельных ТП в разные месяцы года. Таким образом, ЭСО при проведении мероприятий по снижению потерь ЭЭ на предстоящий период может сосредоточить усилия лишь на отдельных ТП в определённые месяцы года. «Очаги» расчётных значений потерь ЭЭ в анализируемых случаях объясняются значительным содержанием составляющей СПЭ в структуре потерь ЭЭ.

Анализ сверхнормативных потерь ЭЭ в электрических сетях ОАО «Северные электрические сети» (Иркутскэнерго). Для анализа использовалась выборка ретроспективных значений СПЭ за период 2004 г. (базовый период) - первой половины 2005 г. по различным участкам и объектам Братского энергорайона, которые обслуживает ОАО «СЭС Иркутскэнерго».

Кластерный анализ, проведенный на базе сети Кохонена, позволил разделить все исследуемые участки и объекты энергорайона на четыре группы. В данном случае на каждый входной нейрон карт Кохонена подавались значения СПЭ для отдельного участка (объекта) энергорайона за 2004 г. Нейросетевая модель, полученная на основе ретроспективных данных 2004 г., была принята в качестве базовой и в дальнейшем использовалась при анализе данных за первое полугодие 2005 г.

При поступлении новых данных за 2005 год сформировались новые кластеры. В отличие от 2004 г. уровень СПЭ в районных электрических сетях (РЭС) 1, 2 и главной понизительных подстанциях 1, 2 снизился для периода «февраль-апрель» 2005 г. Появились новые значения уже не «вписывающиеся» в «старые» кластеры, и модель сформировала новые кластеры. К примеру, участки «РЭС - 1,2» «перешли» из группы B1 (=18-30%) в другую группу А2, для которой характерны минимальные из всех групп потери ЭЭ (=0-8%). Другими словами, уровень СПЭ для «РЭС 1, 2» значительно снизился по сравнению с 2004 г.

В ходе исследований выявлены различные типы изменений кластерной структуры. Их анализ позволил сделать следующие выводы:

1. Отнесение отдельных участков электрической сети к группе «очагов потерь ЭЭ» и анализ изменений количественных значений кластеров позволяют выработать стратегические решения по снижению уровня СПЭ, сосредоточив усилия лишь на конкретных кластерах.

2. Технические и экономические мероприятия, проводимые ОАО «Северные электрические сети» в обслуживаемых им электрических сетях, привели к снижению СПЭ на первое полугодие 2005 г., по сравнению с 2004 г., причём снижения достаточно ощутимы с 20-30% до уровня 2-8%.

Анализ потребления ЭЭ бытовым сектором. Такой анализ представляет типичную производственную задачу, выполняемую в последнее время энергоснабжающими и энергосбытовыми организациями. Для эффективного решения этой задачи в распределительных электрических сетях Братского энергорайона был использован кластерный подход на базе SOM. Входной набор данных представлял собой следующие параметры и характеристики: закуп ЭЭ; технологические потери ЭЭ; расход ЭЭ субабонентами; плановая реализация ЭЭ; фактическая реализация ЭЭ; дебиторская задолженность и значения СПЭ.

В процессе кластерного анализа весь исследуемый энергорайон был разделён на четыре группы, каждая из которых характеризуется своими специфическими особенностями в пределах заданного месяца. В этом случае появляется возможность работать не с каждым отдельным с.у. энергорайона, а с группой, которой присущи определённые особенности. Это значительно упрощает анализ РПХ, поскольку имеется достаточное количество входных параметров, что позволяет достаточно эффективно и быстро проводить общий мониторинг РПХ исследуемого энергорайона.

Рис. 6. Диаграмма Хилтона для плановой реализации ЭЭ в Братском энергорайоне для 2005 г.

В отличие от этой группы кластер B1 характеризуется максимальными показателями потребления ЭЭ, в том числе и высоким уровнем СПЭ. В свою очередь, кластер A1, включающий с.у. «Галачинский» и «Город», выделяется высокими значениями фактической реализации ЭЭ в сравнении со средними значениями закупа и плановой реализацией ЭЭ (рис. 7). Важной особенностью этого кластера является достаточно низкий уровень СПЭ.

Полученная базовая модель может быть использована для обработки новых данных. С этой целью были проанализированы показатели потребления ЭЭ населением за март 2005 г. по Братскому энергорайону. Так, с.у. «Южный Падун» из группы высоких значений B1 «перешёл» в группу, для которой характерны более низкие значения показателей потребления ЭЭ. Особенно важно, что в этом с.у. для данного месяца значительно снизились значения СПЭ. В другом с.у. «Бикей» повысились раходы субабонентов и он «перешёл» в соответствующую группу B2, для которой характерна именно данная особенность. Ряд показателей потребления ЭЭ снизился для с.у. «Галачинский», что обусловило его переход в кластер A2, для которого характерны низкие значения для всех исследуемых параметров и характеристик ЭЭ.

Таким образом, полученная нейросетевая модель SOM по сути представляет интеллектуальную динамическую базу данных по потреблению ЭЭ, которая по принципу своего действия осуществляет анализ ситуации в энергорайоне, тесно связанной с потреблением ЭЭ бытовым сектором. «Интеллектуальность» такой базы данных проявляется в её гибкой адаптации к изменениям значений входных параметров и их составу. Появляется возможность в удобной и достаточно простой форме отслеживать изменения особенностей каждого конкретного сетевого участка и на их основании вырабатывать те или иные перспективные мероприятия.

Суточное прогнозирование электрической нагрузки в энергорайонах г. Иркутска. Для решения данной задачи использовался предложенный в работе подход ПМИИ. Чтобы определить наиболее эффективную «прогнозную» структуру ИНС, для каждого конкретного энергорайона с помощью «соревновательного принципа» на базе метода SA автоматически выбиралась оптимальная архитектура ИНС. К примеру, для шестого энергорайона алгоритмом SA, выполнено 15 итераций, и с учётом априори заданных условий, выбрана оптимальная прогнозная модель на базе нейросети RBF (рис. 8. а). Во втором энергорайоне SA выбрана оптимальная архитектура ИНС типа GRNN (рис. 8, б). При этом сеть MLP ещё на начальных итерациях была исключена и в дальнейшем, как менее эффективная, не участвовала в «соревновании», хотя во многих публикациях именно сеть MLP выделяют как наиболее эффективную «прогнозную» ИНС.

В дальнейшем из соревнования алгоритмом SA были исключены сети GRNN и RBF, что позволило выполнить сравнительный анализ ошибок при прогнозе электрической нагрузки с помощью сети MLP с ошибками суточных прогнозов, полученных при использовании сетей RBF и GRNN, а также с прогнозами на базе модели АРПСС (табл. 2).

Прогнозирование СПЭ в распределительных электрических сетях Братского энергорайона. Для повышения точности прогноза СПЭ в распределительных электрических сетях 0.4-10 кВ МБ ТЭП ЖКХ г. Братска также был использован предложенный подход ПМИИ (акт внедрения от 23 марта 2005 г.).

Таблица 2. Сравнительный анализ ошибок прогнозирования электрической нагрузки в энергорайонах г. Иркутска различными подходами

Энергорайон	День	Прогноз ПМИИ, %	Прогноз MLP, %	Прогноз АРПСС, %
		средняя	средне-квадратичная	средняя	средне-квадратичная	средняя	средне-квадратичная
2	22.04.99	1,43	1,89	4,48	5.36	1,61	2,00
	23.04.99	1,58	1,86	2,71	3.41	5,71	6,77
6	23.04.99	1,07	1,53	1,45	1.99	4,11	4,67
	24.04.99	1,25	1,89	2,41	3.03	5,01	6,12

Кроме того, для прогнозирования СПЭ, одновременно с подходом ПМИИ применялась модель АРПСС с интервенцией (табл. 3), ввиду того, что исходная реализация СПЭ содержит множество «всплесков» и реализация процесса нестационарна. Как видно из таблицы, прогнозирование СПЭ в рамках модели АРПСС даёт значительные ошибки прогноза, порядка 50%, что говорит о несостоятельности принятой модели для прогнозирования таких сложных реализаций.

Результаты расчётов позволили определить ожидаемый убыток на 2005 г. от величины СПЭ для МБ ТЭП ЖКХ МО г. Братска. Для с.у. Порожский он составил 2 973 700 (Два миллиона девятисот семьдесят три тысячи семьсот) рублей.

Прогнозирование температуры наружного воздуха для тепловых сетей Братского энергорайона. В МБ ТЭП ЖКХ г. Братска для прогнозирования велиличины температуры наружного воздуха использовался метод наименьших квадратов (МНК). Результаты расчётов показали, что при использовании МНК ошибка прогноза температуры изменяется в диапазоне от 2 до 4 єС при относительной стабильности изменения температуры.

Таблица 3. Сравнительный анализ ошибок прогнозирования СПЭ различными подходами для распределительных сетей 0,4-6 кВ с.у. Порожский

Модели прогнозирования	Ошибки прогнозирования, %
	средняя	среднеквадратичная
Подход ПМИИ (RBF)	15,52	17,69
Подход ПМИИ (MLP)	20,98	21,65
Модель АРПСС с интервенцией	50,98	52,94

При прогнозировании на отопительный период 2004 г. для котельной исследуемого энергорайона была использована подход ПМИИ с применением особой структуры сети MLP, обеспечивающей регулирования процесса обучения ИНС. Это позволило в условиях относительно малой предыстории (1994-2003 гг.) получить достаточно достоверные прогнозы (табл. 4)

Таблица 4. Результаты прогнозирования температуры на отопительный период 2004 г. в тепловых сетях МБ ТЭП ЖКХ г. Братска

Показатели	Месяцы отопительного периода	Ошибки прогнозирования, %
	январь	февраль	март	апрель	май	сентябрь	октябрь	ноябрь	декабрь	средняя	среднеквадратичная
Фактическая температура, єС	-16,3	-13,0	-8,9	0,4	8,6	8,4	2,4	-5,7	-20,6
Прогноз ПМИИ, єС	-16,8	-12,8	-9,7	0,4	8,5	7,9	1,7	-7,9	-20,8	9,63	11,54
Прогноз МНК, єС	-19,8	-13,4	-8,1	0,7	8,8	9,1	-1,6	-10,9	-18,4	22,95	28,93

Результаты исследований свидетельствуют о том, что использование подхода ПМИИ при прогнозировании температуры наружного воздуха привело к существенному снижению издержек ТЭП в условиях реальной эксплуатации. Данные анализа, проведённого для котельной исследуемого энергорайона, показали, что экономический эффект, составляет порядка 644 000 (Шестьсот сорок четыре тысячи) руб./год. (акт внедрения от 23 марта 2005 г.)

В заключении представлены основные результаты исследований, достигнутые в ходе выполнения работы.

1. Детальный анализ современного электроэнергетического рынка России и методов анализа и прогнозирования РПХ позволил выделить ряд особенностей, а именно:

· сложная система взаимоотношений (ОРЭ, РЭК, ФСТ, потребители) и необходимость получения «прозрачной картины» по обслуживаемым электрическим сетям требуют от ЭСО применения эффективных методов оценки и анализа РПХ;

· сложившаяся в новых рыночных условиях система взаимоотношений ЭСО и конечных потребителей нередко приводит к дополнительным финансовым затратам, связанных с отклонением фактического потребления ЭЭ от утверждённого объёма ЭЭ, что, в значительной степени, предопределяет актуальность задачи прогнозирования РПХ для ЭСО;

· вследствие слабой наблюдаемости отечественных электрических сетей и недостаточной проработки вопросов анализа и визуализации данных, эффективным решением отмеченных трудностей является использование карт данных. При этом наиболее популярным способом представления карт данных являются диаграммы Хилтона;

· для уровня субъектов РРЭ при прогнозировании нестационарных реализаций РПХ со значительным содержанием нерегулярной составляющей, целесообразно использование современных структур ИНС и ГА;

2. Проанализированы практические разработки по использованию ИНС при решении задач анализа и прогнозирования РПХ, что, в конечном итоге, позволяет говорить о более высокой эффективности «интеллектуальных» методов по сравнению с традиционными математическими моделями. На основании этого выделены основные структуры ИНС и ГА, позволяющие эффективно решать указанные задачи, и тем самым «выйти» из «замкнутого круга» новых рыночных требований и современных российских реалий, получив значительно лучшие решения по сравнению с традиционными методиками.

3. Установлено, что использование алгоритмов и процедур предварительной обработки информации на базе ТИИ, таких как нелинейный анализ главных компонент, нейрогенетический отбор и метод имитации отжига, позволяют свести к минимуму ряд негативных особенностей, связанных с представительными массивами информации, свойственных задачам анализа и прогнозирования РПХ для энергопредприятий низшего уровня иерархии.

4. Разработан нейросетевой подход адаптивного анализа и визуализации РПХ, позволяющий эффективно выделить особенности и различия в режимах работы электрической сети и своевременно выявить ненормальные режимы.

5. Использование кластерного подхода при анализе потребления ЭЭ населением в электрических сетях Братского энергорайона позволило:

· выделить ряд общих особенностей электропотребления в рамках полученных групп, что значительно упрощает задачу анализа составляющих потребления ЭЭ и позволяет достаточно эффективно проводить общий мониторинг энергорайона;

· используя динамические свойства кластерных структур, в удобной и простой форме отслеживать изменения особенностей каждого конкретного сетевого участка и на их основании вырабатывать те или иные действенные мероприятия;

· получить «интеллектуальную» динамическую базу данных по потреблению ЭЭ, которая ввиду оригинальных свойств нейросетевой модели SOM осуществляет анализ ситуации в энергорайоне, связанной с потреблением ЭЭ бытовым сектором.

6. Разработан нейросетевой метод кластерного анализа потерь электроэнергии на базе карт Кохонена, позволяющий эффективно выявлять «очаги» потерь ЭЭ и осуществлять системное прогнозирование, даже в условиях серьёзного дефицита исходной информации.

7. Применение предложенного кластерного подхода в электрических сетях Братского энергорайона при анализе потребления ЭЭ населением, позволило:

· визуализировать с помощью диаграмм Хилтона весь массив информации о потерях ЭЭ в виде компактных групп-кластеров и эффективно выявить конкретные объекты и участки с «очагами» потерь ЭЭ, а также определить причины возникновения этих «очагов»

· осуществить перспективную оценку уровня потерь ЭЭ с мобилизацией усилий участков энергосбыта указанных ЭП лишь на тех участках и объектах энергорайона, которые вносят наиболее существенное влияние на среднегодовой уровень потерь ЭЭ.

8. На базе современных методов искусственного интеллекта предложен оригинальный подход к прогнозированию РПХ - ПМИИ, использующий специализированные процедуры (SA, NGIS, NPSA) предварительной обработки информации, что позволяет значительно упростить решение задачи прогнозирования и существенно повысить точность прогноза.

9. Применение предложенного подхода ПМИИ, позволило:

· получить высокую точность прогноза электрической нагрузки в ряде энергорайонов г. Иркутска порядка 1.1-1.5% в сравнении с традиционными регрессионными (модель АПРСС) - 2.5-9,5% и нейросетевыми прогнозами (модель MLP) - 2.5-4.0%

· обеспечить низкие ошибки (не превышающие 15%) при прогнозировании величины СПЭ в распределительных электрических сетях 0.4-10 кВ МБ ТЭП ЖКХ г. Братска, по сравнению с невысокой точностью (порядка 50%) традиционных подходов на базе модели АРПСС.

· в задаче распределения ТЭ для тепловых сетей МБ ТЭП ЖКХ г. Братска обеспечить высокую точность прогнозов порядка 1-2?С, по сравнению с прогнозами МНК - 4-5?С и получить экономический эффект порядка 644 000 руб./год.

...