Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений

Размещено на http://www.allbest.ru/

Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений

И.И. Надтока

А.В. Демура

С.О. Губский

А.Я. Ваколюк

В.В. Горбачев

Проблемы и методы прогнозирования суточных графиков электропотребления с учетом влияния метеофакторов и прогнозов погоды в нашей стране и за рубежом обсуждаются со второй половины прошлого века и остаются актуальными по настоящее время [1-5]. Наиболее доступным для инструментальных наблюдений в автоматическом режиме метеофактором является температура воздуха, которая контролируется на предприятиях сетевых кампаний и передается по системам телемеханики в диспетчерские службы. С 1999 г. в ОАО «Ростовэнерго», позже в ОАО «Энергосбыт Ростовэнерго» используется программное обеспечение прогнозирования электропотребления с учетом температуры воздуха «Прогноз-ЭТ», разработанное специалистами ЮРГТУ (НПИ) и ООО НПП «ВНИКО».

В 2005 г. в ОАО «Ростовэнерго» были начаты работы по инструментальным замерам суточных графиков освещенности. В 2007-2008 гг. в филиале ОАО «СО-ЕЭС» «Региональное диспетчерское управление энергосистемами Ростовской области и Республики Калмыкия» (Ростовское РДУ), а с 2009 г. в филиале «Региональное диспетчерское управление энергосистемами Кубани» (Кубанское РДУ) специалистами ООО НПП «ВНИКО» и ЮРГТУ (НПИ) были разработаны и внедрены системы автоматического контроля освещенности и ведутся работы по накоплению и исследованию инструментальных данных по естественной освещенности [4].

Ниже изложены основные результаты, полученные при разработке и внедрении программно-технического комплекса прогнозирования электропотребления с учетом температуры воздуха и освещенности.

Выбор мест установки станций контроля освещенности. При решении вопроса о размещении станций автоматического контроля освещенности на территориях операционных зон Ростовского и Кубанского РДУ учитывались следующие основные факторы: наличие на территории различающихся климатических зон; концентрация населения на территории. Так как коммунально-бытовые потребители в наибольшей степени реагируют на изменение освещенности, то в первую очередь рассматривались варианты мест контроля освещенности в крупных городах. На территории операционной зоны Ростовского РДУ станции контроля освещенности расположены в городах Новочеркасске, Ростове-на-Дону, Таганроге, Цимлянске, Элисте и на ст. Вешенской. На территории Кубанского РДУ данные станции установлены в городах Краснодаре, Сочи и Новороссийске.

Расположение станций автоматического контроля на территории операционной зоны регионального диспетчерского управления является самостоятельной задачей и ранее ни теоретически, ни практически не решалась. Расположение станций в местах установки существующих датчиков температуры на территориях предприятий электрических сетей (филиалов МРСК) не является оптимальным, т. к. в некоторых районах региона потребление значительно меньше, чем в густонаселенных районах.

Основные характеристики суточных и годовых графиков освещенности. Станции контроля освещенности позволяют формировать на серверах данных в Ростовском и Кубанском РДУ архивы суточных мгновенных значений освещенности с дискретностью Дt = 5 мин. По пятиминутным мгновенным значениям формируются осредненные часовые значения (рис. 1).

Рис. 1. Освещенность в г. Новочеркасске за 27.07.2011

В форме суточных графиков освещенности отражаются сезонные изменения длительности светового дня, а также наличие, отсутствие или изменения облачности в месте установки станции контроля освещенности. Суточные часовые графики температуры и(t) и естественной освещенности Е(t) зависят только от сезона и погодных условий.

Классификация графиков освещенности выполнялась с использованием метода главных компонент (МГК) и самоорганизующихся нейронных сетей Кохонена [2, 6]. Результаты классификации суточных графиков освещенности подтверждают эффективность классифицирующих свойств сетей Кохонена и метода главных компонент. При этом метод главных компонент является более наглядным и позволяет выполнить анализ кластеров и графиков, попавших в тот или иной кластер.

Разработка алгоритмов преобразования данных по облачности в данные по освещенности. Гидрометцентр и метеосайты дают прогноз облачности в виде лингвистических переменных: «ясно», «малооблачно», «облачно» и «пасмурно». Необходимо поставить в соответствие указанным выше переменным данные инструментальных замеров освещенности в виде нечетких множеств. Для этого формируются нечеткие множества, носителем которых является освещенность, а функции принадлежности должны соответствовать понятиям «ясно», «малооблачно», «облачно» и «пасмурно» (рис. 2).

Другой подход к преобразованию значений облачности в освещенность заключается в использовании известных зависимостей освещенности от высоты Солнца над уровнем горизонта. Для каждого часа суток (кроме ночных) по высоте Солнца над горизонтом и зависимости от него освещенности рассчитываются значения освещенности для 1-го и 15-го числа каждого месяца. После этого выполняется аппроксимация. В результате получаются зависимости освещенности для заданного часа от номера дня в году.

Зависимости освещенности от номера дня в году позволяют рассчитать освещенность при ясном и пасмурном небе для любого светлого часа суток любого дня года. Введя дополнительные промежуточные градации, можно построить области значений освещенности для лингвистических значений облачности «ясно», «малооблачно», «облачно», «пасмурно». Анализ данных за различные сезоны года и периоды времени показывает, что часто фактическая (инструментальная) освещенность существенно отличается от расчетной, причем практически всегда - в большую сторону.

Рис. 2. Суточные часовые графики освещенности для г. Новочеркасска

Зависимости электропотребления от метеофакторов. Зависимости электропотребления от температуры воздуха изучены для различных регионов России [2, 3]. На рис. 3 показан пример такой зависимости для операционной зоны Ростовского РДУ за 2010 г. Характерной особенностью аналогичной зависимости электропотребления, но от освещенности, является значительно больший разброс точек относительно кривой уравнения нелинейной регрессии W = f (E) (рис. 4). Аналогичный характер имеют зависимости W = f (E) для Кубанского РДУ. Таким образом, корреляционные связи электропотребления и освещенности как для Ростовского, так и для Кубанского РДУ имеют более слабый характер, чем аналогичные связи между электропотреблением и температурой воздуха, что создает дополнительные трудности по учету освещенности в прогнозных математических моделях.

Рис. 3. Зависимость суточного электропотребления от среднесуточной температуры воздуха за 2010 г. в операционной зоне Ростовского РДУ

Рис. 4. Зависимость суточного электропотребления от освещенности за 2010 г. для операционной зоны Ростовского РДУ

Прогнозная модель и программное обеспечение (ПО). Для прогнозирования электропотребления разработана математическая модель на основе искусственной нейронной сети типа многослойный персептрон с одним скрытым слоем нейронов [5-7]. Входным нейронам сети соответствуют влияющие на электропотребление факторы, выходному - прогнозное часовое электропотребление.

В модели учитываются следующие влияющие факторы: сложившийся уровень текущего потребления электроэнергии (среднесуточное потребление электроэнергии); температура воздуха в прогнозируемый час и сутки назад; сезонность; тип суток (рабочие, праздничные, предпраздничные и послепраздничные дни); естественная освещенность в прогнозируемый час.

Для обучения нейронной сети применяется алгоритм обратного распространения ошибки. Обучение выполнено на предыстории данных объемом один год. После обучения нейронной сети выполняется прогнозирование, для чего поочередно для каждого часа суток на входы соответствующей обученной для этого часа суток нейронной сети подаются значения указанных выше влияющих факторов.

Описанная прогнозная модель используется в программном обеспечении (ПО) «Прогноз-ЭТО». ПО «Прогноз-ЭТО» состоит из ПО обмена данными с оперативно-измерительным комплексом (ОИК), SQL-базы данных, в которой хранятся считанные из ОИК исходные данные и результаты прогнозирования, и ПО, непосредственно выполняющего прогнозирование. В настоящее время ПО «Прогноз-ЭТО» проходит опытную эксплуатацию в Ростовском и Кубанском РДУ.

Рис. 5. Фактический и прогнозные графики электропотребления для территории операционной зоны Кубанского РДУ 16 декабря 2010 г.

Пример прогнозирования суточного графика электропотребления. На рис. 5 представлены фактический, прогнозный, выполненный без учета, и прогнозный, выполненный с учетом освещенности, графики. Прогноз был выполнен на территории Кубанского РДУ на 16 декабря 2010 г. На входы нейронной сети подавались значения мощности в соответствующие часы 15 декабря. Кроме этого поданы значения состояния облачности и освещенности. В нейронную сеть были введены тип прогнозируемого дня (рабочий) и день недели (четверг). В процессе прогнозирования было выполнено 24 обучения нейронной сети и соответственно выполнено 24 прогноза. Результат при введении в модель значений освещенности оказался следующим: среднесуточная относительная ошибка прогнозирования изменила свои значения с 3,509 до 2,258 %, т. е. уменьшилась на 1,251 %.

Выводы:

1. Решена теоретическая и техническая задача создания автоматизированной системы контроля освещенности на территории операционной зоны регионального диспетчерского управления.

2. Разработаны методы преобразования значений лингвистических переменных облачности в значения освещенности и наоборот.

3. Получены зависимости между электропотреблением и освещенностью, которые используются при определении объемов обучающей выборки для нейросетевой модели в различные сезоны года.

4. Разработана нейросетевая прогнозная модель, которая позволяет учитывать влияние освещенности и облачности на электропотребление.

Библиографический список

электропотребление естественный освещенность

1. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирования электрической нагрузки. - М.: Энергоатомиздат, 1987. - 200 с.

2. Седов А.В., Надтока И.И. Системы контроля, распознавания и прогнозирования электропотребления: модели, методы, алгоритмы и средства. - Ростов н/Д: Изд-во Рост. ун-та, 2002. - 320 с.

3. Макоклюев Б.И. Анализ и планирование электропотребления. - М.: Энергоатомиздат, 2008. - 296 с.

4. Надтока И.И., Демура А.В., Безъязычный Д.В., Горбачев В.В. Система контроля естественной освещенности для прогнозирования электропотребления // Изв. вузов. Электромеханика. - 2008. - Специальный выпуск. - С. 166-167.

5. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2004. 344 с.

6. Демура А.В. Краткосрочное прогнозирование суточных графиков нагрузки на основе искусственных нейронных сетей // Изв. вузов. Электромеханика. - 1998. - № 2-3. - С. 69-71.

7. Алексеева И.Ю., Ведерников А.С., Скрипачев М.О. Прогнозирование электропотребления с использованием метода искусственных нейронных сетей // Технические науки. - Самара: СамГТУ, 2010.

Размещено на Allbest.ru