ОЦЕНКА ВОЗДЕЙСТВУЮЩИХ ФАКТОРОВ И ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ В РЕГИОНАЛЬНОЙ ЭНЕРГОСИСТЕМЕ С УЧЕТОМ РЕЖИМА ЕЕ ЭКСПЛУАТАЦИИ

Аннотация

Статья посвящена исследованиям вопросов оценки воздействующих факторов и про- гнозирования электропотребления в региональной энергосистеме с учетом режимов ее эксплуатации. Проведен анализ существующих методов прогнозирования энергопотребле- ния. Обоснован выбор метода прогнозирования с использованием искусственной нейронной сети. Рассмотрен алгоритм создания нейросети для краткосрочного прогноза электриче- ской нагрузки. Актуальность работы обусловлена требованиями действующего законода- тельства к прогнозированию электропотребления для решения задачи поддержания балан- са мощностей между генерирующей стороной и потреблением электрической энергии. При этом одной из основных задач, связанных с генерацией электрической энергии и ее потреблением, является задача поддержания баланса мощностей. С одной стороны, при увеличении плановой нагрузки могут возникнуть перебои в поставке электроэнергии, с дру- гой стороны, уменьшение электропотребления приведет так же к уменьшению КПД элек- тростанций, и в конечном счете – к повышению стоимости на электроэнергию как для субъекта оптового рынка электроэнергии, так и для конечного потребителя. Разработан- ная нейросетевая модель (НС) модель сводит задачу краткосрочного прогнозирования электропотребления к поиску матрицы свободных коэффициентов посредством обучения на имеющихся статистических данных (активная и реактивная мощность, температура окружающей среды, дата и индекс дня). Полученная НС модель краткосрочного прогнози- рования электропотребления участка районной электрической сети 10 кВ, учитывает факторы: – времени, – метеорологических условий, – отключений отдельных питающих линий электропередач, – режима работы потребителей электроэнергии. Получены про- гнозные оценки электропотребления энергосистемы по данным потребляемой электро- энергии наружной температуры, типу дня и т.д. Модель прогнозирования величины, по- требляемой активной и реактивной мощности вполне работоспособна, однако на данном этапе все еще имеет довольно высокий уровень погрешности прогнозирования. Для повы- шения точности прогнозирования необходимо увеличить базу данных, составляющих обу- чающую выборку, т.к. на данный момент имеющиеся данные охватывают временной про- межуток длиной лишь 3–4 месяца. Результаты анализа показали, что наибольшие трудно- сти вызывает прогнозирование потребления реактивной мощности.