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

  • Н. К. Полуянович Южный федеральный университет
  • М. Н. Дубяго Южный федеральный университет
Ключевые слова: Анализ данных, искусственные нейронные сети, набор факторов, прогнозирование электропотребления, надежность систем энергоснабжения, методы прогноза, архитектура нейронной сети

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.

Литература

1. Ob elektroenergetike: Federal'nyy zakon RF ot 26.03.2003 № 35-F3 [About the electric power
industry: Federal Law of the Russian Federation No. 35-F3 of 26.03.2003], Rossiyskaya
Gazeta [Russian newspaper], 1 Apr. 2003, pp. 1.
2. Rudakov E., Saakyan Yu., Nigmatulin B., Prokhorova N. Tsena rastochitel'nosti [The price of
wastefulness], Ekspert [Expert], No. 24 / June iyunya 2008.
3. Serebryakov N.A., Khomutov S.O. Analiz sluchaynoy sostavlyayushchey vremennogo ryada
elektricheskoy nagruzki gruppy tochek postavki elektroenergii sel'khozproizvoditeley [Analysis
of the random component of the time series of the electric load of the group of points of
electricity supply of agricultural producers], Vestnik Altayskogo gosudarstvennogo agrarnogo
universiteta [Bulletin of the Altai State Agrarian University], 2019, No. 5 (175), pp. 153 -158.
4. Planirovanie elektroenergeticheskikh rezhimov raboty energoob"ektov i energosistem [Planning
of electric power modes of operation of power facilities and power systems], Sayt AO
«Sistemnyy operator Edinoy energeticheskoy sistemy» [Website of JSC "System Operator of
the Unified Energy System"]. Available at: http://so-ups.ru/index.php?id=regime_plan
(14.06.2016).
5. Dubyago M., Polyuyanovich N., Azarov N., Ogrenichev A. Development and research of the
forecasting methods of the cable lines throughput using artificial neural networks, Proceedings
– ICOECS 2020: 2020 International Conference on Electrotechnical Complexes and Systems,
2020, pp. 9278503.
6. Domanov V.I., Bilalova A.I. Prognozirovanie ob"emov energopotrebleniya v zavisimosti ot
iskhodnoy informatsii [Forecasting the volume of energy consumption depending on the initial
information], Vestnik YuUrGU. Seriya «Energetika» [Bulletin of SUSU. The series "Energy"],
2016, Vol. 16, No. 2. pp. 59-65.
7. Poluyanovich N.K., Azarov N.V., Ogrenichev A.V., Dubyago M.N. Mnogoetapnyy metod
kratkosrochnogo prognozirovaniya temperaturnykh rezhimov v silovom kabele [Multi-stage
method of short-term forecasting of temperature regimes in a power cable], Izvestiya YuFU.
Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2020, No. 2 (212), pp. 38-51.
8. Poluyanovich N.K., Dubyago M.N. Analiz i vybor metodiki v reshenii zadach
intellektualizatsii sistem prognozirovaniya termofluktuatsionnykh protsessov v kabel'nykh
setyakh [Analysis and choice of methodology in solving problems of intellectualization of
forecasting systems of thermal fluctuation processes in cable networks], Izvestiya YuFU.
Tekhnicheskie nauki [Izvestiya SFedU. Engineering Sciences], 2020, No. 2 (212), pp. 52-66.
9. Zheng Н., Yuan J., Chen L. Short-term load forecasting using EMD-LSTM neural networks
with a XGBOOSt algorithm for feature importance evaluation, Energies, 2017; 10:1-20. DOI:
10.3390/en10081168.
10. Sharifullin V.N., Sharifullina A.V. Neyrosetevoe prognozirovanie potrebleniya elektroenergii
promyshlennym predpriyatiem [Neural network forecasting of electricity consumption by an
industrial enterprise], Vestnik Kazanskogo gosudarstvennogo energeticheskogo universiteta
[Bulletin of the Kazan State Energy University], 2012, No. 2 (13), pp. 6-11.
11. Domanov V.I., Bilalova A.I. Analiz prognozirovaniya energopotrebleniya s razlichnymi
informatsionnymi bazami [Analysis of energy consumption forecasting with various information
bases], Izvestiya Samarskogo nauchnogo tsentra Rossiyskoy akademii nauk [Izvestiya Samara
Scientific Center of the Russian Academy of Sciences], 2014, Vol. 16, No. 4–3, pp. 535-537.
12. Kirpichnikova I.M., Saplin L.A., Solomakho K.L. Prognozirovanie ob"emov potrebleniya
elektroenergii [Forecasting the volume of electricity consumption], Vestnik YUzhno-
Ural'skogo gosudarstvennogo universiteta. Seriya: Energetika [Bulletin of the South Ural
State University. Series: Energy], 2014, Vol. 14, No. 2, pp. 16-22,
13. Varfolomeeva A.A. Lokal'nye metody prognozirovaniya s vyborom metriki [Local forecasting
methods with a choice of metrics], Mashinnoe obuchenie i analiz dannykh [Machine learning
and data analysis], 2012, Vol. 1, No. 3, pp. 367-375.
14. Sunagatov I.M. Analiz i modifikatsiya metoda prognozirovaniya energopotrebleniya s
pomoshch'yu ekstrapolyatsii vyborki maksimal'nogo podobiya [Analysis and modification of
the method of forecasting energy consumption using the extrapolation of the maximum similarity
sample], Vestnik Samarskogo gosudarstvennogo tekhnicheskogo universiteta. Seriya:
Tekhnicheskie nauki [Bulletin of the Samara State Technical University. Series: Technical Sciences],
2013, No. 1 (37), pp. 223-226.
15. Khaykin S. Neyronnye seti: polnyy kurs [Neural networks: a complete course]. 2nd. ed.: transl.
from engl. Moscow: Izdatel'skiy dom «Vil'yams», 2006, 1104 p.
16. Poluyanovich N.K., Dubyago M.N. Prognozirovanie resursa kabel'nykh liniy s ispol'zovaniem
metoda iskusstvennykh neyronnykh setey [Forecasting the resource of cable lines using the
method of artificial neural networks], Izvestiya YuFU. Tekhnicheskie nauki [Izvestiya SFedU.
Engineering Sciences], 2019, No. 3 (205), pp. 51-62.
17. Poluyanovich N.K., Dubyago M.N., Azarov N.V., Ogrenichev A.V. Neyrosetevoy metod v
zada-chakh prognozirovaniya elektropotrebleniya v elektroenergeticheskoy sisteme [Neural
network method in the tasks of forecasting electricity consumption in the electric power system],
Matematicheskie metody v tekhnologiyakh i tekhnike [Mathematical methods in technology
and engineering], 2022, No. 1, pp. 114-118.
18. Kulbarakov M.A. K zadache prognozirovaniya energopotrebleniya s pomoshch'yu neyronnykh
setey [On the problem of forecasting energy consumption using neural networks], Molodoy
uchenyy [Young scientist], 2014, No. 11 (70), pp. 22-25. Available at:
https://moluch.ru/archive/70/12122/ (accessed: 05 December 2021).
19. Poluyanovich N.K., Burkov D.V., Dubyago M.N., Shurykin A.A., Kosenko E.Y. The influence
of the electromagnetic field on the neural network monitoring of insulation materials for electric
cable networks, International Conference on Electrical, Computer, Communications and
Mechatronics Engineering, ICECCME 2021, 2021, pp. 9590839.
20. Pshikhopov V.Kh., Gayduk A.R., Medvedev M.Yu., Belyaev V.E., Poluyanovich N.K., Voloshchenko
Yu.P. Energosberegayushchee upravlenie tyagovymi privodami elektropodvizhnogo sostava [Energy-
saving control of traction drives of electric rolling stock], Izvestiya YuFU. Tekhnicheskie nauki
[Izvestiya SFedU. Engineering Sciences], 2013, No. 2 (139), pp. 192-200.
21. Poluyanovich N.K., Tibeyko I.A. Ekspluatatsiya i remont sistem elektrosnabzheniya
promyshlennykh predpriyatiy [Operation and repair of power supply systems of industrial enterprises].
Taganrog, 2014.
22. Dubyago M.N., Poluyanovich N.K. Sovershenstvovanie metodov diagnostiki i
prognozirovaniya elektroizolyatsionnykh materialov sistem energosnabzheniya: monografiya
[Improvement of methods of diagnostics and forecasting of electrical insulation materials of
power supply systems: monograph]. Rostov-on-Don; Taganrog: Izd-vo YuFU, 2019, 192 p.
Опубликован
2022-05-26
Выпуск
Раздел
РАЗДЕЛ I. СИСТЕМЫ УПРАВЛЕНИЯ И МОДЕЛИРОВАНИЯ