close

Вход

Забыли?

вход по аккаунту

?

Применение принципов нейро-нечётких сетей (ННС) для прогнозирования потребления электроэнергии в производственной сфере.

код для вставкиСкачать
УДК 621.316.72, 681.5.01, 621.31.44
ПРИМЕНЕНИЕ ПРИНЦИПОВ НЕЙРО-НЕЧЁТКИХ СЕТЕЙ (ННС)
ДЛЯ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ
В ПРОИЗВОДСТВЕННОЙ СФЕРЕ
В.Н. Крысанов, А.Л. Руцков
В статье рассматривается применение нейро-нечёткой модели для прогнозирования потребления электроэнергии
на примере производственного предприятия г. Воронежа. Дана экономическая оценка снижения потерь энергии за
счёт использования предлагаемого алгоритма
Ключевые слова: прогнозирование потребления электроэнергии, энергосберегающие и энергоэффективные
алгоритмы, нейро – нечёткие сети
Задачи
прогнозирования потребления
электроэнергии (э/э) крупными объектами
производственной сферы являются достаточно
важным аспектом как в решении вопросов
оптимизации электроэнергетических систем
(ЭЭС) [1, 2], так и для расчётов за услугу по
передаче для конечных потребителей. В
качестве основного нормативного документа
можно
отметить
ФЗ
№261
[3],
устанавливающий
уровень
требуемого
снижения суммарных потерь энергоресурсов на
величину 15% за 5 лет. В первую очередь, при
этом,
необходимо
уделить
внимание
уменьшению технических потерь (нагрузочные,
холостого хода, климатические), составляющих
60–65% от общего объёма потерь. Как
отмечено в [4], практическое измерение
данного типа потерь существенно осложнено, а
потому возникают проблемы при решении
поставленного
вопроса
снижения
доли
неоптимально
затрачиваемой
тепло-,
электроэнергии (э/э). В настоящее время для
решения задачи прогнозирования потребления
э/э используются приближённые методы,
нормативной базой использования которых
являются, к примеру: [5], [6],[7].
Так, [7] устанавливает понятия заявленная
присоединённая мощность и максимально
допустимая к потреблению мощность.
Заявленная
мощность
–
величина
потребляемой мощности (МВт) в текущем
периоде
регулирования.
Максимальная
мощность
–
максимально
возможная
пропускная способность сечения ФСК-РСК
(МВт),
обусловленная
соблюдением
следующих
критериев:
технические
характеристики передающего оборудования
Крысанов Валерий Николаевич - ВГТУ, канд. техн. наук,
доцент, тел. 8–920–228–56–06, e-mail: sovteh2000@mail.ru
Руцков Алексей Леонидович – ВГТУ, аспирант, тел.
8–952–540–98–89, e-mail: alex_8_90@mail.ru
центра питания ФСК, режимы работы и
пропускной способности электрической сети.
Мощность,
потребляемая
объектом,
должна находиться в интервале между
заявленным и максимальным значением,
которые определяются, исходя из данных
полугодовых режимных замеров, анализа
оборудования и статистических данных
объекта потребления. При этом, как показывает
практика, потребители стараются завысить
свою заявленную мощность с расчётом
увеличения
уровня
потребления
э/э
(расширение производства, увеличение числа
субабонетов и др.). Такое положение дел
вынуждает системного оператора увеличивать
не только уровень заявленной, но и
максимальной
мощности
для
данного
потребителя.
В
результате
величина
технических потерь, а следовательно и затраты
на транспортировку объёмов э/э, возрастают.
Данное обстоятельство обусловлено ростом
потерь в сетях:
P 2 (1 + tg (ϕ ) 2 + kи )
R,
U2
2
∆P =
где ∆P – величина потерь э/э; P –
активная
мощность,
передаваемая
по
элементам с сопротивлением R ; tg (ϕ ) –
коэффициент реактивной мощности; kи –
коэффициент
переменных
потерь,
обусловленных
гармоническим
составом
питающего
напряжении; U –
величина
напряжения в ветви с известными параметрами
активной и реактивной мощности.
Компенсация потерь на реактивную
составляющую и искажение формы питающего
напряжения, в настоящее время, производится
посредствам роста тарифов на услуги по
передаче э/э. В соответствии с [8], [9], величина
реактивной мощности, превышающая объёмы,
означенные в договоре между поставщиком и
заказчиком, оплачивается потребителем в
составе платы услуги по передачи э/э. Это
становиться возможным за счёт применения
повышающего коэффициента в части ставки на
содержание сетей.
Завышение уровня заявленной мощности
предприятиями приводит к дополнительным
потерям во всех составляющих полной
мощности
(активная,
реактивная,
обусловленная гармоническим составом). Эти
потери, в свою очередь, включаются в тариф по
передаче, и возлагаются на потребителя. По
этой
причине
задачи
прогнозирования
потребления э/э играют важное значение в
общей задаче снижения потерь энергии.
Обобщая вышесказанное, мы приходим к
выводу о том, что все дополнительные потери
э/э, понесённые системным оператором, будут
заложены в сводном прогнозном балансе (для
определения тарифа по
передаче)
на
последующий
период
регулирования
(следующий за отчётным год). Задача
потребителя в данной ситуации – уточнение
прогноза объёмов собственного потребления с
целью уменьшения тарифов на услуги по
передаче э/э. Не стоит забывать, что свой
интерес, при решении данного вопроса,
преследует и системный оператор: уточнение
прогноза полезного отпуска ведёт к лучшему
прогнозу потерь и, как следствие, позволяет
своевременно оптимизировать режимы сетей.
В части оптимизации потоков активной
мощности (в том числе и вопросы
прогнозирования
потребления
э/э),
минимизации реактивной составляющей, а
также
величины
искажения питающего
напряжения перспективным подходом является
концепция Smart Grid. В рамках данного
направления
формируются
аппаратный
(устройства
продольного,
поперечного,
смешанного регулирования) и алгоритмический
(законы функционирования и программная
реализация)
уровни
ЭЭС,
обладающей
адаптивными
свойствами,
высокой
динамической устойчивостью. В качестве
реальных препятствий реализации концепции
Smart Grid стоит отметить: слабую нормативноправовую базу, отсутствие законодательных и
экономических рычагов воздействия на все
элементы ЭЭС.
Изменение уровня потребления э/э
является крайне нелинейной функцией и его
прогнозирование
(а
соответственно
и
подтверждение уровня заявленной мощности)
необходимо производить в режиме реального
времени. Для этих целей, как было показано в
[10],[11],[12] эффективно применимы методы
нечёткой логики, экспертных, нейронных
(ИНС) и нейро-нечётких (ННС) сетей. При
такой организации принципиально становится
возможным получение адаптивной ЭЭС (как
части концепции Smart Grid), способной
реагировать на изменяющиеся параметры своих
элементов с наименьшими отклонениями от
оптимальных величин, а следовательно – с
максимальной
прибылью с экономической
точки зрения.
Произведём анализ зависимости величины
потребления
э/э
крупным
объектом
производственного сектора на примере ОАО
«Электросигнал»,
г.Воронеж.
Данное
предприятие имеет комплексный характер
электроэнергетической
нагрузки:
производственные цеха, административные
комплексы, жилзона.
Рассмотрим зависимость потребления э/э
данного
предприятия
от
показателя
необходимой валовой выручки – НВВ
(экономический
фактор)
и
средней
температуры воздуха (климатический фактор).
В качестве периода для анализа выберем
отчётные промежутки по 3 квартала (1-3
кварталы 2011-2013 гг.). По данным АИИС
КУЭ
ОАО
«Электросигнал»
величины
помесячного потребления э/э за указанный
период составила значения, представленные в
табл. 1.
Таблица 1
Потребление э/э предприятия по данным
АИИС КУЭ
Месяц
Потребление э/э, кВтч
2011
2012
2013
Январь
1955338
1969951
1969467
Февраль
2089484
2242107
1995998
Март
2151692
2003352
2135973
Апрель
1750981
1748546
1745042
Май
1317685
1500421
1231324
Июнь
1378988
1486776
1396707
Июль
1463293
1622088
1429803
Август
1490629
1623612
1345559
Сентябрь 2926427
1468877
1317600
Итого
16524517 15665730 14567473
Величина НВВ предприятия приведена в
табл. 2.
Далее за данный период составим базу по
среднемесячной температуре воздуха за
данный период (табл. 3).
Построим зависимости, представленные в
табл. 1–3 на рис. 1–3.
На основании представленных данных
построим
математическую
модель
для
прогнозирования потребления э/э. Для этих
целей применим методы нейро-нечётких сетей
(ННС).
Составим базу правил, представляющую
собой выборку нормированных климатического
и экономического параметров, совместно с
некоторой
неизвестной
и
нелинейной
функциональной
зависимостью
величины
потребления от этих параметров.
Таблица 2
НВВ предприятия за выбранный отчётный
период трёх последних лет
Величина чистой прибыли, тыс.руб.
2011
999,19
2012
1019,27
2013
1122,55
Таблица 3
Среднемесячная температура воздуха
Среднемесячная температура окружающей среды,
0
С
Месяца
2011 г.
2012 г.
2013 г.
Январь
-8,73
-6,95
-4,76
Февраль
-11,9
-12,13
-2,88
Март
-3,5
-2,6
-3,27
Апрель
7,24
11,76
9,57
Май
16,81
18,25
19,51
Июнь
20,36
20,36
21,23
Июль
23,65
22,12
20,28
Август
20,16
20,17
20,38
Сентябрь
13,96
14,26
11,64
Средняя температура за 9 месяцев, 0 С
8,67
9,47
10,18
Рис. 1. Величина потребления э/э предприятием за выбранный отчётный период
Рис. 2. Изменение средней температуры воздуха за выбранный отчётный период t
Рис. 3. Величина НВВ предприятия за выбранный отчётный период
При составлении столбца значений
экономического фактора, за базовую величину
примем величину доли НВВ, приходящейся на
первый месяц рассматриваемой выборки
(январь 2011 года). Полагается, что величина
месячных долей НВВ прямо пропорциональна
потреблению э/э.
При составлении столбца значений
климатического фактора, в качестве базового
значения примем разницу оптимальной
температуры ( ≈ 18 0 С ) и средней температуры
первого
месяца
рассматриваемой
последовательности (январь 2011 года).
Оптимальная температура – величина, при
которой влияние наблюдается минимум
потребления э/э, т.е. можно говорить о
наименьшем влиянии климатического фактора
на рассматриваемую зависимость.
Базовое
значение
потребления
э/э
соответствует параметру для января 2011 года.
В
табл.
4
сведены
показатели
для
моделирования
ННС
прогнозирования
требуемой функциональной зависимости. При
этом, в базу данных математической модели
заносятся полученные (в табл. 4) значения для
2011 и 2012 годов, а значения для 2013 года
являются тестовыми и служат для проверки
адекватности полученных результатов ННС.
Моделирование
рассматриваемого
процесса прогнозирования потребления э/э
предприятием производилось при помощи
пакета Matlab 2012 b. В рамках предлагаемой
модели используется алгоритм нечёткого
вывода Мамдани [13]. Структура нейронной
сети: 2 – 10 (5/5) – 25 – 1 (рис. 4). Термы
принадлежности – гауссовского типа (gaussmf),
терм выхода – линеаризованная величина
(linear). Количество эпох обучения сети – 100.
Таблица 4
Правила функционирования для модели ННС
Месяцы
ЭкономиКлиматиПотреблеческий
ческий
ние
фактор
фактор
нормиронормиронормированное
ванный
ванный
Обучающая выборка
2011 год
Январь
1,000
1,000
1,000
Февраль
1,068
1,110
1,068
Март
1,100
0,800
1,100
Апрель
0,876
0,402
0,890
Май
0,659
0,044
0,670
Июнь
0,689
-0,088
0,700
Июль
0,740
-0,210
0,740
Август
0,760
-0,080
0,760
Сентябрь
1,495
0,15
1,496
2012 год
Январь
1,068
0,930
1,010
Февраль
1,216
1,120
1,140
Март
1,086
0,770
1,020
Апрель
0,940
0,230
0,890
Май
0,813
-0,009
0,767
Июнь
0,805
-0,088
0,760
Июль
0,879
-0,150
0,829
Август
0,879
-0,081
0,830
Сентябрь
0,796
0,139
0,750
Проверочная выборка (2013 год)
Январь
1,240
0,850
1,009
Февраль
1,260
0,780
1,020
Март
1,350
0,790
1,090
Апрель
1,100
0,310
0,890
Май
0,770
-0,050
0,629
Июнь
0,880
-0,120
0,714
Июль
0,905
-0,080
0,731
Август
0,850
-0,090
0,688
Сентябрь
0,834
0,230
0,673
Рис. 4. Структура нейро-нечёткой сети прогнозирования
потребления э/э на базе правил табл. 4
Функциональная
схема
работы
предлагаемой ННС представлена на рис. 5.
Рис. 5. Функциональная схема работы модели ННС
для прогнозирования уровня потребления электроэнергии
Результат работы ННС – пространственная
поверхность, отражающая функциональную
зависимость величины потребления э/э от
экономического и климатического фактора,
представлена на рис. 6.
Рис. 6. Результат работы ННС прогнозирования
потребления э/э
В
результате
функционирования
предлагаемой модели ошибка прогнозирования
2013 года, выраженная разницей работы
последней и проверочной выборки (табл. 4),
составила от 3,5 до 5,3%.
Далее
произведём
оценку
ошибки
прогноза потребления э/э, составленного по
методу постоянного коэффициент роста
потребления э/э предприятием на 2013 год в
размере 3% (по данным годового отчёта за 2012
год).
Фактическую
ошибку
прогноза
потребления э/э от истинного значения (для
примера 2013 года) несложно представить
следующим образом (табл. 5):
Таблица 5
Прогноз потребления э/э на 2013 год
Потребление э/э, кВтч
Факт 2012
Прогноз 2013
Факт 2013
1969951
2029049,5
1969467
2242107
2309370,2
1995998
2003352
2063452,6
2135973
1748546
1801002,4
1745042
1500421
1545433,6
1231324
1486776
1531379,3
1396707
1622088
1670750,6
1429803
1623612
1672320,4
1345559
1468877
1512943,3
1317600
Итого за отчётный период, кВтч
15665730
16135702
14567473
Ошибка прогноза потребления э/э за
отчётный период 2013 года составила 10,7 %
Разница между методом прогнозирования
с применением ННС и методом, основанным
только на нормативной документации [5-9]
составила 5,4 % (или 784 114,45 кВтч за
отчётный период). Для рассматриваемого
примера
процент
потерь
(с
учётом
перенаправления
потоков
и
их
недоиспользования) составит около 20 %. С
учётом средневзвешанного тарифа (средний
тариф с учётом пропорциональности величин
одноставочного и двухставочного потребления)
на уровне 1,5 руб./кВтч, рассчитаем величину
технических потерь предприятия.
P = 784114.45 ⋅ 0.2 = 156822,89
кВтч / отчётный
период
S = 156822,89 ⋅ 1,5 = 235234,33
кВтч / отчётный
период
Получение
данного
экономического
эффекта (от соответствующей оптимизации
режимов сетей) становится принципиально
возможным благодаря получению уточнённого
прогноза потребления э/э. Значение данного
потенциального
положительного
экономического эффекта от применения ННС
прогнозирования потребления э/э для ОАО
«Электросигнал» может быть распространено
на прочие предприятия Воронежской области.
Объём потребления для рассмотренного
примера предприятия составляет около 1,25 %
[14] от общей цифры подобных объектов по
региону.
Следовательно,
величина
положительного экономического эффекта от
применения прогнозирования потребления э/э с
помощью ННС (совместно с мерами по
управлению режимами сетей) составит не
менее 1 750 000 руб./месяц.
Литература
1. Подвальный
С. Л.,
Бурковский
В.Л.
Имитационное управление технологическими объектами с
гибкой структурой. Воронеж: ВГТУ. 1988. – 168 с.
2. Леденева Т.М., Подвальный С.Л., Васильев В.И.
Системы искусственного интеллекта и принятия решений.
Уфа: УГАТУ. 2005. – 206 с.
3. Федеральный закон РФ от 23.03.09 г. N 261-ФЗ
"Об энергосбережении и о повышении энергетической
эффективности и о внесении изменений в отдельные
законодательные акты Российской Федерации" //"РГ" Федеральный выпуск №5050 от 27 ноября 2009 г.
4. Железко
Ю.С.
Потери
электроэнергии.
Реактивная
мощность.
Качество
электроэнергии:
Руководство для практических расчётов / Ю.С. Железко. –
М. : ЭНАС, 2009. – 456 с. : ил.
5. Постановление
Правительства
Российской
Федерации от 4 мая 2012 г. N 442 "О функционировании
розничных рынков электрической энергии, полном и (или)
частичном
ограничении
режима
потребления
электрической
энергии"
//
http://www.rg.ru/2012/06/05/energorynki-site-dok.html
6. Приказ Федеральной службы по тарифам от 6
августа 2004 г. N 20-э/2 "Об утверждении методических
указаний по расчету регулируемых тарифов и цен на
электрическую (тепловую) энергию на розничном
(потребительском) рынке" // http://base.garant.ru/187460/
7. Распоряжение № 119 р/115р ОАО «ФСК ЕЭС» «
Методические указания по расчёту величины заявленной
присоединённой
мощности»
//
http://www.fskees.ru/shareholders_and_investors/ir_releases/
8. Постановление Правительства РФ от 31 августа
2006 г. № 530 «Об утверждении правил функционирования
розничных рынков электрической энергии в переходный
период
реформирования
электроэнергетики»
//
http://www.rg.ru/2012/06/05/energorynki-site-dok.html
9. «Правила недискриминационного доступа к
услугам по передаче электрической энергии и оказания
этих услуг», утвержденные постановлением Правительства
РФ от 27 декабря 2004 г. № 861 // http: //
www.rg.ru/2005/01/19/dostup-energiya-doc.html
10. Крысанов, В.Н. Применение нейро-нечётких
сетей для распределённых объектов [Текст] / В. Н.
Крысанов, А. Л. Руцков //Электротехнические комплексы и
системы управления. - 2013.– №2. - С.18–23
11. Крысанов, В. Н. Энергоэффективные алгоритмы
управления системами осветительной нагрузки [Текст] /
В. Н. Крысанов, К. С. Гамбург, А. Л. Руцков // Вестник
Воронежского
государственного
технического
университета. – 2013. - Т.9. - №3.1. - С. 142 – 147.
12. Ахмедова С.Т., Рахманов Н.Р. Оперативная
оптимизация режима энергосистемы с использованием
комбинированной нейронной сети и генетического
алгоритма // Электро №1, 2009 – С. 7– 12
13. Леоненков А.Л. Нечеткое моделирование в среде
MATLAB и fuzzyTECH. БХВ-Петербург. 2003.
14. Официальный сайт компании Россети /
http://www.mrsk1.ru/ru/about/branches/voronegenergo/
Воронежский государственный технический университет
APPLICATION OF THE PRINCIPLES OF NEURO AND INDISTINCT NETWORKS
FOR ELECTRICITY CONSUMPTION PREDICTION IN THE PRODUCTION SPHERE
V.N. Krysanov, A.L. Rutskov
In article application of neuro and indistinct model for electricity consumption prediction on the example of
«Elektrosignal», Voronezh is considered. The economic assessment of lowering of losses of energy due to use of offered
algorithm is given
Key words: electricity consumption prediction, energy saving and power effective algorithms, neuro – indistinct
networks
1/--страниц
Пожаловаться на содержимое документа