// Журнал «Промышленная Энергетика», 2011 - № 10, стр. 31-35

 

Концепция разработки системы прогнозирования электропотребления

промышленного предприятия в условиях оптового рынка.

Валь П. В., инж., Попов Ю. П., канд. техн. наук

Сибирский федеральный университет, Красноярск

 

       Рассмотрена концепция разработки системы прогнозирования электропотребления промышленного предприятия в условиях оптового рынка электроэнергии и мощности (ОРЭМ). Указаны основные этапы построения этой системы, начиная с определения прогнозных показателей, установления основных влияющих факторов-признаков и заканчивая тестированием разработанной модели прогнозирования. Обосновано использование методов прогнозирования на основе искусственного интеллекта (искусственные нейронные сети, теория нечеткой логики).

 

 

         В последние годы в условиях стабильного роста цен на электроэнергию все более актуальной становится проблема оптимизации затрат на ее покупку. Один из возможных путей решения данной проблемы - выход крупного предприятия (с присоединенной мощностью более 20 МВт) на ОРЭМ, где цены ниже, чем на розничном рынке электроэнергии и мощности у гарантирующего поставщика. Однако добиться значительного снижения затрат возможно лишь при условии квалифицированной работы предприятия на конкурентном рынке.

         Согласно правилам ОРЭМ к участникам рынка предъявляется ряд серьезных требований, одно из них - качественное прогнозирование планового почасового потребления электроэнергии с целью подачи ценовых заявок на ее покупку. Высокие требования в области планирования электропотребления в процессе ее покупки обусловлены особенностями электроэнергии как товара. Для электроэнергии характерно совпадение во времени процессов производства, передачи и потребления, т. е. равенство объемов ее выработки и потребления в каждый момент времени. Таким образом, если объем потребленной предприятием в текущий час электроэнергии не соответствует объему, заявленному на "рынке на сутки вперед" (РСВ), то согласно правилам ОРЭМ покупка/продажа недостающих/лишних  объемов   производится на "балансирующем рынке", цены на котором могут значительно отличаться от цен на РСВ. В таких условиях для покупателей электроэнергии на ОРЭМ важной становится задача обеспечения краткосрочного прогнозирования электропотребления с целью подачи ценовых заявок. Согласно расчетам, проведенным по данным 2009 - 2010 гг. второй ценовой зоны ОРЭМ, для покупателя электроэнергии со среднемесячным электропотреблением порядка 1 млн. МВт • ч снижение среднеабсолютной ошибки прогнозирования на 1 % (например, с 3 до 2 %) способствует экономии более 2,5 млн. руб. в месяц.

         В настоящее время в России на промышленных предприятиях все еще распространен "ручной прогноз", основанный на личном опыте и интуиции эксперта - специалиста отдела главного энергетика. Несмотря на очевидное достоинство (на данном этапе развития ни одна искусственно созданная вычислительная система не в состоянии смоделировать интеллектуальную работу эксперта, обладающего большим объемом плохо формализуемых и неформализуемых знаний, многолетним опытом работы и интуицией), у экспертного прогнозирования существует ряд явных недостатков. Для него характерны довольно длительный период составления, сбои в работе при временном отсутствии эксперта, а также невозможность быстрой и точной обработки   большого   объема   информации. Помочь эксперту принять решение может система прогнозирования электропотребления, которая должна включать в себя базу данных, вычислительный модуль, а также пользовательский интерфейс.

         Необходимость точного прогнозирования значений электропотребления в последние годы стала особенно острой. Главным образом это вызвано реформированием электроэнергетической отрасли и созданием конкурентного рынка электроэнергии и мощности, в результате чего от точности прогнозирования зависит финансовое благополучие предприятий. В России процессы либерализации электроэнергетики несколько отстают от западных стран. Поэтому у нас дефицит современных методик прогнозирования, специализированных программных продуктов для работы на ОРЭМ, а также специалистов в данной области. Проблема осложняется еще и тем, что предприятия не готовы делиться собственными методиками прогнозирования, которые приносят им прибыль в условиях рыночной конкуренции.

         Разработка современных систем прогнозирования - это сложная наукоемкая область знаний, для которой характерен ряд специфических проблем [1]:

определение перечня параметров модели, который необходим и достаточен для оценки состояния исследуемой предметной области;

преодоление так называемого "проклятия размерности", которое возникает при желании учесть в прогнозирующей модели как можно больше показателей и критериев оценки, в результате чего происходит резкое увеличение количества обрабатываемой информации, а это влечет за собой ограничение быстродействия;

наличие феномена "надсистемности", заключающегося в том, что взаимодействующие системы образуют систему более высокого уровня, обладающую собственными свойствами. При этом принципиально недостижима возможность надсистемного отображения с точки зрения систем, входящих в состав надсистемы.

         Сегодня активное развитие получили теории, рассматривающие объекты прогнозирования (в том числе объекты энергетики) с точки зрения сложных систем. Согласно техноценологической теории крупное промышленное предприятие является сложным, трудно формализуемым объектом, на объем электропотребления которого влияет множество различных факторов [2]. Каждое предприятие индивидуально по составу данных факторов и их вкладу в этот объем. Отсюда следует вывод о невозможности создания методики прогнозирования, дающей одинаково качественные прогнозы для разных, пусть даже подобных объектов (например, предприятий одной отрасли). К каждому объекту прогнозирования необходим индивидуальный подход, и можно только выделить основные этапы построения системы прогнозирования, являющиеся общими для большинства объектов.

         Разработка системы прогнозирования - сложный многоэтапный циклический процесс. Как правило, в ее создании участвуют прогнозист (исполнитель) и энергетик (представитель заказчика). В нашем случае имеется в виду, что прогнозист - это специалист (или группа специалистов) в области сбора и обработки информации, анализа данных, теории прогнозирования, компьютерного моделирования и программирования, а энергетик - специалист в области функционирования конкретного объекта прогнозирования, например, специалист отдела главного энергетика предприятия.

         На рис. 1 представлены основные этапы разработки системы прогнозирования. Этап I заключается в постановке задачи, т. е. в определении состава прогнозируемых показателей, а также периода упреждения прогнозов. Для работы на ОРЭМ прежде всего необходим прогноз планового почасового потребления электроэнергии с периодом упреждения до 48 ч вперед, а для проведения осознанной финансовой стратегии подачи ценовых заявок на рынке - прогноз почасового индекса цены РСВ с периодом упреждения до 48 ч. Кроме того, если предприятие способно регулировать свое электропотребление в непродолжительный промежуток времени, целесообразен оперативный прогноз электропотребления с периодом упреждения до 1 ч вперед. Как правило, разработкой первого этапа занимается энергетик.

 

Рис. 1.

 

         На этапе II устанавливается перечень возможных факторов, способных влиять на значение прогнозируемого показателя. Например, электроснабжение промышленного предприятия зависит от множества производственных, технологических, горно-геологических, климатических, социальных и других факторов. Следует отметить, что однофакторные методы прогнозирования (так называемые методы на основе временных рядов), использующие информацию только о значении самого прогнозирующего показателя в предыдущие моменты времени, наиболее простые. Однако получить точные несмещенные прогнозы они не позволяют.

         Этап III включает сбор статистической информации о значениях прогнозируемых показателей (этап I) и влияющих факторах (этап II) в предыдущие моменты времени. Можно выделить источники информации: внешние (например. Internet) и внутренние (например, АИИС КУЭ и архивы предприятия). Как показывает практика, для получения качественного прогноза электропотребления целесообразно ведение учета по всем основным подразделениям предприятия. Если по каким-либо факторам, установленным на этапе II, статистическая информация отсутствует, нужно организовать ее сбор. Чем быстрее будет получен достаточный ее объем по всем влияющим факторам, тем раньше предприятие выйдет на качественно новый уровень планирования своего электропотребления.

         На этапе IV формируется база данных. Необходимость создания единой базы данных обусловлена тем, что хранение информации в разных источниках (например, в электронных таблицах или на бумажных носителях) может привести к дублированию сведений, появлению противоречивой информации, утере части данных, сложностям при их извлечении. Это в конечном счете является причиной ошибочных прогнозов. База данных должна содержать всю информацию, требуемую для составления прогнозов, а также значения прогнозов для последующего анализа ошибок.

         Процесс заполнения базы данных должен сопровождаться их предварительной обработкой, заключающейся в определении пропущенных, повторяющихся и отрицательных значений, выбросов, удалении шума и т. п. Следует отметить, что идентификация выбросов основывается на косвенных процедурах, поэтому необходимо проводить экспертное оценивание каждого предполагаемого выброса, чтобы отличать крайние значения от выбросов. Этот этап работы выполняет прогнозист, а задача энергетика сводится к экспертной оценке выбросов, повторяющихся значений.

         Этап V заключается в оценке степени достоверности данных, используемых при прогнозе. Настройка параметров модели, как правило, осуществляется на основе фактических данных. Но в реальных условиях для составления прогноза в большинстве случаев используются не фактические, а прогнозные значения. Например, для прогноза электропотребления применяется прогноз температуры окружающего воздуха или план выпуска продукции, которые соответствуют реальным значениям с различной степенью достоверности.

         На этапе VI выполняется количественный анализ степени влияния факторов на прогнозируемый показатель. Учесть все факторы, влияющие на электропотребление, невозможно, поэтому следует выделить только те, которые наиболее полно описывают изменение электропотребления. Основная сложность определения наиболее значимых факторов заключается в том, что, как правило, их влияние на прогнозируемый показатель носит нелинейный комплексный характер, когда несколько факторов по отдельности не оказывают такого влияния, как в совокупности. В таких условиях наряду с классическим корреляционным анализом крайне эффективны современные нелинейные методы оценивания, основанные на теории искусственного интеллекта (artificial intelligence), куда в первую очередь относят теории искусственных нейронных сетей (ИНС) и нечеткой логики [3]. Поиск наиболее значимых факторов осуществляет прогнозист. Однако дополнительно необходим логический анализ взаимосвязи переменных с точки зрения физики явлений, который выполняет энергетик [4].

         Следующие этапы разработки данной системы - выбор метода прогнозирования (VII) и настройка параметров прогнозирующей модели (VIII). Вследствие значительной инерционности объектов энергетики для решения задач краткосрочного прогнозирования электропотребления наиболее действенны экстраполяционные методы. Они основаны на принципе переноса в будущее тенденций, действовавших в прошлом и в настоящем, а также на предположении, что обнаруженные и математически описанные структурные взаимосвязи не претерпят в будущем особых изменений или эти изменения будут развиваться известным образом. Данный класс методов прогнозирования включает в себя множество методов - от достаточно простых методов экспоненциального сглаживания до сложных, основанных на теории искусственного интеллекта. Выбор метода прогнозирования определяется спецификой решаемой задачи. В последние годы в России и за рубежом все большее развитие получают методы прогнозирования на основе искусственного интеллекта.

         Методы на основе ИНС и теории нечетких множеств имеют ряд преимуществ по сравнению с классическими методами. Прежде всего это способность моделирования зависимостей любой степени сложности, а также отсутствие ограничений на характер входной информации. В качестве входной в таких моделях можно использовать как количественную информацию (например, значения температуры окружающего воздуха, объема выпуска продукции), так и качественную (время года, рабочие/выходные дни, нормальный/аварийный режим, состав работающего оборудования). О достоинстве указанных методов свидетельствует и наличие в современных западных программных продуктах, специализирующихся на прогнозировании электропотребления, модулей искусственного интеллекта, например, AleaSoft (Испания), Inron (США).

         На рис. 2 показан пример ИНС, используемой для прогнозирования электропотребления. Следует отметить, что при прогнозировании на основе ИНС предъявляются высокие требования как к вычислительным комплексам, так и к квалификации специалистов, разрабатывающих прогноз. Поэтому на практике необходимо обосновывать целесообразность использования ИНС вместо более простых классических методов.

 

Рис. 2.

 

         Этап IX разработки системы прогнозирования заключается в тестировании модели на ретроспективных данных. Первоначально анализируется ее адекватность, т. е. определяется степень совпадения свойств прогнозирующей модели и объекта прогнозирования. Обычно анализ адекватности включает в себя визуальную оценку и статистический анализ остатков на соответствие белому шуму. Неадекватная модель не может давать качественные прогнозы, однако и адекватная модель не всегда дает их.

         Поэтому требуется оценка качества прогнозирования на тестовом множестве - подмножестве  выборки, содержащем примеры, используемые не для настройки параметров модели, а для проверки ее результатов.

         Этап тестирования модели также включает в себя оценку ее устойчивости к использованию неточных входных данных. Для этого можно искусственно добавлять шум определенной дисперсии к значениям входных данных и оценивать точность прогнозирования на тестовом множестве. По полученным результатам принимаются решения о дополнительной настройке параметров модели, о целесообразности применения выбранного метода прогнозирования, а также о составе используемой входной информации. Может быть принято решение и о поиске нового значимого неучтенного фактора, если ошибка на тестовом множестве характеризуется большой смещенностью.

         На завершающем этапе X осуществляется тестирование системы прогнозирования на предприятии в реальных условиях. За это отвечает энергетик предприятия, а прогнозист выступает лишь в качестве консультанта. По завершении данного этапа система прогнозирования вводится в эксплуатацию.

         В ходе ее эксплуатации основной задачей персонала предприятия является своевременное пополнение базы данных информацией, необходимой для составления прогнозов, а также результатами прогнозирования для последующего анализа ошибок. В случае увеличения средней ошибки прогнозирования необходима перенастройка параметров модели с учетом новых данных. Кроме того, необоснованное увеличение ошибки может свидетельствовать об изменении структуры объекта прогнозирования. Тогда нужно вернуться к более ранним этапам разработки системы прогнозирования и пройти их заново. На протяжении всего времени эксплуатации системы требуется ее контроль и техническая поддержка со стороны прогнозиста.

         Таким образом, сегодня наличие системы прогнозирования электропотребления - необходимое условие нормального функционирования промышленного предприятия на ОРЭМ. Но следует учитывать, что для каждого предприятия подобного рода системы являются индивидуальными, начиная с прогнозируемых показателей и перечня влияющих факторов и заканчивая удовлетворительной точностью прогнозов.

 

Список литературы

1.      Тихонов Э. Е. Методы прогнозирования в условиях рынка: Учеб. пособие. - Невинномысск: Изд-во СевКавГТУ, 2006.

2.      Кудрин Б. И. Введение в технетику - Томск: Изд-во Томского гос. ун-та, 1991.

3.      Осовский С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. - М.: Финансы и статистика, 2002.

4.      Кудрин Б. И., Мозгалин А. В. Методика обеспечения почасового прогнозирования электропотребления предприятий с учетом погодных факторов. - Вестник МЭИ, 2007, № 2.