Краткосрочное прогнозирование расхода электрической энергии нефтедобывающего производства

//Электрика. – 2010. – № 8.– С. 19–23.

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ РАСХОДА ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ НЕФТЕДОБЫВАЮЩЕГО ПРОИЗВОДСТВА

П. С. Ермоленко, Ermolenko_PS@surgutneftegas.ru

ОАО "Сургутнефтегаз"

Планирование – одна из главных управленческих функций. Почасовое планирование электропотребления на следующие сутки актуально для многих промышленных предприятий, в особенности для потребителей, выступающих участниками оптового рынка электроэнергии.

Руководствуясь почасовым планом, службы диспетчерского управления неукоснительно соблюдают заданный коридор, не допуская отклонений электропотребления от плановых значений. Если в решении задачи управления электропотреблением акцент делать лишь на организационную составляющую, то результат возможен следующий: что запланировали, то и потребили. Но насколько точен этот план, составляемый на основе прогноза, и какова погрешность прогноза?

В статье рассмотрены результаты апробации методики краткосрочного прогноза электропотребления на основе технологии DataMining. Это технология интеллектуального анализа данных для извлечения из них знаний. DataMining позволяет обнаружить в "сырых" данных ранее неизвестные, нетривиальные, практически полезные и доступные интерпретации знания, необходимые для принятия решений. Известен опыт применения программного реализующего данную технологию обеспечения в налоговых службах, банковском деле, страховом бизнесе, медицине, нефтегазовой отрасли маркетинге и в энергетике [1–5].

К современным программным средствам DataMining относят следующие: SPSS PASW Modeler (Clementine), SAS Enterprise Miner, KXEN Analytic Framework, Mathworks MATLAB, MS SQL Server Analysis Services, Oracle Data Mining. Основные подходы математической обработки DataMining – это анализ временных рядов, классификация и кластеризация [1, 3, 4].

Для апробации краткосрочного прогнозирования электропотребления нами был использован продукт KXEN Analytic Framework. Заложенный в нём математический аппарат основан на теории Владимира Вапника по минимизации структурного риска [5, 6] и позволяет автоматизировать процесс прогнозирования. С практической точки зрения прогнозирование KXEN имеет следующую особенность: в составе программного обеспечения реализован внушительный набор методов прогнозирования, причём программное обеспечение без участия человека выбирает метод, у которого результат прогноза наилучший.

Цель апробации KXEN – выявление состава (набора факторов) и глубины статистики, при которых программный продукт выдаст наиболее качественный результат прогноза электропотребления.

Для получения прогноза на каждый час следующих суток была использована статистика за шесть месяцев электропотребления нефтегазодобывающего управления (НГДУ) "Сургутнефть" – одного из крупных потребителей в составе ОАО "Сургутнефтегаз" (табл. 1). Состав статистического массива представлен на рис. 1. Для эксперимента к стандартному набору были добавлены характеристики следующих факторов: продолжительность ночи, ч; температура окружающей среды, ºС; значения введённых ограничений (лимитов) электропотребления, кВтч. Проведено шесть экспериментов при разных наборах и глубине статистики, результаты сведены в табл. 2.

1. Фрагмент входных данных НГДУ "Сургутнефть"

Номер месяца	День месяца	День недели	Час суток	Электропотреб-ление, кВтч	Продолжительность ночи, ч	Температура, ^оС
3	3	1	1	123348,5	13,2	–14,00
3	3	1	2	121611,1	13,2	–12,00
3	3	1	3	121419,9	13,2	–10,50
3	3	1	4	120576,0	13,2	–8,99
3	3	1	5	120392,7	13,2	–7,48
3	3	1	6	121475,0	13,2	–6,48
3	3	1	7	122461,5	13,2	–6,48
3	3	1	8	123299,9	13,2	–4,97
3	3	1	9	125619,2	13,2	–4,97
3	3	1	10	126395,1	13,2	–4,97
3	3	1	11	123101,1	13,2	–3,46

2. Эксперименты для НГДУ "Сургутнефть"

Параметры прогноза			Вариант прогноза
Параметры прогноза			1	2	3	4	5	6
Статистика	Глубина, месяцев		6	6	6	1	1	0,5
	Входные данные	Номер месяца (1–12)	√	√	√
		Номер дня (1–31)	√	√	√	√	√	√
		День недели (1–7)	√	√	√	√	√	√
		Час суток (1–24)	√	√	√	√	√	√
		Электропотребление, кВтч	√	√	√	√	√	√
		Продолжительность ночи, ч	√	√		√
		Температура окружающей среды, ºС	√	√		√
		Ограничение электро-потребления, кВтч		√	√	√	√	√
Характеристика работы программного продукта	Число переменных		7	8	6	7	5	5
	Время обучения модели, мин		34,4	30,2	27,1	2,9	2,03	0,1
	Метод обработки	Тренд	–	–	–	Linear
		Цикличность	–	–	–	Hour of Day
		Колебания	AR	AR	AR	–	–	–
	Графическое представление прогноза электропотребления		Рис. 2, а				Рис. 2, б
Качество прогноза	Доля результатов, %, с погреш-ностью: в пределах 1 % в пределах 0,5 %		50 29,2	25 12,5	29,2 8,3	37,5 20,8	37,5 20,8	29,2 25
Качество прогноза	Графическое представление погрешности		Рис. 3, а				Рис. 3, б

Рис. 1. Состав статистических данных по НГДУ "Сургутнефть"

Как видно из табл. 2, наилучший прогноз электропотребления НГДУ "Сургутнефть" получен при глубине статистики шесть месяцев и следующем наборе данных: номер месяца; номер дня; день недели; час суток; электропотребление, кВтч; продолжительность ночи, ч; средняя за час температура окружающей среды, ºС. Качество результата можно охарактеризовать следующим образом: у 50 % прогнозных значений погрешность составляет менее 1 %, у 29 % – менее 0,5 %. При расширении статистики информацией об ограничениях электропотребления для каждого часа (плановые значения) качество прогноза ухудшается.

Для получения прогноза электропотребления в целом по ОАО "Сургутнефтегаз" для каждого часа следующих суток использовали набор статистических данных, представленный на рис. 2–4, за шесть месяцев. Результаты 10 экспериментов при разных наборах и глубине статистических данных сведены в табл. 3.

3. Эксперимент для электропотребления ОАО "Сургутнефтегаз" в целом

Вариант прогноза

Статистика

Глубина, месяцев

0,5

Входные данные

Номер месяца (1–12)

√

Номер дня (1–31)

√

День недели (1–7)

√

Час суток (1–24)

√

Электропотребление, кВтч

√

Ограничение электро-потребления, кВтч

√

Характеристика работы программного продукта

Число переменных

Время обучения модели, мин

0,18

2,29

1,14

10,3

4,51

13,2

19,54

25,1

12,4

17,52

Метод обработки

Тренд

Polynom

–

Linear

Цикличность

84,4

Hour of Day

–

Hour of Day

Колебания

–

Графическое представление прогноза электропотребления

Рис.

5, а

Рис. 5, б

Рис. 5, в

Рис. 5, г

Рис. 5, д

Рис. 5, е

Качество прогноза

Доля результатов, %, с погрешностью:

в пределах 1 %

в пределах 0,5 %

45,8

83,3

54,2

83,3

66,7

83,3

66,7

54,2

66,7

45,8

83,3

66,7

83,3

66,7

Графическое представление погрешности

Рис.

6, а

Рис. 6, б

Рис. 6, в

Рис. 6, г

Рис. 6, д

Рис. 6, е

Рис. 2. Графическое представление фактического и прогнозного электропотребления НГДУ "Сургутнефть" (абсцисса – время, ордината – электропотребление, кВтч):

а – вариант 1; б – вариант 5

Рис. 3. Погрешность результатов прогноза в суточном разрезе (абсцисса – номер прогнозируемого временного интервала, ордината – % отклонения):

а – вариант 1; б – вариант 5

Рис. 4. Состав статистических данных по ОАО "Сургутнефтегаз"

Время работы программы, потраченное на обучение модели, не превышает 20 мин при глубине статистики в шесть месяцев (более четырёх тысяч строк входной таблицы). Точность результата и время работы в разных вариантах различаются, в зависимости от методов прогнозирования, выбранных программным обеспечением (рис. 5, 6). Качество прогноза определяют глубина статистических данных и набор исследуемых факторов.

Наилучший краткосрочный прогноз электропотребления c использованием технологии DataMining получен для ОАО "Сургутнефтегаз" в целом при глубине статистики в шесть месяцев и следующем наборе статданных: номер месяца; номер дня; день недели; час суток; электропотребление, кВтч. Данный набор факторов является определяющим, дополняющие факторы не оказывают влияния на качество прогноза. Наилучший полученный результат: у 83 % прогнозных значений погрешность менее 1 %, при этом у 66 % значений – погрешность менее 0,5 %. Такое качество прогноза достижимо при глубине статистики от 2 месяцев и достаточно для практики.

Рис. 5. Графическое представление фактического и прогнозного электропотребления ОАО "Сургутнефтегаз" (абсцисса – время, ордината – электропотребление, кВтч):

а – вариант 1; б – вариант 2; в – вариант 3; г – вариант 5; д – вариант 8; е – вариант 10

Рис. 6. Погрешность результатов прогноза в суточном разрезе (абсцисса – номер прогнозируемого временного интервала, ордината – % отклонения):

а – вариант 1; б – вариант 2; в – вариант 3; г – вариант 5; д – вариант 8; е – вариант 10

Список литературы

1. Чубукова И. А. Data Mining. М.: Изд-во "Интернет-университет информационных технологий – ИНТУИТ.ру", 2006. 384 c.: ил.

2. Паклин Н. Б., Орешков В. И. Бизнес-аналитика: от данных к знаниям. СПб.: Питер, 2009. 624 с.

3. Дюк В., Самойленко А. Data Mining: учебный курс. СПб.: Питер, 2001. 368 с.

4. Han J., Kamber M. Data Mining: Concepts and Techniques. 2000. 312 с.

5. Компоненты KXEN Analytic Framework. http:// www.ksema.ru/ prodtech/ article /21.html

6. Вапник В. Н., Червоненкис А. Я. Теория распознавания образов. Статистические проблемы обучения. М.: Наука. 1974. 416 с.