//Электрика. – 2009. – № 9.– С. 3–8.

 

АНАЛИЗ И ПРОГНОЗИРОВАНИЕ ПОТЕРЬ ЭЛЕКТРОЭНЕРГИИ

В УСЛОВИЯХ РОЗНИЧНОГО РЫНКА

В. Г. Курбацкий, д.т.н., профессор, ведущий научный сотрудник

Н. В.Томин, к.т.н., ст. н. с.

Институт систем энергетики им. Л. А. Мелентьева СО РАН

 

Стремительное развитие отечественного рынка электроэнергии и мощности началось лишь в конце прошлого столетия. С 1 сентября 2006 г. в России вступили в силу новые правила функционирования оптового и розничного рынков [1], согласно которым часть электроэнергии на оптовом рынке (ОР) продаётся по свободным ценам; остальная часть поставляется по нерегулируемым ценам (тарифам). Согласно [2], доля электроэнергии, поставляемой на розничный рынок (РР) по регулируемым ценам, определяется исходя из объёмов покупки по регулируемой цене на ОР. В соответствии с современными тенденциями, в 2009 г. предполагается значительное увеличение объёмов поставок ЭЭ и мощностей по нерегулируемым ценам (рис. 1).

Рис. 1. График либерализации российского рынка ЭЭ

 

В настоящее время промежуточным звеном между оптовым и розничными рынками являются гарантирующие поставщики[1] и независимые энергосбытовые компания (ЭСК), которые осуществляют покупку электроэнергии на ОР для её последующей реализации на РР. Ускоренное создание РР существенно усложнило и без того непростую проблему взаимоотношений между ЭСК и потребителями. Это обусловлено как несовершенством (в основном, из-за упрощения) методологических подходов к организации работы рынка энергии, так и отсутствием необходимой оперативной и достоверной информации по заданным временным интервалам [4].

Важно также отметить, что и во взаимоотношениях ЭСК с ОР возникают значительные трудности. В настоящее время сложилась определённая система взаимоотношений между ЭСК и потребителями (рис. 2). Риски и доходы при покупке ЭЭ на ОР и её дальнейшей реализации на РР полностью берёт на себя ЭСК, поскольку действующее законодательство не позволяет переносить сложившиеся на ОР цены на розничных потребителей[2]. Конечные потребители не заинтересованы в оптимизации потребления с точки зрения ОР, не видя преимуществ такой работы.

Необходимо принять действенные меры, способствующие появлению подлинной конкуренции в сегменте РР и недопущению резкого скачка цен на электроэнергию в ближайшей перспективе. Если на ОР изменения по достижению полной либерализации идут поэтапно, то на РР в регионах явно просматриваются монопольные тенденции, а в связи с отсутствием чётко прописанных нормативных актов антимонопольный контроль за действиями созданных на базе АО-энерго сетевых и сбытовых компаний осуществляется на крайне низком уровне. Одна из возможных моделей конкурентного РР ЭЭ (рис. 6, 7), предложенная в [4], предполагает создание в регионах администрации розничного рынка (АРР) – биржевой площадки, на которой все поставщики ЭЭ будут находиться в равных условиях. Основная цель деятельности АРР – предоставление услуг по организации торговли на РР ЭЭ, ведение финансовых расчётов за поставляемую ЭЭ, услуги по её передаче, защита интересов поставщиков и потребителей.

Рис. 2. Схема взаимоотношений ЭСК с потребителями

 

Распределительные электрические сети обладают рядом специфических особенностей. Назовём их:

     недостаточная наблюдаемость электрической сети, возникающая вследствие низкой обеспеченности средствами измерения и учёта;

     слабая проработка современных методов анализа ПРТХ[3] и визуализации данных, что приводит к недостаточной наглядности анализа (особенно при больших объёмах информации);

     резкая изменчивость ПРТХ, что усложняет моделирование временных рядов в рамках традиционных статистических методов;

     наличие в сетях электрически не связанных сетевых участков.

Важнейшей характеристикой экономичной работы сетей являются потери электроэнергии – своеобразный "индикатор" эффективности деятельности ЭСК. В связи с развитием в России рыночных отношений значимость проблемы оценки потерь, тесно связанной с вопросами тарифообразования, существенно возросла. Это требует разработки эффективных методов расчёта и анализа потерь [5, 6], позволяющих получить достоверные их оценки для каждого отдельного элемента сети.

В силу исторически сложившегося монопольного характера отечественного электроснабжения естественное установление тарифов на уровне баланса цен спроса и предложения с помощью рыночных механизмов практически невозможно, так как альтернативные возможности электроснабжения в большинстве российских энергосистем отсутствуют. Чаще всего потребитель может получать электроэнергию только от "своей" энергосбытовой (энергоснабжающей) организации.

В этой ситуации регулирование тарифов было возложено на государственные регулирующие органы – Федеральную службу по тарифам (ФСТ) и региональные энергетические комиссии (РЭК). При этом ЭСК должны были ежегодно обосновывать уровень потерь электроэнергии, которые они считают целесообразным включить в тариф, а энергетические комиссии – принимать эти обоснования или корректировать их. Таким образом, энергопредприятиям крайне важно знать ожидаемые потери (в процентах) в обслуживаемом ими энергорайоне. В соответствии с [7] этот механизм может быть наглядно представлен в виде упрощённой блок-схемы (рис. 3).

Рис. 3. Схема формирования тарифа на электрическую энергию

 

В условиях рынка потери можно рассматривать как издержки, связанные с передачей электроэнергии по сети. В связи с этим возникает необходимость в разграничении ответственности за потери между отдельными субъектами РР. В современной практике анализа потерь электроэнергии достаточно широко используются следующие методы распределения ответственности [8]:

1) пропорционального распределения потерь между поставщиками и потребителями;

2) маржинального распределения потерь;

3) распределения потерь пропорционально участию в перетоках по линиям электропередачи;

4) адресного распределения потерь (разработан сотрудниками ИСЭМ СО РАН).

Необходимо отметить, что эти методы связаны, в основном, с корректным выяснением ответственности тех или иных абонентов (субабонентов), но не всегда позволяют провести детальный анализ потерь электроэнергии.

В силу существенных различий в структуре электрических сетей и их протяжённости уровни фактических потерь будут иметь индивидуальное значение для каждой ЭСК, зависящее от режимов работы электрических сетей и особенностей учёта поступления и отпуска электроэнергии. Для субъектов РР крайне важно корректно выявлять "очаги" потерь ЭЭ[4] [8] и причины их возникновения, поскольку они в значительной степени предопределяют возможные финансовые убытки предприятий. Однако недостаточный объём информации о параметрах режима и разобщённость сетевых участков энергорайонов существенно затрудняют анализ и выявление этих "очагов" в рамках традиционных методик, вследствие чего достоверное выявление их пока не представляется возможным.

Особое место в задачах расчёта и анализа потерь ЭЭ занимает оценка сверхнормативных потерь электроэнергии[5] (СПЭ). Несмотря на то, что методика, утверждённая ФСТ, устанавливает порядок расчёта нормативов технологических потерь, составляющая СПЭ в ней не рассматривается. При наличии СПЭ прибыль ЭСК существенно снижается, и это лишает ЭСК денежных средств, которые могли бы быть направлены и на мероприятия по снижению потерь. Особенно остро эта проблема стоит в коммунальных распределительных сетях, где значительна доля бытового потребления и, соответственно, велики СПЭ.

Для эффективного решения отмеченных выше задач авторами разработан интеллектный[6] ПВК "АНАПРО" [9] на базе концепции Model-Driven Architecture (MDA) [10], состоящий из трёх подсистем (рис. 4):

·        Анализ ПРТХ;

·        Погнозирование ПРТХ;

·        Совместная обработка ПРТХ.

а

б

Рис. 4. Основные подсистемы интеллектного ПВК "АНАПРО":

а – подсистема анализа ПРТХ; б – подсистема прогнозирования ПРТХ

 

Основная идея концепции MDA состоит в том, чтобы создавать исполняемые модели – программные системы на основе построенных моделей, т. е. транслировать модели в макросы пользовательских приложений. Центральным ядром ПВК является интегрированная программная система (ИПС), реализованная на базе программного продукта STATISTICA 6.0 (производитель StatSoft) [4] в среде Windows.

Проиллюстрируем работу интеллектного ПВК "АНАПРО" на примере выполненных расчётов по анализу и прогнозированию потерь в линиях электропередачи (ЛЭП) для энергорайона г. Братска (рис. 5, а). В качестве исходной информации использовался годовой массив данных по расчётным потерям электроэнергии в ЛЭП ряда сетевых участков. Результаты кластерного анализа SOM[7] (блок 3) и факторного анализа PCA (блок 4) для этих участков представлены на рис. 5, б, в.

Рис. 5. Анализ потерь электроэнергии в распределительных сетях Братского энергорайона

 

Кластерный анализ SOM позволил разбить весь энергорайон на компактные группы, обладающие схожими признаками по критерию распределения потерь электроэнергии в течение года, а также выявить "очаговые зоны" в исследуемом энергорайоне (табл. 1). С использованием факторного анализа PCA выделены основные факторы в исследуемом массиве изменения потерь, в том числе и наличие составляющей сверхнормативных потерь (СПЭ). Проведённый кластерный анализ позволил идентифицировать факторы, выделенные процедурой PCA в блоке 4:

•фактор 1 – потери ЭЭ в сетевом участке "Сухой" (кластер B1);

•фактор 2 – потери ЭЭ в сетевом участке "Южный Падун-1" (кластер B2).

1.      Результаты кластерного анализа SOM для сетевого участка энергорайона г. Братска

Кластер

Сетевые участки, входящие в кластер

Месяцы наибольших

потерь электроэнергии

А1

Лесохимик, Надежда, Сосновый Бор, Южный Падун-2

-

А2

Бикей, Северный Артек, Стениха

-

B1

Южный Падун-1

Все месяцы, кроме июня и июля

B2

Сухой

Июнь, июль, август

При совместном анализе рис. 5 и табл. 1 видно, что резко выделяются летние месяцы вследствие высоких значений по фактору 2 (0,65–0,95). Именно в эти месяцы для сетевого участка "Сухой" имеют место высокие потери электроэнергии. По аналогии величина фактора 1, изменяющаяся в пределах 0,92–0,99, определяет расположение всех месяцев на графике PCA, за исключением июня и июля – в эти месяцы высокие потери наблюдаются в сетевом участке "Южный Падун-1".

Подсистемой анализа ПРТХ установлено, что и максимальные потери имеют место в сетевом участке "Сухой". Поэтому для этого района было осуществлено прогнозирование СПЭ на годовой интервал по ретроспективной выборке за четыре предыдущих года по ряду показателей потребления электроэнергии, в том числе и непосредственно по самóй составляющей СПЭ.

Для сравнительного анализа и прогнозирования СПЭ использовали несколько типов прогнозных моделей:

·          АРПСС (авторегрессия проинтегрированного скользящего среднего) (2,0,0) (2,2,0) – ввиду ограничения регрессионных моделей на количество входных параметров в качестве входных значений использованы только ретроспективные данные по величине СПЭ;

·          многослойный персептрон MLP (пять входных – пять скрытых – один выходной нейроны); для обучения использовали следующие входные параметры: "плановая реализация электроэнергии", "фактическая реализация электроэнергии" и "дебиторская задолженность"; выходным параметром являлись "величины СПЭ";

·          ассоциативная машина CM-3 нейросети-эксперта типа MLP различной архитектуры; набор входных и выходных значений аналогичен набору предыдущей модели.

Оптимальные нейросетевые прогнозные модели были найдены с помощью алгоритмов нелинейной оптимизации: имитации отжига (SA[8]) и нейрогенетического отбора (NGIS[9]), результаты представлены в табл. 2.

Результаты расчётов в рамках используемых прогнозных моделей (табл. 3) свидетельствуют о высокой ошибке прогноза в рамках модели АРПСС. В то же время прогноз с помощью структуры CM, реализованной в Подсистеме прогнозирования ПРТХ, практически в два раза точнее прогноза "одиночной" ИНС.

Использование Подсистемы совместной обработки ПРТХ позволяет существенно повысить точность прогнозирования. Как было выявлено ранее в результате факторного анализа PCA, высокие значения потерь для сетевого участка "Сухой" наблюдаются в летние месяцы. Это существенно сказывается на точности прогноза СПЭ в летние месяцы (см. табл. 3) по моделям ИНС и CM, особенно для июля (по модели ИНС – 30,0 %, по модели CM – 16,5 %), который имеет наибольшее отклонение на графике PCA (см. рис. 5, в).

2. "Соревновательный" отбор алгоритмом SA при прогнозе СПЭ

Число этапов SA

Тип прогнозной модели

Абсолютная ошибка, МВт

Число нейронов

Мера эффективности ИНС

входных

скрытых

1

MLP[10]

238,88

2

1

0,367

2

GRNN[11]

140,58

6

37

0,366

3

GRNN

140,58

6

37

0,366

4

GRNN

140,58

6

37

0,366

5

MLP

105,53

2

6

0,268

6

RBF[12]

  43,89

6

19

0,115

7

RBF

  32,46

6

22

0,082

8

RBF

  28,29

6

29

0,076

9

MLP

8,70

3

1

0,022

10

MLP

6,56

3

5

0,015

 

 

3. Прогноз сверхнормативных потерь электроэнергии в сетевом участке "Сухой" различными прогнозными моделями

Прогнозная модель

Относительная ошибка, %, по месяцам

Средняя ошибка, %

1

2

3

4

5

6

7

8

9

10

11

12

АРПСС

43,9

43,5

49,1

42,9

45,8

35,9

35,6

43,8

40,1

44,1

40,1

49,3

42,8

ИНС

2,3

0,4

2,5

4,9

8,3

8,3

30,0

12,5

1,2

0,5

1,4

1,3

6,1

CA

1,0

1,5

2,8

3,9

4,3

4,6

16,5

8,1

0,6

0,3

0,2

1,2

3,7

 

4. Значения факторной нагрузки r фактора 1 для сетевого участка "Сухой"

Показатель

Месяцы

1

2

3

4

5

6

7

8

9

10

11

12

Факторная нагрузка r

0,996

0,991

0,999

0,989

0,980

0,648

0,289

0,738

0,964

0,997

0,995

0,920

 

5. Прогноз СПЭ в сетевом участке "Сухой" моделями "обычной" CM и CM с коррекцией PCA и SOM

Прогнозная модель

Относительная ошибка за месяцы, %

Средняя ошибка, %

1

2

3

4

5

6

7

8

9

10

11

12

CM (макрос прогнозирования)

1,0

1,5

2,8

3,9

4,3

4,6

16,5

8,1

0,6

0,3

0,2

1,2

3,7

CM (макрос совмест-ной обработки)

0,5

0,01

0,4

1,7

2,5

2,3

2,4

0,1

0,6

0,4

0,5

2,9

1,2

 

Для повышения точности прогноза СM в рамках Подсистемы совместной обработки в обучающую выборку был введён дополнительный входной параметр r – факторной нагрузки фактора 1 (сетевой участок "Сухой"), вычисленный при анализе потерь ЭЭ (табл. 4).

Результаты прогнозирования СПЭ с учётом коррекции PCA и SOM приведены в табл. 5. Видно, что прогноз с учётом выполненного ранее анализа дал более точные результаты, в первую очередь, следует отметить значительное снижение погрешности прогнозирования для наиболее "проблемных" летних месяцев.

Представленный интеллектный ПВК "АНАПРО" позволяет эффективно выделить особенности и различия в режимах работы распределительной электрической сети, своевременно выявить ненормальные режимы и осуществить достоверное прогнозирование величины СПЭ.

Рис. 6 Механизм взаимоотношений субъектов РР в сфере покупки и реализации электроэнергии в новых рыночных условиях

Рис. 7 Модель конкурентного розничного рынка электроэнергии

– передача электроэнергии; - - - финансовые платежи; ···· договора; ·····  заявки участников розничного рынка

 

Список литературы

1.           Правила функционирования розничных рынков электрической энергии в переходный период реформирования электроэнергетики. Утверждены постановлением Правительства РФ от 31.08.2006 г. № 530.

2.           Правила определения стоимости электрической энергии (мощности), поставляемой на розничном рынке по регулируемым ценам (тарифам), оплаты отклонений фактических объёмов потребления от договорных, а также возмещения расходов в связи с изменением договорного объёма потребления электрической энергии. Утверждены приказом ФСТ от 21.08.2007 г. № 166-э/1.

3.           Федеральный закон "Об электроэнергетике".

4.           Забелло Е. П., Евсеев А. Н. Розничный рынок электрической энергии и проблемы достоверности расчётной информации // Промышленная энергетика. 2008. № 11. С. 2–8.

5.           Савина Н. В. Системный анализ потерь электроэнергии в электрических распределительных сетях. Новосибирск: Наука, 2008. 228 с.

6.           Курбацкий В. Г., Томин Н. В. Анализ потерь электрической энергии на базе современных алгоритмов искусственного интеллекта // Электричество. 2007. № 4. С. 5–12.

7.           Курбацкий В. Г., Томин Н. В., Шуманский В. Б. Применение нейросетевых моделей в задаче формирования тарифов на тепловую и электрическую энергию / Энергетика: управление, качество и эффективность использования энергоресурсов: Сб. труд. IV Всероссийской науч.-техн. конф.: В 2 т. Благовещенск: Изд-во АмГУ, 2005. С. 307–312.

8.           Бартоломей П. И., Паниковская Т. Ю. Анализ и разработка алгоритмов оценки ответственности субъектов рынка за потери электроэнергии / Сб. докладов III Междунар. науч.-практ. конф. "Энергосистема: управление, конкуренция, образование". В 2 ч., том 1, УГТУ–УПИ, 2008. С. 176–179.

9.           Курбацкий В. Г., Томин Н. В. Использование ПВК "АНАПРО" для анализа и прогнозирования параметров режима и технологических характеристик в системах электроэнергетики / Труды XIII Байкальской Всерос. конф. "Информационные и математические технологии в науке и управлении". Часть I. Иркутск: ИСЭМ СО РАН, 2008. С. 91–99.

10.      Mellor S. J., Skott K., Uhl A. MDA Distilled: Principles of Model-Driven Arcitecture. 2004. 176 p.



[1] Гарантирующий поставщик (ГП) – это коммерческая организация, обязанная заключать договор купли-продажи электроэнергии с любым обратившимся к нему потребителем [3].

[2] Переносить сложившиеся на ОР цены на конечных потребителей имеют право только гарантирующие поставщики (цены могут быть как ниже, так и выше установленного тарифа, но в рамках предельных норм).

[3] ПРТХ – параметры режима (электрическая нагрузка, перетоки мощности, уровни напряжений и др.) и технологические характеристики (потери мощности и электроэнергии, цены на топливо и др.).

[4] В общем случае под "очагом" потерь ЭЭ понимают участок электрической сети с повышенными фактическими потерями ЭЭ.

[5] Согласно [5], под сверхнормативными (коммерческими) понимаются потери электроэнергии, обусловленные различными причинами в сфере организации контроля за потреблением электроэнергии (несоответствие показаний счётчиков у бытовых потребителей, хищения и др.).

[6] Под "интеллектными" будем понимать подходы, методы, системы или комплексы, использующие технологии искусственного интеллекта.

[7] Self-Organizing Maps – самоорганизующиеся карты Кохонена.

[8] Simulated Annealing – имитация отжига

[9] Neuro-Genetic Input Selection – нейрогенетический входной отбор

[10] Multilayer Perceptrons – многослойный персептрон

[11] Generalized Regression Neural Network – обобщённо-регрессионая сеть

[12] Radial Basis Functions – радиально-базисная сеть