На правах рукописи

Валь Пётр Владимирович

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ

ГОРНОГО ПРЕДПРИЯТИЯ В УСЛОВИЯХ ОПТОВОГО РЫНКА

ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ

Специальность: 05.09.03 – Электротехнические комплексы и системы

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Красноярск – 2012

Работа выполнена в ФГАОУ ВПО «Сибирский федеральный университет», г. Красноярск

Научный руководитель: кандидат технических наук, профессор Попов Юрий Петрович

Официальные оппоненты:

Тимофеев Виктор Николаевич – доктор технических наук, профессор, ФГАОУ ВПО «Сибирский федеральный университет», кафедра «Электротехнология и электротехника», заведующий кафедрой.

Бастрон Татьяна Николаевна – кандидат технических наук, доцент, ФГБОУ ВПО «Красноярский государственный аграрный университет», кафедра «Системоэнергетика», заведующий кафедрой.

Ведущая организация: ФГБОУ ВПО «Новосибирский государственный технический университет» (г. Новосибирск)

Защита состоится 24 мая 2012 г. в 14 часов на заседании диссертационного совета ДМ 212.099.06 при Сибирском федеральном университете по адресу:

г. Красноярск, ул. Ак. Киренского, 26, ауд. УЛК 115.

С диссертацией можно ознакомиться в библиотеке Сибирского федерального университета.

Автореферат разослан « » апреля 2012 г.

Ученый секретарь диссертационного совета Царёв Роман Юрьевич

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Необходимость точного определения будущих значений параметров электротехнических систем возникла с момента начала глобальной электрификации отраслей экономики развитых стран. Результаты прогнозирования электропотребления и мощности являются информационной основой процессов планирования оптимальных режимов работы электротехнических систем предприятий. В последние годы необходимость прогнозирования электропотребления обострилась, в том числе и для потребителей электроэнергии, в связи с формированием конкурентных отношений в электроэнергетической отрасли и запуском оптового рынка электроэнергии и мощности (ОРЭМ).

Выход на ОРЭМ крупных предприятий, суммарная присоединенная мощность которых превышает 20 МВА, стал следствием необходимости повышения рентабельности производства в современных условиях рыночной экономики. Высокая энергоемкость производства отечественных предприятий и стабильный рост уровня цен на электроэнергию в современных условиях приводят к значительному увеличению себестоимости продукции, что снижает конкурентоспособность отечественных предприятий на мировом рынке. Выход крупного предприятия на ОРЭМ позволяет существенно оптимизировать затраты на покупку электроэнергии преимущественно за счет организационных мероприятий.

Регламент ОРЭМ выставляет ряд требований к его участникам. Одним из наиболее серьезных требований является организация качественной работы в области подачи ценовых заявок на покупку электроэнергии «рынка на сутки вперед» (РСВ). Некачественная подача ценовых заявок вследствие неточного краткосрочного прогнозирования электропотребления может свести к минимуму все выгоды, связанные с выходом предприятия на ОРЭМ, так как приведет к дополнительным издержкам, вызванным выходом на «балансирующий рынок» (БР). В таких условиях для покупателей электроэнергии ОРЭМ актуальной является задача обеспечения качественного краткосрочного прогнозирования электропотребления.

Решению задачи прогнозирования параметров электротехнических систем предприятий посвящены работы многих отечественных и зарубежных исследователей:

Б.И. Кудрин, Б.И. Макоклюев, В.И. Гнатюк, А.Н. Митрофанов, В.З. Манусов, И.И. Надотка, Дж. Тейлор и другие.

В настоящее время для обеспечения качественного краткосрочного прогнозирования электропотребления электротехнических систем предприятий требуется система прогнозирования, обеспечивающая эффективное хранение и использование необходимой информации, реализующая все этапы прогнозирования и управляемая посредством графического пользовательского интерфейса. Система прогнозирования должна быть адаптивна, должна использовать современные методы анализа данных и в полной мере использовать вычислительные мощности современных ЭВМ.

Целью диссертационной работы является разработка системы краткосрочного прогнозирования электропотребления электротехнической системы горного предприятия, обеспечивающей прогнозирование заявленных объемов электропотребления на оптовом рынке электроэнергии.

Для достижения указанной цели в диссертации поставлены и решены следующие задачи:

1. Методологический анализ проблемы краткосрочного прогнозирования электропотребления электротехнических систем предприятий в условиях работы на ОРЭМ.

2. Разработка алгоритма построения модели краткосрочного прогнозирования временного ряда электропотребления электротехнической системы на основе интеллектуальных методов анализа данных.

3. Разработка концепции построения системы краткосрочного прогнозирования электропотребления предприятия.

4. Разработка структуры и программного обеспечения системы краткосрочного прогнозирования электропотребления электротехнической системы горного предприятия.

5. Экспериментальные исследования прогнозирующих свойств системы краткосрочного прогнозирования электропотребления горного предприятия.

Методы исследования. При решении поставленных задач были использованы современные методы анализа данных, математическая статистика, корреляционнорегрессионный анализ, теория искусственных нейронных сетей, теория реляционных баз данных, принцип системного подхода. Расчеты и математическое моделирование проводились с использованием программных продуктов MATLAB, Statistica, MySQL.

Основные новые научные результаты, выносимые на защиту:

1. Разработана концепция построения системы краткосрочного прогнозирования электропотребления предприятия, характеризующаяся тем, что ею может быть охвачено большинство современных электротехнических систем предприятий, содержащая полное описание процесса построения системы прогнозирования, последовательно излагающая и полностью описывающая основные этапы с указанием степени участия сторон в выполнении каждого этапа.

2. Предложен и обоснован алгоритм построения модели краткосрочного прогнозирования временного ряда электропотребления с суточной цикличностью, отличающийся тем, что для прогнозирования электропотребления каждого часа суток используется индивидуальная часовая модель, которая, в свою очередь, состоит из комбинации искусственных нейронных сетей типа многослойный персептрон, с различной степенью адекватности описывающих разные стороны процесса электропотребления.

3. Разработаны структура и алгоритм работы и обоснована структура программного обеспечения системы краткосрочного прогнозирования электропотребления предприятия, отличающаяся полным охватом всех основных этапов прогнозирования (обработка данных, пополнение базы данных, поиск информативных признаков, идентификация модели прогнозирования, формирование прогноза) и обладающая пользовательским графическим интерфейсом.

4. Предложен и обоснован алгоритм поиска входных признаков модели прогнозирования электропотребления, позволяющий выявлять комплексные нелинейные зависимости электропотребления от признаков различной природы, отличающийся использованием нейронных сетей с обобщенной регрессией и возможностью применения экспертной оценки и реализованный в виде специальной функции MATLAB.

Теоретическая значимость результатов работы заключается в развитии методов краткосрочного прогнозирования электропотребления электротехнических систем предприятий на основе искусственных нейронных сетей, а также методов построения современных систем прогнозирования электропотребления.

Результаты диссертации, обладающие практической значимостью:

1. Для проведения технико-экономического обоснования принимаемых решений была выведена эмпирическая формула вычисления издержек, вызванных выходом участника ОРЭМ на «балансирующий рынок» вследствие неточного краткосрочного прогнозирования электропотребления.

2. С целью эффективного хранения и использования информации, необходимой для обеспечения краткосрочного прогнозирования электропотребления, создана информационная база параметров электропотребления и метеорологических факторов Сорского производственного комплекса.

3. Система краткосрочного прогнозирования электропотребления, спроектированная для горного предприятия с использованием системы MATLAB 7 и СУБД MySQL 5, позволяет снизить погрешность прогнозирования электропотребления в 1, раза по сравнению с традиционными методами прогнозирования и в 2,0 раза по сравнению с методами, используемыми в настоящий момент на предприятии.

4. Для повышения качества краткосрочного прогнозирования электропотребления предприятия предложен и обоснован перечень практических мероприятий.

Достоверность научных положений, результатов и выводов подтверждается корректным использованием применяемых методов анализа данных и прогнозирования, обобщающих передовой опыт отечественных и зарубежных исследователей, и экспериментальной проверкой теоретических результатов путем построения модели краткосрочного прогнозирования электропотребления существующего горного предприятия и сопоставления прогнозных значений, полученных с помощью модели, с фактическими значениями электропотребления предприятия.

Реализация работы. Результаты работы использованы на ООО «Сорский горнообогатительный комбинат» и в учебном процессе Политехнического института Сибирского федерального университета.

Апробация работы. Основные положения работы докладывались на научных семинарах и конференциях: всероссийской научно-технической конференции «Электроэнергия: от получения и распределения до эффективного использования» (Томск, 2010), межрегиональной научно-практической конференции «Инновационное развитие, модернизация и реконструкция объектов ЖКХ в современных условиях» (Абакан, 2010), всероссийской научно-практической конференции «Энергоэффективность систем жизнеобеспечения города» (Красноярск, 2010), всероссийской научнотехнической конференции «Молодежь и наука» (Красноярск, 2011).

Публикации. По теме диссертационной работы опубликовано 10 научных работ, 2 из которых опубликованы в ведущих рецензируемых изданиях, рекомендованных действующим перечнем ВАК.

Структура и объем работы. Диссертационная работа состоит из введения, пяти разделов с выводами, заключения, списка литературы и приложений. Основная часть работы изложена на 160 страницах машинописного текста. Работа содержит 37 рисунков и 5 таблиц, список литературы содержит 136 наименований.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цели и задачи исследования, обозначены методы исследований, перечислены основные научные результаты, кратко изложено содержание работы.

В первом разделе выполнен методологический анализ проблемы краткосрочного прогнозирования электропотребления электротехнической системы предприятия в современных условиях работы на ОРЭМ. Рассмотрены особенности оборота электроэнергии на ОРЭМ, особенности электрического хозяйства современного крупного предприятия как объекта прогнозирования, особенности выбора метода прогнозирования электропотребления, произведен краткий обзор основных методов краткосрочного прогнозирования электропотребления, а также сформулированы требования к современной системе прогнозирования электропотребления.

Анализ оборота электроэнергии на ОРЭМ показал, что для подачи обоснованных ценовых заявок на покупку электроэнергии на РСВ необходимо обеспечение прогнозирования электропотребления с часовой дискретностью и периодом упреждения от 36 часов. С целью минимизации экономических потерь, вызванных выходом участника рынка на БР, была поставлена задача прогнозирования электропотребления в виде, при этом в роли критерия качества прогнозов обосновано использование среднеабсолютной процентной ошибки (МАРЕ).

Электрическое хозяйство современного крупного предприятия представляет собой сложную электротехническую систему с множеством взаимосвязанных и взаимодействующих между собой элементов, организованных в подсистемы. Электрическое хозяйство имеет структуру, выполняет определенные функции, организовано в пространстве и времени и характеризуется системным качеством, неравным простой сумме свойств составляющих его элементов. С другой стороны, электрическое хозяйство – это сообщество слабосвязанных и слабовзаимодействующих элементов (техноценоз), свойства которого начинают проявляться с определенного количества элементов и степени сложности.

Электротехническая система предприятия функционирует в условиях значительной неопределенности, обусловленной большим количеством элементов и связей между ними, высокой степенью динамичности процессов, наличием нефункциональных связей между элементами, а также действием субъективных факторов, обусловленных участием человека в принятии решений относительно энергетических параметров системы. Электротехническая система предприятия характеризуется постоянными структурными изменениями, вызванными непрерывной реконструкцией и обновлением электрического хозяйства и особенностями профессиональной деятельности человека. На процесс электропотребления оказывает влияние множество факторов различной природы (производственные, технологические, горно-геологические, климатические, социальные и др.), и при этом, как правило, уровень детализации учета данных об электропотреблении и основных влияющих факторах не отвечает требованиям обеспечения качественного прогнозирования. Таким образом, прогнозирование электропотребления современного крупного предприятия представляет собой сложную ресурсоемкую нетиповую задачу. При этом к каждому конкретному объекту необходим индивидуальный подход с целью разработки средств обеспечения прогнозирования электропотребления.

К настоящему времени разработано большое множество методов и способов прогнозирования электропотребления. Анализ литературных источников позволил сделать вывод о том, что для задач краткосрочного прогнозирования электропотребления наиболее эффективны фактографические экстраполяционные методы прогнозирования, основанные на принципе переноса в будущее тенденций и структурных зависимостей, действовавших в прошлом и настоящем. В класс экстраполяционных входит множество методов, которые могут быть условно разделены на однофакторные и многофакторные, линейные и нелинейные, стационарные и нестационарные, традиционные и нетрадиционные и т.п. При этом выбор метода прогнозирования должен определяться особенностями решаемой задачи (спецификой объекта прогнозирования, особенностями используемой информации, способом использования метода на практике, сложностью его реализации и т.п.).

Несмотря на наличие некоторых (достаточно условных) границ использования различных методов прогнозирования, на практике, как правило, необходимо осуществлять выбор из достаточно широкого перечня методов, удовлетворяющих требованиям поставленной задачи. Проблема заключается в том, что для каждого объекта прогнозирования благодаря его системной уникальности оптимальным является какой-то определенный метод прогнозирования, для его идентификации необходим сравнительный анализ большого числа методов; при этом сравнительный анализ необходимо осуществлять на конкретном объекте прогнозирования, так как сравнение различных методов прогнозирования на различных объектах лишено смысла. Очевидно, что на практике невозможно опробовать все методы прогнозирования, поэтому необходимо ограничиться некоторым их набором и осуществить выбор (при этом выбранный метод прогнозирования будет субоптимальным для данной задачи).

В качестве основы системы прогнозирования в диссертационной работе принято решение использовать методы прогнозирования на основе искусственных нейронных сетей, которые обладают некоторыми преимуществами перед традиционными методами прогнозирования (способность моделирования зависимостей любой степени сложности, отсутствие ограничений на характер входной информации и др.). При этом выбор в пользу нейронных сетей обосновывается в дальнейшем посредством сравнения с более простыми традиционными методами прогнозирования.

Для последующей разработки системы прогнозирования электропотребления были сформулированы требования, которым она должна соответствовать. Современная система прогнозирования электропотребления должна охватывать все основные этапы прогнозирования, обеспечивать получение прогнозов требуемого качества, основываться на использовании современных методов анализа данных и прогнозирования, быть адаптивной, в полной мере использовать вычислительные мощности современных ЭВМ, обеспечивать возможность использования знаний эксперта-энергетика, обладать графическим пользовательским интерфейсом, средствами визуализации и обладать гибкостью с возможностью своего дальнейшего усовершенствования.

Второй раздел посвящен теоретическим аспектам построения модели краткосрочного прогнозирования электропотребления предприятия.

Любой временной ряд электропотребления ( ) может быть разложен на предсказуемую ( ) и непредсказуемую ( ) компоненты:. Предсказуемая компонента представляет собой истинный процесс электропотребления, непредсказуемая компонента является следствием погрешности фиксирования значений электропотребления (например, вследствие несовершенства приборов учета).

Если предполагать отсутствие систематической ошибки приборов учета, то компонента представляет собой белый шум. Оптимальным прогнозом переменной является оценка (оценка принципиально невозможна). Таким образом, задача прогнозирования заключается в том, чтобы истинный процесс электропотребления наиболее адекватно аппроксимировать (и затем экстраполировать) с помощью некоторой функции (модели) :

где – функция аппроксимации истинного процесса электропотребления ;

входных признаков; – ошибка аппроксимации (неопределенная компонента).

В качестве функции аппроксимации может выступать нейронная сеть. В роли входных признаков может быть использована информация различного характера (электропотребление за предыдущие моменты времени, значения экзогенных факторов и др.). Очевидно, что в реальных условиях невозможно точно оценить истинное значение. В таком случае для повышения качества прогнозирования можно воспользоваться комбинированием прогнозов, используя не одну модель, а группу моделей ( ), которые бы с различной степенью адекватности описывали разные стороны моделируемого явления. При этом результирующий прогноз ( ) можно получать на основе комбинирования прогнозов индивидуальных моделей по некоторому методу комбинирования (например, линейному):

Одно из условий достижения положительного эффекта комбинирования прогнозов заключается в том, чтобы используемые модели достаточно адекватно описывали динамику процесса, и при этом их остатки ( ) не были сильно коррелированы, то есть модели должны значительно отличаться друг от друга.

В качестве моделей прогнозирования электропотребления было принято решение использовать нейронные сети типа многослойный персептрон, являющиеся универсальным средством решения множества прикладных задач. Проектирование многослойного персептрона представляет собой сложный многоэтапный процесс, сопровождающийся множеством неопределенностей. При этом по многим вопросам, касающимся использования нейронных сетей (например, проблема локальных минимумов обучения, проблема переобучения, проблема определения параметров скрытого слоя и др.), не существует однозначно обоснованных теоретических положений.

Построение модели прогнозирования сопровождается анализом ее качества, который включает два основных этапа: анализ на данных выборки и анализ на тестовых данных. Анализ на данных выборки производится после идентификации модели и направлен на формирование суждений относительно качества будущих прогнозов модели априори. С этой целью производится расчет всевозможных внутренних критериев (критериев, подсчитанных по данным, используемым при обучении) и используются процедуры анализа адекватности. В ходе анализа адекватности модели прогнозирования следует учитывать, что оценка адекватности модели может быть разной: от полной адекватности до частичной адекватности и неадекватности. При разработке модели прогнозирования следует стремиться к компромиссу между сложностью модели и степенью ее адекватности, то есть модель должна иметь достаточную для задачи адекватность и не быть слишком сложной. Неадекватная модель не способна давать качественные прогнозы, однако и адекватная модель не всегда их дает, поэтому дополнительно необходим анализ качества модели на тестовых данных.

Основываясь на изложенных положениях, был разработан алгоритм построения модели краткосрочного прогнозирования временного ряда электропотребления с суточной цикличностью (рис. 1). Для прогнозирования различных часов суток временного ряда электропотребления принято решение использовать индивидуальные часовые модели прогнозирования. Каждая часовая модель, в свою очередь, состоит из комбинации нейронных сетей типа многослойный персептрон. Для получения N-го числа различных моделей прогнозирования электропотребления, которые бы с различной степенью адекватности описывали разные стороны процесса электропотребления, было решено использовать нейронные сети, отличающиеся друг от друга периодом основания прогноза, набором входных Третий раздел посвящен теоретической и алгоритмической разработке системы краткосрочного прогнозирования электропотребления предприятия. Каждая сложная электротехническая система является индивидуальной, обладает уникальным характером электропотребления, набором влияющих факторов и степенью их влияния и функционирует в условиях значительной неопределенности. Следовательно, система прогнозирования электропотребления, разработанная для конкретной электротехнической системы, будет также индивидуальной. Однако при этом может быть сформулирована совокупность идей, принципов и положений построения системы прогнозирования электропотребления, которые будут общими для большинства современных электротехнических систем предприятий. Таким образом, была разработана концепция построения системы прогнозирования предприятия, охватывающая большинство современных объектов прогнозирования.

Разработка современной системы прогнозирования является сложным многоэтапным циклическим процессом, в котором принимают участие минимум две стороны: прогнозист и энергетик. Прогнозист – специалист (группа специалистов) в области теории методов анализа данных, прогнозирования, компьютерного моделирования и программирования. Энергетик – специалист (группа специалистов) в области функционирования конкретной электротехнической системы, обладающий теоретическими и практическими знаниями об объекте прогнозирования для объяснения ситуации, понимания ее динамики и причинно-следственных связей.

Например, по результатам тестирования модели прогнозирования (этап 9) может быть принято решение о дополнительном поиске неучтенного значимого фактора (этап 3), о чем может свидетельствовать значительный разброс ошибок прогнозирования и значительная смещенность прогнозов.

В соответствии с предложенной концепцией была разработана структура системы прогнозирования электропотребления предприятия, в которой реализуется предложенный алгоритм построения модели краткосрочного прогнозирования. На рис. представлена структурная схема системы прогнозирования. Функционально могут быть выделены следующие основные элементы системы прогнозирования: база данных, блок обработки и ввода данных, блок запроса данных, блок поиска информативных признаков, блок преобразования данных, блок прогнозирования, графический пользовательский интерфейс. База данных реализуется на СУБД MySQL 5, реализация остальных элементов системы осуществляется с помощью MATLAB 7.

База данных, основанная на реляционной модели данных, предназначена для безопасного хранения и эффективного использования информации, необходимой для работы системы прогнозирования. Для устранения избыточности, являющейся источником потенциальных ошибок выборки и изменения данных, необходимо привести базу данных в третью нормальную форму или выше. Проектирование базы данных осуществляется в несколько этапов: концептуальное проектирование (построение семантической модели «сущность-связь»), логическое проектирование и физическое проектирование.

Блок обработки и ввода данных служит для идентификации и устранения ошибочных данных, их восстановления и последующего заполнения соответствующих полей таблиц базы данных с установлением отметки о качестве данных.

Блок запроса данных предназначен для извлечения требуемой информации из базы данных с целью ее последующего анализа, составления обучающей выборки модели прогнозирования, составления выборки для поиска информативных признаков либо составления входного вектора модели при прогнозировании. Извлечение информации из реляционной базы данных осуществляется посредством специальных SQL запросов (язык структурированных запросов). Для каждого возможного варианта запроса создается шаблон, ключевые элементы которого (дата, время, номер ранга и т.п.) динамически изменяются в среде MATLAB в соответствии с требованиями пользователя (при этом от пользователя не требуется знание основ языка SQL).

Блок поиска информативных признаков предназначен для формирования входных признаков модели прогнозирования. В рамках данного блока была разработана специальная процедура поиска входных признаков модели прогнозирования электропотребления на основе нейронных сетей с обобщенной регрессией (GRNN), позволяющая применять экспертную оценку с целью выявления комплексных нелинейных зависимостей электропотребления от входных признаков различной природы.

Описанная процедура реализует алгоритм последовательного добавления признаков, в рамках которого на каждом шаге к уже отобранному набору признаков добавляется один признак, который приводит к наибольшему улучшению критерия. По сравнению с полным перебором признаков данный алгоритм позволяет значительно ускорить процесс поиска наиболее удачной комбинации, однако при этом существует некоторый риск потери значимой комбинации. В качестве критерия информативности признаков используется среднеквадратичная ошибка (MSE) сети GRNN на контрольном множестве (внешний критерий). Для того, чтобы снизить зависимость конечного результата от состава выбранного контрольного множества (в условиях ограниченных выборок), в ходе выполнения одного шага процедуры производится многократное разбиение на обучающее и контрольное множество и усреднение критерия. Для применения экспертной оценки в рамках процедуры предусмотрена возможность фиксирования входного признака, если по каким-либо причинам он не показывает значимого статистического влияния, но при этом априори является значимым.

Описанная процедура была реализована в виде специальной M-функции MATLAB. Синтаксис записи функции имеет следующий вид:

[ results ] = INPUTSRCH ( n_max, P, T, spread, P_names, P_exp_ind ), где n_max – количество поисковых входов; P – матрица входов; T – вектор целей;

spread – параметр сглаживания сети GRNN; P_names – массив наименований входов;

P_exp_ind – вектор номеров фиксированных входов; results – массив результатов.

Блок преобразования данных служит для представления данных в удобном для нейросетвого анализа виде. Числовые данные приводятся к единому масштабу по выбранному алгоритму преобразования, а нечисловые данные кодируются и переводятся в числовую форму.

Блок прогнозирования включает модель прогнозирования электропотребления, которая состоит из 24 часовых моделей, каждая из которых, в свою очередь, состоит из некоторого набора нейронных сетей. Идентификация каждой часовой модели прогнозирования осуществляется в несколько этапов в соответствии с предложенным алгоритмом (рис. 1). На первом этапе определяются варианты периода основания прогноза и формируются целевые векторы сетей. На втором этапе определяются варианты входных признаков модели, формируются матрицы входов, которые вместе с соответствующими целевыми векторами образуют обучающие выборки нейронных сетей. На третьем этапе для каждой обучающей выборки в зависимости от размерности входа и выхода и количества обучающих примеров нейронной сети формируются параметры ее скрытого слоя. Количество нейронов скрытого слоя определяется согласно формуле для необходимого количества синаптических весов нейронной сети, являющейся следствием теорем Арнольда-Колмогорова-Хехт-Нильсена:

где – размерность выходного сигнала, – число элементов обучающей выборки, – необходимое число синаптических весов; – размерность входного сигнала.

На четвертом этапе формируются варианты начальных условий обучения нейронных сетей: условия инициализации сети, алгоритм обучения, критерий остановки обучения, а также условия формирования контрольного множества, по которому осуществляется контроль обучения. После завершения процесса обучения нейронных сетей на пятом этапе производится анализ качества их обучения, анализ корреляционной матрицы остатков различных сетей одной часовой модели с целью оценки степени их отличия между собой, после чего производится их отбор и сохранение.

Графический пользовательский интерфейс, построенный с использованием средств дескрипторной графики системы MATLAB, служит для управления всеми функциями системы прогнозирования, ввода-вывода информации, ее визуализации.

Четвертый раздел посвящен практической реализации системы краткосрочного прогнозирования электропотребления на примере горного предприятия – Сорского производственного комплекса.

Для создания адекватной системы прогнозирования электропотребления необходимы теоретические знания об исследуемой электротехнической системе для объяснения ситуации, понимания ее динамики и причинно-следственных связей. Анализ особенностей электропотребления Сорского производственного комплекса показал, что электропотребление предприятия представляет собой сложный нестационарный процесс, характеризующийся наличием суточной и отсутствием недельной цикличности; на электропотребление оказывает влияние множество факторов различной природы, однако уровень детализации учета по основным влияющим факторам не отвечает необходимым требованиям. По итогам первичного анализа доступной информации было принято решение использовать данные о почасовом электропотреблении предприятия, о почасовых режимах работы обогатительной фабрики (рабочийремонтный) и о почасовых значениях температуры окружающего воздуха. После предварительной обработки данные были занесены в спроектированную реляционную базу данных.

На основе принятой к использованию информации были сформированы возможные входы модели прогнозирования: лаги (задержки) часового электропотребления комплекса («эп -1 ч»,...«эп -48 ч»), лаги суточного электропотребления комплекса («эп -1 с»,...«эп -7 с»), лаги часовой температуры окружающего воздуха («t -0 ч»,...«t -24 ч») и лаги суточной температуры окружающего воздуха («t -0 с»,...«t -2 с»).

Для каждого возможного входа модели прогнозирования был сформирован соответствующий SQL запрос, активные элементы которого (дата, время, номер ранга и др.) динамически изменяются в среде MATLAB.

входных признаков часовой модели 00-01 для шести поисковых входов. По мере увеличения количества входных признаков до определенного момента внутренний и внешний критерии улучшаются; после добавления пятого входного признака внешний критерий улучшаться перестает, в то время как внутренний продолжает улучшаться.

На завершающем этапе идентификации модели прогнозирования после обучения нейронных сетей был произведен анализ их качества, включающий вычисление ошибок на обучающем и контрольном множестве, коэффициента детерминации и анализ остатков на степень их соответствия белому шуму (проверка нормальности распределения по критерию Шапиро-Уилка, проверка отсутствия значимых автокорреляций по критерию Льюнга-Бокса), и последующий их отбор в модель прогнозирования.

Анализ корреляционных матриц остатков нейронных сетей различных часовых моделей не показал слишком значительного отличия нейронных сетей (коэффициенты корреляции от 0,55 и выше), что обусловлено недостатком информации об основных влияющих факторах.

После завершения идентификации модели прогнозирования Сорского производственного комплекса были определены границы тестового множества с 3.03.2009 по 8.03.2009. На выбранные сутки было осуществлено прогнозирование электропотребления системой прогнозирования, а также традиционными методами: сезонной АРПСС (спецификация ARIMA(1,0,0)(0,1,1)24) методом Хольта-Винтерса и так называемым «наивным методом» (в качестве прогнозных используются значения электропотребления соответствующих часов предыдущих суток).

Пятый раздел посвящен анализу результатов практического использования системы прогнозирования горного предприятия. На рис. 5 представлены графики фактических и прогнозных значений электропотребления на тестовые сутки. Для выбранных суток показатель MAPE прогноза системы прогнозирования равен 1,95 %, Для оценки эффективности комбинирования прогнозов различных моделей на рис. 6 представлены графики ошибок прогнозирования на тестовые сутки индивидуальных нейронных сетей (54 шт.) и их комбинации для часовой модели 08-09. В отдельные сутки достаточное количество индивидуальных нейронных сетей показывает результат лучше, чем комбинация, однако средняя точность комбинации превышает среднюю точность подавляющего большинства индивидуальных нейронных сетей прогнозирования позволяет снизить влияние качества индивидуальных моделей на конечный результат и тем самым снизить цену ошибки за использование неадекватной нейронной сети.

Анализ зависимости средней точности прогнозирования нейронных сетей от критериев качества, рассчитанных на завершающем этапе идентификации (ошибки на обучающем и контрольном множестве, коэффициент детерминации, W статистика критерия Шапиро-Уилка, Q статистика критерия Льюнга-Бокса), показал очень слабую связь между ними.

Был произведен анализ согласованности во времени прогнозов различных нейронных сетей одной часовой модели. С этой целью было выполнено ранжирование нейронных сетей в порядке увеличения абсолютной ошибки прогнозирования для каждых прогнозных суток и подсчитан коэффициент множественной ранговой корреляции (конкордации) Кенделла. Если бы прогнозы различных нейронных сетей показали высокий коэффициент конкордации и, соответственно, высокую степень согласованности, то это означало бы, что на практике можно делать обоснованные предположения о составе модели прогнозирования для будущих прогнозов, руководствуясь предыдущими результатами. Однако коэффициент конкордации K = 0,08 (для нейронных сетей часовой модели 08-09) свидетельствует о практически полной несогласованности во времени прогнозов, что означает необходимость использования на практике комбинации из всех отобранных нейронных сетей модели прогнозирования.

Разработанная система прогнозирования электропотребления Сорского производственного комплекса осуществляет работу в четырех основных режимах: пополнение базы данных, идентификация модели прогнозирования, корректировка параметров модели прогнозирования, прогнозирование и визуализация. Режим идентификации модели прогнозирования предполагает полную настройку модели (определение используемых входных признаков, количества нейронных сетей, их структуры и параметров для каждой часовой модели) в полуавтоматическом режиме с привлечением прогнозиста. Режим корректировки параметров модели прогнозирования предполагает лишь перенастройку параметров используемых нейронных сетей в автоматическом режиме с применением новых данных, поступивших с момента последней настройки.

Разработанная система прогнозирования обладает гибкостью и возможностью своего дальнейшего усовершенствования. Система прогнозирования позволяет безболезненно ввести в модель прогнозирования дополнительную информацию (как о влияющих факторах, так и об электропотреблении различных подразделений), а также дополнительные методы прогнозирования. При необходимости система прогнозирования может быть переведена на другой язык программирования благодаря встроенным компиляторам MATLAB. Для повышения прогнозирующих качеств системы прогнозирования были предложены и обоснованы следующие практические мероприятия: организация учета по основным производственным и технологическим факторам (с почасовой, посменной или посуточной дискретностью); организация детализированного учета электропотребления по основным подразделениям предприятия и построение моделей прогнозирования каждого подразделения; использование приборов учета электропотребления более высокого класса точности; использование дополнительных методов прогнозирования для построения комбинации моделей.

В заключении сформулированы основные результаты работы:

1. Произведен анализ покупки электроэнергии на оптовом рынке, на основе которого сформулированы условия задачи краткосрочного прогнозирования электропотребления предприятия и критерии качества, предъявляемые к прогнозам.

2. На основе произведенного анализа покупки электроэнергии для одного из участников второй ценовой зоны ОРЭМ получена эмпирическая формула вычисления издержек, вызванных выходом участника рынка на «балансирующий рынок» вследствие неточного краткосрочного прогнозирования электропотребления, которая может быть использована для проведения технико-экономического обоснования принимаемых решений.

3. Произведен методологический анализ проблемы краткосрочного прогнозирования электропотребления электротехнических систем предприятий, на основе которого обосновано и принято решение об использовании искусственных нейронных сетей в качестве основного инструмента прогнозирования электропотребления.

4. Предложен и обоснован алгоритм построения модели краткосрочного прогнозирования временного ряда электропотребления с суточной цикличностью, в котором для прогнозирования электропотребления каждого часа суток используется индивидуальная часовая модель, которая, в свою очередь, состоит из комбинации нейронных сетей типа многослойный персептрон, с различной степенью адекватности описывающих разные стороны процесса электропотребления. Предложенный подход позволяет использовать положительные свойства комбинирования моделей прогнозирования и при этом частично преодолеть некоторые неопределенности проектирования нейронных сетей и прогнозирования параметров электротехнических систем.

5. Разработана концепция построения современной системы краткосрочного прогнозирования электропотребления предприятия, которой может быть охвачено большинство современных электротехнических систем предприятий. Предложенная концепция содержит полное описание процесса построения системы прогнозирования, последовательно излагает и полностью описывает основные этапы построения с указанием степени участия сторон в выполнении каждого этапа.

6. Разработаны структура и алгоритм работы и обоснована структура программного обеспечения системы краткосрочного прогнозирования электропотребления предприятия. Система прогнозирования охватывает все основные этапы прогнозирования (обработка данных, пополнение базы данных, поиск информативных признаков, идентификация модели прогнозирования, формирование прогноза) и обладает пользовательским графическим интерфейсом.

7. Предложен и обоснован алгоритм поиска входных признаков модели прогнозирования электропотребления на основе искусственных нейронных сетей с обобщенной регрессией с возможностью применения знаний эксперта, позволяющий выявлять комплексные нелинейные зависимости электропотребления от признаков различной природы.

8. Экспериментальные исследования показали, что система краткосрочного прогнозирования электропотребления, спроектированная для горного предприятия с использованием MATLAB 7 и СУБД MySQL 5, позволяет снизить погрешность прогнозирования электропотребления в 1,2 раза по сравнению с традиционными методами прогнозирования и в 2,0 раза по сравнению с методами прогнозирования, используемыми в настоящий момент на предприятии.

9. Разработанная система краткосрочного прогнозирования электропотребления горного предприятия обладает гибкостью и возможностью своего дальнейшего усовершенствования. С этой целью предложен и обоснован перечень практических мероприятий для повышения качества краткосрочного прогнозирования электропотребления на предприятии.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, включенных в действующий перечень ВАК:

1. Валь, П.В. Краткосрочное прогнозирование электропотребления горного предприятия с использованием однофакторных методов / П.В. Валь // Вестник СибГАУ им. ак. М.Ф. Решетнева. – 2011. – Выпуск 2. – С 12-17.

2. Валь, П.В. Концепция разработки системы прогнозирования электропотребления промышленного предприятия в условиях оптового рынка / П.В. Валь, Ю.П. Попов // Промышленная энергетика. – 2011. – № 10. – С 31-35.

Публикации в прочих изданиях:

3. Валь, П.В. Прогнозирование электрической нагрузки в условиях реформирования электроэнергетической отрасли / П.В. Валь // Материалы I-ой Международной научно-практической конференции «Аспекты ноосферной безопасности в приоритетных направлениях деятельности человека». – Тамбов: Изд-во Першина Р.В., 2010. – С. 137-139.

4. Валь, П.В. Прогнозирование электропотребления с использованием авторегрессионного метода / П.В. Валь, А.С.Торопов // Сборник трудов XVI Международной научно-практической конференции студентов, аспирантов и молодых ученых «Современные техника и технологии»,– Томск: ТПУ, 2010. – С. 23-24.

5. Валь, П.В. Прогнозирование электропотребления предприятия горнодобывающей промышленности / П.В. Валь // Материалы Всероссийской научнотехнической конференции «Электроэнергия: от получения и распределения до эффективного использования», – Томск: ТПУ, 2010. – С. 16-18.

6. Валь, П.В. Прогнозирование электропотребления горного предприятия на базе искусственных нейронных сетей / П.В. Валь, А.С. Торопов // Материалы XI Всероссийской научно-практической конференции «Энергоэффективность систем жизнеобеспечения города», – Красноярск: СФУ, 2010. – С. 220-223.

7. Валь, П.В. Использование искусственных нейронных сетей для моделирования нелинейных зависимостей в задаче прогнозирования электропотребления / П.В. Валь, Е.С. Соловьев // Сборник материалов VII Всероссийской научнотехнической конференция студентов, аспирантов и молодых ученых «Молодежь и наука» / отв. ред. О.А.Краев, – Красноярск: СФУ, 2011.

8. Валь, П.В. Проблема выбора метода прогнозирования электропотребления / П.В. Валь // Труды XI Международной научно-практической конференции «Интеллект и наука» – Красноярск : Центр информации, 2011 – С. 166-168.

9. Валь, П.В. Экономическая эффективность прогнозирования электропотребления в условиях оптового рынка электроэнергии и мощности / П.В. Валь // Сборник материалов VII Всероссийской научно-технической конференция студентов, аспирантов и молодых ученых «Молодежь и наука» / отв. ред. О.А.Краев, – Красноярск:

СФУ, 2011.

10. Валь, П.В. Краткосрочное прогнозирование цены на электроэнергию в условиях оптового рынка электроэнергии и мощности / П.В. Валь, Н.С. Клепче // Сборник материалов VII Всероссийской научно-технической конференция студентов, аспирантов и молодых ученых «Молодежь и наука» / отв. ред. О.А.Краев, – Красноярск:

СФУ, 2011.

Автор выражает благодарность кандидату технических наук, доценту Торопову А.С. за научные консультации и помощь в работе над диссертацией.