Выбор метода для задач краткосрочного прогнозирования электропотребления собственных нужд ТЭЦ
А.С. Ведерников, Е.А. Ярыгина, А.В. Гофман
Вестник ИГЭУ, 2018 г. выпуск 6, сс. 32—38
Скачать PDF
Состояние вопроса. Научная проблема исследования заключается в необходимости прогнозирования электропотребления собственных нужд электростанций с минимальной ошибкой. Решением задач краткосрочного прогнозирования ранее занимались на уровне электроэнергетических систем и промышленных предприятий. Что касается прогнозирования электропотребления собственных нужд электростанций, то в качестве прогнозных значений использовались ретроспективные данные по электропотреблению. Данная проблема сохраняет свою актуальность согласно Постановлению Правительства РФ от 27 декабря 2010 г. № 1172, в котором отмечено, что электростанции берут на себя ответственность за потребление электроэнергии, объем которого вышел за рамки установленного. Отклонение в электропотреблении на 2 % и более от установленного значения приводит к дополнительным финансовым расходам. В связи с этим актуальным является выбор метода прогнозирования электропотребления собственных нужд ТЭЦ с низкой погрешностью.
Материалы и методы. Для решения задач краткосрочного прогнозирования выбран метод, основанный на искусственных нейронных сетях, и проведено обучение данных сетей с помощью методов численной оптимизации: алгоритма обучения Бройдена–Флетчера–Гольдфарба–Шанно; метода Сопряженных градиентов; метода градиентного спуска, которые практически использовались для решения различных задач в электроэнергетике. Для определения почасовых значений электрической нагрузки собственных нужд ТЭЦ использован программный пакет Statistica Neural Networks.
Результаты. Выбран метод, основанный на искусственных нейронных сетях «многослойный персептрон» и определен алгоритм его обучения Бройдена–Флетчера–Гольдфарба–Шанно, с помощью которого на ТЭЦ появляется возможность прогнозировать электропотребление системой собственных нужд со средней абсолютной погрешностью 0,43 %.
Выводы. Предложенная методика краткосрочного прогнозирования электропотребления СН ТЭЦ протестирована и утверждена в Филиале АО «СО ЕЭС» ОДУ Средней Волги для оценки прогнозных значений электропотребления электростанций в процессе планирования баланса электроэнергии.
1. Осовский С. Нейронные сети для обработки информации / пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 344 с.
2. Barron A.R. Statistical properties of artificial neural networks. Proceedings of the IEEE International Conference on Decision and Control. – NewYork, 1989. – Р. 280–285.
3. Алексеева И.Ю., Ведерников А.С., Скрипачев М.О. Прогнозирование электропотребления с использованием метода искусственных нейронных сетей // Вестник СамГТУ. Сер. Технические науки. – 2010. – С. 135 – 138.
4. Гофман А.В. Усовершенствование методики прогнозирования многономенклатурного предприятия с учетом производственной деятельности // Электроэнергетика глазами молод ежи: сборник научных трудов Междунар. науч.-техн. конф. – Самара: СамГТУ, 2011. – Т. 2. – С. 153–157.
5. Barron A.R. Complexity regularization with applications to artificial neural networks. In G. Roussas (ed.) Nonparametric Functional Estimation. – Boston, MA and Dordrecht, the Netherlands: Kluwer Academic Publishers, 1990. – Р. 561–576.
6. Соловьева И.А., Дзюба А.П. Прогнозирование электропотребления с учетом факторов технологической и рыночной среды // Научный диалог. – 2013. – № 7(19): Экономика. Право. Политология. – С. 97–113.
7. Ведерников А.С., Балукова Е.А. Определение корреляционных зависимостей между факторами, влияющими на электропотребление собственных нужд ТЭЦ // Изв. вузов. Электромеханика. – 2016. – № 6. – С. 110–113.
8. Галушкин А.И. Теория нейронных сетей. Кн. 1: учеб. пособие для вузов. – М.: ИПРЖР, 2001. – 385 с.
9. Ведерников А.С., Балукова Е.А., Комасова Е.А. Построение нейронных сетей для прогнозирования электропотребления собственных нужд ТЭЦ // Электроэнергетика глазами молодежи: материалы VIII Междунар. науч.-техн. конф., 2–6 октября 2017, Самара. В 3 т. Т 3. – Самара: Самар. гос. техн. ун-т, 2017. – С. 72–78.
10. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирования электрической нагрузки. – М.: Энергоатомиздат, 1987. – 200 с.
11. Cybenko G. Approximations by superpositions of a sigmoidal function. Mathematics of Control, Signals, and Systems. – 1989. – 2. – Р. 303–314.
12. Курбацкий В.Г., Томин Н.В. Прогнозирование электрической нагрузки с использованием искусственных нейронных сетей // Электрика. – 2006. – № 7. – С. 26–32.
13. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. – М.: Финансы и статистика, 2004. – 176 с. (Прикладные информационные технологии).
14. Боровиков В.П. Нейронные сети. Statistica Neural Networks. Методология и технологии современного анализа данных. – 2-е изд. – М.: Горячая линия – Телеком, 2008. – 392 с.
15. Халафян А.А. STATISTICA 6. Статистический анализ данных. – 3-е изд. учеб. – М.: Бином-Пресс, 2007. – 512 с.
16. Свидетельство 23603 Российская Федерация. Свидетельство о регистрации электронного ресурса. Программа «Прогнозирование электропотребления собственных нужд ТЭЦ на основе нейронной сети» (программа для ЭВМ) / А.С. Ведерников, Е.А. Ярыгина, Р.Н. Хамитов. – М.: ОФЭРНИО, 2018.