ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ ОБЪЁМОВ ЭЛЕКТРОПОТРЕБЛЕНИЯ ДЛЯ ТЯГОВЫХ ПОДСТАНЦИЙ

​PROBLEMS OF A DEMAND FORECASTING FOR RAILWAY SUBSTATIONS

Natalia Batseva

Candidate of Science, Assistant Professor, Tomsk Polytechnic University,

Russia, Tomsk

Aleksandr Zhuykov

Post-graduate student, Tomsk Polytechnic University,

Russia, Tomsk

Artem Mizev

Specialist, «SO UPS», JSC,

Russia, Abakan

АННОТАЦИЯ

В статье обозначены основные проблемы, возникающие на начальном этапе создания модели прогнозирования объёмов электропотребления для тяговых подстанций: недостаточный шаг дискретизации режимных параметров, получаемых от счетчиков автоматизированной системы коммерческого учёта электроэнергии железнодорожных узлов; влияющие факторы; аномальные измерения в массивах режимных параметров. Предложен и апробирован метод поиска и отсеивания аномальных измерений.

ABSTRACT

The main problems, becoming under the founding a demand forecasting model for railway substations, are indicated in the paper, namely, the nonsufficient sampling interval of mode parameters, collected from an automated commercial electricity metering system at railway substations; contributing factors; abnormal measurements of mode parameters. The searching and separation technique of abnormal measurements in mode parameters arrays is suggested and tested.

Ключевые слова: прогнозирование объёмов электропотребления; тяговая подстанция; влияющие факторы; аномальные измерения; максимальное относительное отклонение.

Keywords: demand forecasting; railway substation; contributing factors; abnormal measurements; maximum relative divergence.

Введение

В электроэнергетике возрастает интерес к вопросу корректного прогнозирования объёмов электропотребления тяговыми подстанциями (ТПС). Это связано с расчётом оптимальных режимов работы электрических сетей в месте размещения ТПС и необходимых резервов мощности; осуществлением выбора состава включенного генерирующего оборудования; обслуживанием заявок на вывод оборудования в ремонт, а также с решением задач, связанных с управлением операциями покупки/продажи электроэнергии и мощности на рынке [1, 2], что в условиях возрастающей стоимости электроэнергии делает решение задачи прогнозирования объёмов электропотребления актуальной.

При создании модели прогнозирования объёмов электропотребления для ТПС возникают проблемы, которые обозначены в статье.

Получение массивов измерений режимных параметров для прогнозирования

На ТПС установлены счетчики автоматизированной системы коммерческого учёта электроэнергии железнодорожных узлов (АСКУЭ ЖУ), позволяющие получать информацию о величинах напряжения, тока, мощностей. АСКУЭ ЖУ измеряет режимные параметры отдельно на шинах высшего напряжения 110 (220) кВ ТПС и нагрузки, запитанной по фидерам, например, 3.3 кВ. Далее измерения используются для прогнозирования объёмов электропотребления и максимальных значений нагрузок.

Проблемой является то, что между значениями измерений режимных параметров, полученных от АСКУЭ ЖУ, промежутки времени составляют от 30-и минут до 1-го часа, что накладывает ограничения на точность прогнозирования (рис. 1).

Рисунок 1. Измерения на шинах 110 (220) кВ ТПС

Данная проблема может быть частично скомпенсирована расширенным периодом выборки, но для более точного прогнозирования желательно использовать режимные параметры, полученные из оперативно-информационного комплекса, что не всегда возможно по техническим причинам.

Влияющие факторы

Электрохозяйство железных дорог является многоуровневой системой со сложными взаимосвязями [3, 4]. Изучение таких систем проводится с помощью методов, учитывающих наличие связей между факторами, определяющими состояние объекта.

Существенная часть электропотребления ТПС – это электропотребление непосредственно железнодорожными подвижными составами, которые осуществляют как перевозку пассажиров и грузов, так и перемещаются порожними между станциями или в границах одной станции.

Влияющие факторы разделяют следующим образом:

1. постоянные: тип тягового электроснабжения, расстояние между тяговыми подстанциями и изменяющиеся во времени: вес поезда, величина межпоездного интервала, грузонапряженность электрифицированного участка. В литературе [5‒10] последние разделены на прямые основные – вес состава, тип вагонов, схема формирования состава, осевая нагрузка вагонов и прямые дополнительные – силы дополнительного сопротивления движению, возникающие от уклонов и кривизны пути, при трогании с места, от подвагонного генератора, при низких температурах наружного воздуха и действии встречного или бокового ветра. Если отсутствует или неисправна схема рекуперативного торможения, то добавляется фактор потерь в тормозах.

2. косвенные факторы, влияющие на прямые факторы и на электропотребление: техническое состояние подвижного состава, путей и элементов электроснабжения; квалификация машинистов, так как недостаточная компетенция персонала иногда приводит к неоправданному торможению и к необходимости увеличения скорости после торможения.

По возможности предопределения факторы делятся на детерминированные ‒ параметры поезда и участка пути, допустимые скорости движения на станциях и перегонах; случайные ‒ метеорологические и климатические факторы ‒ скорость ветра, температура наружного воздуха, влияние осадков на состояние путей, значения напряжения на ТПС, потребление электроэнергии в вагонах и другие факторы, которые невозможно заранее предсказать.

По причине возникновения: технологические – расход энергии, на который влияет род тока и напряжение контактной сети. В контактной сети имеют место потери электроэнергии на преодоление сопротивления цепей электроснабжения, пусковые потери, потери в преобразователях; организационные ‒ допускаемые скорости движения поезда по перегонам и станциям, количество, место и длительность остановок, использование нерациональных режимов управления электровозами.

На электропотребление оказывают влияние и менее очевидные факторы, например, на общий расход энергии влияет характер груза. Сыпучие и жидкие грузы раскачивают вагон во время движения, создавая дополнительное сопротивление [9].

К проблеме получения более точного прогноза электропотребления можно отнести то, что по большинству факторов трудно получить статистические данные, например, по скорости ветра на отдельных участках пути, состоянию рельс и вагонов, изменению скорости, человеческому фактору и использовать их для формирования прогнозной модели электропотребления. Помимо этого, часто отсутствует информация на предстоящий период по весу состава, значениям напряжения на шинах ТПС на момент прохождения поезда по участку.

Наличие аномальных измерений в массивах

Измерения режимных параметров, полученные от АСКУЭ ЖУ, являются экспериментальными данными, в которых имеются аномальные измерения. На рис. 2, а), б) представлены реальные графики потребления активной мощности для ТПС 110 кВ №№ 1 и 2 за 4 года.

а)

б)

Рисунок 2. Графики потребления активной мощности на ТПС 110 кВ: а) №1; б) №2

На графиках явно видны выбросы мощности, поэтому массивы измерений нуждаются в предварительной обработке для эффективного и корректного использования при построении эмпирических зависимостей. Предварительная обработка состоит в отсеивании аномальных измерений и в проверке массивов на соответствие закону нормального распределения. При необходимости экспериментальные данные приводят к закону нормального распределения [11].

Для экспериментальных данных, полученных от шин ТПС, проблема отсеивания аномальных измерений решена с помощью вычисления максимального относительного отклонения. Метод основан на предположении, что выборка взята из генеральной совокупности, распределенной нормально.

Имея ограниченный ряд наблюдений x₁, x₂, …, x_n, находят эмпирическое (выборочное) среднее по формуле (1):

.                                                                                                 (1)

Зная , вычисляют отклонение каждого наблюдения от среднего по формуле (2):

                                                                                             (2)

Несмещённую оценку для дисперсии эмпирического распределения  определяют по формуле (3):

,                                                                             (3)

тогда выборочные среднеквадратические отклонения находят по формулам (4):

; .                                                                             (4)

Для определения максимального относительного отклонения используют формулу (5):

                                                                             (5)

где x_i – наибольший или наименьший элемент выборки;  – табличное значение статистики τ, вычисленное при доверительной вероятности q=1–p, p – уровень значимости.

Если неравенство (5) соблюдается, то измерение оставляют в массиве, если нет, ‒ его отсеивают.

После отсеивания пересчитывают характеристики эмпирического распределения по сокращенной выборке (без исключённого измерения), затем повторяют процедуру отсеивания для оставшихся измерений.

Если уровень значимости p=0.05, то результат получается с доверительной вероятностью в 95%.

На рис. 3, а), б) представлены результаты работы алгоритма по отсеиванию аномальных измерений. Красным цветом показаны измерения, которые вышли из доверительного интервала.

а)

б)

Рисунок 3. Графики потребления активной мощности нагрузки на ТПС 110 кВ: а) №1; б) №2 после отсеивания аномальных измерений

Заключение

1. Массивы измерений режимных параметров, полученные от АСКУЭ ЖУ, имеют большой шаг дискретизации, что снижает точность прогнозирования объёмов электропотребления, поэтому по возможности стоит обратить внимание на получение массивов измерений для ТПС из базы данных реального времени оперативно-информационного комплекса, что существенно снизит погрешность прогнозирования, так как они имеют меньший шаг дискретизации.
2. На величину погрешности прогнозирования электропотребления действуют разного рода влияющие факторы. Из-за недостатка статистической информации по многим влияющим факторам, невозможно применение многофакторных регрессий и других методов учёта зависимости прогнозируемого параметра, поэтому необходимо осуществлять поиск скрытых зависимостей и закономерностей, содержащихся в массивах измерений.
3. Проблема отсеивания аномальных измерений в массивах режимных параметров, полученных от АСКУЭ ЖУ, решена за счёт применения алгоритма вычисления максимального относительного отклонения.
4. Авторами изучен ряд методов прогнозирования, применяемых в настоящее время, и сделан предварительный вывод о том, что наиболее подходящим методом прогнозирования именно для ТПС, является метод «случайного леса».

Список литературы:

1. Зуева В.Н., Никитина Ю.Ю. Анализ методов прогнозирования графиков нагрузки электрооборудования // XXII студенческая научная конференция АМТИ: докл. Всерос. конф. (Армавир, апрель, 2016.). – Армавир, 2016. С. 119-122.
2. Соловьева И.А., Дзюба А.П. Прогнозирование электропотребления с учетом факторов технологической и рыночной среды // Научный диалог. – 2013. – №7(19). – С. 97-113.
3. Закарюкин В.П., Крюков А.В. Методы совместного моделирования систем тягового и внешнего электроснабжения железных дорог переменного тока: учеб. для вузов. – И.: ИрГУПС, 2010. – 160 с.
4. Лепорский В.Д., Куссуль М.Э., Иваницкая Т.В.  Моделирование нейронного классификатора для решения задач прогноза в электроэнергетике // Техническая электродинамика. Энергетические системы и установки. –1995. – № 4. – С. 61-65.
5. Гапанович В.А.,. Авилов В.Д. и др. Энергосбережение на железнодорожном транспорте: справочно-методическое издание. ‒ М.: Интехэнерго-Издат. Теплоэнергетик, 2014. – 304 с.
6. Михалева, С.С. Совершенствование методов расчета расхода электроэнергии на тягу поездов с применением нейронных сетей // VII Всероссийская научно-техническая конференция студентов, аспирантов и молодых учёных Молодёжь и наука: докл. Всерос. конф. (Красноярск, 19-25 апреля, 2011). – Красноярск, 2011. – Режим доступа: http://conf.sfu-kras.ru/sites/mn2011/section09.html, свободный. – Загл. с экрана.
7. Осипов С.И., Осипов С.С., Феоктистов В.П. Теория электрической тяги: учеб. для вузов. – М.: Маршрут, 2006. – 434 с.
8. Вялкова С. О. Факторы, влияющие на расход электрической энергии на тягу поездов // Технические науки – от теории к практике. – 2013. – №27-2. – С. 26-31.
9. Гапанович В.А., Авилов В.Д., Аржанников Б.А. и др. Энергосбережение на железнодорожном транспорте: учеб. для вузов. – М.: Изд. Дом МИСиС, 2012. – 620 с.
10. Закарюкин В.П., Крюков А.В. Сложнонесимметричные режимы электрических систем: учеб. для вузов. – И.: Иркут. ун-т, 2005. – 273 с.
11. Львовский Е.Н. Статистические методы построения эмпирических формул: учеб. пособие для вузов. – М.: Высшая школа, 1988. – 239 с.