АВТОМАТИЗИРОВАННОЕ ПРОГНОЗИРОВАНИЕ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ В ЭНЕРГОСБЫТОВОЙ КОМПАНИИ

Введение

Потребление электроэнергии населением и промышленными предприятиями является важной частью современного общества. Оно зависит от различных факторов, которые необходимо учитывать: температура окружающего воздуха; степень освещенности; долгота дня; день недели; переходы с зимнего на летнее время и обратно; наличие экстраординарных событий (катастрофы; массовые акции); прогнозы погодных условий; состояние других факторов, влияющих на изменение потребления в соответствии с данными, полученными в результате обработки статистики потребления; планируемое включении/отключении энергоемких производств [3]. Население и промышленные предприятия требуют постоянного потока электроэнергии, потому что на сегодняшний день практически всё окружающее нас связано с электричеством.

Нагрузка на коммуникации бывает разной, а значит, в случае перегрузки системы может произойти сбой и отключение электросетей. Прекращение поступления энергии на жизненно важные объекты может стать причиной катастрофы и привести к таким большим финансовым потерям, что в большинстве случаев целесообразнее затратить деньги на предотвращение кризисных ситуаций. Поэтому встает проблема необходимость непрерывного снабжения электроэнергией и предотвращение критических ситуаций.

Обзор темы

Существует два пути решения проблемы сокращения числа аварийных ситуаций. Одним из вариантов является постоянный мониторинг состояния оборудования и прогнозирование его на несколько периодов. Такой подход подразумевает рутинную работу с привлечением экспертов. И для воплощения такой системы в жизни потребуется достаточно много времени и финансовых затрат. Однако, нельзя с большой уверенностью утверждать, что способ будет эффективен в долгосрочной перспективе и сможет уменьшить риски.

Существует другой подход. Он заключается в прогнозировании потребления электроэнергии. Обычно компании, занимающиеся сбытом электроэнергии, располагают информацией о среднем электропотреблении и могут предположить, необходимый объём электроэнергии, который нужно поставить. Информация, необходимая для прогнозирования, как правило, собирается приборами учёта или коммунальными службами. Такой способ прогнозирования не является самым точным и стабильным, но такие прогнозы можно делать в очень короткие сроки, что является несомненным плюсом.

На сегодняшний день планирование потребления электроэнергии является приоритетной задачей. В последние годы она встала весьма остро в связи с реформой российской электроэнергетики.  Правилами функционирования розничных рынков, установленными российским законодательством, существует обязанность потребителей по точному планированию объемов потребления электроэнергии и закреплена ответственность за потребление в большем или меньшем объеме по сравнению с запланированным. Отклонение в потреблении электроэнергии более 2% от запланированной ведет к дополнительным издержкам. За отклонения, превышающие допустимые значения, предприятия вынуждено платить крупные суммы в качестве штрафа.

Таким образом, служба энергетики предприятия оказывается перед непростой задачей составления достоверной заявки на потребление электроэнергии. И прогнозирование является выгодной не только с практической стороны (снижение количества аварийных ситуаций), но и финансовой (снижение рисков подачи неточных показаний).

Постановка задачи

На сложность прогноза энергопотребления влияет количество потребителей и факторы, влияющих на их потребление. Для решения задач по прогнозированию обычно используются статистические модели, например, регрессионные модели и модели на основе временных рядов.

Сейчас набирают популярность использование методов машинного обучения. Машинное обучение (англ. Machine Learning) – класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решению множества сходных задач. Такие методы имеют широкую область практических применений в различных сферах. Машинное обучение включает в себя задачи широкого спектра: от построения графиков до оценки качества данных [4, 5].

Поэтому наряду с традиционными методами стали чаще применяться модели на основе экспертных систем и искусственных нейронных сетей. Это обусловлено тем, что построения модели объекта не требуется и не теряется работоспособность при неполной входной информации. Искусственные нейронные сети обладают устойчивостью к помехам, имеют высокое быстродействие. Основной проблемой области является использование без достаточного понимания методов и техник машинного обучения, данная работа была проведена с целью объяснить особенности методов области.

Из текущих задач, возникающих у компаний по сбыту электроэнергии, остановимся, на задачах по планированию. Необходимо описать текущую ситуацию. На предприятии отдел прогнозирования рассчитывают модели данных, которые в дальнейшем используются для составления планируемых показателей на потребление электроэнергии. Основная схема составления планируемых потреблений представлена на рисунке 1.

Рисунок 1. Схема прогнозирования потреблений

На представленной схеме видно, что набор данных, необходимый для составления прогноза формируется из:

1. данных энергопотребления, которые аккумулируются в организации, на основании времени, на которое необходимо сделать прогноз, составляются временные промежутки;
2. производственных планов, норм энергопотребления;
3. других источников (метеорологическая информация, финансовые показатели региона энергопотребления и т.д.).

Весь цикл составления прогноза, включая отчистку данных и расчёты производят сотрудники организации на основании методик, принятых в РАО «ЕЭС России» в 2007 году без какой либо автоматизации и опоры на современные методы обработки данных. Это в свою очередь создаёт угрозу возникновения дополнительных издержек в процессе поставки электроэнергии, данный ресурс приобретается на оптовом рынке электроэнергии непрерывно и его невозможно хранить. Следовательно, процесс планирования не является простой задачей – это очень ответственное и важное занятие, от которого зависят показатели предприятия. Поэтому использования автоматизации в этом поможет сократить риски ошибок и увеличить точность предсказаний расчетных показателей почти до 100%. То есть допустимое отклонение в 2% можно будет свести практически к нулю. Для автоматизированного прогнозирования чаще всего используют методы машинного обучения, а именно искусственные нейронные сети. Разнообразие факторов, которые необходимо учитывать при планировании электропотребления, обычно приводит к выводу о целесообразности применения ИНС из-за возможности использования различных входных параметров.

Формально, перед исследователем ставится несколько заранее не оговариваемых задач. Цель прогнозирования с помощью машинного обучения можно сформулировать как: «получить как можно больше информации из имеющихся данных и построить как можно более точный прогноз». Конкретные действия выбираются аналитиком, исходя из своего опыта и имеющихся данных. Отсутствие формализации заставляет исследователя проводить предварительные исследования, называемые «описательным анализом».

Организация информации играет важную роль в планировании исследования и постановке задачи. Цель ставится «от данных», мы вынуждены тратить время на изучение их организации, так как не было поставлено четких задач исследования.  

Список литературы:

1. Preimesberger, Chris Hadoop, Yahoo, 'Big Data' Brighten BI Future.
2. Виктор Майер-Шенбергер, Кеннет Кукьер. Большие данные. Революция, которая изменит то, как 
мы живём, работаем и мыслим.
3. Воропай Н.И., Негневицкий М, Томин Н.В. и др. Интеллектуальная система для предотвращения 
крупных аварий в энергосистемах // Электричество. - 2014. - No8. - C.19-31. 

4. Курбацкий В.Г., Томин Н.В., Воропай Н.И. и др. Раннее выявление предаварийных состояний в 
энергосистемах на базе алгоритмов машинного обучения // Оперативное управление в 
электроэнергетике. - 2014. - No5. - C.33-39. 

5. Курбацкий В.Г., Спиряев В.А., Томин Н.В. и др. Прогнозирование параметров 
электроэнергетических систем используя преобразование Гильберта-Хуанга и машинное обучение 
// Известия Иркутского государственного университета. Серия Математика. - 2014. - Т.9. - C.75-90.
6. Aclara’s Smart Infrastructure Solutions http://www.aclara.com/smart-infrastructure-solutions/electric- utility-solutions/  

7. PowerOn Reliance http://www.gegridsolutions.com/Software_solutions/catalog/poweronreliance.htm  

8.  Spectrum PowerCC http://www.siemens.at/future-of-energy-2015/en/_assets/downloads/5_Buchner_SpectrumPower.pdf   
9.  В.В.Крылов, С.В.Крылов «Большие данные и их приложения в электроэнергетике. От бизнес-аналитики до виртуальных электростанций».