CC BY
23
АСУ, И1 5 Я < Си О е "Т" ІОННАЯ
111111 і А И ТЕХНО. »НЕРГЕТИК [тої г и ■ и т
УДК 007.052(042.3)
ПРАКТИКА ИСПОЛЬЗОВАНИЯ НОВЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ ДЛЯ ПРОГНОЗИРОВАНИЯ И АНАЛИЗА ОТДЕЛЬНЫХ ХАРАКТЕРИСТИК СЕТЕВЫХ ЭНЕРГОПРЕДПРИЯТИЙ
КУРБАЦКИЙ В.Г., ТОМИН Н.В.
ГОУ ВПО «Братский государственный университет»
На базе новых информационных технологий решены задачи прогнозирования сверхнормативных потерь электроэнергии и температуры наружного воздуха при формировании тарифов на электрическую и тепловую энергии. С помощью искусственной нейронной сети Кохонена разработан новый альтернативный подход к анализу потерь электроэнергии в распределительных сетях.
Современные электроэнергетические системы (ЭЭС) приближаются к такому уровню сложности, когда текущее состояние и особенности функционирования не сводятся к простой сумме свойств отдельных элементов. При объединении этих элементов в систему возникают качественно новые свойства, которые не могут быть установлены посредством традиционного математического анализа. Одним из решений этой проблемы является построение модели на основе синтеза элементов [1]. К таким моделям относятся новые информационные технологии (НИТ), базирующиеся на многочисленных методах искусственного интеллекта, которые в последнее время достаточно широко используются в ЭЭС [2-6].
С позиции современных инженерных исследований в электроэнергетике на базе НИТ можно выделить следующие основные направления работ:
1. Нейросетевое моделирование сложных процессов в ЭЭС.
2. Обработка нечёткой информации при создании нечётких систем управления.
3. Применение генетических алгоритмов (ГА) для решения оптимизационных задач.
4. Создание интеллектуальных экспертных систем управления.
5. Применение гибридных моделей, объединяющих различные НИТ.
Многочисленные отечественные и зарубежные публикации [2, 4, 7]
свидетельствуют о том, что при решении задач электроэнергетики наиболее популярным из всех НИТ являются искусственные нейронные сети (ИНС) [7]. ИНС - это математические модели, базирующиеся на самообучающихся алгоритмах, использующие для обработки информации явления, аналогичные происходящим в нейронах живых организмов. Рассмотрим практические решения ряда электроэнергетических задач с помощью нейросетевых моделей.
© В.Г. Курбацкий, Н.В. Томин
Проблемы энергетики, 2006, № 3-4
Прогноз сверхнормативных потерь электроэнергии
Сверхнормативные потери (СП) электроэнергии (ЭЭ) - это прямые финансовые убытки электросетевых компаний [8]. Такие потери связаны с целым рядом различных факторов, и для отдельного сетевого энергопредприятия (СЭП) крайне важно знать их ожидаемый процент в электрических сетях обслуживаемого им энергорайона, поскольку на основе этой информации региональная энергетическая комиссия (РЭК) формирует заданный процентный уровень потерь ЭЭ для каждого отдельного СЭП.
Как известно, ряд структур ИНС отличаются исключительными прогнозными свойствами, когда на основе обучения по предыстории возможно получение достаточно точных прогнозов необходимого параметра. Экспериментальные исследования свидетельствуют о том [9], что наиболее точный прогноз случайного процесса выполняется многослойным персептроном (МП) с обучением по методу обратного распространения ошибки.
Поэтому в задаче прогноза СП была использована нейросетевая модель на базе МП. В качестве обучающей выборки использовались ретроспективные данные за период 2000-2005 гг. по ряду показателей, а именно:
- приобретенная ЭЭ;
- технологические потери ЭЭ;
- расход ЭЭ субабонентами;
- реализация ЭЭ;
- фактическая реализация ЭЭ.
Перед началом обучения исходная выборка была проанализирована с помощью нейросетевого алгоритма «ВохсоиН^», позволяющего определить статистическую значимость входных значений вышеописанных показателей для заданных выходных значений - сверхнормативных потерь ЭЭ. Результаты такого анализа приведены на рис. 1. Суть данного анализа состоит в том, что чем выше столбец гистограммы для данного входа, тем значимее его информация. Как явствует из рис. 1, при прогнозе СП на 2006 г. наиболее значимыми являются величина приобретённой ЭЭ и её реализация.
100 90 80 70
Я
= 60
т
5 50
3
ю 40 30 20 10 о
величина технологические расход ЭЭ реализация ЭЭ фактическая приобретённой ЭЭ потери ЭЭ субабонентами реализация ЭЭ
Рис. 1. Результаты анализа статистической значимости входных значений по отношению к
выходной величине показателя
Определённую трудность в осуществлении прогноза вызывал малый объём выборки, не позволяющий полноценно выявить закономерности в распределении прогнозируемых потерь. В соответствии с этим были использованы все возможные зависимые параметры в выборке и несколько структур ИНС, построенные на базе двухслойного персептрона. При этом задача © Проблемы энергетики, 2006, № 3-4
прогнозирования решалась с помощью нескольких нейросетей, объединённых в один функциональный блок - малые эксперты. Поскольку прогнозы экспертов могут различаться, в работе предлагается способ получения единственного ответа. В тех случаях, когда ошибки тестирования всех экспертов практически не отличаются, в блоке малых экспертов можно рассчитывать средние значения прогноза по данным ИНС. В противном случае предпочтение отдаётся одному из малых экспертов. При получении общего прогноза определялась доверительная апертура из прогнозов малых экспертов для каждого месяца и выделялись минимальные и максимальные значения СП (рис. 2).
1600000
1400000
1200000
1000000
800000
600000
400000
200000
о
А ^ сверх- кВт • Ч
■
• К'* а —
/А / / ’*■*»
/Л / N.
\ ч N
1' ♦ среднее —^ /
1 ■- максимальное к- 'ж
-- -*— минимальное 'А'
январь февраль март апрель май июнь июль ав!уст сентябрь октябрь ноябрь декабрь
Рис. 2. Результаты прогноза среднего, максимального и минимального значений сверхнормативных потерь ЭЭ на 2006 г. для одного из населённых пунктов
Плата за потребленную ЭЭ для большинства бытовых потребителей, в частности населения, осуществляется по одноставочному тарифу
Т1 = Ь Ж, (1)
где Ь - ставка за потребленную ЭЭ, руб./кВтч; Ж - фактическая потребленная ЭЭ, кВтч.
На основе полученного прогноза СП, в соответствии с (1), можно рассчитать прогнозируемые убытки, которые понесёт СЭП в прогнозируемый год.
Прогноз температуры наружного воздуха
В соответствии с действующим законодательством теплоснабжающие организации обязаны предоставить до начала следующего года расчёт, обосновывающий тариф на тепловую энергию на предстоящий календарный год.
Известно, что расход тепловой энергии для целей отопления Qот в значительной степени предопределяется температурой наружного воздуха :
бот _ Чот " К " Т ,
(2)
где qот - подключённая нагрузка отопления при температуре наружного воздуха, равной -43°С; К - переводной коэффициент расчётной нагрузки на фактическую температуру наружного воздуха; Т - период, за который определяется количество потреблённой тепловой энергии для отопления, в час.
В свою очередь, величина К определяется по следующему выражению:
*вн - *фв
к =--------т~, (3)
/ - / р *вн *н.в
где ¿вн- температура воздуха внутри жилого помещения +20°С; ¿н.в ■ расчётная
,ф
температура наружного воздуха для отдельного населённого пункта; ¿н.в -
фактическая среднемесячная температура наружного воздуха за
рассматриваемый период.
Поскольку расчёты производятся на перспективу, то для ТЭП возникает задача достоверной оценки среднемесячной температуры ^нв на предстоящий отопительный период. Получить такую информацию в подразделениях
гидрометеоцентра не представляется возможным, поскольку в этом случае прогноз температуры осуществляется для больших территорий (область, район).
Естественно, ТЭП заинтересованы в достаточно точном прогнозе ожидаемой величины ^нв. В Братском ТЭП для прогнозирования величины ¿нв, по
имеющимся фактическим данным за предыдущие 10 лет, был использован метод наименьших квадратов. Результаты расчётов показали, что при этом методе ошибка прогноза изменяется в диапазоне от 1 до 4°С. Однако данные анализа свидетельствуют о том [9], что при ошибке в определении ^нв на 1°С больше фактической температуры доходы от реализации тепловой энергии для целей отопления уменьшаются на 3,44% от плана.
В связи с этим для повышения точности прогноза величины ^нв в работе предложен нейросетевой метод. На первом этапе анализировались различные выборки ретроспективных данных по величине ^нв, а именно:
1) среднемесячные значения ^нв за предыдущие 10 лет (период 1994-2004);
2) среднесуточные величины температуры за предыдущие 5 лет (период 1999-2004 гг.).
На основе анализа обеих выборок получены различные конфигурации ИНС. Кроме того, для повышения точности прогноза использовалась особая гибридная сеть, сочетающая в себе структуры традиционных ИНС и генетических алгоритмов (ГА). В табл. 1 представлены результаты тестирования полученной нейросетевой модели для отопительного периода 2004 года.
Таблица 1
Результаты тестирования нейросетевой модели на отопительный период 2004 г по одному из
энергорайонов
Месяцы отопительного периода Фактическое значение температуры, °С. Прогноз ИНС, °С Абсолютная ошибка, °С Относительная ошибка, % Месяцы отопительного периода Фактическое значение температуры, °С. Прогноз ИНС, °С Абсолютная ошибка, °С Относительная ошибка, %
январь -16,3 -16,8 0,5 3,4 сентябрь 8,4 7,9 0,5 6,1
февраль -13,0 -12,8 0,2 1,2 октябрь 2,4 1,7 0,7 31,2
март -8,9 -9,7 0,8 9,7 ноябрь -5,7 -7,9 2,2 38,8
апрель 0,4 0,38 0,02 5,0 декабрь -20,6 -20,8 0,2 1,3
май 8,6 8,5 0,1 0,8 средняя ошибка 0,6 10,8
Анализ потерь ЭЭ
Как показывает отечественный и зарубежный опыт, кризисные явления в стране в целом, и в электроэнергетике в частности, отрицательным образом влияют на такой важный показатель как потери ЭЭ в электрических сетях [8]. В связи с этим важной задачей является определение и анализ потерь электрической мощности и энергии в электрической сети, в первую очередь в сетях 0,4-10 кВ. Поэтому крайне важна оценка потерь ЭЭ во всех частях электрической сети: трансформаторных подстанциях (ТП) 10/6-0,4 кВ и распределительных
электрических линиях, посредством которых, в большинстве случаев, осуществляется электроснабжение бытового сектора. Ввиду несовершенства традиционных современных методик [10], в работе предложен новый альтернативный подход к анализу потерь ЭЭ, основанный на использовании моделей ИНС.
В работе приведены результаты анализа потерь ЭЭ с помощью ИНС Кохонена, в годовом разрезе 2003 г. и в пределах каждого месяца, для распределительных сетей 0,4-10 кВ. В соответствии с [1] сеть Кохонена относится к сетям, использующим парадигму «обучение без учителя», и широко применяется для классификации (кластеризации) и распознания образов.
На первом этапе работы с помощью сети Кохонена проводилась кластеризация потерь активной ЭЭ в ТП 10/0,4-6 кВ различных населённых пунктов Братского энергорайона. Кластеризация, в простейшей трактовке, - это разделение полученных данных на компактные группы с близкими характерными свойствами. Необходимо отметить, что в отличие от задачи классификации, количественные и качественные параметры этих кластеров (групп) априори неизвестны.
Входной набор включал данные по потерям за каждый месяц в отдельных ТП, и входной слой ИНС Кохонена имел 12 нейронов. Для дополнительной обработки нормированных значений выборки был использован метод Главных Компонент (РСА), позволяющий автоматически понизить размерность входного пространства. В процессе обучения сети Кохонена были созданы карты Кохонена размерностью 2х2=4 нейронов, представленных на рис. 3 в виде диаграмм Хилтона. В каждом узле сетки такой диаграммы строится квадрат-кластер, размер которого пропорционален числу точек данных, ближайших к данному узлу, а оттенок отражает значение соответствующего признака.
Рис. 3. Пример карты Кохонена для потерь ЭЭ в виде диаграммы Хилтона © Проблемы энергетики, 2006, № 3-4
В соответствии с критерием значимости потерь ЭЭ разработанная нейросетевая модель осуществила в годовом разрезе разделение нагрузок потребителей ТП исследуемого энергорайона по четырём группам. Наряду с кластеризацией, нейросетевая модель выполнила сравнительную оценку потерь активной ЭЭ по ТП для каждой из полученных групп. С этой целью в рамках каждого месяца сравнивались потери по группам, что позволило выделить месяцы с более высоким уровнем потерь.
На втором этапе с помощью дополнительной кластеризации выделялись группы с наиболее высоким уровнем потерь ЭЭ, внутри которых анализировались отдельные ТП и выявлялись подстанции, приводящие к повышенным значениям потерь ЭЭ внутри группы (табл. 2).
Таблица 2
Кластеризация потерь электроэнергии в рамках полученных кластеров
сети Кохонена
Группа ТП Подстанции, приводящие к повышенному уровню потерь ЭЭ Месяц наибольших потерь ЭЭ
Кластер В1 ТП 14 (п. Порожский)* Октябрь
Кластер А2 ТП 196 (п. Стениха) Май
ТП 2, 5, 10 (п. Порожский)* Июнь
ТП 5, 13 (п. Порожский) Июль
ТП 5, 13 (п. Порожский) Август
ТП 196 (п. Стениха) Сентябрь
* ТП с аномально высоким уровнем потерь ЭЭ
Кроме этого, для каждой рассмотренной группы были построены графики распределения потерь по ТП в течение года (рис. 4).
А»'»
600000
500000
400000
300000
200000
100000
(I
1\
ТП-14
\
1 1
1 2 3 4 5 6 7 8 9 10 II 12 Лмсс
а)
Рис. 4. Распределение потерь ЭЭ по отдельным ТП кластеров В1 (а) и А2 (б) для посёлка
Порожский Братского энергорайна
На основе анализа данных графиков и полученных карт Кохонена, были выделены ТП с аномально высоким уровнем потерь ЭЭ. Полученные результаты показывают, что кластер А2, а также кластер В1 включают в себя наиболее значимые очаги потерь, соответствующие определённым ТП.
Выводы
1. Для организации эффективного функционирования
теплоэнергетического предприятия необходим достаточно точный прогноз температуры наружного воздуха и величины сверхнормативных потерь ЭЭ.
2. Величина прогноза температуры наружного воздуха тесно связана с составляющей доходов для ТЭП. Анализ показал, что при ошибке в определении tws на 1°С больше фактической температуры доходы от реализации тепловой энергии для целей отопления уменьшаются на 3.44% от плана.
3. Предложенный нейросетевой подход позволяет успешно осуществлять годовой прогноз СП с высокой точностью, даже в условиях малой предыстории, а в задаче прогнозирования температуры наружного воздуха позволяет получить достаточно низкую среднюю ошибку прогноза, не превышающую 1°С.
4. Предложенный подход к анализу потерь ЭЭ на базе карт Кохонена позволяет более эффективно находить очаги потерь ЭЭ и визуализировать представительный массив информации о потерях ЭЭ в виде компактных групп.
Summary
On the basis of new information technologies are solved problems of forecasting of above permitted standard losses of the electric power and temperatures of external air at formation of tariffs on electric and thermal energy. By means of artificial neural network Kohonen the new alternative approach to the analysis of losses of the electric power in distributive networks is developed.
Литература
1. Нейроинформатика/А.Н. Горбань, В. Л. Дунин-Барковский, А.Н. Кирдин и др.- Новосибирск: Наука. СО РАН, 1998.- 296 с.
2. Новые информационные технологии в задачах оперативного управления электроэнергетическими системами.- Екатеринбург: УрО РАН, 2002.205 с.
3. И.Н. Колосок, А.М. Глазунова. Достоверизация критических измерений с помощью ИНС. Энергосистема: управление, качество, безопасность: Сборник докладов Всероссийской научно-технической конференции.-Екатеринбург: УГТУ-УПИ, 2001.- С. 122-125.
4. Курбацкий В.Г., Томин Н.В. Краткосрочное прогнозирование электрической нагрузки с использованием новых информационных технологий/Вестник Амурского государственного университета.- Выпуск 27.2004.- С. 48-51.
5. Курбацкий В.Г., Томин Н.В. Прогнозирование электрической нагрузки на базе нечётких нейронных сетей/38 Вестник УГТУ-УПИ. Энергосистема: управление, качество, конкуренция: Сборник докладов II Всероссийской научнотехнической конференции.- Екатеринбург: ГОУ ВПО УГТУ - УПИ.- 2004.- №12 (42).- С. 222-226.
6. Обнаружение грубых ошибок телеизмерений в электроэнергетических системах/А.З. Гамм, И.Н. Колосок.- Новосибирск: Наука, 2000.- 152 с.
7. Оссовский С. Нейронные сети для обработки информации/Пер. с польского И. Д. Рудинского. - М.: Финансы и статистика, 2004.- 344 с.
8. Снижение потерь электроэнергии в электрических сетях. Динамика, структура, методы анализа и мероприятия/В.Э. Воротницкий, М.А. Калинкина, Е.В. Комкова, В.И. Пятигор//Энергосбережение.- 2005.- №2.- С. 90-94.
9. Шуманский В.Б., Курбацкий В.Г., Томин Н.В. Прогнозирование
температуры наружного воздуха на базе модели искусственной нейронной сети. Естественные и инженерные науки - развитию регионов: Материалы
межрегиональной научно-технической конференции. Том 2.- Братск: ГОУ ВПО «БрГУ», 2005.- С. 4-14.
10. Железко Ю.С., Артемьев А.В., Савченко О.В. Расчёт, анализ и нормирование потерь электроэнергии в электрических сетях: Руководство для практических расчётов.- М.: Изд-во НЦ ЭНАС, 2003.- 280 с.
Поступила 08.07.2005
