CC BY
0УДК 621.311
ПРОГНОЗИРОВАНИЕ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ: МЕТОДЫ И
ПОДХОДЫ
АБДУГУЛОВА ЖАНАТ КАПАРОВНА, БИСЕНОВ РАМАЗАН АЗАМАТУЛЫ
К. э. н. доцент, магистрант 2 курса ЕНУ им Л.Н. Гумилева
Аннотация: Эффективное прогнозирование электрической нагрузки играет ключевую роль в обеспечении надежности и устойчивости энергосистем. В статье рассматриваются ключевые факторы, влияющие на краткосрочное и долгосрочное прогнозирование, а также современные методы, включая статистические подходы и алгоритмы машинного обучения. В данной статье представлены результаты анализа данных и графиков, отражающих ключевые тренды в энергопотреблении. С использованием современных методов обработки данных рассмотрены как краткосрочные, так и долгосрочные изменения нагрузки. Графики и диаграммы, включенные в текст, наглядно демонстрируют влияние сезонных, экономических и технологических факторов на энергосистему, а также служат основой для разработки адаптивных стратегий управления энергоресурсами.
Ключевые слова: Прогнозирование электрической нагрузки, Энергопотребление, Машинное обучение, Искусственный интеллект, Нейронные сети, Статистические методы, Гибридные подходы, Энергосистемы Казахстана, Сезонные изменения.
Республика Казахстан, обладая значительными энергетическими ресурсами, стремится к повышению эффективности своего энергетического сектора через реформирование и внедрение современных технологий и подходов в области управления и планирования энергопотребления. Особое внимание уделяется внедрению методов прогнозирования электрической нагрузки, которые помогают справляться с глобальными вызовами, такими как изменения климата, экономическая волатильность и переход на возобновляемые источники энергии.
Прогнозирование электрической нагрузки является чрезвычайно сложной проблемой, которая требует интенсивного статистического анализа, формулирования проблемы и моделирования. Это во многом зависит от географической области, в которой необходимо прогнозировать электрические нагрузки. Краткосрочное прогнозирование электрической нагрузки является очень полезным инструментом в электротехнических приложениях и в обеспечении генерации электроэнергии, анализа безопасности системы и анализа потока нагрузки. На систему нагрузки влияют многие различные факторы, такие как климатические и метеорологические факторы, прошлые температуры, влажность, интенсивность ветра, ценовая стратегия и тариф на электроэнергию. Кроме того, общая система электрических нагрузок в основном зависит от возмущений и случайных величин, вызванных чрезмерными нагрузками или отключениями электроэнергии, и включение всех этих факторов в модели прогнозирования является очень сложной задачей. Поэтому существуют различные методы прогнозирования электрических нагрузок в краткосрочной перспективе.
Экономические трудности включают:
• Увеличение нагрузки на инфраструктуру из-за роста населения и урбанизации.
• Влияние цен на электроэнергию и топлива, а также изменений на мировых рынках.
С технологической точки зрения, прогнозирование энергопотребления осложняется:
• Сложностью интеграции нестабильных возобновляемых источников энергии, таких как солнечная и ветровая энергия, которые зависят от погодных условий.
• Высокой стоимостью технологий и модернизации сетей для поддержания устойчивости энергосистемы.
Рисунок 1. Квартальная динамика потребления электроэнергии в Казахстане (20192023 гг.)
Квартальное потребление электроэнергии в Казахстане показывает снижение с начала пандемии COVID-19. Основными причинами являются внедрение энергоэффективных технологий и переход на устойчивые источники энергии. В 2019 году наблюдались пиковые значения, но с 2022 года уровень потребления стабилизировался на более низком уровне, что указывает на структурные изменения в экономике и энергетике.
Наиболее важными проблемами, с которыми сталкиваются электрические сети, являются процесс прогнозирования будущих нагрузок из-за растущего сокращения запасов нефти во всем мире, технические и экономические трудности, связанные с генерацией электроэнергии из различных источников, таких как солнечные и ветровые энергосистемы, их высокая стоимость или опасения по поводу общественного здоровья и безопасности, такие как ядерные энергетические реакторы. Поэтому крайне важно оптимально использовать имеющиеся ресурсы для генерации электроэнергии, наиболее важным из которых является достижение точного прогнозирования электрической нагрузки, которое обеспечит знание вырабатываемого объема, а также важность планирования, регулярного обслуживания электростанций и обеспечения будущей информации об ожидаемой производительности электростанций для того, чтобы справляться с изменениями нагрузки.
Существует несколько методов прогнозирования электрической нагрузки, включая статистические подходы (временные ряды, регрессионный анализ) и методы машинного обучения (нейронные сети, алгоритмы классификации и регрессии). Эти подходы используются для создания моделей, способных учитывать как сезонные тренды, так и краткосрочные изменения.
Развитие компьютерных технологий и статистического анализа во второй половине 20-го века привело к использованию более совершенных статистических методов. Модели авторегрессии (AR) и скользящего среднего (MA), а позднее комбинация моделей ARMA и ARIMA стали стандартом для прогнозирования временных рядов. Эти методы позволяют получать более точные прогнозы на основе сложных временных зависимостей с учетом автокорреляции данных.
С конца 20-го по начало 21 -го века мы наблюдали стремительное развитие в области машинного обучения и искусственного интеллекта. Методы машинного обучения, такие как искусственные нейронные сети, методы опорных векторов и ансамблевые методы, такие как случайные леса и бустинг, начинают активно внедряться в прогнозирование энергопотребления. Эти методы позволяют обрабатывать большие объемы данных и объяснять нелинейные взаимосвязи между множеством факторов, влияющих на энергопотребление.
Рисунок 2. Пример диаграммы искусственной нейронной сети На изображении представлена многослойная прямопередаточная нейронная сеть, состоящая из входного слоя, скрытых слоёв и выходного слоя. Входной слой принимает исходные данные и передаёт их на скрытые слои, где информация обрабатывается с помощью взвешенных связей и функций активации. Нейроны скрытых слоёв полностью связаны между собой и с выходным слоем, который формирует окончательный результат на основе полученных преобразований. Такая архитектура позволяет эффективно моделировать сложные зависимости между данными и решать задачи классификации, регрессии и прогнозирования. Благодаря своей структуре и нелинейным активационным функциям, нейронная сеть способна обрабатывать большие объёмы информации и выявлять скрытые закономерности.
\cluod [uiand№
1 Numfctriif hidden J 1 1 Numtvri'i'L-fk^lis Hum 1
I:::::::]::::::::
f fUlli kr IIEIIClhin 114J1П * 1 1 IJJIskl tUIHllOll Lhl'll 111
iIil* hidilcn Ijlif ijiihilI , .......T........ ll*' L4I||4M lim-l M^limul 1 1...... _ _ _ '
1 1 I'raininp :il li Til hi 11 1 1 1 ■ 4iuntoid fimdrnl isdiliilcs 1
1 es L'liK'rit-M.ir^Li.irdi 1 * H ■
(Ulltl | Y»- 1Д1+-**) \
: : i
Nauorts topokig} MBIII- ' Input ^ariiiMo flci'lriial
Ijt'iv liji'd-turiiaid NI'UMI , l.-.li*. .Uld Ulli Killpiir.SlljrV*. 1
ni!lV(l[t 1 ( liw 2-1 Ihiurs 1
L 1
Рисунок 3. Сводная блок-схема сетевых параметров Нейронная сеть содержит четыре скрытых слоя, что позволяет эффективно обрабатывать сложные зависимости между входными и выходными переменными. Скрытые слои выполняют нелинейные преобразования данных, что критически важно для моделирования высокоуровневых взаимосвязей в выборке. Большое количество эпох способствует повышению точности модели, однако требует значительных вычислительных ресурсов и времени. Для активации нейронов как в скрытых слоях, так и в выходном слое используется сигмоидная функция. Использование сигмоидной функции обеспечивает плавность и стабильность работы сети, особенно при решении задач классификации или регрессии. В качестве алгоритма обучения применяется метод Левенберга-Марквардта, который объединяет преимущества градиентного спуска и метода Ньютона. Этот алгоритм известен своей быстрой сходимостью и эффективностью при решении задач оптимизации весов нейронных сетей. Топология сети представляет собой многослойную прямопередаточную нейронную сеть. В такой архитектуре данные передаются от входного слоя к выходному слою последовательно, без обратных связей. Это обеспечивает простоту реализации и высокую производительность при обработке данных. Входные переменные для модели включают электрические нагрузки и температуры за 24 часа. Эти данные позволяют нейронной сети обучаться на временных рядах, выявлять закономерности и прогнозировать
ОФ "Международный научно-исследовательский центр "Endless Light in Science"
целевые значения, что особенно важно для задач, связанных с энергопотреблением и погодными условиями. Таким образом, предложенная архитектура нейронной сети сочетает в себе эффективные методы обучения и активации, а также учитывает временные зависимости входных данных.
На рисунке представлена структура входных переменных, используемых для прогнозирования энергопотребления с помощью нейронных сетей. Основные переменные включают количество часов в сутках, температуру в час и электрическую нагрузку за час. Эта информация позволяет нейронным сетям анализировать временные зависимости и погодные условия, влияющие на энергопотребление, что делает их эффективным инструментом для прогнозирования.
Прогнозирование энергопотребления делится на четыре категории в зависимости от расчетного периода:
• Оперативные прогнозы (на 5-10 минут вперед) используются для мгновенного регулирования работы энергосистемы.
• Краткосрочные прогнозы (от 1 часа до 1 суток вперед) позволяют планировать ежедневную генерацию и распределение электроэнергии.
• Среднесрочные прогнозы (от 1 суток до 2-3 месяцев вперед) необходимы для планирования поставок и технического обслуживания сетей.
• Долгосрочные прогнозы (от 2-3 месяцев до 5-6 лет вперед) включают анализ сезонных трендов, уровня промышленного роста и политических изменений.
Факторы краткосрочных прогнозов позволяют учитывать быстро меняющиеся условия, такие как погодные изменения и колебания спроса. Для их построения часто используются модели временных рядов (например, АШМА) и алгоритмы машинного обучения.
Долгосрочные прогнозы, напротив, зависят от макроэкономических факторов, таких как экономический рост, демографические изменения, политическая активность и внедрение новых технологий. Эти прогнозы требуют интеграции большого объема данных и учета структурных изменений в энергосистеме. Для их реализации применяются модели, комбинирующие статистические подходы и методы глубокого обучения.
+ +
I n*pfHlw4f |ifr киНГ
Рисунок 4. Входные переменные для прогнозирования энергопотребления с использованием нейронной сети
Region: Kazakhstan
Frequency: Annual
Unit Source:
kWh mn
Bureau of National Statistics of the Agency for Strategic Planning and Reforms of the Republic of Kazakhstan
Energy Sector > Electricity > Consumption/Consumption Index Environmental, Social and Governance > Environmental: Energy Use and Clean Technology
Look for methodological information in our Footnotes section. Read More
Chart Data Statistics + t ö i
Indicator:
3Y 5Y TOY All
и
r 83,162.44 \ 75,850.27t
Рисунок 5. Ежегодное потребление электроэнергии в Казахстане Энергетический сектор Казахстана играет ключевую роль в устойчивом развитии страны. Как видно на диаграмме, данные о ежегодном потреблении электроэнергии (кВтч млн) с 2000 по 2020 годы демонстрируют общий рост с небольшими колебаниями. В период до 2015 года наблюдается значительное увеличение потребления, что связано с экономическим ростом, урбанизацией и развитием промышленности. Однако в последние годы можно заметить снижение потребления, вероятно обусловленное внедрением энергоэффективных технологий и экономическими корректировками.
Region: Kazakhstan Frequency: Monthly Unit kWh mn
Source: Bureau of National Statistics of the Agency for Strategic Planning and Reforms of the Republic of Kazakhstan
Indicator: Energy Sector > Electricity > Consumption/ Consumption Index
Environmental, Social and Governance > Environmental: Energy Use and Clean Technology
Look for methodological information in our Footnotes section. Read More
Chart Data Statistics + '©v ±
YTD 1Y 3Y 5Y All | g) |
E
jr 6,600
6,200
01/2022 05/2022 09/2022 01/2023 05/2023 09/2023
Рисунок 6. Ежемесячное потребление электроэнергии в Казахстане (2022-2023) Ежемесячное энергопотребление демонстрирует спад в начале 2023 года, связанный с сезонными и экономическими факторами. После этого уровень потребления стабилизировался. Эти изменения подчеркивают необходимость гибких стратегий управления энергоресурсами и точных прогнозных моделей.
В современном энергетическом секторе прогнозирование энергопотребления играет ключевую роль в обеспечении надежности энергосистем и устойчивости инфраструктуры. Интеграция ИИ в процессы прогнозирования существенно повышает эффективность моделей. Это достигается за счет способности адаптироваться к изменениям в данных и учитывать сезонные колебания, которые оказывают значительное влияние на потребление энергии. Например, зимний период в Казахстане характеризуется увеличением нагрузки на электрические сети из-за использования систем отопления, в то время как летние месяцы могут быть связаны с высоким потреблением из-за кондиционирования воздуха. Учет таких сезонных факторов в моделях помогает не только повысить точность прогнозов, но и оптимизировать распределение энергоресурсов.
i \ 6,320 86
t 1 _ _ _ .
í* i" i" i ......"Г"...... i'
В заключение, успех прогнозирования энергопотребления в будущем зависит от способности моделей учитывать множество факторов, таких как сезонность и макроэкономическая активность, а также от внедрения инновационных технологий, включая искусственный интеллект. Это не только обеспечит устойчивое развитие энергетических систем, но и позволит эффективно распределять ресурсы, минимизируя потери и оптимизируя производственные процессы. Развитие таких технологий станет фундаментом для построения энергетической инфраструктуры, способной справляться с вызовами будущего.
ЛИТЕРАТУРА
1. Abumohsen, M., Owda, A. Y., & Owda, M. (2023). Electrical load forecasting using LSTM, GRU, and RNN algorithms. Energies, 16(5), 2283.
2. Kwon, B.-S., Park, R.-J., & Song, K.-B. (2020). Short-Term Load Forecasting Based on Deep Neural Networks Using LSTM Layer. Journal of Electrical Engineering and Technology, 15(05).
3. Veeramsetty, V., & Deshmukh, R. (2020). Electric power load forecasting on a 33/11 kV substation using artificial neural networks. SN Applied Sciences, 2(855).
4. Zhang, J., Wei, Y.-M., Li, D., Tan, Z., & Zhou, J. (2018). Short term electricity load forecasting using a hybrid model. Energy, 162, 1058-1071.
5. Bureau of National Statistics of the Agency for Strategic Planning and Reforms of the Republic of Kazakhstan. (n.d.). Официальный сайт: https://www.gov.kz/memleket/entities/stat?lang=en.
