CC BY
159
----------------------------------- © Е.А. Дегтярёв, А.Л. Карякин,
2009
Е.А. Дегтярёв, А.Л. Карякин
ПРОГНОЗИРОВАНИЕ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ ЦЕХОМ АГЛОМЕРАЦИИ НА ОСНОВЕ МЕТОДА ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
Рассмотрена актуальная задача прогнозирования электропотребления цехом агломерации горного предприятия, решение которой с помощью метода искусственных нейронных сетей позволяет существенно снизить финансовые потери, вызванные штрафными санкциями энергоснабжающей организации за отклонения фактического потребления электроэнергии от заявленного. Ключевые слова: прогнозирование электропотребления, искусственные нейронные сети, горное предприятие, цех агломерации.
ш я ереход России на рыночную экономику произвел значи--Ж.Л. тельные перемены в принципах организации деятельности предприятий, сделав ее важнейшим направлением поиски путей повышения конкурентоспособности. Это коснулось и механизмов приобретения электрической энергии - ресурса, необходимого в любой отрасли промышленности. Рыночный отпуск электроэнергии позволяет добиться существенной экономии средств на ее приобретение. Это обусловлено тем, что объем заказа электроэнергии на рынке произволен, а рыночные цены ниже государственных.
Однако при переходе к рыночному приобретению электроэнергии, предприятие-потребитель берет на себя риск, связанный с невозможностью точного планирования заявки. Излишнее или недостаточное потребление электроэнергии, заказываемой по предварительным заявкам предприятием-потребителем, приводит к незапланированным издержкам поставщика в точке генерации. Согласно постановлениям Правительства РФ №643 от 24 октября 2003 и №530 от 31 августа 2006 года, существенную часть издержек, связанных с отклонением фактического потребления электроэнергии от заявленного, берет на себя предприятие, заказывающее электроэнергию. Чем более серьезны отклонения, тем более крупные финансовые потери несет потребитель за допущенные несоответствия.
Таким образом, у предприятия, приобретающего электроэнергию на оптовом и (или) розничном рынке, появляется задача со-
ставления достоверной заявки на потребление электроэнергии на некоторый срок вперед. В связи с этим, прогнозирование электрических нагрузок на сегодняшний день является актуальной темой исследований в электроэнергетике.
В настоящее время известно множество способов решения задачи прогнозирования потребления электроэнергии со средним относительным значением модуля отклонения фактической величины от прогноза не более 5% [1]. Однако потребление электроэнергии крупными предприятиями составляет тысячи мегаватт-часов за сутки, поэтому среднее значения модуля абсолютной ошибки прогнозирования остается достаточно высоким. В связи с этим, исследования в этой области не прекращаются. Например, рассматривая электропотребление горно-обогатительным комбинатом Свердловской области, было установлено, что его годовое потребление составляет порядка двух миллиардов киловатт-часов. Планирование электропотребления на комбинате в настоящее время ведется по нормам на производство продукции, а точность прогноза недостаточна. Удельный расход электрической энергии принимается с учетом данных аналогичного периода прошлого года. Электроэнергия для нужд ГОКа приобретается на розничном рынке электрической энергии и мощности в соответствие с заключенным договором электроснабжения. В соответствие с этим договором ГОК обязуется ежегодно предоставлять заявку на плановое потребление электрической энергии с разбивкой по месяцам и почасовой детализацией. При этом за ним остается право ежемесячно корректировать количество приобретаемой энергии. В результате, на предприятии возникает задача в разработке алгоритма, а в последствии на его основе, системы прогнозирования потребления электрической энергии с упреждением один календарный месяц и детализацией один час. Решение данной задачи очень сложный и трудоемкий процесс, так как рассматриваемые технологические процессы горного предприятия являются очень сложными и многофакторными, кроме того, горное предприятие имеет сложную, разветвленную структуру, что делает алгоритм прогнозирования на базе распространенного метода корреляционно-регрессионного анализа, заключающегося в выявлении и математическом описании Таблица 1
Структура годового (за 2007г.) потребления электрической энергии фабрикой окускования
Структурное подразделение Годовое потребление, кВт^ч Доля от общего потребления, %
Шихтоподготовка (агломерация) 11661252 2,97
Шихтоподготовка (окатыши) 3742030 0,95
Цех агломерации 125718505 31,98
Цех окатышей 251962210 64,10
существующих между переменными зависимостей, при выполнении условия удержания погрешности прогноза в диапазоне не более 5%, практически невозможным. В любом случае, при разработке алгоритмов расчета прогноза электропотребления необходима разбивка потребления электроэнергии по структурным подразделениям ГОКа, что также требуется для планирования и анализа режимов работы энергетического оборудования, предстоящих затрат на производство продукции, а также последующего анализа отклонений прогнозных величин от фактических. В результате, целесообразно делать прогноз для каждого цеха (структурного подразделения) в отдельности, а заявленное количество приобретаемой электроэнергии определять как сумму полученных величин. Например, для анализа существующего метода прогноза электропотребления на рассматриваемом горном предприятии можно выбрать фабрику окускования. При планировании на фабрике выделяют три объекта: цех агломерации, цех окатышей и цех шихтоподготовки, причем затраты электроэнергии на подготовку шихты для агломерации и обжига планируются и учитываются отдельно.
Потребление электроэнергии цехами фабрики за 2007 год приведено в табл. 1. Большая часть потребления электрической энергии (64,10%) приходится на цех окатышей, в два раза меньше (31,98%) - на цех агломерации, на цех шихтоподготовки приходится 3,92% от общего потребления электрической энергии. Таким образом, особое внимание следует уделять прогнозированию потребления электрической энергии цехами с большим объемом электропотребления, а именно окатышей и агломерации, т.к. величина отклонения фактического потребления электрической энергии фабрикой окускования от запланированного будет определяться, в основном, точностью этого прогноза.
В настоящее время планирование потребления электрической энергии на рассматриваемом горном предприятии и, в частности, по фабрике окускования ведется по нормам на производство продукции. Удельный расход электрической энергии принимается с учетом данных аналогичного периода прошлого года. Планирование потребления электроэнергии осуществляется сроком на один год с разбивкой по месяцам.
Плановое потребление электрической энергии:
^пл = кмес • ^ (1)
Где кмес - норма расхода электроэнергии на единицу продукции на расчетный месяц, кВт-ч/т; Qпл - плановое значение производства продукции, т.
Плановое потребление электрической энергии цехом агломерации и технологической линией по подготовке шихты для агломерации определяется по нормам на производство агломерата, а потребление электроэнергии цехом окатышей и технологической линией по подготовке шихты для обжига - по нормам на производство окатышей.
Таким образом, прогноз потребления электрической энергии фабрикой окускования ^^3'фОк, кВт-ч, в настоящее время осуществляется по нормам удельного расхода электроэнергии, установленным на конкретный месяц, в соответствии с выражением
^лф0" = (с + )• Q:,+(с, + к.” )• Q:, (2)
где кмес - норма удельного расхода электроэнергии цехом агломерации, кВт-ч/т; к™- норма удельного расхода электроэнергии на подготовку шихты для агломерации, кВт-ч/т; 2Лп - плановое производство агломерата, т; кмес - норма удельного расхода электроэнергии цехом окатышей, кВт-ч/т; к^Щ! - норма удельного расхода электроэнергии на подготовку шихты для обжига, кВт-ч/т; QЛШ -
плановое производство окатышей, т.
Используемый на предприятии метод прогнозирования потребления электроэнергии не точен и сопряжен с достаточно большим объемом работы по ручному сбору информации о потреблении электроэнергии, объемам производства продукции структур-
ными подразделениями комбината. На предприятии отсутствует автоматизированная система контроля и учета электропотребления, недостаточно узлов технического учета по показаниям которых можно достоверно оценить объемы электропотребления отдельных технологических переделов предприятия.
Служба главного энергетика совместно с вычислительноаналитическим центром предприятия на основании математической обработки данных о потреблении электрической энергии, полученных со счетчиков электрической энергии и данных о производительности рассматриваемого объекта электропотребления рассчитывают нормы удельного расхода электроэнергии, их систематизируют по месяцам года, усредняют накопленные за несколько лет нормы, и в последствии используют для прогнозирования электропотребления в соответствии с выражениями (1, 2).
Данный метод прогноза потребления электроэнергии при отсутствии автоматизированной систему контроля и учета электроэнергии (АСКУЭ) является не точным и имеет среднее относительное значение модуля отклонения фактической величины от прогноза более 5%(до 7-8%), при этом среднее значение модуля абсолютной ошибки прогнозирования, остается достаточно высоким [1]. Уменьшить погрешность прогнозирования возможно за счет внедрения системы АСКУЭ, которая позволит автоматизировать процесс сбора и организации массива исходных данных, для проведения алгоритма расчета прогнозируемых параметров электропотребления. При этом среднее относительное значение модуля отклонения фактической величины от прогноза не будет превышать 5% [2].
Кроме того, остро стоит проблема в расчетах реальных норм удельного расхода электроэнергии по структурным подразделениям комбината, проведении анализа и прогнозирования общего и удельного электропотребления, на основании которого можно выявлять основные закономерности формирования графиков нагрузки, как отдельных потребителей электроэнергии так и по цехам или в целом по предприятию, определять основные показатели графиков нагрузки, выявлять закономерности изменения удельных расходов электроэнергии рассматриваемого объекта электропотребления (РОЭ), определять научно-обоснованные плановые нормы удельного расхода электроэнергии, получать уравнения нагрузочных характеристик, по которым можно судить об изменениях сред-
ней нагрузки в зависимости от производительности РОЭ, прогнозировать расчетный получасовой максимум нагрузки [2].
Все эти возможности в комплексе позволили бы вести контроль рационального использования электроэнергии на предприятии. Решения обозначенных проблем могут быть найдены в разработке и внедрении на предприятии системы прогнозирования электропотребления построенной на основе метода искусственных нейронных сетей. Данный метод прогнозирования основан на использовании искусственных нейронных сетей с многослойной структурой и последовательными связями. Искусственная нейронная сеть (ИНС) - это вычислительная структура, моделирующая простые биологические процессы, обычно ассоциируемые с процессами человеческого мозга. Элементарным преобразователем в данных структурах является искусственный нейрон, названный так по аналогии с биологическим прототипом.
Важным свойством ИНС является способность к обучению, т.е. к поиску параметров нейронов, при которых сеть реализует функцию зависимости всех пар входных-выходных векторов с оптимальным функционалом качества.
Входными данными для обучения ИНС и составления прогноза являются базы данных автоматизированных систем коммерческого учета электроэнергии (АСКУЭ), а также дополнительных параметров, влияющих на электропотребление конкретного предприятия (время года, температура воздуха, влажность, атмосферное давление, день недели, время суток и т.п.). Выявление действительно значимых факторов и отброс малозначительных, является одной из самых ответственных задач прогнозирования и индивидуально для каждого объекта.
Выделение наиболее значимых переменных может быть сведено к расчету и сравнению эмпирических корреляционных отношений, характеризующих связь соответствующих независимых переменных с прогнозируемой. Для оценки эмпирических корреляционных отношений применяем метод аналитической группировки, подробно рассмотренный в [4]:
Ё(Уу- У;)
2
(6)
(5)
где <г- - внутригрупповая дисперсия; ] - номер группы; і - номер
наблюдения в группе; п -число наблюдений в группе; Уу - значение результативного признака і-го наблюдения ]-й группы; у -
среднее значение результативного признака у-й группы; и2 -
средняя величина внутригрупповой дисперсии результативного признака у в аналитической группировке по факторному признаку х; т - число групп; - межгрупповая (факторная) дисперсия ре-
зультативного признака; у - среднее значение результативного признака выборочной совокупности; г) - эмпирическое корреляционное отношение.
В [10] предлагается оценивать тесноту связи следующим образом:
- т < 0,3 - связь слабая;
- 0,3 < т < 0,5 - связь заметная;
- 0,5 < т < 0,7 - связь умеренно тесная;
- т > 0,7 - связь тесная.
Достоинством метода с использованием нейронных сетей является повышение точности прогнозирования потребления электроэнергии по сравнению с методом планирования по нормам удельного расхода, применяющимся на многих предприятиях. Таблица2
Сравнение показателей прогноза_____________________________________
Показатель прогноза (среднее квадратическое отклонение)
Точечная оценка средней величины
абсолютного относительное
значения, кВт-ч________значения, о.е.
относительного
Существующая система Разработанная система (1 сутки) Разработанная система (30 суток)
27329.9 16508,3
17641.9
0,0522
0,0315
0,0337
Оценка точности прогноза, даваемого полученной нейронной сетью, производилась по относительному среднему квадратическому отклонению, фактических значений от прогноза на тестовом множестве:
где W, - среднее значение потребления электрической энергии;
\¥ - значение потребления электрической энергии на выходе нейронной сети, о.е.; ^ - масштабированное фактическое значение
требления электрической энергии, кВт-ч; N - число элементов контрольного множества.
В результате:
Сравнение показателей точности существующей и разрабатываемой системы, при погрешности задания факторов 15%, приведено в табл. 2.
Тестовое применение метода на цехе агломерации одного из крупнейших горных предприятий Уральского региона позволило сократить погрешность прогнозирования с 5,22% до 3,37%, что в перспективе позволяет сэкономить на приобретении электрической энергии только для цеха агломерации более 2,8 млн. руб. в год.
Таким образом, использование современных комплексов АС-КУЭ совместно с системой прогнозирования на базе искусственных нейронных сетей позволяет значительно снизить затраты на штрафы за отклонения заявленных объемов электроэнергии от
(7)
N
W. = -------,
N
(8)
потребления электрической энергии; Wб- базисное значение по-
(9)
І = 1
фактически потребленных. Используя же для этой цели нейронные сети, мы ограничиваемся лишь выявлением существования связей, оставляя математическое описание зависимостей алгоритму обучения нейронной сети. Кроме того, точность прогноза такого метода существенно превышает точность других методов [3].
-------------------------------------------- СПИСОК ЛИТЕРАТУРЫ
1. Жежеленко И.В., Саенко Ю.Л., Степанов В.П. Методы вероятностного моделирования в расчетах характеристик электрических нагрузок потребителей. -М.: Энергоатомиздат, 1990, с. 125.
2. Исрапилов Р.Б. Хронусов Г.С. Экономическая эффективность прогнозов заявляемой мощности и электропотребления промышленных предприятий. - М., 1986, с.12.
3. Искусственные нейронные сети. Теория и практика. Круглов. В.В., Борисов В.В. - М.: Горячая линия - Телеком, 2001. - 382 с.: ил. - 2500 экз. - ISBN 593517-031-0.
4. Общая теория статистики [Текст]: учебник / под ред. И.И. Елисеевой. - 5е изд., перераб. и доп. - М.: Финансы и статистика, 2008. - 656 с.: ил. - 3000 экз. -ISBN 978-5-279-02414-8. ЕШ
A.L. Karyakin, E.A Degtyarev
A NEURAL NETWORK-BASED PREDICTION OF ELECTRICAL ENERGY CONSUMPTION IN AGGLOMERATION PLANT
In this paper the development of neural network based system for electricity consumption prediction is considered. The structure and algorithms of system for predicting future values of electricity consumption is described. The developed system is appliedfor predicting future values of electricity consumption of agglomeration plant.
Key words: neural network prediction, backpropagation, mining, electrical energy, agglomeration plant.
Коротко об авторах __________________________________________________
Карякин А.Л. - доктор технических наук, профессор, зав. кафедрой
«Электрификация горных предприятий»,
e-mail: karyakin.a@usmga.ru
Дегтярёв Е.А. - аспирант кафедры «Электрификация горных предприятий», e-mail: evg-degtyarev@yandex.ru
Уральский государственный горный университет.
