ВВЕДЕНИЕ
Задача краткосрочного прогноза энергопотребления и цен на энергоносители в настоящее время весьма актуальна. С появлением компьютеров и специализированного программного обеспечения основным способом её решения является математическое моделирование.
В России и за её пределами при краткосрочном прогнозе энергопотребления и цен хорошо зарекомендовали себя математические модели временных рядов, использующие ретроспективные данные для прогноза будущих значений. К основным из них относятся следующие:
— авторегрессионные модели (GARCH [1], ARIMAX [2], MMSP [3]);
— модели экспоненциального сглаживания [4];
— модели на нейронных сетях [5];
— модели на цепях Маркова [6];
— модели на базе классификационно-регрессивных деревьев [7].
Реже используются модели на основе генетического алгоритма, на опорных векторах, на основе передаточных функций, на нечёткой логике и модели группового учёта аргументов [3, стр. 35].
Фундаментальные модели, в противоположность моделям временных рядов рассматривающие зависимость будущих значений ряда лишь от внешних факторов, используются в основном для долгосрочного прогноза.
Набор действий, которые нужно произвести для определения конкретной прогнозной модели, называется методом прогноза [3, стр. 14].
ВЛИЯНИЕ ХАРАКТЕРА ЭНЕРГОПОТРЕБЛЕНИЯ
НА ТОЧНОСТЬ ПРОГНОЗА
Если рассматривать промышленное предприятие как сложную систему с большим количеством факторов, влияющих на её работу, то становится очевидным, что модель прогноза энергопотребления, дающая удовлетворительные результаты для одного предприятия, может быть не столь эффективной для другого из-за различий этих предприятий. Таким образом, несмотря на наличие большого числа методов и моделей прогноза энергопотребления, для каждого предприятия нужно грамотного адаптировать существующие или создавать собственные методы и модели прогноза. Кроме этого, индивидуальными являются и требования к точности прогноза [8]. Известно, что точность прогноза имеет сильную зависимость от характера временного ряда [9]. Если предприятие имеет равномерный график потребления, то прогноз с применением моделей временных рядов будет иметь высокую точность. Если же график энергопотребления неравномерен, то и точность прогноза математических моделей временных рядов резко снижается. В этом случае остаётся или смириться с невысокой точностью прогноза существующих моделей или разрабатывать новые, которые позволят обойти проблему трудности точного прогноза неравномерного графика энергопотребления.
ПРИЧИНЫ ВОЗНИКНОВЕНИЯ НЕРАВНОМЕРНОСТИ ГРАФИКА ЭНЕРГОПОТРЕБЛЕНИЯ
Разберёмся в причинах возникновения неравномерности графика энергопотребления крупного промышленного предприятия, взяв для примера ОАО «Волжский трубный завод» (ВТЗ). В составе его энергооборудования имеется крупный энергопотребляющий агрегат – дуговая электросталеплавильная печь, потребляющая около 47% электроэнергии всего завода. Время производства партии стали не привязано к границам часовых интервалов суток и определяется только требованиями технологии, превалирующими над требованиями часового энергетического планирования, принятого на оптовом рынке электроэнергии (ОРЭ), субъектом которого является ВТЗ. Следовательно, график потребления является неравномерным в часовом разрезе, и использование моделей временных рядов даёт низкую точность прогноза. Несмотря на то, что график иногда имеет кажущуюся суточную равномерность (повторяющиеся участки высокого и низкого потребления), спрогнозировать время начала и окончания очередной плавки стали крайне сложно (рис. 1). Часовая неравномерность графика означает, что всегда легко точно спрогнозировать часовой объём энергии при плавке, но практически никогда – его время.
На рисунках 1 и 2 видно, что время плавки и промежуток между плавками
постоянно меняются. При одном и том же суточном плане выплавки стали
график электропотребления печи различен при одинаковых суточных объёмах электропотребления. Это связано с особенностями технологии плавки стали и не зависит от типа дня недели, поскольку ВТЗ работает круглосуточно. Время плавки определяется следующими факторами:
— плотность укладки шихты в бадье;- применение газо-кислородных горелок;- частота продувки жидкого металла кислородом;- электрический режим печного трансформатора, который зависит от обвалов шихты, подъема уровня металла, обгорания электродов;- нестационарность протекания реакций в ванне, введение присадок.
Влияние совокупности этих факторов, меняющееся от плавки к плавке и от смены к смене, и придаёт графику электропотребления печи (и всего завода) ту долю неравномерности, которая не позволяет использовать существующие модели временных рядов, применение которых на ОРЭ в целом показывает их состоятельность [10].
ПРИЧИНЫ ВОЗНИКНОВЕНИЯ НЕРЕГУЛИРУЕМОСТИ ГРАФИКА ЭНЕРГОПОТРЕБЛЕНИЯ
Если предприятие имеет неравномерный график потребления и трудности с его прогнозом, то одним из вариантов обхода этой проблемы является оперативное регулирование нагрузки основных агрегатов. Разработано множество моделей внутричасового прогноза потребления. Среди них можно отметить модели на основе графика-аналога, нейронных сетей [11] и встроенные в программное обеспечение автоматизированных систем коммерческого учёта электроэнергии. Зная оперативный прогноз предполагаемого значения, персонал предприятия может своевременно изменять нагрузку основных агрегатов, регулируя часовые отклонения фактического энергопотребления от планового. Такой вариант является одним из решений проблемы неравномерности графика потребления.
Однако, существуют случаи, когда наличия технической возможности оперативного регулирования нагрузки и модели внутричасового прогноза
недостаточно. В частности, это случай, когда соблюдение требований технологии производства продукции для предприятия неизмеримо важнее, чем требования часового энергетического планирования ОРЭ. И оперативное изменение нагрузки агрегатов выльется в снижение качества основного вида продукции. В этом случае для преодоления проблемы низкой точности прогноза неравномерного нерегулируемого графика потребления необходимо искать другие пути или продолжать использовать в качестве прогноза энергопотребления «ручной прогноз», как меньшее из зол [8].
ПРЕДЛАГАЕМЫЙ МЕТОД ПРОГНОЗА НЕРАВНОМЕРНОГО НЕРЕГУЛИРУЕМОГО ЭНЕРГОПОТРЕБЛЕНИЯ
Для предприятия, имеющего неравномерный нерегулируемый график потребления электроэнергии и являющегося субъектом ОРЭ, для преодоления проблемы низкой точности прогноза потребления возможно использование нюансов работы рынка. Субъект ОРЭ в статусе крупного потребителя ежечасно покупает планируемый объём потребления на рынке на сутки вперёд (РСВ) по цене РСВ. Затем разница между планируемым и фактическим потреблением покупается (если факт больше плана) или продаётся (если факт меньше плана) на балансирующем рынке (БР) по ценам покупки и продажи БР (рис. 2).
Рисунок 2. Типы операций крупного потребителя ОРЭ на РСВ и БР
В соответствии с Регламентами ОРЭ [12] цены БР устанавливаются рынком так, чтобы сделки на БР были невыгодны относительно сделок на РСВ. Логика рынка в том, чтобы стимулировать участников минимизировать отклонения плана от факта. Все методы и модели прогноза электропотребления, применяемые на ОРЭ, стремятся к максимальной точности прогноза именно с целью минимизации отклонений БР.
Очевидно, что предприятие, характеризующееся неравномерным и нерегулируемым графиком электропотребления, всегда будет иметь большие отклонения и, соответственно, невыгодные сделки на БР. Предлагаемый прогнозный метод для преодоления этой проблемы учитывает нюанс работы ОРЭ, заключающийся в том, что в каждый час цена покупки РСВ совпадает с одной из цен БР – покупки или продажи (рис. 3).
Рис. 3. Соотношения цен РСВ и БР за час 13:00-14:00 по суткам
На рисунке 3 видно, что соотношения цен РСВ и БР одного и того же часа по суткам меняются. Выгодной же для предприятия сделкой на БР является та, с ценой которой в конкретный час совпадает цена РСВ. Осуществив этот тип сделки, можно купить или продать разницу между фактическим и планируемым потреблением электроэнергии на БР по той же цене, что и на РСВ. Таким образом, предприятие не будет штрафоваться рынком за ошибку в прогнозе, что снимает проблему точности прогноза неравномерного нерегулируемого графика потребления.
ХАРАКТЕРИСТИКИ ПРЕДЛАГАЕМГО МЕТОДА ПРОГНОЗА
Важнейшими элементами предлагаемого метода являются:
- Прогноз соотношений цен РСВ и БР. В зависимости от соотношения
цен определяется выгодный для предприятия тип сделки БР (рис. 4):
Рисунок 4. Типы соотношений цен крупного потребителя ОРЭ
Следует отметить, что в научной литературе предлагается использовать прогноз соотношений цен РСВ и БР для корректировки прогнозных значений, выданных математической моделью временных рядов, с целью оптимизации стоимости электроэнергии [13, § 2.4]. Однако, для промышленного предприятия с неравномерным нерегулируемым графиком потребления возможность применения любых моделей временных рядов крайне ограничена. Следовательно, метод прогноза соотношений цен не может быть использован лишь как коррекция прогноза модели временных рядов. Он должен быть основой прогноза в условиях неопределённости, проистекающей из неравномерного характера графика потребления электроэнергии, поэтому необходима его более детальная разработка. Также в указанной работе не принимается во внимание зависимость доли небаланса рынка от корректирующих воздействий модели [13, стр. 234]. Эту зависимость важно учитывать из-за больших отклонений плана от факта для предприятия с неравномерным нерегулируемым графиком потребления.
- Прогноз относительной ширина коридора цен БР — разницы цены
покупки и продажи БР в каждый час (рис. 5). В зависимости от ширины коридора цен БР определяется стоимость ошибки прогноза на данный час.
Рисунок 5. Ширина коридора цен БР для часа 15:00-16:00 в ноябре 2014
Анализ показывает наличие резких скачков цен БР с частотой несколько раз в месяц. При скачке цены ширина коридора цен БР увеличивается настолько, что стоимость ошибки прогноза становится очень большой. Например, для ВТЗ стоимость ошибки прогноза выгодного типа сделки БР в такие периоды при наличии отклонения планируемого потребления от фактического даже в 3-4% доходит до 12 000 рублей за 1 час.
- Использование страхового интервала для планирования потребления электроэнергии – такой разницы между базовым прогнозным потреблением и будущим фактическим, которая при любом сложившемся значении фактического потребления должна обеспечить нужный тип сделки БР. В настоящее время в качестве базового прогнозного потребления используется ровный часовой график, основанный на суточном плане производства. Размер страхового интервала напрямую зависит от коридора цен БР (рис. 6).
Рис. 6. Страховой интервал
- Автокоррекция ошибок прогноза соотношений цен. Это происходит в том случае, когда модель неверно прогнозирует тип выгодной часовой сделки БР, но график электропотребления выходит за рамки страхового интервала, в свою очередь, также меняя тип операции БР.
- Целевая функция метода прогноза:
(1)
С выполнением условий оптимизируется и размер страхового интервала.
ИСПЫТАНИЯ МОДЕЛИ, ОСНОВАННОЙ
НА ПРЕДЛАГАЕМОМ МЕТОДЕ ПРОГНОЗА
Ежесуточно прототип модели прогнозирует соотношение цен РСВ и БР для ВТЗ, основываясь на принципах, описанных в данной статье, и накапливает опыт прогноза, применяемый для уточнения прогнозного соотношения цен в пограничных случаях. Используя страховой интервал, величина которого определяется спрогнозированной шириной коридора цен БР, модель выставляет в заявке РСВ такое значение планового потребления электроэнергии, которое обеспечит выгодный ВТЗ тип сделки на БР.
Одновременно с этим свою заявку формирует персонал отдела главного энергетика. После получения суточного отчёта от Коммерческого оператора ОРЭ происходит сравнение результатов работы двух заявок (рис. 7).
Рис. 7. Выгода от работы прототипа прогнозной модели в декабре 2014
Применение прогнозной модели принесло бы выгоду 43 718 руб. за 10 суток. Объёмы отклонений БР в обоих вариантах оказались примерно равны, что гарантирует отсутствие дополнительных финансовых затрат при отнесении доли небаланса рынка для ВТЗ в конце расчётного периода.
ЗАКЛЮЧЕНИЕ
Таким образом, работа прототипа прогнозной модели показывает, что проблему почасового прогноза неравномерного нерегулируемого графика потребления электроэнергии, характерного для субъектов оптового рынка электроэнергии в статусе крупного потребителя, не решаемую существующими моделями прогноза, можно успешно обойти, применив прогноз соотношений цен рынка как основу для планирования потребления.
ЛИТЕРАТУРА:
- Garcia C., Contreras J., Akkeren M., Garcia J.B.C. A GARCH forecasting model to predict day-ahead electricity prices // IEEE Transactions on Power Systems. 2005, Vol. 20, No. 2. p. 867 – 874.
- Н. Дрейпер, Г. Смит «Прикладной регрессионный анализ» в 2-х кн. М.: Финансы и статистика, 1986. — 366 с.
- Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального подобия: дис. … канд. техн. наук. М., 2012. – 155 с.
- Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. — М.: Финансы и статистика, 2003. — 416 с.
- Хайкин С. Нейронные сети: полный курс, 2-е издание: Пер. с англ.– М.: Издательский дом «Вильямс», 2006.– 1104 с.
- Zhu J., Hong J., Hughes J.G. Using Markov Chains for Link Prediction in Adaptive Web Sites // 1st International Conference on Computing in an Imperfect World, UK, London, 2002. – P. 60 – 73.
- Brieman L., Friedamn J.H., Olsehn R.A., and Stone C.J. Classification and Regression Trees, Wadsworth & Brooks, Monterey, CA, 1984. – 368 p.
- Валь П. В., Попов Ю. П., Концепция разработки системы прогнозирования электропотребления промышленного предприятия в условиях оптового рынка. // Промышленная Энергетика.– 2011 –№ 10, с. 31-35.
- Макоклюев Б.И., Ёч В.Ф. Взаимосвязь точности прогнозирования и неравномерности графиков электропотребления // Электрические станции. – – № 5. – с. 64-67. Бейден С., Смирнов Д., Матвеева М. Риски на рынке электроэнергии и методы прогнозирования цен // Энергорынок. – 2004. – № 4. – с. 22-28.
- Новиков С. С. Методика оперативного планирования и управления электропотреблением крупнотоннажных электросталеплавильных печей при работе на оптовом рынке электроэнергии:дис. …канд. т. наук. Москва, 2008.- 186с.
- Регламенты оптового рынка электроэнергии РФ. Электронный ресурс ( на 1.12.2014).
- Дзюба А.П. Управление энергозатратами промышленных предприятий: дис. … канд. техн. наук. Челябинск, 2014. – 286 с.[schema type=»book» name=»ПРОГНОЗ НЕРАВНОМЕРНОГО НЕРЕГУЛИРУЕМОГО ПОТРЕБЛЕНИЯ НА ОПТОВОМ РЫНКЕ ЭЛЕКТРОЭНЕРГИИ» author=»Руссков Олег Владимирович, Сараджишвили Сергей Эрикович» publisher=»БАСАОАНОВИЧ ЕКАТЕРИНА» pubdate=»2017-06-17″ edition=»ЕВРАЗИЙСКИЙ СОЮЗ УЧЕНЫХ_ 30.12.2014_12(09)» ebook=»yes» ]