BI ElektraProm – прогнозирование потребление электроэнергии для промышленных предприятий

BI ElektraProm предназначена для прогнозирования суточных графиков потребления электроэнергии (ПЭ) промышленных предприятий c упреждением до 7 суток и основана на нейросетевой модели.

В программе предусмотрены возможности:

• просмотра годовых графиков суточного потребления электроэнергии, соответствующего сглаженного графика (за пять рабочих дней), а также графика среднесуточной температуры;
• просмотра всех суточных ПЭ из годового архива и результатов их моделирования для оценки качества обучения нейронной сети и выявления аномальных наблюдений;
• просмотра и печати результатов прогнозирования в текстовом и графическом виде;
• ручной корректировки результатов прогноза, при этом для сравнения в графическом виде на экран одновременно с прогнозным ПЭ можно вывести ПЭ любых суток из годового архива;
• исследования влияния различных факторов на ПЭ при помощи инструмента имитационного моделирования “что-если”.

BI ElektraProm позволит решить следующие задачи:

1. Автоматизировать сбор информации, необходимой для составления плана энергопотребления из разнородных источников.
2. Формализовать, обобщить и улучшить методы составления плана ведущими экспертами-аналитиками.
3. Предоставить экспертам-аналитикам удобный интерфейс для корректировки плана и контроля работы системы.
4. Обеспечить автоматический подбор наилучшей модели прогнозирования.

По результатам опроса экспертов – энергетиков была составлена следующая таблица значимости факторов влияющих на электропотребление промышленного предприятия:

Таблица 1. Производственные факторы

Описание параметра	Тип параметра	Ед. измер.
Количество и тип (бензин, газ) израсходованного сырья	вещественный	Тонна
Количество и тип  выпущенной продукции	вещественный	Тонна
Статус дня	0 – рабочий день (Вт – ср - чт); 1 – рабочая пятница/предпраздничный день; 2 – рабочий понедельник/послепраздничный день; 3 – выходной день; 4 – праздничный день	--
Количество и тип (старая, новая) используемых печей	Целый	--

 

Чтобы отстроиться от определенного общего тренда, обусловленного определенным ростом страны, принимаются во внимание только переменные части характеристик, остающиеся после вычитания среднего значения. Если обозначить среднее значение нагрузки системы в j-й день Pm(j), а его вариацию Sigma(j), то можно определить часовой профиль j-го дня в виде

p(j,h)=[P(j,h)-Pm(j)]/Sigma(j),

Рдля h=0,1,...,23, где P(j,h) обозначает фактический отбор мощности в электроэнергетической системы в h-й час j-го дня.

Далее делается гипотеза о подобии профиля дня в аналогичные дни.

Аналогичным считается день того же статуса в том же месяце любого года.

Для прогнозирования профиля потребления на конкретный день использовались алгоритмы кластеризации на базе Карт Кохонена.

Для прогнозирования Sigma(j) и Pm(j) строились отдельные нейронные сети на вход которых подавались значения факторов влияющих на электропотребление.

1. Сокращение затрат
2. Увеличение прибыли
3. Улучшение планирования
4. Снижение трудоемкости
5. Увеличение уровня обслуживания клиентов

На данных конкретного промышленного предприятия удалось достичь следующих результатов:

1. Отн.Ош.сутки. = [Модуль(Прогноз_сутки – Факт_сутки)/Min(Прогноз_сутки; Факт_сутки)]*100%.
   
   Медиана Отн.Ош.сутки. при эксплуатации системы в течении 365 дней составила 0, 69% (т.е. ошибки прогнозирования на 182 дня лежат ниже величины медианы).
2. Отн.Ош.час. = [Модуль(Прогноз_час – Факт_час)/Min(Прогноз_час; Факт_час)]*100%
   
   Медиана Отн.Ош.час. при эксплуатации системы в течении 365 дней составила 1, 177%.

На рисунках ниже в качестве примера представлены профильные характеристики полученные этим методом для 4-х дней:

08.11.2008

  Увеличить рисунок



04.01.2009

  Увеличить рисунок



04.03.2009

  Увеличить рисунок



09.05.2009

  Увеличить рисунок