Forecast Elektra – прогнозирование потребление электроэнергии для энергосбытовых компаний

Forecast Elektra предназначена для прогнозирования суточных графиков потребления электроэнергии (ПЭ) энергосбытовой компании 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”.

Forecast Elektra 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 энергопотребление:

Примечание: Оценка значимости факторов, на которых основывается прогнозирование энергопотребления по 100 - бальной шкале

Описание параметра	Тип параметра	Единица измерения	Оценка
Статус дня (подразумевает профиль графика потребления конкретных суток, основанный на статистике нескольких лет, а так же предыдущих недель)	0-    рабочий день со вторника по четверг 1-    рабочий понедельник 2-    рабочая пятница 3-    суббота 4-    воскресенье 5-    праздничный день	—	100
Потребление электроэнергии за текущие сутки	вещественный	МВт·ч	94
Потребление электроэнергии в предыдущие сутки	вещественный	МВт·ч	72
Потребление электроэнергии в предыдущую неделю	вещественный	МВтч	60
Потребление электроэнергии две недели назад	вещественный	МВтч	42
Среднесуточная температура воздуха	вещественный	°С	88
Скорость ветра	вещественный	м/с	48
Направление ветра	0 – южный	-	20
	1 - северный
	2 - западный
	3 - восточный
	4 - юго-западный
	5 -  юго-восточный
	6 - северо-западный
	7 - северо-восточный
Освещённость (облачность)	0 - облачно	-	64
	1 - облачно с прояснениями
	2 - переменно
	3 - малооблачно
	4 - ясно
Явления	0 - снег	-	56
	1 - дождь
	2 - град
	3 - метель
	4 - морось
	5 - туман
	6 - гололёд
	7 - ливень
	8 - гроза
	9 - шквал
Осадки	0 - снег	мм	54
	1 - дождь
Долгота дня	вещественный	час	6

Относительная стабильность энергопотребления наблюдается летом и зимой.

В рамках проведенного исследования было принято решение для прогнозирования профиля потребления на следующие сутки использовать статистику потребления за предыдущие периоды, а также статус дня и прогноз среднесуточной температуры воздуха на день составления прогноза.

В дальнейшем планируется учитывать при составлении прогноза и менее значимые факторы, такие например как ветреность и облачность (субъективная оценка), статистика, по которым также накапливается.

Следует отметить, что алгоритмы прогнозирования заложенные в системе не привязаны к каким-либо конкретным данным, т.е. состав исходных данных может меняться в зависимости от специфики работы конкретной энергосбытовой компании.

Хотелось бы отдельно остановится на методах определения статуса дня, поскольку данный фактор оказывает большое влияние на профиль энергопотребления (см. таблицу).

Под понедельником в рамках проведенного исследования, помимо обычных понедельников понимается любой после праздничный день, а под пятницей помимо обычных пятниц понимается любой предпраздничный день.

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 прогноз среднесуточной температуры воздуха на день прогнозирования, статус дня, потребление в предыдущие сутки, неделю назад, пол года назад, год назад.

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

На данных конкретной энергосбытовой компании удалось достичь следующих результатов:

1. Отн.Ош.сутки. = [Модуль(Прогноз_сутки – Факт_сутки)/Min(Прогноз_сутки; Факт_сутки)]*100%.
   
   Средняя Отн.Ош.сутки. при эксплуатации системы в течении 365 дней составила 2, 23%. Медиана ошибки равна 1,788% (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%
   
   Средняя Отн.Ош.час. при эксплуатации системы в течении 365 дней составила 2, 88%. Медиана ошибки равна 2,214%.

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

15.05.2007

  Увеличить рисунок



24.12.2007

  Увеличить рисунок



30.12.2007

  Увеличить рисунок



18.02.2008

  Увеличить рисунок