probenerИзвестия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИPower engineering: research, equipment, technology1998-99032658-5456Kazan State Power Engineering University10.30724/1998-9903-2022-24-2-97-106probener-2216Research ArticleЭЛЕКТРОТЕХНИЧЕСКИЕ КОМПЛЕКСЫ И СИСТЕМЫELECTROTECHNICAL COMPLEXES AND SYSTEMSПрогнозирование суточного графика электропотребления рабочих дней с учетом метеофакторов для центральной энергосистемы МонголииForecasting the daily energy load schedule of working days using meteofactors for the central power system of MongoliaРусинаА. Г.RusinaA. G.

Русина Анастасия Георгиевна – доктор технических наук, декан факультета энергетики

Anastasia G. Rusina

anastasiarusina@gmail.comТувшинО.TuvshinO.

Осгонбаатар Тувшин – аспирант

Osgonbaatar Tuvshin

o.tuvshin.21@gmail.comМатренинП. В.MatreninP. V.

Матренин Павел Викторович – кандидат технических наук, доцент кафедры систем электроснабжения предприятий

Pavel V. Matrenin

pavel.matrenin@gmail.comНовосибирский Государственный Технический УниверситетРоссияNovosibirsk State Technical UniversityRussian Federation20221306202224298107Copyright © Русина А.Г., Тувшин О., Матренин П.В., 20222022Русина А.Г., Тувшин О., Матренин П.В.Rusina A.G., Tuvshin O., Matrenin P.V.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://www.energyret.ru/jour/article/view/2216

Особенностью энергосистемы является то, что все процессы производства, передачи и распределения происходят одновременно. Этот сложный и непрерывный процесс обеспечивается управлением режимами энергосистемы. Для оптимального управления режимами необходимо анализировать характеристику потребления электроэнергии и прогнозировать график нагрузки. Прогнозирование потребления позволяет оптимизировать распределение выработки и обеспечивать надежность энергосистемы. Хотя существует множество методологий прогнозирования, не существует методологии, подходящей для всех энергосистем.

ЦЕЛЬ

ЦЕЛЬ. Прогнозирование суточного графика нагрузки для рабочих дней с учетом влияния метеорологических факторов центральной энергосистемы Монголии.

МЕТОДЫ

МЕТОДЫ. В работе использован метод, основанный на статистическом анализе. В качестве исходных данных использованы суточные графики нагрузки и данные о температуре и влажности наружного воздуха центральной энергосистемы, занимающейся большую часть энергопотребления и выработки в Монголии, за 2021 год. Работа проведена с помощью MS Excel.

РЕЗУЛЬТАТЫ

РЕЗУЛЬТАТЫ. По методу статистического анализа были построены суточные графики нагрузки с погрешностью 2,68%. После учета метеофакторов погрешность уменьшилась до 2,26%.

ЗАКЛЮЧЕНИЕ

ЗАКЛЮЧЕНИЕ. Использованный метод позволяет выполнять прогнозирование суточных графиков для рабочих дней. Многодневные периоды нерабочих дней, крупные аварии и плановые ремонты, ограничивающие потребление электроэнергии отрицательно влияют на точность прогнозирования.

A feature of the power system is that all the processes of production, transmission and distribution occur simultaneously. This difficult and continuous process requires the management by the regime of the power system. For precise regime managements, it is necessary to study the characteristic of electricity consumption. Forecasting demand allows to optimize the distribution of generation and ensure the safety of the power system. Therefore, forecasting is given a lot of attention in the energy section. Although there are many forecasting methodologies, but there is no exact methodology that is suitable for all power systems.

PURPOSE

PURPOSE. To forecast the daily load schedule for working days, considering the influence of meteorological factors on the central energy system of Mongolia.

METHODS

METHODS. This study is carried out by the method of statistical analysis on MS Excel. As initial inputs historical data on load, temperature and outdoor air humidity of the central energy system were used, which has the most of the energy demand and sources of Mongolia by 2021.

RESULTS

RESULTS. According to the method of statistical analysis, daily load curves were constructed with an absolute percentage error of 2.68%. After adding into account of meteorological factors, the absolute percentage error decreased to 2.26%.

CONCLUSIONS

CONCLUSIONS. This method corresponds to forecasting daily schedules for working days. By restricting the electricity consumption during long continues non-work days, days with a major accident and planned maintenance will affect negatively to the planned tendency.

прогнозированиесуточный график нагрузкиметеофакторыэнергосистема Монголииforecastingdaily load schedulemeteofactorenergysystem of MongoliaReferencesAlfares H.K., Nazeeruddin M. Electric load forecasting: literature survey and classification of methods // International journal of systems science. 2002. Т. 33. №. 1. С. 23–34.Alfares HK, Nazeeruddin M. Electric load forecasting: literature survey and classification of methods. International journal of systems science, 2002;33(1):23-34.Русина А.Г. и др. ГЭС: Искусство управления. 2019.Rusina AG. et al. HPP: The art of control engineering. 2019.Çevik H.H., Çunkaş M. Short-term load forecasting using fuzzy logic and ANFIS // Neural Computing and Applications. 2015. Т. 26. №. 6. С. 1355–1367.Çevik HH, Çunkaş M. Short-term load forecasting using fuzzy logic and ANFIS. Neural Computing and Applications, 2015:26(6):1355-1367.Ghalehkhondabi I. et al. An overview of energy demand forecasting methods published in 2005–2015 //Energy Systems. 2017. №. 2. С. 411–447.Ghalehkhondabi I. et al. An overview of energy demand forecasting methods published in 2005–2015. Energy Systems. 2017;2:411-447.Абдурахманов А.М. и др. Методы прогнозирования электропотребления в распределительных сетях (обзор) // Электротехника: сетевой электронный научный журнал. 2016. Т. 3. №. 1. С. 3–23.Abdurahmanov AM. et al. Forecasting methods in electricity distribution networks (review). Russian Internet Journal of Electrical Engineering. 2016;3(1):3-23.Patel H, Shah M. Energy Consumption and Price Forecasting Through Data-Driven Analysis Methods: A Review // SN Computer Science. 2021. Т. 2. №. 4. С. 1-16.Patel H, Shah M. Energy Consumption and Price Forecasting Through Data-Driven Analysis Methods: A Review. SN Computer Science, 2021;2(4):1-16.Филиппова Т.А., Русина А.Г., Дронова Ю.В. Модели и методы прогнозирования электроэнергии и мощности при управлении режимами электроэнергетических систем. 2009. Новосибирск.Filippova TA, Rusina AG, Dronova YuV. Models and methods for forecasting electrical energy and power in controlling the regimes of energy systems, 2009.Vinagre E. et al. Electrical energy consumption forecast using support vector machines // 2016 27th International Workshop on Database and Expert Systems Applications (DEXA). IEEE. 2016. С. 171-175.Vinagre E. et al. Electrical energy consumption forecast using support vector machines. 2016 27th International Workshop on Database and Expert Systems Applications (DEXA). IEEE, 2016, pp. 171-175.Sadaei H.J. et al. Short-term load forecasting by using a combined method of convolutional neural networks and fuzzy time series // Energy. 2019. Т. 175. С. 365-377.Sadaei HJ. et al. Short-term load forecasting by using a combined method of convolutional neural networks and fuzzy time series. Energy. 2019;175:365-377.Fernandes K.C. et al. Electric load analysis and forecasting using artificial neural networks // 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI). IEEE. 2019. С. 1274-1278.Fernandes KC. et al. Electric load analysis and forecasting using artificial neural networks. 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI). IEEE. 2019, pp. 1274-1278.Антоненков Д.В., Матренин П.В. Исследование ансамблевых и нейросетевых методов машинного обучения в задаче краткосрочного прогнозирования электропотребления горных предприятий // Электротехнические системы и комплексы. 2021. №. 3 (52). С. 57-65.Antonenkov DV, Matrenin PV. Ensemble and Neural Network Machine Learning Models for Short-Term Load Forecasting of Open Cast Mining Companies. Electrotechnical Systems and Complexes. 2021;3(52):57-65.Alobaidi M.H, Chebana F, Meguid M.A. Robust ensemble learning framework for day – ahead forecasting of household based energy consumption // Applied energy. 2018. Т. 212. С. 997–1012.Alobaidi MH, Chebana F, Meguid M. A. Robust ensemble learning framework for day – ahead forecasting of household based energy consumption. Applied energy. 2018;212:997-1012.Wang J. et al. A trend fixed on firstly and seasonal adjustment model combined with the ε-SVR for short-term forecasting of electricity demand // Energy Policy. 2009. Т. 37. №. 11. С. 4901–4909.Wang J. et al. A trend fixed on firstly and seasonal adjustment model combined with the ε-SVR for short-term forecasting of electricity demand. Energy Policy. 2009:37(11):49014909.Калантаевская.Н.И, Латыпов С.И, Кошеков К.Т. Модель организации данных и процесса обучения нейронной сети при построении графиков нагрузки на сутки вперед // Алматынского университета энергетики и связи. 2019. Т. 3. С. 11.Kalantayevskaya NN, et al. Neural network when constructing schedules of loading for the day forward. Energy and communication in University of Almata. 2019;3(11).Макоклюев Б.И. и др. Влияние метеофакторов на режимы потребления электроэнергии энергосистем // Методические вопросы исследования надежности больших систем энергетики. 2015. №. 65. С. 405-414.Makoklyuev BI, et al. Effect of meteorological factors on energy consumption of power systems. Methodological problems in reliability study of large energy systems.2015;65(405-414).Tepedino C. et al. A forecasting model based on time series analysis applied to electrical energy consumption // International Journal of Mathematical Models and Methods in Applied Sciences. 2015. Т. 9. С. 432-445.Tepedino C. et al. A forecasting model based on time series analysis applied to electrical energy consumption. International Journal of Mathematical Models and Methods in Applied Sciences. 2015;9:432-445.

The authors declare that there are no conflicts of interest present.