Прогнозирование суточного графика электропотребления рабочих дней с учетом метеофакторов для центральной энергосистемы Монголии

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

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

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.

1. Alfares 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.

2. Русина А.Г. и др. ГЭС: Искусство управления. 2019.

3. 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.

4. Ghalehkhondabi I. et al. An overview of energy demand forecasting methods published in 2005–2015 //Energy Systems. 2017. №. 2. С. 411–447.

5. Абдурахманов А.М. и др. Методы прогнозирования электропотребления в распределительных сетях (обзор) // Электротехника: сетевой электронный научный журнал. 2016. Т. 3. №. 1. С. 3–23.

6. 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.

7. Филиппова Т.А., Русина А.Г., Дронова Ю.В. Модели и методы прогнозирования электроэнергии и мощности при управлении режимами электроэнергетических систем. 2009. Новосибирск.

8. 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.

9. 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.

10. 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.

11. 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.

12. 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.

13. 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.

14. 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.

15. Макоклюев Б.И. и др. Влияние метеофакторов на режимы потребления электроэнергии энергосистем // Методические вопросы исследования надежности больших систем энергетики. 2015. №. 65. С. 405-414.

16. 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.