English     Обратная связь +7 (495) 961-12-06; +7 (495) 252-04-32

Требования к системам прогнозирования энергопотребления

19.03.2008
Источник:  Журнал «ЭнергоРынок», №3, 2008

В процессе выбора и внедрения систем прогнозирования спроса на электроэнергию большое значение имеет практический опыт, приобретенный на тех рынках, которые уже прошли через аналогичные этапы развития. Рынок электроэнергетики Австрии является хорошим примером ведущего международного опыта в области прогнозирования энергопотребления.    


Опыт преобразований на рынке электроэнергии в Австрии

Либерализация рынка электрической энергии выдвигает новые требования к системе менеджмента данных в электроэнергетической отрасли.

Австрийский рынок электроэнергии, либерализация которого полностью завершилась к 1 октября 2001 г., в некоторой степени может стать отправной точкой при определении требований, предъявляемых к специфическим ИT-системам на рынках других стран.

В виду того, что энергоснабжение децентрализовано, а планирование спроса на электроэнергию находится в ведении различных субъектов рынка, исходные данные, которыми оперируют энергокомпании, организованы по-разному. Кроме того, при разработке и внедрении систем прогнозирования энергопотребления они также зачастую руководствуются совершенно разными подходами.

Например, операторы распределительных сетей обязаны ежемесячно предоставлять субъектам рынка сведения относительно объема электроэнергии, отпущенного для поддержания баланса в энергосистеме, необходимого для проведения финансовых взаиморасчетов. Значит, сетевые компании должны иметь системы передачи результатов измерений, способные своевременно и оперативно направлять поступающую информацию всем участникам технологического процесса.

Для сетевой компании качественное прогнозирование нагрузок играет ключевую роль в вопросах обеспечения надежности, своевременного преодоления ограничений на перетоки электроэнергии и мощности, а также при планировании управленческих задач. При этом качество интегральных показателей (например, данных о суммарном энергопотреблении в течение нескольких часов) для компании более значимо, чем, например, возможность 15-минутной детализации прогнозной нагрузки.

Генерирующие и сбытовые компании предъявляют к структуре данных совсем иные требования. Объединенные в балансовые группы, они регулярно осуществляют взаимные расчеты за электроэнергию, поставляемую для балансирования энергосистемы. При этом им нужно постоянно учитывать риски, связанные с затратами на покупку балансирующей энергии. Для того чтобы минимизировать возможные издержки, важно иметь надежный прогноз энергопотребления не только на сутки вперед, но и на менее длительные (внутридневные) интервалы.

Стандартами, действующими на рынке, предусмотрены относительно короткие периоды прогнозирования: в пределах часа, в течение которого данные на ближайшее время могут корректироваться, что позволяет оперативно исправлять ошибки в исходящих параметрах нагрузки, таким образом уменьшая расходы на поддержание баланса электроэнергии и мощности.

В Австрии официальным партнером клиринговой палаты, осуществляющей учет объемов поставленной балансирующим энергии, является ответственное лицо по балансовой группе.

Обеспечивая режимное управление, ответственное лицо по балансовой группе на основе прогноза предоставляет ее участникам показатели общего планового баланса в каждой точке сети. По итогам регистрации отклонений фактического потребления от планового, а также в случае внесения членами группы корректив в режиме intraday (в пределах текущего дня), оператором принимаются решения о распределении электроэнергии для поддержания баланса. Расчеты за балансирующую энергию производятся ex post отдельно по каждой балансовой группе через расчетный центр, причем основой этой операции служат данные, предоставляемые оператором распределительных сетей для проведения ежемесячного клиринга.

Таким образом, в деятельности каждого из участников рынка (на всех этапах технологического процесса производства и распределения электроэнергии) процедура прогнозирования играет доминирующую роль. 


Новые требования к методикам

Новое главное требование к методикам прогнозирования в электроэнергетике заключается в отказе от укрупненного расчета суточных объемов потребления в пользу учета нагрузки в разрезе 15-минутных интервалов. И если до сих пор можно было обойтись простым методом линейной регрессии или методом ежедневного сопоставления показателей, то теперь появилась необходимость учитывать нелинейные влияния колебаний температуры, скорости ветра и общей освещенности. В связи с этим оценке параметров зависимости энергопотребления от вышеперечисленных факторов придается большое значение, однако вместе с тем очевидно, что надежный прогноз нагрузки невозможен без качественной метеорологической экспертизы.

Тем не менее, в число факторов, осложняющих прогнозирование, входит не только отсутствие непосредственного доступа к данным об энергопотреблении, но зачастую и качественные изменения в самой оцениваемой функции, которые возникают как в результате колебаний структуры полезного отпуска, так и под воздействием сезонных особенностей.


Нелинейные эффекты

По мере возрастания требований, предъявляемых к точности прогноза, использование методов линейной регрессии или фильтра Калмана осложняется рядом обстоятельств. Сначала пользователь должен осуществить линеаризацию нелинейных эффектов с помощью подходящего метода трансформации. Простой пример из практики: влияние наружной температуры, замеряемой один раз в час, на потребление электроэнергии. Очевидно, что вне определенного диапазона температур (например, ниже минус 10 °C и выше 14 °C) это воздействие практически отсутствует, внутри же диапазона эффект оказывается близким к линейному. Как эффективно можно оценить параметры этой зависимости? Ввиду того, что они варьируются согласно изменениям температурного диапазона и текущего уровня энергопотребления, очевидно: решение данной задачи нуждается в высоком уровне экспертизы и сопряжено со значительными временными затратами. Наиболее же трудной представляется проблема учета полной освещенности, для выхода из которой следует первоначально установить форму функциональной связи, что в отличие от предыдущего примера непросто, а затем приступать к линеаризации. Теоретически в подобных задачах могли бы найти применение искусственные нейронные сети, поскольку они подходят для моделирования нелинейных зависимостей и вместе с этим не требуют задания точной функциональной формы. Тем не менее, они имеют существенный недостаток: реализация алгоритмов их обучения является весьма затратной с вычислительной точки зрения. Кроме этого структурные сбои, нередко возникающие в работе нейронных сетей, нуждаются в повторном обучении, основанном на сложных вычислениях и высокой квалификации. В случае если единственный субъект рынка - ответственный по балансовой группе - несет обязательства за прогноз потребления в каждом из многочисленных узлов сети, то описанные недостатки, связанные со сложностью реализации, могут оказаться критическими.

Итак, каким образом можно найти разумный компромисс между требованиями к точности прогноза, уровнем квалификации пользователя и нужной скоростью вычислений?


Многомерные адаптивные сплайны

Решение проблемы - использование методики многомерных адаптивных сплайнов, сочетающей в своей основе такие характеристики, как интерпретируемость, высокая скорость вычислений и надежность (робастность) результатов наряду с разнообразными возможностями моделирования нелинейных связей. Многие способы прогнозирования, базирующиеся на анализе этих сплайнов, нашли свое первоначальное применение в метеорологии.

Анализ многомерных адаптивных сплайнов проводится в несколько этапов. Первоначально область значений независимых переменных разбивается на подынтервалы, длина каждого из которых, так же, как и общее их количество, определяется исходя из числа наблюдений. При этом важно не допускать излишней фрагментации данной области: каждый из полученных подынтервалов должен быть информативным, т. е. направленным на улучшение качества подгонки модели. Не менее важно также удалить из совокупности наблюдений так называемые наблюдения-выбросы, которые приводят к смещению оценок и ухудшают предсказательную способность модели. Впрочем, их сравнительно легко диагностировать параметрическими методами. Затем в рамках каждого выделенного подынтервала рассчитываются классические коэффициенты линейной регрессии. В результате проблема трансформации данных с целью преодоления нелинейности решается автоматически. Так, в том же примере учета влияния наружной температуры это означает, что коэффициенты регрессии непрерывно снижаются в нелинейной области. Дополнительные преобразования данных становятся необязательными, и сложность выбора подходящего метода трансформации уже не препятствует (при наличии соответствующего пользовательского интерфейса) автоматической генерации прогнозов в режиме drag and drop. Опираясь на рассчитанные коэффициенты регрессии, можно сравнить все внешние факторы по силе воздействия, оказываемого ими на объем энергопотребления. К тому же результаты интерпретируются не только в привычных терминах статистических ошибок, стандартных отклонений или мер рассеяния, но и гораздо шире.


Предварительная обработка данных

Особое значение придается правильной предварительной обработке данных. Речь идет не только о выделении циклических составляющих и нормировании данных в целях предотвращения возникновения вычислительных проблем и упрощения проверки достоверности результатов. Кроме этого крайне важно найти возможность снижения размерности данных с помощью подходящих алгебраических методов, что во многих случаях способствует существенному повышению уровня эффективности прогнозирования. Реализация многих проектов в электроэнергетической области показала: используя анализ основных компонентов (Principal Component Analysis), можно добиться снижения размерности пространства независимых переменных до 25 % от исходного значения, что соответствует четырехкратному ускорению вычислений.

Применительно к нашему примеру анализа влияния наружной температуры на энергопотребление вышеизложенное означает, что из 24 серий часовых замеров температуры только шесть можно считать линейно независимыми базовыми векторами. Несмотря на это, оставшиеся вектора описывают более 98 % дисперсии наружной температуры, что дает возможность предположить будущие значения на основе прошлых. Когда же динамика энергопотребления в какой-то мере обладает подобной инерционностью, можно применять аналогичные алгоритмы распознавания "образов" относительно устойчивых динамических закономерностей. Стоит заметить, что конкретную процедуру их распознавания и методику прогнозирования допустимо выбирать произвольно. В любом случае описанный двухступенчатый способ анализа - снижение размерности данных и последующее применение собственно методики прогноза - рекомендуется к практическому применению. К тому же описанная технология "сжатия" данных имеет довольно выраженный сглаживающий эффект, что в повседневной работе зачастую оказывает позитивное влияние на качество прогнозов.


Интегрированные системы управления временными рядами

Одним из важнейших элементов комплексной системы прогнозирования является интегрированный модуль, позволяющий оперировать различными временными рядами. Очевидно, что прогноз энергопотребления будет эффективным только при условии его реализации в сочетании с анализом всех смежных технологических и экономических процессов энергокомпании. Так, например, расчет суммарной прогнозной нагрузки в соответствии с различными нормативами и инструкциями уже представляет собой нетривиальную задачу. Но последующее агрегирование данных по разным объектам энергоснабжения, учет прогнозов потребления, самостоятельно выполненные крупными потребителями, могут быть более успешно воплощены именно с применением подхода, основанного на управлении временными рядами.

Таким образом, на практике себя оправдывают информационные системы, предполагающие не только математическое ядро, отвечающее вышеназванным требованиям, но и имеющие гибкую интегрированную систему управления временными рядами. В качестве обучающей выборки для системы прогнозирования применяются данные внутренней информационной системы компании и все доступные сведения, поступающие от других субъектов рынка, с детализацией по группам точек поставки либо в агрегированном виде. При этом обработка данных, предоставленных метеорологическими службами, должна быть максимально автоматизирована. Обучение системы прогнозирования следует выполнять в автоматическом режиме, а результирующие прогнозные графики нагрузки (в форме временных рядов) нужно направлять в открытом доступе субъектам рынка - операторам смежных технологических процессов. Происходят ли эти процессы в рамках мероприятий по оптимизации закупок электроэнергии, либо реализуются для простого сведения баланса, их можно считать составляющими комплексной программы управления портфелем договоров энергокомпании. При этом основное требование к информационным системам остается неизменным. Так, идеальная форма интеграции информационных систем должна осуществляться на основе объединения модулей, позволяющих эффективно управлять различными временными рядами.


Заключение

Очевидно, что российский рынок электроэнергии можно сравнивать с австрийским условно, в силу большего количества энергозон и существенных различий в рыночных правилах и принципах регулирования. Начиная с 1 октября 2001 г. во многих крупных австрийских и немецких энергокомпаниях действует универсальный подход к прогнозированию энергопотребления. Можно предположить, что и Россию ожидает развитие энергетического рынка по схожему сценарию, ведь уже сегодня наблюдаются постоянное повышение эффективности и быстрая адаптация к изменениям в принципах регулирования. Это свидетельствует о построении информационных систем, в которых отдельные компоненты корреспондируют между собой, требуя максимальной гибкости в работе и возможности параметризации отдельных модулей. В силу этого очевидна необходимость перманентного совершенствования как системы управления временными рядами, так и методов прогнозирования. Потоки информации, возникающие в ходе реализации проектов энергокомпаний, должны унифицироваться, а выводы - подвергаться оценке по степени приоритетности и, наконец, группироваться в своеобразную так называемую дорожную карту для доработки отдельных программных модулей. Основываясь на опыте либерализации европейских энергетических рынков, следует вывод, что одной из первых реакций российского рынка является повышение требований к качеству систем прогнозирования спроса на электроэнергию, прежде всего, в сбытовых компаниях. При этом нужно заметить: эти компании находятся в более выгодном положении в силу того, что накопленный опыт, разработанные европейские технологии и программные продукты могут эффективно применяться и в условиях российского рынка.

Коморник Стефан, Директор компании HAKOM

Калечиц Евгений, Аналитик компании Branan


Возврат к списку