В статье автор исследует использование математических моделей для повышения точности краткосрочного прогнозирования энергопотребления.
Ключевые слова: энергопотребление, краткосрочное прогнозирование, математические модели.
Поскольку предприятия нефтегазодобычи становятся все более зависимым от электричества, прогнозирование и планирование нефтегазового производства имеет решающее значение. Кроме того, электроэнергию невозможно хранить, поэтому она используется сразу в процессе производства. Это еще больше увеличивает потребность нефтегазовых компаний в упреждающем прогнозировании и планировании энергопотребления.
Надежный прогноз будущего уровня потребления электроэнергии является основным руководящим принципом планирования. В частности, высокая точность прогнозирования средне- и долгосрочного потребления электроэнергии является ключом к планированию энергопотребления. Напротив, неточный прогноз потребления электроэнергии может иметь неприятные последствия. Завышение приведет к растрате ограниченных энергетических ресурсов, огромным капиталовложениям и длительному сроку нефтегазодобычи. Недооценка приведет к более серьезным негативным последствиям, таким как нехватка электроэнергии. Очевидно, что если заблаговременно обеспечить эффективное раннее предупреждение, основанное на высокой точности прогнозирования потребления электроэнергии, можно принять некоторые меры, чтобы избежать негативных последствий. Однако потребление электроэнергии является неопределенным, сложным и нелинейным, что зависит от экономических, политических, социальных и других условий, а также климатических факторов и других внешних факторов, влияющих на точность прогнозирования потребления электроэнергии объектов нефтегазодобычи [4].
Текущие прогнозы потребления электроэнергии обычно делятся на краткосрочные прогнозы, среднесрочные прогнозы и долгосрочные прогнозы, при этом среднесрочные и долгосрочные прогнозы в основном ориентированы на месячные и более временные масштабы использования электроэнергии, в то время как краткосрочные прогнозы рассчитаны на использование в течение дня.
Традиционные методы прогнозирования основаны на математических методах, таких как регрессионный анализ, авторегрессионная модель и экспоненциальное сглаживание.
Авторегрессионная скользящая модель часто применяется к краткосрочным временным рядам с высокой регулярностью и периодичностью, используется модель для краткосрочного прогнозирования и оценки данных о нагрузке электроэнергии за короткий период (до одного месяца), и, путем сравнения относительных ошибок, прогнозируемое значение модели оказывается более точным.
Метод экспоненциального сглаживания используется для среднесрочного и долгосрочного прогнозирования энергопотребления, который подходит для предприятий с относительно небольшой неопределенностью, и некоторые сезонные факторы также могут быть включены в модель. Эти методы просты и удобны в использовании, но при работе с нелинейными и нестабильными данными о потреблении электроэнергии результаты прогноза не отличаются высокой точностью и подвержены различным проблемам.
В числе математических моделей также необходимо использовать методы искусственного интеллекта, которые позволят эффективно решать проблему точности при прогнозировании энергопотребления, включая нейронные сети и расчет опорных векторов. Модель опорных векторов используется для прогнозирования среднесрочного и долгосрочного потребления электроэнергии с учетом экономической среды и нижестоящих звеньев производственной цепочки, благодаря чему снижается сложность расчета, ускоряется скорость вычисления и повышается точность прогнозирования [1].
Применение улучшенной модели прогнозирования нейронной сети эффективно улучшает сходимость и точность прогнозирования за счет пакетной обработки данных. Хотя единая интеллектуальная алгоритмическая модель обладает хорошей адаптивностью к нелинейным и неструктурированным данным об энергопотреблении и точность прогнозирования может быть в некоторой степени улучшена путем глубокого анализа внутренних закономерностей данных о потреблении электроэнергии, результаты ее прогнозирования трудно продвигать в использовании, поэтому многие предприятия используют комбинаторные модели для повышения надежности модели и точности прогнозирования энергопотребления.
Также существует возможность применения модели прогнозирования энергопотребления на основе прогнозирования и метода стохастической комбинации, который учитывает взаимосвязь между потреблением электроэнергии и экономическими показателями деятельности предприятия. Так, создается модель прогнозирования на основе случайного фактора и наиболее весомых факторов для упрощения структуры модели прогнозирования энергопотребления путем непредвзятой оптимизации идентификации переменных, что помогает улучшить скорость прогнозирования и способность модели к обобщению [3].
На метод комбинаторного прогнозирования большое влияние оказывают случайные факторы, а на потребление электроэнергии влияют несколько факторов, поэтому перед прогнозированием необходима предварительная обработка данных, а изменяющиеся характеристики данных о потреблении электроэнергии можно проанализировать путем декомпозиции.
Для повышения точности краткосрочного прогнозирования также может быть использована модель краткосрочного прогнозирования нагрузки на основе комбинаторной модели, которая лучше адаптируется к случайности и периодичности нагрузки и значительно повышает точность прогнозирования. Временной ряд разлагается с помощью вейвлет-функции, и строятся различные модели для прогнозирования временного ряда в разных масштабах, а полный результат прогнозирования получается путем реконструкции последовательности, что повышает точность прогнозирования и эффективность моделирования энергопотребления.
Основываясь на недостатках существующих математических моделей, таких как объем обработки сложных данных и отсутствие общей применимости результатов прогнозирования, предлагается комбинированная модель прогнозирования для прогнозирования краткосрочного потребления электроэнергии. Поскольку данные о краткосрочном потреблении электроэнергии представляют собой нелинейный нестационарный ряд, состоящий из нескольких частотных суперпозиций, в центре внимания должна находиться изменчивость данных о потреблении электроэнергии, на которую влияют различные внешние факторы, такие как ежедневная, еженедельная и сезонная цикличность. Ранее предложенные методы и модели обладают большей сложностью и неопределенностью при прогнозировании данных такого типа, поэтому по-прежнему существует потребность в более точном методе для нацеливания и получения более ценных результатов [2].
Предложенный метод используется для разложения необработанных данных о периодическом потреблении электроэнергии, получаются подсерии и остаточные ряды низкой и высокой частоты, и различается влияние различных компонентов для уменьшения сложности, случайности и нестационарности необработанных данных.
Метод может использоваться для моделирования прогнозов для каждого компонента. Затем краткосрочное потребление электроэнергии прогнозируется с помощью одной модели. Наконец, результаты прогнозирования комбинированной модели прогнозирования измеряются на основе весов, полученных из дисперсии.
В таком случае колебания ошибок оптимизированной модели прогнозирования относительно меньше, и, благодаря различению эффектов различных компонентов, снижается сложность, случайность и нестационарность исходных данных, что может эффективно повысить точность прогнозирования, уменьшить ошибки прогнозирования и обеспечить хорошую способность точного прогнозирования данных о краткосрочном нелинейном потреблении электроэнергии.
Литература:
- Авдеева, Н. Л. О прогнозах потребления электроэнергии в условиях рыночной экономики России [Текст] / Н. Л. Авдеева, Ю. М. Коган, А. Е. Романов //Энергетик. — 2018. — № 7. — С.9–11.
- Бэнн, Д.В.. Сравнительные модели прогнозирования электрической нагрузки / Д. В. Бэнн, Е. Д. Фармер; Пер. с англ. — М.:Энергоатомиздат,2017. — 568 с.
- Кассем С. А. Прогнозирование электропотребления предприятия с применением искусственных нейронных сетей / С. А. Кассем, А. Х. А. Ибрагим, А. М. Хасан, А. Г. Логачева // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2021. Том 7. № 1 (25). С. 177–193. DOI: 10.21684/2411–7978–2021–7-1–177–193
- Осипов Г. В. Моделирование социальных явлений и процессов с применением математических методов: учебное пособие / Г. В. Осипов М: НОРМА: ИНФРА-М, 2018. 191 с.
