Прогнозирование энергопотребления

Для энергокомпаний актуальны кратко- и среднесрочные прогнозы электро- и теплопотребления, выполняемые на период от часа до нескольких лет. При этом краткосрочное прогнозирование преследует цель обеспечения информацией для текущего управления эксплуатационными режимами. Среднесрочные прогнозы необходимы для обоснования роста масштабов производства и ввода новых мощностей в генерирующих и сетевых компаниях. Объектом таких прогнозов является спрос на энергоносители в географических границах того рынка, который обслуживает энергокомпания. Например, для электрогенерирующих компаний это могут быть ценовая зона оптового рынка электроэнергии либо конкретный узел нагрузки в этой зоне, для электросетевых (распределительных) компаний – территория региона или города. Крупные поставщики тепла заинтересованы в прогнозах спроса на локальных рынках – в отдельных системах централизованного теплоснабжения.

Краткосрочные прогнозы электрических нагрузок от часа до недели вперед имеют важное значение прежде всего с точки зрения участия в спотовом рынке электроэнергии и оптимизации режимов работы генерирующего и сетевого оборудования.

Обычно при прогнозе на сутки определяются ожидаемая почасовая нагрузка, а также пиковая нагрузка и суммарное суточное потребление электроэнергии в обслуживаемом районе. Для таких задач наибольшее распространение получили линейные регрессионные модели, основанные на анализе временных рядов, а также в последнее время – более совершенные – адаптивные обучаемые нелинейные модели, создаваемые на принципах «искусственных нейронных сетей». Эти инструменты прогнозирования образуют широкий класс методов экстраполяции.

Классическим подходом к моделированию нагрузки в электросети является интерпретация ее изменений как дискретного временного ряда. Временные ряды стационарного типа редко встречаются на практике, обычно в них наблюдается определенная периодичность (сезонность) и направленный рост (убывание) значений параметра (тренд).

Сначала с помощью подобранных моделей выделяют сезонную компоненту и тренд, а затем моделируют оставшуюся случайную компоненту. Для этих целей, в частности, применяют периодические функции, полиномы разных степеней, автокорреляционные зависимости.

Искусственные нейронные сети представляют собой структуру для параллельной распределенной обработки информации. Искусственные нейронные сети состоят из обрабатывающих элементов – нейронов, которые могут обладать локальной памятью и выполнять локальные операции по обработке информации. Нейроны соединены синаптическими связями для передачи информации.

Важным свойством искусственных нейронных сетей является адаптируемость или способность менять свое поведение и знания в зависимости от внешней среды После предъявления входных сигналов нейросети самонастраиваются (обучаются) для обеспечения требуемой реакции. Для обучения искусственных нейронных сетей используется алгоритм, цель которого состоит в уменьшении ошибки между выходом искусственной нейронной сети и требуемым значением (выбранным для обучения).

Основная привлекательность применения искусственных нейронных сетей для прогноза нагрузки в электросети состоит в возможности использования большого количества входных параметров модели, которые влияют на результат прогноза. В них входят нагрузки за предшествующее время, погодные условия (температура, скорость ветра, облачность), время суток, тип дня (рабочий, выходной, праздничный), иногда день недели.

Среднесрочные прогнозы связаны с инвестиционной деятельностью компании. Эти прогнозы целесообразно разрабатывать на период, охватывающий в сумме средние сроки сооружения энергообъектов и окупаемости капиталовложений от 3-х до 10 лет. Для среднесрочных прогнозов потребления электроэнергии и тепла в качестве основных рекомендуется применять метод «прямого счета» и эконометрические модели.

Метод прямого счета (нормативный) предполагает предварительное раздельное прогнозирование удельных расходов электроэнергии и тепла, исчисленных на единицу продукции в натуральном или стоимостном выражении, единицу работы, одного жителя и соответствующих объемов продукции, работ, численности населения. Определение удельных расходов энергии может основываться на выборе технологий, а в ряде случаев и на экстраполяции. Оценку экономических показателей получают также путем экстраполяции временных рядов (тренда).

Эконометрические модели представляют собой системы регрессионных многофакторных зависимостей и балансовых уравнений (тождеств). Их параметры устанавливаются статистически на основе временных рядов или выборочных данных. Введение переменных с временным запаздыванием или параметра времени придает эконометрической модели динамический характер.

Ценность таких моделей для прогнозирования заключается, в частности, в возможности, задавая различные комбинации экзогенных (внешних) показателей, формировать разные варианты развития исследуемого объекта; это сужает зону неопределенности прогноза энергопотребления. Оценки экзогенных показателей базируются как на формальных процедурах (например, той же экстраполяции), так и на использовании методов экспертных оценок.

К долгосрочным прогнозам относятся прогнозы энергопотребления на период 15-20 лет. Они представляют интерес главным образом для органов государственного управления, разрабатывающих комплексные национальные и региональные программы развития топливно-энергетического комплекса. Задачей таких прогнозов является не столько получение каких-либо количественных оценок, сколько выявление будущих условий и факторов экономического, ресурсного, демографического, климатического, научно-технического характера, которые могут в исследуемой перспективе оказывать определяющее влияние на энергетику страны, сдерживая или, наоборот, ускоряя ее развитие.

Базовым методом, в наибольшей степени отвечающим удаленности горизонта и задачам прогнозирования, служит сценарный подход, широко использующий экспертные оценки. Формализованные методы применяются, но только как вспомогательные поисковые процедуры, дающие информацию для работы над сценарием экспертным группам. Например, использование в долгосрочных прогнозах электропотребления метода простой экстраполяции тренда может вывести аналитика на барьерные уровни (поворотные точки), за которыми ресурсное обеспечение электроэнергетики для покрытия такого спроса представляется невозможным. Насколько реальна такая ситуация, каковы ее временные координаты, существует ли у экономической системы научно-технический и организационный потенциал для ее преодоления – вот круг вопросов, на которые должен дать ответы долгосрочный прогноз на макроуровне.