«ДОСЛІДЖЕННЯ ЗАСОБІВ ПРОГНОЗУВАННЯ СУМАРНОГО ЕЛЕКТРОСПОЖИВАННЯ В ОБ’ЄДНАНІЙ ЕНЕРГОСИСТЕМІ»

Національний технічний університет України

«Київський політехнічний інститут імені І. Сікорського»

​

Презентація дисертаційної роботи на тему

на здобуття ступеня магістра за освітньо-професійною програмою – «Електричні мережі та системи»

Доповідач: магістрант гр. ЕС-31мп Михальчук В.С.

Науковий керівник: д.т.н, проф. Буткевич О.Ф.

Консультант з розділу «Проєктування підстанції»: ас. Моссаковський В.І.

​

​

Мета і завдання дослідження

Метою дослідження є визначення засобів, найбільш придатних для прогнозування сумарного споживання електричної енергії в об’єднаній енергосистемі.

Завдання дослідження, яке слід було виконати для досягнення поставленої мети:

• дослідити декілька засобів, зокрема і тих, що використовуються для прогнозування сумарного споживання електричної енергії в об’єднаній енергосистемі України

2

Об’єкт дослідження

Об’єктом дослідження є сумарне електроспоживання об’єднаної енергосистеми.

3

Предмет дослідження

Предметом дослідження є засоби прогнозування сумарного споживання електричної енергії об’єднаної енергетичної системи.

Моделі регресії

Математичне представлення лінійної регресії:

​

​

де y – це залежна змінна (та, яку треба спрогнозувати);

• а – вільний член, який відображає значення залежної змінної, коли всі х дорівнюють нулю;
• b₁, b₂, …, b_n – коефіцієнти регресії, що показують вплив кожної незалежної змінної на залежну;
• х₁, х₂, …, х_n – незалежні змінні, що впливають на значення у.

​

4

Моделі регресії

5

Моделі регресії

Проста лінійна регресія – регресія, в моделі якої є лише одна незалежна змінна, вона має вигляд:

Поліноміальна:

Нелінійна регресія – застосовується, коли залежність між змінними є нелінійною, і її неможливо описати простою лінійною функцією. Приклади нелінійних регресій:

Експоненційна:

Логарифмічна:

Степенева:

6

Порівняльний аналіз однофакторних моделей регресії

Для аналізу були відібрані ретроспективні дані погодинних значень активної потужності сумарного споживання електроенергії в ОЕС України (МВт·год) за квітень-травень 2018–2020 років.

У досліджуваних моделях були прийняті до уваги фактори щодо впливу: температури (°C), вологості (%), хмарності (бал.) та швидкості вітру (м/с) – для покращення точності прогнозів.

У процесі побудови моделей було обрано п'ять типів однофакторної регресії: лінійну, експоненціальну, логарифмічну, степеневу та поліноміальну другого порядку.

Обчислення параметрів моделей регресії проводилося з використанням наявної в Microsoft Office Excel функції LINEST.

7

Прогнозування сумарного електроспоживання залежно від температури

8

Прогнозне сумарне споживання залежно від температури

Прогнозування сумарного електроспоживання залежно від температури

9

Прогнозовані (залежно від температури) та фактичні обсяги погодинного

сумарного електроспоживання в ОЕС України (МВт·год)

​

Прогнозування сумарного електроспоживання залежно від вологості

10

Прогнозовані (залежно від вологості) та фактичні обсяги погодинного

сумарного електроспоживання в ОЕС України (МВт·год)

​

Прогнозування сумарного електроспоживання залежно від хмарності

11

Прогнозовані (залежно від хмарності) та фактичні обсяги погодинного

сумарного електроспоживання в ОЕС України (МВт·год)

​

Прогнозування сумарного електроспоживання залежно від швидкості вітру

12

Прогнозовані (залежно від швидкості вітру) та фактичні обсяги

погодинного сумарного електроспоживання в ОЕС України (МВт·год)

​

Моделювання з використанням багатофакторної лінійної регресії

Багатофакторна лінійна регресія – ґрунтується на припущенні, що модель має декілька незалежних змінних, де на кожну незалежну змінну призначається відповідний їй коефіцієнт. Математичний вигляд множинної регресії:

​

Коефіцієнти регресії багатофакторної лінійної регресії

13

Моделювання з використанням багатофакторної лінійної регресії

14

Прогнозовані (багатофакторна лінійна регресія) та фактичні обсяги погодинного сумарного електроспоживання в ОЕС України (МВт·год)

Аналіз моделей регресії

15

Мінімальні та максимальні фактичні та прогнозні значення

​

Середня абсолютна похибка кожної моделі регресії

де n-кількість порівнювальних значень (відповідно до кількості годин),

A_t – фактичне значення за t-ту годину,

F_t – прогнозоване значення за t-ту годину.

Штучні нейронні мережі

Рекурентні нейронні мережі (RNN) – це мережі, що мають зворотні зв'язки, це дозволяє зберігати та враховувати інформацію з попередніх етапів.

Нейронні мережі прямого поширення (Feedforward Neural Network) – є одним з найпростіших типів штучних нейронних мереж. В даних мережах вся інформаціє передається лише в одному напрямку (на відміну від RNN) – від вхідного шару, далі через приховані шари і до вихідного шару.

16

Архітектура ШНМ (FNN)

Штучні нейронні мережі

Для створення та навчання ШНМ був використаний MathLab і його інструмент Neural Network Toolbox (нині це частина Deep Learning Toolbox).

Створена штучна нейронна мережа прямого поширення (feedforward neural network) містить один прихований шар із 10 нейронами, які використовують активаційну функцію для нелінійного перетворення вхідних даних. Для навчання мережі застосовується алгоритм Levenberg-Marquardt backpropagation ('trainlm’).

Метод Левенберга-Маркварда – є одним із найбільш популярних і ефективних методів щодо оптимізації квадратичних функцій. Зазвичай цей метод використовується в тих задачах, де необхідно мінімізувати функцію та похибки, так само як це відбувається у регресії. Математично це представляється так:

​

​

17

Архітектура створеної штучної нейронної мережі прямого поширення

Штучні нейронні мережі

18

Прогнозні та фактичні значення споживання електричної енергії в ОЕС України

Оцінювання точності прогнозу з використанням ШНМ

Алгоритм методу випадкового лісу

Метод випадкового лісу є дещо покращеною версією беггінгу.

Беггінг – процес, коли один і той самий алгоритм використовується велику кількість разів, але для кожного разу використовується різна підмножина даних.

У алгоритмі Random forest лежить створення ансамблю з дерев рішень, але ще додатково додається один рівень випадковості. Суть його полягає у тому, що на кожному вузлі дерева випадкові ліси не використовують усі доступні ознаки для поділу, а обирають їх випадково.

19

Концептуальне подання алгоритму методу випадкового лісу

Алгоритм методу випадкового лісу

Алгоритм Random forest у MathLab реалізований за допомогою функції TreeBagger, яка використовує 100 дерев рішень для побудови моделі. Крім того, для оцінки точності прогнозування на кожному етапі була включена можливість використання Out-of-Bag (OOB) - це метод оцінки, коли кожне дерево оцінюється на тих даних, що не були використані під час його навчання.

20

Алгоритм методу випадкового лісу, реалізований у даній дисертації

Алгоритм методу випадкового лісу

21

Прогнозні та фактичні значення споживання

електричної енергії в ОЕС України

Оцінювання точності прогнозу з використанням Random forest

Аналіз результатів прогнозування з використанням досліджуваних моделей

22

Прогнозні та фактичні значення споживання електричної енергії в ОЕС України з використанням досліджуваних моделей

Значення МАРЕ

Проєктування електричної частини районної підстанції 110/10 кВ

Підстанція 110/10 кВ

• Схема: 110-5, трансформатори 63 і 80 МВА.
• Виконання: кабельне та повітряне на 110 кВ; кабельне на 10 кВ.
• Сторона 10 кВ: схеми 10-2 і 10-3 (2 та 4 секції шин), заземлювальні реактори для компенсації ємнісних струмів.

Автоматизація:

• Групове регулювання коефіцієнта трансформації, пожежогасіння, АВР (10/0,4 кВ), АЧР, ЧАПВ, дистанційне управління.
• Робота без постійного персоналу, передача сигналів до диспетчерського пункту.

23

Проєктування електричної частини районної підстанції 110/10 кВ

Обладнання:

• ЗРУ 110 кВ: маломасляні вимикачі ВМТ-110Б, трансформатори струму ТФЗМ-110.
• За захист нейтралі здійснюється за рахунок встановлених розрядників, які згодом можна замінити на ОПН-110.
• Трансформатори власних потреб: два на 400 кВА, схема неявного резерву з АВР.

Захист і облік:

• Панелі ПДЕ-2802, ЩДЕ-2801: триступінчастий дистанційний захист, АПВ із контролем синхронізму.
• Захист трансформаторів: реле ДЗТ-1.
• Встановлені лічильники забезпечують облік електроенергії.

24

Проєктування електричної частини районної підстанції 110/10 кВ

Грозозахист та заземлення:

• Захист від блискавок: сітка на даху (12х12 м, виконана дротом Ø6 мм).
• Заземлюючий контур: утворений шляхом з’єднання між собою виходів арматури, залізобетонних колон і фундаментів. Мережа заземлення виконана сталевою смугою розмірами 40х4 мм.

25

Висновки

1. Точність прогнозування сумарного електроспоживання в ОЕС України з використанням однофакторних моделей регресії не можна вважати задовільною. Використання лише одного фактору, такого як температура, вологість, хмарність чи швидкість вітру, інколи призводило до аномальних значень – від’ємних чи значно більших від фактичних.
2. Використання багатофакторної моделі лінійної регресії, що враховувала вплив температури, вологості, хмарності та швидкості вітру, дало точніші результати прогнозування (МАРЕ 7,66%) у порівнянні з однофакторними моделями.
3. Результати використання ШНМ прямого поширення для прогнозування сумарного електроспоживання в ОЕС України свідчать, що навіть модель простої архітектури (з 10 нейронами) забезпечує вищу точність прогнозування (середня абсолютна похибка становила 7,23%) ніж багатофакторна модель лінійної регресії.

​

26

Висновки

4. Використання методу випадкового лісу для прогнозування електроспоживання в ОЕС України дало точніші результати (на 0,32%) у порівнянні з багатофакторною моделлю лінійної регресії, однак ці результати поступаються за точністю (на 0,09%) результатам, отриманим з використанням досліджуваної ШНМ.
5. Результати виконаних досліджень свідчать, що ШНМ є досить ефективним інструментом, який слід використовувати для прогнозування електроспоживання в ОЕС. Враховуючи різноманітність типів та гнучкість архітектури ШНМ, можливість урахування впливу значної кількості впливових чинників, є підстави для припущення, що з використанням відповідних ШНМ, налаштованих для прогнозування електроспоживання в ОЕС, можна досягти точності прогнозування, яка цілком задовольнятиме вимогам до якості, зокрема і точності інформації, що використовується для розв’язання технологічних задач в ОЕС.

​

27

Висновки

6. Розроблена типова схема підстанції 110/10 кВ оснащена згідно з сучасними вимогами.

Висока ступінь автоматизації дозволяє експлуатувати підстанцію без постійного перебування на ній персоналу.

Системи захисту включають дистанційний триступінчастий захист, захист нульової послідовності та АПВ. Реле ДЗТ-1 забезпечує надійний захист трансформаторів.

Встановлені лічильники забезпечують точний контроль споживання.

Захист від блискавок забезпечений даховою сіткою та заземлюючим контуром із сталевої смуги.

28

Дякую за увагу!