Классификация прогнозов в электроэнергетике

Classification of forecasts in the electric power industry


УДК 640

21.12.2015
 777

Выходные сведения:
Горшков Д.О. Классификация прогнозов в электроэнергетике // СтройМного, 2015. №1 (1). URL: http://stroymnogo.com/science/economy/classification_of_forecasts/

Авторы:
Д.О. Горшков (к.э.н. НГТУ им. Р.Е. Алексеева)

Authors:
D. O. Gorshkov (Ph. D. NSTU n. a. R. E. Alekseev)

Ключевые слова:
классификация прогнозов, прогнозирование, электроэнергетика, цели прогнозирования, электробаланс

Keyword:
klassifikaciya forecasts, forecasting, power generation, purpose of forecasting, balance

Аннотация: 
Существует множество классификаций, подчеркивающих те или иные особенности описываемого объекта. В подавляющем большинстве случаев выбор классификационных признаков зависит от поставленных целей прогнозирования, что несет некоторую условность объективности ее построения.

Annotation: 
There are many classifications, emphasizing certain features of the object described. The vast majority of cases, the choice of the classification criteria depend on the objectives of forecasting that assumes some of the arbitrariness of objectivity of its construction.

Классификация прогнозов в электроэнергетике


Не все существующие методы прогнозирования (более 400) подходят для расчета будущего состояния электропотребления. Ниже представлен краткий обзор методов [9] [10] [11] [12] [13-15] [16] [17-20].

1)      Гнатюк В.И. [9] – прогнозирование на основе GZ-анализа:

Этот метод представляет из себя одну из разновидностей рангового анализа при техноценологическом подходе к исследуемым объектам, таким как электропотребление. «На этапе статистического анализа и построения эмпирической модели процесса электропотребления осуществляется глубокая обработка данных по электропотреблению объектов, которая включает интервальное оценивание, прогнозирование и нормирование».

Данный метод помогает расширить существующие особенности имеющегося метода до составления прогнозов на более длительный срок (5-7 лет, что укладывается уже в среднесрочную перспективу) при низком уровне ошибки в 1,5-2%.

2)      Ламакин Г.Н. [11] – прогнозирование на основе классических методов прогнозирования (экстраполяция, тренды, оценка сезонных колебаний, корреляционно-регрессионный анализ):

Новаторством автора являются 3 вариации использования методов экстраполяции:

- на основе среднего абсолютного прироста отпуска электроэнергии;

- на основе среднего темпа роста отпуска электроэнергии;

- на основе рассчитанных аналитических формул.

3)      Лесниченко А.Ю. [12] – прогнозирование на основе нейро-ценологического анализа электропотребления.

Исследуемый автором метод относится по большей части к прогнозированию не на региональном уровне, а на уровне отдельных потребителей (промышленных предприятий).

Важным аспектом является то, что метод представляет из себя гибрид между нейронными сетями и теориями анализа техноценозов. Смысл новизны автора заключается в том, что «…данный метод использует нейронные сети и данные, полученные в ходе рангового анализа ценоза, образуемого предприятиями региона», что позволяет совместить положительные стороны сразу двух отдельных статистических методов.

4)      Соломкин А.В. [16] – прогнозирование на основе искусственных нейронных сетей. Авторский подход заключается в моделировании ситуации с резким изменением климата (локальное похолодание) и делает прогноз электропотребления на несколько ближайших дней, приходя к выводу о том, что данная методика зарекомендовала себя при использовании на относительно короткие промежутки времени (не более чем на 5-6 дней) во-избежании существенных отклонений по прогнозу и значительной ошибки в оценках.

5)      Исмагилов Т.С. [10] – краткий анализ методов прогнозирования в контексте оценки энергопотребления регионов. Автор пришел к выводу о том, что нейросетевые методы являются наиболее подходящими для подобного рода задач.

Однако автором не были проведены подробные исследования ни по одному из методов. Нет опробованных моделей с конкретными расчетами. Кроме этого рассмотрены не все известные применяемые современные методы прогнозирования.

6)      Действительно значимые разработки в области исследования нейросетевых моделей положены в работы Шумиловой Г.П. и Готмана Н.Э. [17-20].

Авторы ведут расчет электропотребления в краткосрочной перспективе на примере республики Коми, используя различные подходы (искусственные нейронные сети и нечеткие нейронные сети). Оба подхода сравнимы между собой по показателям точности, однако небольшим преимуществом обладает подход на основе ННС.

Стоит отметить, что авторы перебирают параметры исходной модели, чтобы добиться наилучшего результата. К конечным входным параметрам относятся:

- электропотребление за месяц, предшествующий прогнозируемому,

- максимальная и минимальная нагрузки,

- средняя температура,

- долгота дня,

- количество праздничных дней того же месяца,

- прогнозное значение средней температуры на прогнозируемый месяц,

- долгота дня в прогнозируемом месяце,

- количество праздничных дней в прогнозируемом месяце.

Единственным слабым местом авторы считают вопрос достоверизации входных данных. На сегодняшний день этот вопрос и вопрос своевременности (актуальности) этих данных является ключевым при прогнозировании любым из доступных методов прогнозирования электропоребления.

7)      Порохова Н.В. [13-15] – прогнозирование на основе регрессии.

Автор данной работы выбрал довольно простую модель, основанную на душевом потреблении электроэнергии, уровне ВВП и населении.

Существует множество классификаций, подчеркивающих те или иные особенности описываемого объекта. В подавляющем большинстве случаев выбор классификационных признаков зависит от поставленных целей прогнозирования, что несет некоторую условность объективности ее построения [1, 2].

Прогнозирование в электроэнергетике можно классифицировать [3]:

По времени:

1)  внутридневные – основанные на текущем (суточном) потреблении электроэнергии;

2)   краткосрочные – на временной интервал менее 1 года (зачастую используются периоды, характеризующие сезонные изменения в потреблении электроэнергии, например, зима, с учетом колебания температуры);

3)   среднесрочные – от 1 до 3-х лет;

4)   долгосрочные – от 3х лет и более (гипотетическое состояние в будущем с учетом неопределенности исходя из возможных вариантов развития как самого электроэнергетического комплекса, так и сопутствующих факторов).

По потенциальному результату прогноза:

1)     умеренные;

2)     оптимистические – несколько завышенные прогнозы относительно умеренного варианта. Строятся с учетом того, что факторы, влияющие на прогноз примут благоприятный фон (повышенная относительно средней температура воздуха, низкие цены на топливо и др.);

3)     пессимистические – составляются с учетом усиленного влияния негативных факторов.

В зависимости от уровня:

1)     макропрогнозирование - на уровне страны, целого электроэнергетического комплекса [4, 5, 6];

2)     мезопрогнозирование – на уровне региона, отдельных видов экономической деятельности;

3)     микропрогнозирование – на уровне группы предприятий, отдельных предприятий, их отдельных подразделений.

По типу источника информации:

1)     накопленный опыт - основанный на знании закономерностей прогнозируемых процессов (экспертные оценки);

2)     статистические – в основе лежит экстраполяция существующих тенденций;

3)     построение моделей прогнозируемых объектов.

По степени достоверности:

1)     высокая достоверность;

2)     средняя достоверность;

3)     низкая достоверность.

По цели:

1)     целевой прогноз – предполагает прогнозирование исходя из сделанной результативной установки (например, надежность обеспечения электроэнергией);

2)     поисковый прогноз – осуществляется для выработки и дальнейшего принятия ряда управленческих решений. Важен для оценки будущего состояния с учетом тех или иных особенностей функционирования;

3)     творческий прогноз – для выдвижения гипотез о взаимосвязях различных элементов, процессов прогнозируемого объекта.

По направлению:

1)     прогноз ретроспективный – позволяющий прогнозировать данные уже прошедшего периода и сопоставлять полученные значения переменных с известными (фактическими) данными [7].

2)     в будущее – создается на основе фактических данных.

По группировке показателей:

1)     прогноз одного или нескольких независимых показателей;

2)     прогноз нескольких взаимосвязанных показателей (например несколько статей электробаланса в комплексе).

По степени динамичности:

1)     статические – прогнозы на конкретный момент времени;

2)     динамические – позволяют учесть различные возможные параметры системы (наличие / отсутствие ввода / вывода мощностей, погодные условия), а также взаимосвязи отдельных ее элементов (баланс импорта / экспорта электроэнергии при ее прогнозном учете);

По степени воздействия на среду прогнозирования:

1)     активные – имеется возможность управления факторами, влияющих на прогнозное состояние объекта;

2)     пассивные – нет возможности контролировать и управлять процессами, воздействующими на объект;

3)     активно – пассивные – наиболее подходящий для электроэнергетики вариант, включающий учет как зависимых факторов (например, ввод новых мощностей), так и неуправляемых (например, аварии на электростанциях, аномально высокая / низкая температура воздуха).

По степени определенности:

1)     детерминированные прогнозы – отличаются высокой точностью, их основу зачастую составляют выявленные функциональные зависимости;

2)     стохастические прогнозы – построены на оценке статистических данных, имеют вероятностный характер;

3)     прогнозирование в условиях неопределенности – нестабильность процессов, неуправляемые факторов, ограниченное количество информации [8].

Применяются и другие классификации прогнозирования, однако вышеупомянутые наиболее применимы к электроэнергетическому комплексу, так как являются наиболее специфичными.


Библиографический список


1. Щербак А.П. Роль энергосбережения в развитии экономики региона // Экономика и управление. 2013. № 7 (93). С. 77-81.

2. Артеменко М.В., Бабков А.С. Классификация методов прогнозирования поведения систем // Современные проблемы науки и образования. 2013. № 6. С. 158.

3. Кондраков О.В. Методологический подход к анализу риска в энергетической сфере // Вестник Тамбовского университета. Серия: Гуманитарные науки. 2013. № 12 (128). С. 66-73.

4. Науменко Д.О. Разработка комплекса моделей долгосрочного прогнозирования потребления электроэнергии в Китайской Народной Республике // Управление экономическими системами: электронный научный журнал. 2011. № 34. С. 5.

5. Гальперова Е.В., Мазурова О.В. Долгосрочные тенденции электропотребления в экономике и ее основных секторах в России и мире // Энергетическая политика. 2014. № 1. С. 39-50.

6. Казаринов Л.С., Барбасова Т.А., Колесникова О.В., Захарова А.А. Метод прогнозирования электропотребления промышленного предприятия // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. 2014. Т. 14. № 1. С. 5-13.

7. Шпилевой В.А., Курушина Е.В., Делов Е.И. Ретроспективная оценка эффективности и проблемы прогноза внутреннего энергообеспечения Тюменской области // Энергетика Тюменского региона. 2004. № 4. С. 4-12.

8. Гальперова Е.В. Методический подход к оценке энергопотребления в условиях неопределенности // Регион: Экономика и Социология. 2013. № 3 (79). С. 212-218.

9. Гнатюк В.И. Прогнозирование электропотребления на основе GZ-анализа // URL. - http://www.endf.ru/25_1.php.

10. Исмагилов Т.С. Методы решения задачи прогнозирования в энергетике // Вестник УГАТУ. - 2010. - № 4 (39). С. 93-96.

11. Ламакин Г.Н. Основы менеджмента в электроэнергетике: Учебное пособие (часть вторая). – Тверь: ТГТУ, 2006. - 208 с.

12. Лесниченко А.Ю. Разработка методики управления перспективным развитием систем электроснабжения потребителей на основе нейро-ценологического прогнозирования электропотребления предприятий и организаций региона: Диссертация на соискание ученой степени кандидата технических наук. Москва, 2011.

13. Порохова Н.В. Пространственная неравномерность в прогнозировании социально-экономических процессов (на примере энергопотребления): Диссертация на соискание ученой степени кандидата географических наук. Москва, 2009.

14. Порохова Н.В. Географические методы исследования в анализе и прогнозировании энергопотребления // Известия РАН. Серия географическая. 2009. № 3. С. 48-54.

15. Порохова Н.В., Саакян Ю.З. Прогнозирование в электроэнергетике и новые факторы роста спроса на электроэнергию // Академия энергетики. 2007. № 6 (20). С. 4-8.

16. Соломкин А.В. Применение нейросетевых методов для прогнозирования потребления электроэнергии. – Саранск: МГУ им. Н.П. Огарева, 2009.

17. Шумилова Г.П. и др. Краткосрочное прогнозирование электрических нагрузок с использованием искусственных нейронных сетей / Г.П. Шумилова, Н.Э. Готман, Т.Б. Старцева // Электричество. -1999, №10. – С. 6-12.

18. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Модели прогнозирования нагрузок на основе аппарата искусственных нейронных сетей // Методические вопросы исследования надежности больших систем энергетики. Вып. 51. Сыктывкар: Изд-во Коми НЦ УрО РАН, 2000.

19. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Модель суточного прогнозирования нагрузок ЭЭС с использованием нечетких нейронных сетей // Известия Академии наук. Энергетика. 2001. № 4.

20. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Прогнозирование электрических нагрузок ЭЭС с использованием методов искусственного интеллекта // РНСЭ, 10-14 сентября 2001: Материалы докладов. Казань: Казан. Гос. Энерг. ун-т, 2001 - Т. II.

References


1. Shherbak A.P. Rol' jenergosberezhenija v razvitii jekonomiki regiona Jekonomika i upravlenie. 2013. No 7 (93). P. 77-81.

2. Artemenko M.V., Babkov A.P. Klassifikacija metodov prognozirovanija povedenija sistem Sovremennye problemy nauki i obrazovanija. 2013. No 6. P. 158.

3. Kondrakov O.V. Metodologicheskij podhod k analizu riska v jenergeticheskoj sfere Vestnik Tambovskogo universiteta. Serija: Gumanitarnye nauki. 2013. No 12 (128). P. 66-73.

4. Naumenko D.O. Razrabotka kompleksa modelej dolgosrochnogo prognozirovanija potreblenija jelektrojenergii v Kitajskoj Narodnoj Respublike Upravlenie jekonomicheskimi sistemami: jelektronnyj nauchnyj zhurnal. 2011. No 34. P. 5.

5. Gal'perova E.V., Mazurova O.V. Dolgosrochnye tendencii jelektropotreblenija v jekonomike i ee osnovnyh sektorah v Rossii i mire Jenergeticheskaja politika. 2014. No 1. P. 39-50.

6. Kazarinov L.P., Barbasova T.A., Kolesnikova O.V., Zaharova A.A. Metod prognozirovanija jelektropotreblenija promyshlennogo predprijatija Vestnik Juzhno-Ural'skogo gosudarstvennogo universiteta. Serija: Komp'juternye tehnologii, upravlenie, radiojelektronika. 2014. T. 14. No 1. P. 5-13.

7. Shpilevoj V.A., Kurushina E.V., Delov E.I. Retrospektivnaja ocenka jeffektivnosti i problemy prognoza vnutrennego jenergoobespechenija Tjumenskoj oblasti Jenergetika Tjumenskogo regiona. 2004. No 4. P. 4-12.

8. Gal'perova E.V. Metodicheskij podhod k ocenke jenergopotreblenija v uslovijah neopredelennosti Region: Jekonomika i Sociologija. 2013. No 3 (79). P. 212-218.

9. Gnatjuk V.I. Prognozirovanie jelektropotreblenija na osnove GZ-analiza URL. - http: www.endf.ru 25_1.php.

10. Ismagilov T.P. Metody reshenija zadachi prognozirovanija v jenergetike Vestnik UGATU. - 2010. - No 4 (39). P. 93-96.

11. Lamakin G.N. Osnovy menedzhmenta v jelektrojenergetike: Uchebnoe posobie (chast' vtoraja). – Tver': TGTU, 2006. - 208 P.

12. Lesnichenko A.Ju. Razrabotka metodiki upravlenija perspektivnym razvitiem sistem jelektrosnabzhenija potrebitelej na osnove nejro-cenologicheskogo prognozirovanija jelektropotreblenija predprijatij i organizacij regiona: Dissertacija na soiskanie uchenoj stepeni kandidata tehnicheskih nauk. Moskva, 2011.

13. Porohova N.V. Prostranstvennaja neravnomernost' v prognozirovanii social'no-jekonomicheskih processov (na primere jenergopotreblenija): Dissertacija na soiskanie uchenoj stepeni kandidata geograficheskih nauk. Moskva, 2009.

14. Porohova N.V. Geograficheskie metody issledovanija v analize i prognozirovanii jenergopotreblenija Izvestija RAN. Serija geograficheskaja. 2009. No 3. P. 48-54.

15. Porohova N.V., Saakjan Ju.Z. Prognozirovanie v jelektrojenergetike i novye faktory rosta sprosa na jelektrojenergiju Akademija jenergetiki. 2007. No 6 (20). P. 4-8.

16. Solomkin A.V. Primenenie nejrosetevyh metodov dlja prognozirovanija potreblenija jelektrojenergii. – Saransk: MGU im. N.P. Ogareva, 2009.

17. Shumilova G.P. i dr. Kratkosrochnoe prognozirovanie jelektricheskih nagruzok s ispol'zovaniem iskusstvennyh nejronnyh setej G.P. Shumilova, N.Je. Gotman, T.B. Starceva Jelektrichestvo. -1999, No 10. – P. 6-12.

18. Shumilova G.P., Gotman N.Je., Starceva T.B. Modeli prognozirovanija nagruzok na osnove apparata iskusstvennyh nejronnyh setej Metodicheskie voprosy issledovanija nadezhnosti bol'shih sistem jenergetiki. Vyp. 51. Syktyvkar: Izd-vo Komi NC UrO RAN, 2000.

19. Shumilova G.P., Gotman N.Je., Starceva T.B. Model' sutochnogo prognozirovanija nagruzok JeJeS s ispol'zovaniem nechetkih nejronnyh setej Izvestija Akademii nauk. Jenergetika. 2001. No 4.

20. Shumilova G.P., Gotman N.Je., Starceva T.B. Prognozirovanie jelektricheskih nagruzok JeJeS s ispol'zovaniem metodov iskusstvennogo intellekta RNSJe, 10-14 sentjabrja 2001: Materialy dokladov. Kazan': Kazan. GoP. Jenerg. un-t, 2001 - T. II.

Возврат к списку