 |
Качество прогнозирования электропотребления.
|
|
|
|
Оценка чувствительности математической прогнозной модели к погрешности входных параметров. Требования к погрешности оперативного, краткосрочного и долгосрочного прогнозирования. Методы оценки погрешности прогнозирования. Доверительный интервал. Анализ качества прогнозирования на примерах краткосрочного и долгосрочного прогнозирования с помощью программ ЮРГТУ (НПИ).
(УЗ – 2). [1 – 3, 5, 6]
Точность прогнозирования оценивается по фактическому электропотреблению.
В общем случае для оценки точности используется следующие показатели тогности прогнозирования.
· Максимальная ошибка прогноза:
· Среднее значение модулей ошибок прогноза:
где 
- фактическое значение параметра; 
- прогнозное значение параметра; n – количество точек на оцениваемом интервале упреждения.
· Среднее значение относительных ошибок прогноза:
а) 
;
б) 
· Среднее процентное значение относительных ошибок прогноза:
а) 
100%;
б) 100%.
· Среднеквадратическая ошибка прогноза:
В качестве основной оценки используется средний модуль относительной ошибки прогноза 
, 
или среднеквадратическая ошибка прогноза 
.
В апреле 2011 г. в Оперативном штабе по совершенствованию конкурентного балансирующего рынка ОАО «СО-ЕЭС» распоряжением №132 утверждена «Методика контроля точности прогноза потребления» [30]. В методике изложен подход к определению количественной и качественной оценок точности прогноза, после которых может быть сделан выводы о корректности работы модели. С этой целью применяется средний модуль относительной ошибки прогноза δРсут, рассчитываемый по (31) для одних суток (N =1). Для качественной оценки величины δРсут вводится понятие уровней ошибки прогноза: нормальный, допустимый, предельно допустимый, недопустимый.
|
|
|
Допустимый уровень ошибки, согласно данной методике, соответствует доверительному интервалу, ограниченному сверху значением среднеквадратического отклонения ошибки прогноза, которое вычисляется по формуле:
,
где 
- средний модуль относительной ошибки за j -e сутки;
- среднее значение суточного среднего модуля ошибки прогноза δPсут за период усреднения, взятый по n суткам.
Период осреднения принимается исходя из глубины архива данных, но не менее одного года.
Диапазоны значений уровней ошибки принимаются следующими: нормальный уровень - от 0 до s; допустимый уровень – от s до 2 s; предельно допустимый уровень – от 2 s до 3 s; недопустимый уровень – свыше 3 s.
ЛИтература
1. Арзамасцев Д.А. Снижение технологического расхода электроэнергии в электрических сетях /Д.А. Арзамасцев, А.В. Липес – М.: Высшая школа, 1989. – 127 с.
2. Белан А.В., Гордеев В.И., Демура А.В., Надтока И.И. Пути и результаты совершенствования методов прогнозирования электропотребления // Промышленная энергетика. 1993. N 9-10. С.23-26.
3. Беллман Р., Заде Л.Принятие решений в расплывчатых условиях.- В кн.: Вопросы анализа и процедуры принятия решений.- М.:Мир, 1976. - С. 172-215.
4. Бэнн Д.В., Фармер Е.Д. Сравнительные методы прогнозирования электрической нагрузки – М.: Энергоатомиздат, 1987. – 200 с.
5. Вентцель Е.С. Тория вероятностей.- М.: Наука, 1969. -576с.
6. Воеводин В.В. Матрицы и вычисления /В.В. Воеводин, Ю.А. Кузнецов – М.: Наука, Гл. ред. физ.-мат. лит., 1984. – 320 с.
7. Ворыпаев Л.Г., Коневский М.Б., Мясников В.А., Демура А.В., Исаев К.Н., Надтока И.И., Седов А.В. Программное обеспечение краткосрочного прогнозирования электрической нагрузки энергосистемы // Изв вузов. Электромеханика.. 1996. N3-4. С.119-120.
8. Главные компоненты временных рядов: метод “Гусеница” /под. ред. Д.Л. Данилова, А.А. Жиглявского – СПб: Пресском, 1997. – 308 с.
|
|
|
9. Голяндина Н.Э. Варианты метода “Гусеница”-SSA для анализа многомерных временных рядов / Н.Э. Голяндина, В.В. Некруткин, Д.В. Степанов – СПб.: Изд-во СПбГУ, 2002.– С. 3-32.
10. Горбань А.Н. Обучение нейронных сетей. М.: СП ПараГраф, 1990.159 с.
11. Гурский С.К. Адаптивное прогнозирование временных рядов в электроэнергетике. Минск: - Наука и техника, 1983. - 271с.
12. Демура А.В. Краткосрочное прогнозирование суточных графиков нагрузки на основе искусственных нейронных сетей. Изв. вузов. Электромеханика. 1998, N 2-3, с. 69-71.
13. Демура А.В. Использование искусственных нейронных сетей в качестве многофакторной модели при планировании электропотребления предприятий // Изв. вузов. Северо-Кавказский регион. Технические науки. 1996. N, С.102-108.
14. Демура А.В., Надтока И.И., Седов А.В., Сербиновская А.А., Сухомлинова О.А., Коневский М.Б. Оперативное, краткосрочное и долговременное прогнозирование электроснабжения в энергосистеме. Тезисы второго специализированного научно-технического семинара «Современные методы и программные средства анализа и планирования электропотребления, балансов мощности и электроэнергии», 24-28 мая 2004 г. М.: ВНИИЭ.- 2004.
15. Демура А.В., Надтока И.И., Седов А.В., Сухомлинова О.А., Кушнарев К.Ф., Коневский М.Б. Прогнозирование электропотребления в энергосистеме. Тезисы третьего специализированного научно-технического семинара «Современные методы и программные средства анализа и планирования электропотребления, балансов мощности и электроэнергии», 23-27 мая 2005 г. М.: ВНИИЭ.- 2005.
16. Дубров А.М. Обработка статистических данных методом главных компонент – М.: Статистика, 1978. - 135 с.
17. Заде Л. Понятие лингвистической переменной и ее применение к принятию приближенных решений, М.: Мир, 1976.
18. Иберла К. Факторный анализ. М.: Статистика, 1980. – 398 с.
19. Исследование основных составляющих движения полюса земли по результатам Пулковских и международных наблюдений / В.Л. Горшков, Н.О. Миллер, В.А. Наумов и др. ГАО РАН.– СПб., 1999.– 42 с.
20. Исследование периодических компонент в динамике гидрологических показателей /Н.Э. Голяндина, В.Н. Солнцев, Т.Н. Филатова, А.Э. Яани – СПб.: Изд. Санкт-Петербургского ун-та, 1997. – 87 c.
21. Йереског К.Г. Геологический факторный анализ /К.Г. Йереског, Д.И. Клован, Р.А. Реймент – Л.: Недра, 1980. - 223 с.
|
|
|
22. Кофман А.Введение в теорию нечетких множеств.- М.: Радио и связь, 1982.- 432 с.
23. Кушнарев Ф.А., Лютикова С.Э. Прогноз потребления электроэнергии и мощности АО-Энерго // Кибернетика электрических систем: материалы XXII сессии-семинара “Диагностика энергооборудования”, г.Новочеркасск, 25-27 сент. 2000 г. – Новочеркасск: Ред. журн. Изв. вузов. Электромеханика, 2000. – С. 108-110.
24. Липес А.В. Применение методов математической статистики для реше-ния электроэнергетических задач. - Свердловск: Изд.-во УПИ, 1983.-88с.
25. Лоули Д., Максвелл А. Факторный анализ как статистический метод. - М.: Мир, 1967. - 144с.
26. Макоклюев Б.И Анализ и планирование электропотребления – М.:Энергоатомиздат, 2008. – 296 с.
27. Макоклюев Б.И. Моделирование электрических нагрузок электроэнергетических систем /Б.И. Макоклюев, В.Н. Костиков //Электричество – 1994 – №10, С. 13-16.
28. Макоклюев Б.И. Прогнозирование потребления электроэнергии в АО “Мосэнерго” /Б.И. Макоклюев, А.И. Владимиров, Г.И. Фефелова //ТЭК, Топливно-энергетический комплекс. – 2001. – №4, С. 56-57.
29. Мелихов А.Н., Берштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой.- М.: Наука, 1990.- 272 с.
30. Методика контроля точности прогноза потребления. Распоряжение №132 14 апреля 2011 г. Оперативного штаба по совершенствованию конкурентного балансирующего рынка ОАО «СО-ЕЭС».
31. Михайлов В.И., Тарнижевский М.В., Тимченко В.Ф. Режимы комму-нально-бытового электропотребления. - М.: Энергоатомиздат, 1993. -288с
32. Модели принятия решений на основе лингвистической переменной / А.Н.Борисов и др. – Рига: Зинатне, 1982.
33. Надтока И.И., Седов А.В. Адаптивные модели прогнозирования нестационарных временных рядов электропотребления //Изв. вузов. Электромеханика.–1994.-№1-2.– С. 57-64.
34. Надтока И.И. Канонические разложения графиков электропотребления //Юбилейный сборник научных трудов профессорско-преподавательского состава Новочеркасского государственного технического университета. Новочеркасск, Ростов-на-Дону: Гефест, 1997.– С. 241-246.
|
|
|
35. Надтока И.И. Корнюкова О.А. Модификация метода сингулярного спектрального анализа для краткосрочного прогнозирования электропотребления // Изв. вызов. Электромеханика. –2007. – Специальный выпуск «Электроснабжение» – С. 16-17.
36. Надтока, А.В. Седов, В.П. Холодков Применение методов компонентного анализа для моделирования и классификации графиков электрической нагрузки / И.И. //Изв. вызов. Электромеханика. –1993. – №6. – С. 21-29.
37. Надтока И.И., Демура А.В., Коневский М.Б., Седов А.В., Сербиновская А.А., Сухомлинова О.А. Прогнозирование электропотребления в энергосистеме с учетом температуры воздуха и освещенности. - Электрика, 2005, №3. – С. 18-21.
38. Надтока И.И., Демура А.В., Ваколюк А.Я., Горбачев, В.В. Губский С.О. Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений.// Вестник СамГТУ, 2012, №1(33). - С. 157 – 162
39. Надтока И.И., Губский С.О., Шепелев И.Е. Нейросетевая модель прогнозирования электропотребления с учетом освещенности на территориях операционных зон региональных диспетчерских управлений. - Изв. вузов. Электромеханика. 2012. №2. с. 18-21
40..Прикладная статистика: классификация и снижение размерности. /Под ред. С.А.Айвазяна //М.:Финансы и статистика. – 1989 – 600 с.
41. Резников А.П. Обработка накопленной информации в затрудненных условиях. М.: Наука, 1976. 244 с.
42. Седов А.В., Надтока И.И. Системы контроля, распознавания и прогнозирования электропотребления: модели, методы, алгоритмы и средства. Ростов н/Д.: Изд. РГУ, 2002. 320 с.
43. Сухомлинова О.А. Моделирование процесса электропотребления при краткосрочном прогнозировании методами ортогональных разложений // Автореферат дисс. канд. техн. наук –Ростов-на-Дону, 2005 – 20с.
44. Тараканов А.А. Краткосрочное прогонозирование нагрузки на основе информации комплекса РСДУ2. [Электронный ресурс]. Режим доступа: http:// www.ema.ru/view/articles/202.
45. Шаталов В.И., Копач Е.Н. О возможности применения регрессионных моделей для учета влияния погодных условий на спрос электроэнергии. - Изв. вузов СССР, сер Энергетика, 1977, N 7, с. 36-40.
46. Dillon T.S., Sestito S. and Leung S. "Short term load forecasting using an adaptive neural network"//Electical Power and Energy Systems, Vol. 13, No. 4, August 1991. P.186-192.
47. Elsner, J.B., Tsonis, AA. Singular Spectral Analysis. A New Tool in Time Series Analysis / J.B. Elsner, A.A. Tsonis: Plenum Press. – New York and London, 1996. – 154 p.
48. Golyandina N. ‘Caterpillar’-SSA Technique for Analysis of Time Series in Economics /N. Golyandina, V. Nekrutkin, V. Solntsev, Saint-Petersburg State University, Mathematical Department. – SPb., 2000. – 45 p.
49. Park D.C., El-Sharkawi M.A., Marks R.J. II, Atlas L.E. and Damborg M.J. "Electric Load Forecasting Using an Artifical Neural Network"// IEEE Transactions on Power Systems, Vol. 6, No. 2, May 1991. P.442-449.
50. Rummelhart D.E., Hinton G.E. and Williams R.J. Learning Representations by Back-Propagating Errors // Nature 323 (1986). P. 533...536.
|
|
|
51. Shin-Tzo Chen, David C. Yu, A.R. Moghaddamjo "Weather sensitive short-term load forecasting using nonfully conected artificial network". 91 SM 449-9 PWRS, IEEE PES 1991 Summer Meeting, San Diego, California, July 28 - August 1, 1991.
52. Testing and Forecasting the Time Series of the Solar Activity by Singular Spectrum Analysis / Loskutov A., Istomin I.A., Kuzanyan, K.M., Kotlyarov, O.L. Physics Faculty, Moscow State University.– Moscow, 2000. – 37 p.
53. Jang J.S. ANFIS: Adaptive-Network-Based Fuzzy Inference System. – IEEE Trans. Syst., Man, Cybern., 1993.
|
|
|
