Методы прогнозирования энергопотребления

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Орский гуманитарно-технологический институт (филиал) ОГУ

Механико-технологический факультет, кафедра электроэнергетики и теплоэнергетики

Методы прогнозирования энергопотребления?

Туружанов? А.К?.

Для начала разберемся, что же такое энергопотребление? ?

Энергопотребление -- это важный процесс потребления энергии, а также энергетических носителей?, используемых при создании продукции, при выполнении работ и оказании услуг в технологических процессах производства.? Важным свойством? энергии является её отсутствие способности аккумулироваться, то есть большое количество энергии невозможно хранить или отложить в долгий ящик, поэтому её производят конкретное количество. Таким образом большое значение для нас имеет возможность прогнозирования? энергопотребления.

Прогнозирование - научно обоснованное предсказание вероятностного? развития событий на будущее, на основе различных исследований, таких как:? статистические, социальные, экономические и т.д.

Прогнозирование потребления электроэнергии является важнейшим? аспектом в работе промышленности. Каждое из них может определить для себя? потребительную мощность, которой она должна довольно строго? придерживаться, так как отклонения грозят убытками (порой они могут быть? колоссальными). Поэтому, наверное, самой актуальной темой на рынке? электроэнергии на сегодняшний день можно назвать прогнозирование? потребления энергии на определенные сроки.?

В современности существует больше сотни методов прогнозирования, но? на практике используются не более 25 основных методов. Классификация этих? методов определяется по трем основным признакам: по степени формализации? методов; по способу получения информации о прогнозе; по общему принципу? действия.

По степени формализации методы прогнозирования делятся на формализованные и интуитивные. Формализованные методы можно использовать в том случае, когда информация об объекте прогнозирования в основном носит количественный характер, а влияние различных факторов описать можно с помощью различных математических формул. Интуитивные - применяются для тех процессов, которые не поддаются различным математическим манипуляциям.

Интуитивные методы в свою очередь, делятся на экспертные оценки (индивидуальные и коллективные). Индивидуальные основаны на обобщении мнений отдельных экспертов. К ним относятся: метод интервью, метод опроса (с помощью анкет), аналитический метод, метод создания сценария. Коллективные экспертные оценки базируются на получении объединенной оценки от обширной группы специалистов-экспертов, которая вырабатывается при непосредственном контакте. К таким методам относятся метод Дельфи?, метод «мозговой атаки», метод комиссий экспертов.

Организация процедуры экспертной оценки включает несколько этапов: формирование экспертной группы; подготовку и проведение экспертизы; статистическую обработку полученных результатов опроса. Способность эксперта? строить прогноз зависят от внутренних и внешних факторов. Внутренние факторы зависят от индивидуальных качеств эксперта (опыт, знания, интеллект). Внешние факторы могут зависеть от обстановки, где работает эксперт, от окружающих его специалистов.?

Высокая степень зависимости качества прогноза от квалификации экспертов позволяет утверждать, что интуитивные методы в целом не особо подходят для создания на их основе прогнозных моделей электропотребления предприятий, так как они не могут обеспечить абсолютно стабильную точность. Поэтому большим спросом пользуются формализованные методы.

Формализация- это процесс исключения наименее важных деталей, влияющих на изучение какого-либо процесса, предмета или явления. Существует несколько методов формализации, основные из которых следущие?

1 Корреляционный и регрессивный анализы.

2 Прогнозная экстраполяция.

3 Адаптивные методы прогнозирования.

4 Прогнозирование на базе ARIMA моделей.?

Рассмотрим каждый вид в отдельности.?

Довольно распространенным методом получения прогнозов электропотребления, является построение модели множественной регрессии на основе метода наименьших квадратов. С помощью корреляционного анализа выявляется наличие статистически значимых связей между переменными. Парные коэффициенты корреляции характеризуют взаимосвязь между двумя выбранными переменными на фоне взаимодействия с остальными показателями и являются довольно распространёнными показателями тесноты связи при статистическом анализе данных.

Затем переходят к математическому описанию вида зависимостей используя регрессионный анализ. Для этого подбирают класс функций, связывающий результативный показатель и аргументы, отбирают самые информативные аргументы, определяют оценки неизвестных значений параметров и анализируют точность получаемого уравнения.

Корреляционные и регрессионные методы учитывают влияние широкого набора входных параметров, такие как метеорологические факторы, формирование утреннего и вечернего максимумов, на выходные прогнозируемые данные электропотребления. Оценка и построение регрессионной модели осуществляется с помощью модуля регрессии пакета анализа данных.

Простейшим вариантом регрессионной модели является линейная регрессия. В основе лежит предположение, что существует внешний дискретный фактор, оказывающий влияние на процесс, который, собственно, исследуется, при этом связь между внешним фактором и процессом линейна, но на практике на процесс оказывают влияние целый ряд дискретных внешних факторов, а получившуюся модель считают множественной. Недостатком данной модели является то, что для вычисления прогноза процесса? необходимо знать будущие значения абсолютно всех факторов, а это практически невозможно.?

Корреляционные и регрессионные методы прогнозируют поведение переменной величины исходя из временной взаимной связи между ней и другой переменной, которая выражается в виде статистической зависимости, называемой регрессией, ну или корреляцией. Иначе говоря, эти методы дают возможность установить зависимость изменения одной переменной в случае изменения другой на определенную величину.

Регрессионный анализ исследует взаимосвязь зависимой переменной от других независимых составляющих, и применяется при наличии связи между прогнозируемым процессом и какими-либо факторами, влияющими на него. Линейная регрессия обычно используется для долгосрочных прогнозов, но также применяется для более кратковременных прогнозов. Во время работы промышленного предприятия естественно появление новой информации, и это требует корректировки данных модели прогноза. Подобная корректировка является довольно трудоемкой и сложной процедурой, требующей немалого количества вычислений. Это может привести к тому, что динамическое изменение характеристик прогнозной модели станет невозможным. Иногда, требования модели прогноза к исходной информации для реальных наблюдений невозможно выполнить, в связи с чем прогноз оказывается совершенно бесполезен.

Экстраполяция -- это очередной метод научного исследования, который основан на распространении прошлых и настоящих тенденций, закономерностей, связей на будущее развитие объекта прогнозирования. Этот метод увязывает данные о динамике объекта прогнозирования с анализом логичности его развития. При оценке параметров зависимостей самыми распространенными являются методы: наименьших квадратов, экспоненциального сглаживания временных рядов, скользящей средней (тренд). Тренд -- средняя линия движения прогнозируемой характеристики, случайная компонента характеризует случайные отклонения фактических показателей динамики объекта от средней линии. При применении данного метода может возникнуть формальная экстраполяция, но ее следует избегать. Формальная экстраполяция, основываясь исключительно на выявленных количественных зависимостях, предполагает сохранение в будущем тенденции развития объекта, выявленной в прошлом. Этот метод не дает идеальных результатов, а при прогнозировании на большие сроки может привести к ошибочным или абсурдным результатам.

Для оценки коэффициентов по большей части используется метод наименьших квадратов. Сущность этого метода состоит в отыскании коэффициентов модели тренда, уменьшающих ее отклонение от исходного временного ряда. Недостаток данного метода состоит в том, что модель тренда жестко фиксируется, а это делает возможным его применение только при краткосрочном прогнозировании.?

Метод экспоненциального сглаживания временных рядов является модификацией метода наименьших квадратов для анализа временных рядов, представляет собой усреднение значений временного ряда. Оно выполняется по разным методикам: как средние арифметические (геометрические), по четному или нечетному количеству точек. Процедура сглаживания направлена на минимизацию случайных отклонений точек ряда от некоторой гладкой кривой предполагаемого тренда процесса. Этот метод позволяет оценить параметры модели, описывающей тенденцию, которая сформировалась в конце базисного периода, и приспосабливает, адаптирует к изменяющимся во времени условиям. Метод экспоненциального сглаживания применяется при среднесрочном прогнозировании.

Использование метода прогнозной экстраполяции для краткосрочного прогнозирования электропотребления ограничено существенными недостатками:

Невозможность учета множества параметров, влияющих на электропотребление промышленного предприятия.

Ограниченная фиксация модели тренда, которая не позволяет учесть краткосрочные тенденции электропотребления, связанные с изменением спроса, а, следовательно, и объемов выпуска продукции предприятия.

К адаптивным методам относятся методы Хольта?, Хольта-Уинтерса? и Брауна. В основе лежит модель рекурсивного гармонического процесса, предложенная Дж. Юлом.

При обработке временных рядов, наиболее ценной является информация последнего периода, потому что необходимо знать, как будет развиваться тенденция, существующая в сейчас, а не тенденция, которая сложилась в среднем. Адаптивные методы позволяют учесть различную информационную ценность уровней временного ряда, степень «устаревания» данных. Это свойство адаптивных методов является существенным их достоинством для прогнозирования электропотребления предприятия.

Первоначальное построение прогнозной модели производится по некоторым первым наблюдениям объекта, составляется прогноз, который сравнивается с фактическими данными. По результатам прогноза происходит корректировка модели, затем составляется прогноз по следующим наблюдениям и так до финала всех наблюдений.?

Таким образом, адаптация осуществляется итеративно с получением каждой новой фактической точки ряда. Модель постоянно «впитывает» новую информацию, приспосабливается к ней и поэтому отражает тенденцию развития, существующую в данный момент.

В основе оценивание коэффициентов адаптивной модели чаще всего лежит рекуррентный метод, который формально отличается от метода наименьших квадратов, метода максимального правдоподобия, что не требует повторения всего объема вычислений при возникновении новых данных.

Таким образом можно получить точный прогноз на довольно большой интервал. Однако это справедливо лишь при очень длинных временных рядах. В настоящее время еще не существует методики, вычисляющей достаточный объем исходной информации для таких моделей, что значительно усложняет процесс их реализации.

Модели ARIMA были предложены Г. Дженкинсоном? и Дж. Боксом. ARIMA опирается на информацию, содержащуюся в предыстории прогнозируемых рядов, и это ограничивает возможности алгоритма.

AR(p) - авт? орегрессионная модель порядка? имеет вид:

прогнозирование энергопотребление

г? де Y(t)-зависимая пе? ременная в момент времени t. F? ₀, f? ₁, f? ₂, …, f? _p? -- оцениваемые параметры. E(t) -- ошибка от влияния переменных, которые не учитываются в данной модели. Задача заключ? ается в том, чтобы определить f? ₀, f? ₁, f? ₃, …, f? _p?. Их искать проще всего опять же с помощью метода наименьших квадратов.?

В основу авторегрессионных моделей заложено предположение о том, что значение процесса Z(t) линейно зависит от некоторого количества предыдущих значений того же процесса Z(? t-1)?,.., Z(t-p)?.

MA(q) -модель со скользящим средним порядка q имеет вид:

г? де Y(t)-зависимая пе? ременная в момент времени t. W? ₀, w? ₁, w? ₂, …, w? _p? -- оцениваемые параметры.

Для достижения большей гибкости целесообразно объединить в одной модели авторегрессию AR(p) и скользящее среднее MA(q). Общая модель обозначается ARMA (p,q?)-- авторегрессионные? модели со скользящими средними в остатках, включающие в себя члены, описывающие авторегрессию, моделирующие остаток в виде среднего. Модель скользящего среднего является фильтром низких частот. Существуют взвешенные, простые, экспоненциальные, кумулятивные модели скользящего среднего.

Если в качестве входных данных используются не сами значения временного ряда, а их разность, то модель носит название авторегрессии проинтегрированного скользящего среднего. Данную модель называют ARIMA(?p,d?,q?)

Непостоянство величины электропотребления, как временного ряда и сложность практической реализации прогнозной модели, является большим недостатком данного метода. В дополнение к этому ему присущи недостатки корреляционных методов, что ограничивает возможность применения метода для прогнозирования электропотребления предприятия.

Недостатками данного класса моделей являются: большое число параметров модели, идентификация которых неоднозначна и ресурсоемка; низкая адаптивность моделей, а также линейность и, как следствие, отсутствие способности моделирования нелинейных процессов, часто встречающихся на практике.?

Рассмотрим методы прогнозирования на конкретном примере Республики Коми (далее РК).?

В этой области, путем многолетних наблюдений была выявлена самая приемлемая методика, основанная на применении совокупности следующих методов:?

Управленческая учетная политика потребления энергии и топлива,? основной продукции производств; математико-статистической оценки динамики УУП в перспективный период; оценки экспертов уровня потребления; метода аналогий и проектных материалов для новых производств.? Этот подход при дефиците информации о объемах производства продукции? (современных и перспективных)?, нормах расхода энергии и топлива позволяет прогнозировать перспективные уро? вни потребления топлива и энергии с меньшей погрешностью.?

Эта методика позволяет выявлять? взаимосвязь энергетики и экономики, и оценить возможности энергообе? спечения при различных возможностях? их развития. Достоинством этой? методики является также возможность учитывать изменения структуры экономики при появлении новых потребителей. К ее недостаткам же можно отнести небольшое снижение правдивости? прогноза, так? как не рассматриваются технологические и территориальные? особенности потребления энергетических ресурсов в производстве каждого вида продукции.?

Основной проблемой? применения предлагаемой методики прогнозирования энергопотребления стало? п? олучение качественной? прогнозной информации об объемах производства продукции, расходах энергии, технических и экономических показателях источников энергии?.

Отчетные значения? показателей, содержащихся в ста? тистических сборниках, невоз? можно использовать при достоверном прогнозировании уровня потребления? энергии?, например?, если показатели нефтедобычи? не учитывают сопутствующих расходов энерг? ии на производство продукции, к примеру закачивание пара, или подъем воды?, или если объем продукции, с одной стороны, и потребление электроэнергии на производство э? того вида продукции с другой про? водятся по различному кругу предприятий-потребителей. Кроме того, пол? учение подробной? информации? из первоисточника? по предприятиям затруднено?, в связи в первую очередь, с коммерческой тай? ной и соответственно с затратами?. В Коми также осложнилось получение информации о деятельности и перспективах развития источников электроэнергии и тепла?, это связано с политикой государства?.

Еще большей проблемой является получение планов о пе рспективах развития потребления? и возможности внедрения ими новых технологий. Про? гнозных материалов по социальному и экономическому развитию много, но в них очень часто меняются параметры. Кроме того, социально-экономическая обстановка в современной России порождает неопределенность оценок будущего развития РК. В настоящее время рассматриваются проекты строительства и размещения? нескольких довольно крупных объектов федерального значения на территории республики, а они, в свою очередь, могут довольно существенно изменять прогнозы? энергопотребления? в области.?

Для решения возникших проблем прогнозирования на большие сроки потребления энергии и топлива? в? РК была разработана методика и комплекс? ная модель «RASCHET POTR? TER RK»? для Excel. Модель включает в себя базу данных (электронные таблицы)? и программный комплек? с, который состоит из некоторых? расчетных и сервисных программ ввода, и соответственно, вывода результатов расчета в? форме, удобной пользователю?. Модель позволяет проводить параллельный расчет уровней энергопотребления по видам продукции одновременно для трех сценариев (минимальный, средний, максимальный) развития экономики республики, так же возможен расчет видов? э? кономической деятельности, различных видов? топлива, с учетом ограничений по условиям энергообес? печения и вероятности осуществления? сценариев. Период прогноза принят примерно 20 годам. Расчет проводится в режиме диалога?, и это позволяет легко корректировать информацию?, если возникнут какие-то ограничения энергии или мощности?. Структура исходной информации разработана таким образом, что ее можно использовать даже при замене видов продукц? ии и источников энергии,? логических условий?, моделей для прогнозирования потребностей в энергии и топливе любого регион? а.?

Список литературы

1 Бутакова?, М.М. «Экономическое прогнозирование: методы и приемы практических расчетов»

2 Интуитивные методы прогнозирования, режим доступа к изд.:

3 Интуитивные методы прогнозирования часть 2, режим доступа к изд.:

4 Методы прогнозирования национальной экономики, режим доступа к изд.: 5 Чучуева? И., диссертация на тему: «модель прогнозирования временных рядов по выборке максимального подобия»

Размещено на Allbest.ru