Прогнозирование часов пик энергопотребления региональных энергосистем

Вторым товаром на рынках электрической энергии является электрическая мощность. Для потребителей тарифицируемый объем «генераторной» мощности определяется как среднее из часовых объемов потребления в рабочие дни в часы пиковой нагрузки в регионе. Стоимость мощности в отдельных регионах может достигать 40 % от конечного тарифа, поэтому снижение нагрузки в пиковые часы на 10 % может привести к уменьшению ежемесячных платежей на 3 %. Однако такой способ экономии для потребителя недоступен – коммерческий оператор оптового рынка электрической энергии и мощности публикует часы пиковой нагрузки регионов после 10-го числа следующего месяца, когда данная информация уже не актуальна. Своевременное прогнозирование часов пиковой нагрузки позволит, с одной стороны, снизить издержки потребителей на платежах за электрическую мощность, с другой – сгладить суточный график электрической нагрузки энергосистемы, оптимизировав тем самым работу генерирующего оборудования станций и сетей системного оператора. В статье приводится исследование эффективности методов машинного обучения в контексте прогнозирования пикового часа региональной энергосистемы. Исследование затрагивает временной период с ноября 2011-го по октябрь 2023 г., охватывает 76 регионов Российской Федерации, включая субъекты ценовых (1-й и 2-й) и неценовых зон и насчитывает 10 методов машинного обучения. Результаты исследования показали, что статистически метод кластеризации K-ближайших соседей оказывается наиболее точным, хоть и не универсальным. Высокую эффективность (с точки зрения точности и быстродействия) продемонстрировали методы опорных векторов и классификация деревьями. В ходе исследований также было опровергнуто предположение о том, что наибольшую ценность при прогнозировании пикового часа оказывают наиболее близкие, с позиции временного ряда, данные.

1. Составляющие предельных уровней нерегулируемых цен // АО «Администратор торговой системы» [Электронный ресурс]. 2002–2023. – Режим доступа: https://www.ats energo.ru/results/market/svnc. Дата доступа: 01.11.2023.

2. Часы пиковой нагрузки // АО «Администратор торговой системы» [Электронный ресурс]. 2002–2023. – Режим доступа: https://www.atsenergo.ru/results/market/calcfacthour. Дата доступа: 01.11.2023.

3. Саитов, С. Р. Прогнозирование пиковых часов энергосбытовых компаний, входящих в реестр гарантирующих поставщиков АО «АТС» / С. Р. Саитов, Б. Р. Карачурин, М. В. Сидоров // Вестник Казанского государственного энергетического университета. 2022. Т. 14, № 4 (56). С. 59–68.

4. Воронин, В. А. Прогнозирование часов пиковой нагрузки региональных энергосистем с использованием наивных моделей / В. А. Воронин, Ф. С. Непша // Интеллектуальная электротехника. 2023. № 3 (23). С. 111–124. https://doi.org/10.46960/2658-6754_2023_3_111.

5. Марьясин, О. Ю. Прогнозирование рыночных цен на электроэнергию и часов пиковой нагрузки для региона Российской Федерации / О. Ю. Марьясин, А. И. Лукашов, Н. А. Смирнов // Управление большими системами. 2022. Вып. 99. С. 81–113. https://doi.org/10.25728/ubs.2022.99.4

6. Воронин, В. А. Прогнозирование часов пиковой нагрузки региональной энергосистемы с использованием методов машинного обучения / В. А. Воронин, Ф. С. Непша // Цифровые технологии и платформенные решения для управления развитием электроэнергетики: cб. науч. тр. I Всерос. науч.-практ. конф., Севастополь, 23 марта 2023 г. / Сев. гос. ун-т. Севастополь, 2023. С. 107–113.

7. Программа для краткосрочного прогнозирования значений временного ряда часов максимальной пиковой нагрузки: а. с. 2021617818 Рос. Федерация / В. С. Журавлев, Е. А. Шаповалов. Опубл. 19.05.2021.

8. Программа для определения оптимального профиля энергопотребления с учетом цен на электроэнергию и часов пиковой нагрузки: cвидетельство о государственной регистрации программы для ЭВМ № 2021669137 Рос. Федерация / Н. А. Смирнов, О. Ю. Марьясин. Опубл. 24.11.2021.

9. «EMAS.FORECAST»: cвидетельство о государственной регистрации программы для ЭВМ № 2021617882 Рос. Федерация / С. А. Шатунова; заявитель ООО «НБИ-ЛАБ». Опубл. 20.05.2021.

10. Электронно-математическая модель (ЭММ) прогнозирования фактических часов пиковой нагрузки, устанавливаемых коммерческим оператором для определения объема фактического пикового потребления гарантирующего поставщика: Свидетельство о государственной регистрации программы для ЭВМ № 2022668587 Рос. Федерация / А. Н. Сагаян, Р. А. Травников. Опубл. 10.10.2022.

11. ЦПУС.04 «Программа для краткосрочного и долгосрочного прогнозирования DA, WA, MA электрической нагрузки»: Свидетельство о государственной регистрации программы для ЭВМ № 2022666925 Рос. Федерация / С. В. Грибанов, А. В. Кычкин. Опубл. 12.09.2022.

12. Программное обеспечение по прогнозированию часов пиковых нагрузок региона и объекта потребления, а также формированию графика нагрузки на объектах производственно-хозяйственных нужд (включая СНЭ) в целях оптимизации стоимости покупной электрической мощности у энергоснабжающей организации: cвидетельство о государственной регистрации программы для ЭВМ 2023662409 Рос. Федерация / Л. С. Бируля, Т. П. Олиянчук, Д. Г. Роднев, Е. И. Смирнова, И. Н. Широков; заявители АО «Атомэнергопромсбыт», ПАО «Россети Центр и Приволжье». Опубл. 07.06.2023.

13. Программа расчета прогнозных значений пиковых часов коммерческого оператора ОРЭМ: cвидетельство о государственной регистрации программы для ЭВМ № 2023618806 Рос. Федерация / С. Р. Саитов, Н. Д. Чичирова, А. А. Филимонова; заявитель ФГБОУ ВО «Казанский гос. энергетический ун-т». Опубл. 28.04.2023.

14. Central limit theorem [Electronic Resource] // Wikipedia. – Mode of access: https://en.wikipedia.org/wiki/Normal_distribution. – Date of access: 01.11.2023.

15. Rank Analysis and Ensemble Machine Learning Model for Load Forecasting in the Nodes of the Central Mongolian Power System / T. Osgonbaatar, P. Matrenin, M. Safaraliev, I. Zicmane, A. Rusina // Inventions. – 2023. № 8(114). P. 1–20. https://doi.org/10.3390/inventions8050114.

16. Повышение точности прогнозирования генерации фотоэлектрических станций на основе алгоритмов k-средних и k-ближайших соседей / П. В. Матренин [и др.] // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2023. Т. 66, № 4. С. 305–321. https://doi.org/10.21122/1029-7448-2023-66-4-305-321.

17. Оптимизация топологии сети с ВИЭ-генерацией на основе модифицированного адаптированного генетического алгоритма / А. М. Брамм [и др.] // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2022. Т. 65, № 4. С. 341–354. https://doi.org/10.21122/1029-7448-2022-65-4-341-354.

18. Румянцев, Ю. В. Определение насыщения трансформатора тока на основе использования искусственной нейронной сети / Ю. В. Румянцев // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2023. Т. 66, № 3. С. 233–245. https://doi.org/10.21122/1029-7448-2023-66-3-233-245.