Повышение точности планирования закупаемого энергосбытовым предприятием объема электроэнергии

Изотов, Алексей Борисович

В статье проводится сравнение используемых в настоящее время методов прогнозирования, применяемых энергосбытовыми предприятиями для планирования закупаемого на оптовом рынке электроэнергии и мощности объема электроэнергии. Оценивается экономическая эффективность при использовании методов прогнозирования на основе нейронных сетей.

Ключевые слова : методы прогнозирования, временной ряд, нейронная сеть, стоимость отклонений, ошибка прогноза

Актуальность совершенствования методов прогнозирования, используемых энергосбытовыми предприятиями при планировании почасового электропотребления на сутки вперед, объясняется тем обстоятельством, что точность прогнозов, выполняемых специалистами энергосбытов, оказывает значимое влияние как на устойчивый режим работы всей электроэнергетической системы, так и на экономическую устойчивость самого энергосбытового предприятия.

От точности прогнозов почасового электропотребления зависят важные параметры энергосистемы, в конечном итоге себестоимость производства тепловой и электрической энергии, степень загрузки генерирующих мощностей, их коэффициент полезного действия [1].

На микроуровне для энергосбытового предприятия точность прогнозирования почасовых объемов электропотребления на сутки вперед напрямую влияет на стоимость объема закупаемой электроэнергии на оптовом рынке электроэнергии и мощности (ОРЭМ).

Правилами ОРЭМ предусмотрены штрафные санкции как за превышение фактического электропотребления гарантирующим поставщиком над плановым, так и за превышение планового электропотребления над фактическим.

Принимая во внимание сложную экономическую ситуацию сегодня, можно предположить, что объем выручки, собираемой энергосбытами, существенно уменьшится. Поэтому минимизация прочих расходов, связанных с операционной деятельностью, является в настоящее время актуальной задачей для энергосбытовых предприятий.

В статье исследуется возможность повышения эффективности работы по созданию краткосрочных прогнозов специалистами энергосбытов и оценивается экономический эффект от предложенных мероприятий. Предлагается рекомендации по совершенствованию методов прогнозирования.

Фрагмент файла исходных данных для исследования [3]

Рис.1. Фрагмент файла исходных данных для исследования [3]

В качестве информационной базы для исследования с официального сайта АО «Администратор торговой системы» были взяты данные с почасовыми фактическими и плановыми объемами электропотребления одного из гарантирующих поставщиков Северо-Западного федерального округа за май 2016 года, а также данные о стоимости отклонений фактического потребления электроэнергии от планового. Фрагмент файла исходных данных показан на рисунке 1.

После обработки исходных данных были получены средние значения стоимости отклонений за 1 кВт×ч (таблица 1).

Таблица 1

Средние значения стоимости отклонений, руб./кВт×ч

Зона суток	Часовой диапазон	Среднее значение стоимости отклонений при превышении планового потребления над фактическим	Среднее значение стоимости отклонений при превышении фактического потребления над плановым
Ночная	1–8	0,42	2,17
Полупиковая	9–10	0,48	2,38
Пиковая	11–17	0,58	2,91
Полупиковая	18–22	0,48	2,38
Пиковая	23	0,58	2,91
Полупиковая	24	0,48	2,38

Результаты вычисления ошибок прогноза и средняя стоимость отклонений за полные сутки 31.05.2016 г. показаны в таблице 2.

Из таблицы 2 видно, что средняя абсолютная процентная ошибка прогноза, выполненного специалистами энергосбытового предприятия за сутки составила 2,33 %.

Общая стоимость отклонений за сутки составила 541058 руб.

Таким образом, можно сделать вывод, что такая точность прогноза на сутки вперед недостаточна, так как стоимость отклонений значительна.

Оценим точность прогноза при использовании следующих методов:

— модели ARIMA;

— нейронной сети.

Прежде чем перейти к использованию для прогнозирования вышеназванных методов, охарактеризуем исследуемый временной ряд.

На данном этапе важно определить, каким процессом можно представить временной ряд, имеется ли в нем тренд, сезонность, период. Введение данных параметров в модель способствует составлению более адекватной модели прогноза.

Кроме того, для составления возможно более точного прогноза необходимо учитывать достаточное количество предшествующих наблюдений.

Для создания краткосрочного почасового прогноза на сутки 31.05.2016 г. используются 720 фактических почасовых значений электропотребления с 01.05.2016 г. по 30.05.2016 г. включительно. Временной ряд показан на рисунке 2.

Таблица 2

Расчет стоимости отклонений и ошибок прогноза энергосбытового предприятия

Час	Зона суток	*Плановое потребление, кВтч**	*Фактическое потребление, кВтч**	*Абсолютное отклонение, кВтч**	*Средняя цена отклонений, руб./кВтч**	Стоимость отклонений, руб.	Абсолютная процентная ошибка,%
1	Ночная зона	362258	354975	-7283	0,42	3059	2,05
2	Ночная зона	317258	312342	-4916	0,42	2065	1,57
3	Ночная зона	291258	290292	-966	0,42	406	0,33
4	Ночная зона	279258	277084	-2174	0,42	913	0,78
5	Ночная зона	271258	269260	-1998	0,42	839	0,74
6	Ночная зона	258258	258760	502	2,17	1089	0,19
7	Ночная зона	269258	266986	-2272	0,42	954	0,85
8	Ночная зона	311258	305544	-5714	0,42	2400	1,87
9	Полупиковая зона	358258	350653	-7605	0,48	3650	2,17
10	Полупиковая зона	398258	396475	-1783	0,48	856	0,45
11	Пиковая зона	423258	425334	2076	2,91	6041	0,49
12	Пиковая зона	425258	436175	10917	2,91	31768	2,50
13	Пиковая зона	418258	439181	20923	2,91	60886	4,76
14	Пиковая зона	410258	431661	21403	2,91	62283	4,96
15	Пиковая зона	414258	438339	24081	2,91	70076	5,49
16	Пиковая зона	416258	438052	21794	2,91	63421	4,98
17	Пиковая зона	414258	436125	21867	2,91	63633	5,01
18	Полупиковая зона	409258	430747	21489	2,38	51144	4,99
19	Полупиковая зона	403258	419691	16433	2,38	39111	3,92
20	Полупиковая зона	398258	410299	12041	2,38	28658	2,93
21	Полупиковая зона	392258	400784	8526	2,38	20292	2,13
22	Полупиковая зона	395258	402713	7455	2,38	17743	1,85
23	Пиковая зона	425258	427490	2232	2,91	6495	0,52
24	Полупиковая зона	412258	413635	1377	2,38	3277	0,33
Средняя абсолютная процентная ошибка							2,33
Итого						541058	-

Из рисунка 2 видно, что данный временной ряд имеет сезонность, тренд не выявляется. Для более детального анализа временного ряда и выявления значения сезонной компоненты воспользуемся спектральным анализом Фурье (рисунок 3).

Временной ряд почасового электропотребления

Рис.2. Временной ряд почасового электропотребления

Из рисунка 3 видно, что основной пик периодограммы равняется 24 часам.

Составим почасовой прогноз на 31.05.2016 г. с помощью модели ARIMA в программе Statistica. Для отыскания неизвестных параметров модели сначала нужно привести данный временной ряд к стационарному виду. Для этого временной ряд был сначала прологарифмирован, затем были последовательно взяты одна разность с лагом 1 и две разности с лагом 24.

Периодограмма временного ряда

Рис.3. Периодограмма временного ряда

Выборочные автокорреляционная и частная автокорреляционная функции позволили интерпретировать модель данного временного ряда как ARIMA (2,1,0) (2,2,1). При этом, как видно из рисунка 4, все параметры модели значимы.

Оценка параметров модели

Рис.4. Оценка параметров модели

Для оценки адекватности полученной модели для составления прогноза исследуем автокорреляции остатков (рисунок 5).

Рис.5. Автокорреляции остатков

Из рисунка 5 видно, что между остатками практически нет корреляции, поэтому можно предположить, что полученная модель может быть использована для составления прогноза. Результаты почасового прогноза на 31.05.2016 г. представлены в таблице 3.

Таблица 3

Результаты прогнозирования с помощью модели ARIMA (2,1,0) (2,2,1)

Час	Зона суток	*Прогноз электропотребления, кВтч**	*Фактическое потребление, кВтч**	*Абсолютное отклонение, кВтч**	*Средняя цена отклонений, руб./кВтч**	Стоимость отклонений, руб.	Абсолютная процентная ошибка, %
1	Ночная зона	354937	354975	38	2,17	83	0,01
2	Ночная зона	309991	312342	2351	2,17	5102	0,75
3	Ночная зона	285488	290292	4805	2,17	10426	1,66
4	Ночная зона	272485	277084	4599	2,17	9981	1,66
5	Ночная зона	264586	269260	4674	2,17	10143	1,74
6	Ночная зона	251772	258760	6988	2,17	15163	2,70
7	Ночная зона	260942	266986	6045	2,17	13117	2,26
8	Ночная зона	293946	305544	11598	2,17	25167	3,80
9	Полупиковая зона	335279	350653	15374	2,38	36591	4,38
10	Полупиковая зона	379715	396475	16760	2,38	39889	4,23
11	Пиковая зона	414876	425334	10459	2,91	30434	2,46
12	Пиковая зона	426683	436175	9492	2,91	27621	2,18
13	Пиковая зона	430407	439181	8774	2,91	25533	2,00
14	Пиковая зона	425924	431661	5737	2,91	16695	1,33
15	Пиковая зона	428554	438339	9785	2,91	28473	2,23
16	Пиковая зона	428535	438052	9517	2,91	27694	2,17
17	Пиковая зона	425837	436125	10288	2,91	29938	2,36
18	Полупиковая зона	421067	430747	9680	2,38	23039	2,25
19	Полупиковая зона	413317	419691	6374	2,38	15169	1,52
20	Полупиковая зона	407844	410299	2455	2,38	5843	0,60
21	Полупиковая зона	400004	400784	780	2,38	1856	0,19
22	Полупиковая зона	399453	402713	3260	2,38	7758	0,81
23	Пиковая зона	421875	427490	5615	2,91	16338	1,31
24	Полупиковая зона	403247	413635	10388	2,38	24724	2,51
Средняя абсолютная процентная ошибка							1,96
Итого						446777	-

Как видно из таблицы 3, прогноз, выполненный с помощью модели ARIMA, оказался точнее, чем прогноз, сделанный энергосбытовым предприятием, однако общая стоимость отклонений за сутки все еще велика — 446777 руб.

Выполним почасовой прогноз электропотребления на сутки вперед с помощью нейронных сетей. В программе Statistica с помощью модуля «Автоматические нейронные сети» для составления прогноза была создана архитектура нейронной сети, показанная на рисунке 6. Типом сети является многослойный персептрон. Архитектура сети включает 24 нейрона входного слоя, 1 нейрон скрытого слоя и 1 нейрон выходного слоя.

Результаты прогнозирования, выполненного с помощью нейронной сети, представлены в таблице 4.

Из таблицы 4 видно, что общая стоимость отклонений за сутки при использовании для прогноза нейронных сетей составила 140357 руб.

Средняя абсолютная процентная ошибка прогноза составила 1,62 %.

Рис.6. Многослойный персептрон MLP 24–1-1

Таблица 4

Результаты прогнозирования с помощью нейронной сети

Час	Зона суток	*Прогноз электропотребления, кВтч**	*Фактическое потребление, кВтч**	*Абсолютное отклонение, кВтч**	*Средняя цена отклонений, руб./кВтч**	Стоимость отклонений, руб.	Абсолютная процентная ошибка,%
1	Ночная зона	372327	354975	-17352	0,42	7288	4,89
2	Ночная зона	326989	312342	-14647	0,42	6152	4,69
3	Ночная зона	298681	290292	-8389	0,42	3523	2,89
4	Ночная зона	285956	277084	-8872	0,42	3726	3,20
5	Ночная зона	277458	269260	-8198	0,42	3443	3,04
6	Ночная зона	266124	258760	-7364	0,42	3093	2,85
7	Ночная зона	274628	266986	-7642	0,42	3210	2,86
8	Ночная зона	305486	305544	58	2,17	125	0,02
9	Полупиковая зона	346906	350653	3747	2,38	8919	1,07
10	Полупиковая зона	390770	396475	5705	2,38	13577	1,44
11	Пиковая зона	422546	425334	2788	2,91	8114	0,66
12	Пиковая зона	437358	436175	-1183	0,58	686	0,27
13	Пиковая зона	439997	439181	-816	0,58	473	0,19
14	Пиковая зона	436623	431661	-4962	0,58	2878	1,15
15	Пиковая зона	435299	438339	3040	2,91	8847	0,69
16	Пиковая зона	430946	438052	7106	2,91	20677	1,62
17	Пиковая зона	428845	436125	7280	2,91	21185	1,67
18	Полупиковая зона	426330	430747	4417	2,38	10512	1,03
19	Полупиковая зона	418550	419691	1141	2,38	2716	0,27
20	Полупиковая зона	412733	410299	-2434	0,48	1168	0,59
21	Полупиковая зона	403617	400784	-2833	0,48	1360	0,71
22	Полупиковая зона	412769	402713	-10056	0,48	4827	2,50
23	Пиковая зона	428554	427490	-1064	0,58	617	0,25
24	Полупиковая зона	412273	413635	1362	2,38	3241	0,33
Средняя абсолютная процентная ошибка							1,62
Итого						140357	-

Таким образом, экономия денежных средств при составлении прогноза почасового электропотребления на сутки вперед с использованием нейронных сетей составила в среднем 400701 руб. Сохранение такой суммы в бюджете предприятия только за один день в годовом выражении может составить десятки миллионов рублей.

Можно сделать вывод, что при составлении прогноза желательно использовать несколько методов прогнозирования — это позволит найти наиболее приемлемый вариант.

Также необходимо отметить, что нейронные сети позволяют создавать весьма сложные прогнозы. Этот метод дает лучшую точность прогноза, однако в практическом применении необходимо учитывать возможно большее число входящих параметров, что не всегда достижимо.

В частности, для составления почасового прогноза электропотребления на следующие сутки в идеале нужно учитывать, является ли день недели выходным или рабочим, температуру наружного воздуха, скорость ветра, влажность, световую продолжительность дня и так далее. Кроме того, влияние различных социально-экономических процессов всегда вносит в прогноз некоторую неопределенность [2].

Например, если предположить, что некоторое предприятие, желая уменьшить в структуре себестоимости продукции долю платежей за электроэнергию, переносит часть своих энергоемких технологических процессов на ночное время, когда стоимость электроэнергии ниже, чем в пиковые часы, то, если данное предприятие не оснащено автоматизированной системой коммерческого учета электроэнергии, энергосбытовое предприятие не сможет иметь оперативную информацию о почасовом электропотреблении и, соответственно, составить точный прогноз.

Таким образом, как было показано выше, низкая точность прогноза влечет за собой значительные издержки для предприятия, и необходимость инвестиций в измерительно-информационную подсистему очевидна. Данные инвестиции носят долговременный характер и отдачу от них следует ожидать в будущем.

Представляется, что энергосбытовое предприятие должно направить свои силы на формирование актуальной информационной базы электропотребления в разрезе различных категорий потребителей. Эта информационная база, кроме того, должна включать данные метеостанций о погодных условиях, различные характеристики и особенности потребителей.

Учет возможно большего числа входных параметров нейронной сети существенно повышает точность прогноза.

Также полезно иметь перспективный план ввода в эксплуатацию различных объектов бизнеса и социальной сферы с данными о пусковых комплексах и этапах ввода данных объектов.

Целесообразно включить нефинансовый ключевой показатель эффективности «Точность прогноза электропотребления» в сбалансированную систему показателей предприятия и привязать данный показатель к системе премирования менеджеров.

В ходе обработки исходной информации о фактическом и плановом электропотреблении были получены результаты, позволяющие сделать вывод, что в настоящее время многие энергосбытовые компании при планировании закупаемого объема электроэнергии, опираются на фактические данные электропотребления за аналогичные дни недели, что не всегда позволяет составить точный прогноз, так как не учитываются различные особенности как самих потребителей, так и внешних условий среды (погодных условий).

Собрать фактическую достоверную информационную базу по данным параметрам за каждый час суток представляет собой достаточно сложную задачу для энергосбытового предприятия, однако, учитывая сложную экономическую ситуацию сегодня, связанную с низкой собираемостью платежей за потребленную электроэнергию, уменьшение операционных издержек, связанное с минимизацией стоимости закупаемого на оптовом рынке электроэнергии и мощности объема электроэнергии, будет способствовать повышению экономической устойчивости предприятия.

Литература:

Потапов, В. И. Использование нейронной сети для построения краткосрочного прогноза электропотребления ООО «Омская энергосбытовая компания» / В. И. Потапов, А. С. Грицай, Д. А. Тюньков, Г. Б. Синицин // Известия Томского политехнического университета. Инжиниринг георесурсов. — 2016. — Т. 327. — № 8. — С. 44–51.
Торопов, А. С. Прогнозирование почасового электропотребления региональной энергосистемы с использованием искусственных нейронных сетей / А. С. Торопов, А. Н. Туликов // Вестник Иркутского государственного технического университета. — 2017. — Т. 21. — № 5. — С. 143–151.
Официальный сайт АО «Администратор торговой системы». [Электронный ресурс]. — Режим доступа: http:// www. atsenergo.ru. Дата обращения 14.10.2020.

Повышение точности планирования закупаемого энергосбытовым предприятием объема электроэнергии

Библиографическое описание:

Ключевые слова

Похожие статьи

Прогнозирование и учет показателей среды оптового рынка...

Применение метода кросс-вейвлетов для анализа финансовых...

Применение современных устройств мониторинга состояния...

Показатели концентрации продавцов на рынке | Статья в журнале...

Исследование динамики финансовых рынков на основе показателя...

Оценка моделей прогнозирования на основе данных о спросе

Анализ и предварительная обработка данных для решения задач...

Временные эффекты на рынке ценных бумаг | Статья в журнале...