Analiza statystyczna oraz prognozy miesięcznego zapotrzebowania na energię elektryczną

aspekty prognoz średnioterminowych

W zakresie prognoz średnioterminowych dotyczą one typowo następujących elementów [2]:

• zapotrzebowanie sumaryczne miesięczne na energię elektryczną,
• miesięcznej maksymalnej mocy szczytowej występującej w danym miesiącu w szczycie wieczornym dnia roboczego (najczęściej środa robocza) – szczególnie istotne jest ustalenie rocznego maksymalnego szczytu poboru mocy oraz szczytu letniego (najmniejsza wartość mocy szczytowych).

Rozpatrywać można kilka charakterystycznych horyzontów prognoz [18]:

• horyzont 1 doba – 3 miesiące (wartości godzinowe) – korekcja planu eksploatacji systemu,
• horyzont 3–12 miesięcy (dobowe wartości obciążeń) – korygowanie planów remontów, korygowanie planów produkcji mocy i energii,
• horyzont 1–10 lat (miesięczne zapotrzebowanie) – korygowanie planów inwestycyjnych w źródłach, planowanie inwestycji sieciowych, planowanie remontów i współpracy pomiędzy systemami.

Prognozy mogą być przeznaczone dla następujących podmiotów [2]:

• spółka dystrybucyjna,
• odbiorca energii elektrycznej zużywający rocznie ponad 115 TWh (ma prawo zakupu energii elektrycznej poza lokalną spółką dystrybucyjną), np. koksownia, huta itp.,
• odbiorca energii zużywający mniejsze ilości energii elektrycznej,
• wytwórcy energii elektrycznej.

Rozważając potrzebę prognoz średnioterminowych warto zauważyć kilka aspektów takich prognoz [2]:

• aspekty ekonomiczne: spółka dystrybucyjna zna lepiej wartości przyszłych przychodów (prognoza zapotrzebowania na energię elektryczną), spółka dystrybucyjna współtworzy umowy z dużym odbiorcą z określeniem maksymalnej mocy umownej (wartość maksymalna z okresów 15-minutowych lub 60-minutowych w zależności od urządzeń pomiarowych) – miesięcznej mocy szczytowej (w dniu roboczym) – ustalenie taryf, kar za przekroczenie mocy szczytowej (mocy umownej), znajomość prognoz miesięcznych mocy szczytowych to ułatwienie przy tworzeniu umów dla odbiorcy energii elektrycznej, znajomość zapotrzebowania na energię dla odbiorcy energii to ułatwienie w zarządzaniu finansami odbiorcy),
• aspekty techniczno-eksploatacyjne: korygowanie planów remontów, planowanie inwestycji sieciowych w zależności od tendencji prognoz miesięcznego zapotrzebowania na energię elektryczną oraz miesięcznych mocy szczytowych, znajomość prognoz mocy ułatwia wytwórcom energii elektrycznej dopasowanie popytu szczytowego na moc z mocą dyspozycyjną oraz osiągalną, prognozy mogą być również podstawą do planowania inwestycji w źródła wytwórcze (generacja rozproszona) w spółkach dystrybucyjnych, ogólny wzrost bezpieczeństwa dostaw dzięki właściwemu planowaniu inwestycji, planowanie modernizacji i rozbudowy sieci z uwagi na wzrost zapotrzebowania na moc szczytową, trafna prognoza szczytu letniego (moc szczytowa) jest elementem poprawy bezpieczeństwa energetycznego (uniknięcie awarii sieciowych),
• aspekty prawne: w ustawie Prawo energetyczne (DzU nr 54, poz. 348) i w rozporządzeniach Ministra Gospodarki (DzU nr 135, poz. 881) jest mowa o obowiązkach prognostycznych wykonywanych przez operatora systemu przesyłowego, operatorów systemów rozdzielczych, a nawet gminy.

przegląd metod stosowanych w prognozach średnioterminowych

Wśród metod prognostycznych zapotrzebowania na energię elektryczną dominowały w przeszłości metody statystyczne, aczkolwiek w ostatnich latach pojawia się coraz więcej artykułów na temat efektywności wykorzystania metod sztucznej inteligencji (sieci neuronowe, algorytmy ewolucyjne, logika rozmyta) do tego typu prognoz [1, 2, 4, 5, 8, 9, 10, 11, 12, 13, 14, 15]. Prognozowanie wielkości charakterystycznych dla procesów gospodarczych, takich jak miesięczne zapotrzebowanie na energię i moc szczytowa, może odbywać się, albo z uwzględnieniem czynników będących przyczyną kształtowania się zmiennej objaśnianej (model przyczynowoskutkowy), albo na podstawie wcześniejszych obserwacji procesu (model autoregresyjny). W większości badań związanych z tematem prognozowania zapotrzebowania zużycia energii elektrycznej wykorzystywany jest model autoregresji, niekiedy dołączane są jednak różne zmienne zewnętrzne [1, 3, 7]. Najczęściej, jako dodatkowe zmienne opisujące przyjmuje się dane meteorologiczne: temperaturę, zachmurzenie, sumę opadów itp. Oprócz metod statystycznych do zadania prognozowania szeregów czasowych wykorzystywane są metody sztucznej inteligencji, spośród których najbardziej popularne są sztuczne sieci neuronowe.

Do prognozowania średnioterminowego typowo wykorzystuje się najpopularniejszą sieć o architekturze jednokierunkowej typu perceptron wielowarstwowy (MLP). Nauka takiej sieci odbywa się poprzez prezentację kolejnych wektorów ze zbioru danych wejściowych i odpowiadających mu wartościom wynikowym, a różnica pomiędzy wartością oczekiwaną a otrzymaną skutkuje modyfikacją wag wewnątrz sieci, np. według reguły propagacji wstecznej błędu lub innych algorytmów optymalizacyjnych (metoda Newtona, gradienty sprzężone). Od niedawna naukowcy starają się wykorzystać ponadto tzw. metody inteligencji stadnej – algorytm stada naśladuje ludzkie lub owadzie zachowania stadne (m.in. algorytmy mrówkowe, roje cząstek, sztuczne kolonie pszczół) jako element optymalizacyjny.

Literatura

[1] Piotrowski P., Baczyński D., Parol M., Kujszczyk S., Wasilewski J., Zdun T., Wójtowicz T., Helt P.: „Zaawansowane hybrydowe systemy sztucznej inteligencji oraz narzędzia statystyczne do prognoz zapotrzebowania na energię elektryczną o różnych horyzontach czasowych na potrzeby elektroenergetycznych spółek dystrybucyjnych”. Projekt badawczy własny MNiSW Nr N N511 0973 33 (kierownik projektu – Piotrowski P.), Warszawa, luty 2010
[2] Baczyński D., Piotrowski P., Helt P., Wasilewski: „Opracowanie projektu modułu prognozowania średnioterminowego i długoterminowego zapotrzebowania na energię elektryczną”, praca na zlecenie Globema Sp. z o.o.,02-593 Warszawa ul. Rostafińskich 4,  zgodnie z zamówieniem szczegółowym nr 5 (z 15 stycznia 2011), Warszawa, czerwiec 2011.  
[3] Cieślak M.:„Prognozowanie gospodarcze – metody i zastosowania” Wydawnictwo Naukowe PWN 2002
[4] Prognozowanie w elektroenergetyce. Zagadnienia wybrane. Praca zbiorowa pod redakcją Ireny Dobrzańskiej. Wydawnictwo Politechniki Częstochowskiej, Częstochowa 2002.
[5] Sztuczna inteligencja w praktyce. Laboratorium. Praca zbiorowa pod redakcją Mirosława Parola i Pawła Piotrowskiego. Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa, 2008.
[6] Helt P., Parol M., Piotrowski P.: „Metody sztucznej inteligencji w elektroenergetyce”, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000
 [7] Piotrowski P.: “The optimum selection of data for forecasts of demand on electric energy consumption for different time horizons”, 2nd International Youth Conference on Energetics 2009, Budapeszt 4-6 czerwca 2009
[8] Piotrowski P.: Wybrane aspekty prognozowanie miesięcznego zapotrzebowania na energię elektryczną oraz miesięcznej mocy szczytowej dla różnych horyzontów prognoz na użytek spółek dystrybucyjnych,  Przegląd Elektrotechniczny , nr.2/2011, str.115-118, R.87, (ISSN 0033-2097)
[9] Piotrowski P.: Analiza skuteczności wybranych metod prognoz wieloletnich rocznego  zapotrzebowania na energie elektryczna na potrzeby spółek dystrybucyjnych. Elektro.info nr. 6/2010, (ISSN 1642-8722) str. 82-88
[10] Piotrowski P.: „Analiza porównawcza skuteczności statystycznych metod prognozowania wartości miesięcznego zapotrzebowania na energie elektryczna dla spółki dystrybucyjnej RWE STOEN”, miesięcznik Wiadomości Elektrotechniczne, nr. 2/2008, str. 7-11, (ISSN 0043-5112)
[11] Piotrowski P.: Metody poprawy jakości prognoz średnioterminowych miesięcznego zużycia energii elektrycznej w spółce dystrybucyjnej, Przegląd Elektrotechniczny , R.83, nr.6/2007 str.81-83., (ISSN 0033-2097)
[12] Piotrowski P.: Neural network with genetic algorithms for the monthly electric energy consumption and peak power middle - term forecasting - artykuł, Journal of Applied Computer Science , JACS 2002, vol.10,  No. 1, Technical University Press Łódź  2002, ISBN1507-0360, str 105-116.
[13] Piotrowski P.: Wybrane aspekty prognozowanie miesięcznego zapotrzebowania na energię elektryczną oraz miesięcznej mocy szczytowej dla różnych horyzontów prognoz na użytek spółek dystrybucyjnych, X Międzynarodowa Konferencja Naukowa Prognozowanie w Elektroenergetyce PE 2010, Wisła, 8-10 września 2010
[14] Piotrowski P.: Sztuczne sieci neuronowe jako alternatywne narzędzie średnioterminowych prognoz miesięcznego zapotrzebowania na energie elektryczna na potrzeby lokalnych spółek dystrybucyjnych, Sieci Elektroenergetyczne w Przemyśle i Energetyce, VI Konferencja Naukowo-Techniczna, Szklarska Poręba, 10-12 września 2008, str.313-318 (ISBN 978-83-921315-5-7)
[15] Piotrowski P., Wilk R.: „Optymalny dobór danych ekonomicznych, demograficznych oraz pogodowych w średnioterminowych predykcjach zapotrzebowania na energię elektryczną w spółce dystrybucyjnej jako znaczący element poprawy jakości predykcji”,  XII Międzynarodowa Konferencja Naukowa pt. “Aktualne problemy w Elektroenergetyce” (APE’05), Jurata, 8-10 czerwiec 2005r. Tom III, str. 3-9, ISBN 83-909885-3-6
[16] Łyp J.: “Prognozowanie miesięcznego zużycia energii elektrycznej małych odbiorców”, Przegląd Elektrotechniczny, nr.3/2009
[17] Eva Gonzales-Romera, Miguel A. Jaramillo-Moran, and Diego Carmona-Fernandez, "Monthly Electric Energy Demand Forecasting Based on Trend Extraction," IEEE Transactions on Power Systems, vol. 21, no. 4, pp. 1946-1953, November 2006.
[18] Malko J: „Wybrane zagadnienia prognozowania w elektroenergetyce” , Oficyna Wydawnicza Politechniki Wrocławskiej 1995
[19] Małgorzata Trojanowska, Jerzy Małopolski, "Zastosowanie rozmytych modeli relacyjnych do predykcji miesięcznej sprzedaży energii elektrycznej odbiorcom wiejskim," Inżynieria Rolnicza, no. 11 (86), pp. 495-502, 2006.
[20] Orka v.4.0 - Sieci neuronowe z algorytmami genetycznymi. Podręcznik użytkownika, Arkus Electronics, Wrocław 1998