Решение задач повышения энергетической эффективности неразрывно связано с прогнозированием величины потребления электроэнергии на планируемый период. От точности прогноза зависит точность планирования потребления электроэнергии что, в свою очередь, позволит предприятию, независимо от отраслевой принадлежности, сократить финансовые издержки на оплату электроэнергии.
Объектами исследования являются два цеха добычи нефти и газа ЦДНГ-11 и ЦДНГ-12 ООО «ЛУКОЙЛ-ПЕРМЬ».
Зависимость потребления электроэнергии от различных факторов
Задача прогнозирования электропотребления сложна и многогранна, она включает в себя множество технологических, экономических и социальных факторов. Невозможно учесть такое количество разноплановых факторов, поэтому учитывается только ряд факторов, которые классифицируются по четырем основным группам[2, 12]:
- экономические;
- временные;
- погодные;
- случайные.
Экономические условия эксплуатации энергосистемы четко сказываются на графиках потребления электроэнергии, но в моделях долгосрочного прогнозирования нагрузки экономические факторы в явном виде не фигурируют, так как они связаны с более длительными временными масштабами.
Существенное влияние на величину нагрузки оказывают три основных временных фактора: сезонные эффекты, недельно-суточный цикл и нерабочие дни. Сезонные изменения определяют, приходится ли пик потребления электроэнергии в энергосистеме на лето или на зиму. Также, к важным сезонным изменениям относится переход от летнего времени к зимнему и обратно, изменения структуры тарифов, начало учебного года в школах и значительные спады деятельности в период каникул.
Недельно-суточная неравномерность графика нагрузки соответствует распределению рабочего и свободного времени населения района обслуживания.
Наличие нерабочих дней, связанных с религиозными праздниками и установленных законом, в общем приводит к существенному снижению нагрузки до уровней заметно меньших «нормального». Кроме того, в дни, предшествующие или следующие за праздниками, наблюдаются изменения графика электропотребления, обусловленные тенденцией к организации «продленных уикендов».
Существенные отклонения графика нагрузки вызываются метеорологическими условиями. Это объясняется наличием у большинства энергосистем крупных составных частей нагрузки, чувствительных к погоде. К ним относятся отопительные приборы, кондиционеры и средства ирригации в сельском хозяйстве.
Кроме того, метеофакторы в значительной степени определяют глубокие сезонные колебания и суточную неравномерность графиков потребления. Устойчивые сезонные и суточные циклы колебаний температуры и их влияние могут быть представлены в аналитическом виде и использоваться при разработке прогнозов ожидаемых значений потребления на всех циклах планирования и управления режимами.
К случайным возмущениям отнесены различные случайные влияния, вызывающие отклонения графика нагрузки, которые нельзя объяснить действием выше рассмотренных факторов. Энергосистема постоянно подвержена случайным возмущениям. Кроме малых возмущений возможны и сильные колебания потребления электроэнергии из-за больших нагрузок – сталеплавильных печей, синхротронов. Имеются также многочисленные события, о которых заранее известно, но влияние их на нагрузку является неопределенным, например закрытие промышленных предприятий.
Также значительное влияние на электропотребление оказывает количество аварийных ситуаций. Данный параметр имеет вероятностный характер, но тем не менее приводит к большому ущербу, вследствие чего снижается электропотребление. Поэтому при составлении прогноза электропотребления учесть данный фактор просто необходимо.
Так как объектом прогнозирования является нефтедобывающее предприятие, то сильное влияние на электропотребление будут оказывать перепады и средняя температура окружающего воздуха. Это объясняется тем, что в зависимости от температуры меняется вязкость нефти. Например, при отрицательных значениях температуры нефть становится более вязкой, что повышает потребление электроэнергии двигателями, потому что увеличивается механическое сопротивление при перекачке. Также к немаловажным факторам можно отнести длительность светового дня, этот фактор влияет на продолжительность работы освещения. Самым главным фактором является объем добычи, потому что все электродвигатели, задействованные в месторождениях, используются для добычи нефти и ее перекачки.
Прогнозирование
Формирование массива входных данных
В результате анализа [1, 3–11] было определено, что на входы моделей для различных месяцев будут подаваться следующие переменные, которые дают наименьшую погрешность прогнозирования: номер месяца в году (N), объем добычи нефти (D), средняя температура дня (t), разница между максимальной и минимальной температурой в месяце (R) и длительность светового дня (S). Модель в общем виде представлена на рис. 1.
Рис. 1. Модель прогнозирования потребления электроэнергии, Wпрог – является прогнозируемой величиной
Таблица 1
Выборка для обучения нейронной сети по Сухаревскому месторождению
|
N |
D |
t |
R |
S |
W |
|
0,083 |
0,755 |
0,254 |
0,732 |
0,296 |
0,863 |
|
0,167 |
0,597 |
0,335 |
0,648 |
0,375 |
0,782 |
|
0,250 |
0,665 |
0,396 |
0,507 |
0,479 |
0,929 |
|
0,333 |
0,618 |
0,488 |
0,687 |
0,583 |
0,793 |
|
0,417 |
0,651 |
0,632 |
0,616 |
0,676 |
0,780 |
|
0,500 |
0,580 |
0,680 |
0,696 |
0,729 |
0,689 |
|
0,583 |
0,566 |
0,625 |
0,624 |
0,701 |
0,642 |
|
0,667 |
0,492 |
0,603 |
0,515 |
0,615 |
0,629 |
|
0,750 |
0,491 |
0,594 |
0,497 |
0,500 |
0,587 |
|
0,833 |
0,520 |
0,429 |
0,405 |
0,417 |
0,735 |
|
0,917 |
0,539 |
0,347 |
0,457 |
0,308 |
0,788 |
|
1,000 |
0,570 |
0,322 |
0,631 |
0,265 |
0,853 |
|
0,083 |
0,724 |
0,244 |
0,702 |
0,296 |
0,910 |
|
0,167 |
0,567 |
0,330 |
0,616 |
0,375 |
0,825 |
|
0,250 |
0,635 |
0,397 |
0,484 |
0,479 |
0,884 |
|
0,333 |
0,596 |
0,484 |
0,662 |
0,583 |
0,746 |
|
0,417 |
0,698 |
0,621 |
0,660 |
0,676 |
0,741 |
|
0,500 |
0,615 |
0,696 |
0,738 |
0,729 |
0,731 |
|
0,583 |
0,599 |
0,639 |
0,660 |
0,701 |
0,686 |
|
0,667 |
0,520 |
0,613 |
0,544 |
0,615 |
0,664 |
Таблица 2
Результаты прогнозирования, фактического потребления и погрешности для Юрчукского месторождения
|
N месяца |
Wфакт, кВт•ч |
Wпрогн, кВт•ч |
d % |
|
9 |
1542662 |
1657500 |
– 7,44 |
|
10 |
1737167 |
1640000 |
5,59 |
|
11 |
1869716 |
2185000 |
– 16,86 |
|
12 |
2033856 |
907500 |
55,38 |
Таблица 3
Результаты прогнозирования и фактического потребления для месторождения имени Сухарева
|
N месяца |
Wфакт, кВт•ч |
Wпрогн, кВт•ч |
d % |
|
9 |
373421 |
308000 |
17,52 |
|
10 |
433736 |
466000 |
– 7,44 |
|
11 |
360422 |
178500 |
50,47 |
|
12 |
405309 |
420000 |
– 3,62 |
Для того чтобы правильно обучить ИНС, необходимо обработать первоначальные данные. Это необходимо, чтобы уменьшить погрешность при прогнозировании [3].
Так как значения входов, выходов нечеткой нейронной сети представляют собой вещественные числа из отрезка [0, 1], то существует необходимость масштабирования исходных данных.
Масштабирование переменных служит для ускорения процесса обучения. Масштабирование переменных представлено выражением
,
где хм – значение переменной после масштабирования, о.е.;
х – значение масштабируемой переменной, выраженное в абсолютных ед.;
c – значение смещения в абсолютных ед.;
хб – базисное значение масштабируемой переменной в абсолютных ед.
В ходе проведения экспериментов было установлено, что оптимальным вариантом, дающим наилучшие результаты, является выборка, состоящая из 20 строчек, в которые входят переменные за 2014 г. и за первые 8 месяцев 2015 г.
После операций, проведенных выше, была получена обучающая выборка и проведено обучение ИНС.
Рис. 2. Прогнозные и фактические значения потребления электроэнергии на Южно-Юрчукском нефтяном месторождении
Рис. 3. Прогнозные и фактические значения потребления электроэнергии на нефтяном месторождении имени Сухарева
Прогнозирование и оценка точности прогноза
Для оценки точности прогноза необходимо рассчитать погрешность составленного прогноза. Расчет прогноза будет проводиться по следующей формуле [4]:
,
где d % – относительная погрешность прогноза, %;
Wфакт – фактическая величина электропотребления, кВт•ч;
Wпрогн – прогнозируемая величина электропотребления, кВт•ч.
Алгоритм обучения в ИНС использует стохастические методы обучения, следовательно, выполняются псевдослучайные изменения значений весов, сохраняя те изменения, которые ведут к уменьшению функции ошибки.
В ходе проведения экспериментов было установлено, что оптимальным вариантом, дающим наилучшие результаты, является выборка, состоящая из 20 строчек, в которые переменные за 2014 г. и за первые 8 месяцев 2015 г.
В качестве примера обучающей выборки приведены данные, сведенные в табл. 1.
Результаты расчета погрешности прогноза для Юрчукского месторождения представлены в табл. 2.
Результаты расчета погрешности прогноза для месторождения имени Сухарева представлены в табл. 3.
На рис. 2–3 представлены графики прогнозных и фактических значений потребления электрической энергии на Южно-Юрчукском и Сухаревском нефтяных месторождениях.
Заключение
Анализ полученных прогнозных данных позволяет говорить об адекватности разработанной модели. Выявлены выбросы прогнозных значений, значительно отличающиеся от реальных данных. Их присутствие вполне возможно в ходе работы ИНС. Анализ полученных погрешностей прогнозных значений задает вектор дальнейших исследований в направлении уточнения объема и состава параметров, подаваемых на вход модели.