Search academic texts

Information × Registration Number 0825U000384, PhD dissertation Status Доктор філософії Date 24-05-2023 popup.evolution . Title Short-term forecasting of nodal electrical loads in distribution network Author Pavlo Shymanyuk, Доктор філософії popup.head Pavlo O. Chernenko popup.head Ihor V. Blinov popup.opponent Teimuraz L. Katsadze popup.opponent Viacheslav O. Komar popup.review Yurij I. Tugaj popup.review Ihor Trach Description Прогнозування вузлового електричного навантаження є ключовим напрямком досліджень в електроенергетиці через свою значущість для оптимізації планування та оперативного керування режимами електроенергетичної системи. Точність прогнозів навантажень має велике значення для економічності завантаження генеруючого обладнання та вартості електроенергії для кінцевих споживачів. Прогноз вузлових навантажень необхідний для прийняття оперативних диспетчерських заявок, корегування поточних режимів та оптимізації майбутніх режимів, а також для подання заявок на купівлю та продаж електроенергії на різних сегментах ринку. Якщо прогнозування не дає задовільних результатів, може виникнути значний небаланс енергії, який потрібно докуповувати на балансуючому ринку електроенергії, що збільшує витрати операторів системи розподілу (ОСР) та оператора системи передачі (ОСП). Починаючи з 01.07.2019 в Україні почав функціонувати новий оптовий ринок електричної енергії. Згідно з правилами ринку ОС і ОСР, як учасникам ринку необхідно купувати електроенергію для покриття власних втрат. Для мінімізації середньозваженої ціни купівлі їм необхідно збільшувати частку на ринку двосторонніх договорів та на ринку «на добу наперед» (РДН) і зменшувати частки на внутрішньодобовому ринку (ВДР) та балансуючому ринку (БР). Важливою науковою задачею для досягнення цих цілей є підвищення точності короткострокового прогнозування втрат електричної енергії. Виходячи із затверджених Правил ринку «на добу наперед» та внутрішньодобового ринку заявки на РДН приймаються до 12 години доби що передується добі постачання і тому найбільш актуальним стає короткостроковий прогноз з горизонтом упередження від 12 до 36 годин. Широке поширення та розвиток методів прогнозування стало можливим за рахунок розвитку обчислювальних засобів, що дозволило створювати багатофакторні моделі та проводити розрахунки з можливістю використання значних об’ємів даних без великих затрат в часі. Аналіз літературних джерел та виконані дослідження в даному напрямку показав, що більшість досліджень спрямовані на вдосконалення методів прогнозування часових рядів, однією з концепцій вдосконалення є використання сучасних методів прогнозування, а також їх модифікація та комбінація з іншими методами для вирішення тих чи інших задач. Виконані дослідження щодо ефективності використання класичних методів прогнозування, зокрема і методу експоненційного згладжування Холта- Вінтерса, результати прогнозування з використанням якого було порівняно з методами на основі ШНМ. При цьому важливою умовою під час прогнозування вузлових навантажень стало врахування зв’язків між вузлами. Показано, що застосування ШНМ глибинного навчання є найбільш ефективним методом прогнозування завдяки гнучкості та можливості моделювати багатомірні дані що повинно суттєво підвищити ефективність прогнозів. Для оцінки точності результатів прогнозування часових рядів в науковій літературі можуть зустрічатись різні функції похибок. Одними з найпоширеніших методів являється функція MAPE - середня абсолютна похибка у відсотках (mean absolute percentage error), а також функція APE - абсолютна похибка у відсотках (absolute percentage error). Крім того, можуть використовуватись функції RMSE - cередньоквадратичну похибку (root mean square deviation), MSE- середньоквадратична похибка (mean square error). Вибір конкретного параметру оцінки зумовлено сладністю складністю прогнозів та інтерпретацією їх результатів. Для оцінки прогнозу вузлового навантаження використовують функцію середньо абсолютної похибки у відсотках MAPE. Визначено, що на точність результатів прогнозування значною мірою впливають і самі вхідні дані. У більшості випадків дані, які використовуються для досліджень, можуть містити певні спотворення, що викликані різними причинами: пошкодження ліній передачі даних, несправність обладнання, хакерські дії, вивід обладнання в ремонт чи інші. Показано, що для виявлення спотворень, пропусків чи аномальних значень даних необхідно проводити відповідний аналіз, що дозволяє чітко виявляти аномальні значення та проводити заміну даних для покращення результатів прогнозування вузлового навантаження та втрат електричної енергії. Для виявлення аномальних значень використовують ряд методів аналізу даних, кожен з яких має свої особливості та переваги. В дослідженнях для аналізу часових рядів досить часто використовують методи кластеризації за рахунок своєї простоти та ефективності. Найбільш поширеними методами виявлення аномальних даних є Density-Based Spatial Clustering of Applications with Noise (DBSCAN), Isolation forest (IF), Elliptic envelope (EE), Local outlier factor (LOF). В більшості випадків методи аналізу даних побудовані на методах кластеризації даних. Виконавши аналіз та провівши порівняння даних методів було визначено, що усі представлені методи мають різну кількість хибних спрацювань. Registration Date 2025-01-30 popup.nrat_date 2025-01-30 Close