ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ НА ОСНОВЕ РАНГОВЫХ РАСПРЕДЕЛЕНИЙ ч2

26 августа 2010

После получения значений временных рядов параметров гиперболических зависимостей И/1 и β для имеющегося массива пре-

126

дыстории осуществляется их прогнозирование на следующий временной интервал. Традиционно применяемые методы линейной и полиномиальной экстраполяции [1] эффективны в случае, когда характер изменения во времени параметров W1 и β близок к линейному. При наличии нелинейности, обусловленной сезонными изменениями электропотребления и непостоянством тенденции целесообразно применение более совершенных методик. Хорошие результаты были получены с помощью модели АРПСС или ARIMA (Auto Regressive Integrated Moving Average). Сезонная модель Бокса-Дженкинса может быть представлена в виде:

АШМА(р,
d, q\Ps ,DS,QS),(3)

где в скобках указаны изменяемые параметры модели: p - порядок составляющей авторегрессии; d - порядок разности дискретной производной; q - порядок скользящего среднего; PS - сезонный параметр авторегрессии; DS - сезонный параметр скользящего среднего; QS - порядок сезонной разности (сезонной производной).

Из-за наличия большого количества изменяемых параметров модель АРПСС является достаточно гибкой. С ее помощью можно моделировать как циклические процессы, так и ряды, содержащие только тренд. Определение параметров модели (3) опирается на исследование графиков рядов, автокорреляционных функций и частных автокорреляционных функций.

По найденным значениям параметров гиперболической зависимости (1) получают прогноз электропотребления. Для этого определяем расчетные ранги объектов техноце-ноза по последнему периоду предыстории:

**t

‘расч. /

Wr‘

где i = 1, 2, …, n; n - количество объектов техноценоза; Wr‘ - i-е значение ранжированного ряда фактического электропотребления t-го интервала.

Введение расчётного ранга необходимо, так как на практике кривая /-/-распределения не проходит точно через все фактические точки, поэтому расчётный ранг не всегда равен порядковому номеру объекта и может не являться целым числом.

Далее необходимо вычислить прогнозные значения рангового параметрического распределения [1]: W1t+1

Writ

Р<+1

расч./

где i = 1, 2, …, n; W1t+1,\St+1прогнозные значения параметров H-распределения.

Прогноз суммарного значения электропотребления техноценоза определеяется по формуле:

"S~* Wvp

1/у’ZZ

Епрогн

i=1

С помощью изложенной методики проводилось прогнозирование на основе исходных данных о ежемесячных величинах нетягового электропотребления и расхода энергии на тягу от подстанций Забайкальской железной дороги – филиала ОАО «РЖД», официально предоставленных службой энергосбыта и энергонадзора Забайкальской железной дороги.

Рис. 1. Математическая модель рангового распределения

Расчетная поверхность H-распределения нетягового электропотребления приведена на рис. 1. На рис. 2 показано сравнение прогнозной кривой с фактическим распределением.

Рис. 2. Прогнозное и фактическое значения электропотребления на тягу

Среднее значение относительной ошибки прогноза электропотребления на тягу составило 6,7 %, для нетяговых потребителей 7,94 %.

По результатам моделирования сделаны следующие выводы:

1)усовершенствованный метод рангового анализа хорошо учитывает сезонный харак тер и нелинейные тенденции процесса элек тропотребления;

2)использование метода градиентного спуска при вычислении параметров гипербо-

127

лических зависимостей способствует повышению точности аппроксимации и прогноза электропотребления.

ЛИТЕРАТУРА:

1.   Гнатюк В.И. Закон оптимального построения техноценозов. - М.: ЦСИ, 2004.

2.   Бурдинский С. А., Кистенев В. К., Пантелеев В. И., Торопов А. С. Моделирование электропотребления техноценозов железных дорог // Энергоэффективность систем жизнеобеспечения города: Материалы VII Всерос-

сийской научно-практической конференции, 7-8 декабря 2006 г., Красноярск: ИПЦ КГТУ, 2006. – С. 19-22.

3. Кистенёв В. К., Лукьянов П. Ю., Яковлев Д. А. Прогнозирование годового электропотребления модернизированным методом наискорейшего спуска // Материалы III

Статьи по теме:

No related posts