Отчёт по практике на тему Прогнозирование объема потребления электроэнергии на промышленном предприятии с привлечением методов статистического анализа

Содержание:

Введение 3
1 Требования к модели прогнозирования. Типы прогнозов 4
2 Обзор методов прогнозирования электроэнергии 8
Заключение 12
Литература 13

Введение:

Прогнозирование режимов электропотребления (электрической нагрузки) требуется при решении большого спектра задач текущего планирования и оперативного управления режимами функционирования электроэнергетических систем.
Прогнозы нагрузки осуществляются в следующих временных диапазонах:
— оперативном (в пределах изменения, текущих суток)
— краткосрочном (сутки, неделя, месяц);
— долгосрочном (месяц, квартал, год).
Таким образом, прогнозирование режимных параметров и технико-экономических показателей является одной из важных задач, как при планировании, так и при ведении текущих режимов электроэнергетической системы.
В настоящее время разработано несколько моделей, которые способны прогнозировать объемы электропотребления на промышленных предприятиях.
Краткосрочное прогнозирование электропотребления промышленного предприятия является важной задачей.
Уменьшение величин ошибок прогноза позволит предприятию снизить эти расходы, а значит — уменьшить общую сумму платежей за потребляемую электроэнергию.
Анализ существующих прогностических моделей, предназначенных для краткосрочного прогнозирования электропотребления, показал, что все они имеют существенный недостаток, а именно — отсутствие учета производственных показателей предприятия при прогнозировании электропотребления.

Заключение:

Использование ИНС позволит учитывать краткосрочные тенденции в потреблении электроэнергии предприятием, позволит автоматизировать процесс осуществления прогноза.
Кроме того, прогностическая модель, основанная на ИНС, менее других моделей зависит от наличия полного объема входных данных.
В то же время для устранения недостатков, связанных со сложностью настроек внутренней конфигурации нейронной сети целесообразно применить гибридную систему, в которой настройка может проводиться с помощью метода генетического и эвристического отбора.
Таким образом, установлено, что недостатком существующих прогностических моделей является относительно невысокая точность, что не позволяет точно судить о прогнозируемом потреблении.
Устранение этих недостатков нашло отражение во вновь разработанной прогностической модели, которая использует нейронные сети и будет представлена в выпускной квалификационной работе.

Фрагмент текста работы:

При решении задачи прогнозирования почасовой величины электропотребления промышленного предприятия, работающего на оптовом рынке электроэнергии, в прогностической модели электропотребления предъявляются следующие требования:
1. Модель должна удовлетворять требованиям адаптивности и эволюционности. Она должна обеспечивать возможность включения достаточно широкого диапазона изменений, дополнений, чтобы было возможно последовательное приближение к модели, удовлетворяя по точности результатам прогнозирования [1,2].
2. Модель должна быть достаточно абстрактной, чтобы обеспечивать работу с большим количеством входных параметров, но не настолько абстрактной, чтобы возникали сомнения в надежности и практической полезности полученных на ней результатов прогноза.
3. Прогностическая модель должна обеспечивать формирование прогноза за необходимый промежуток времени (сутки вперед).
4. Модель должна ориентироваться на реализацию с помощью существующих технических средств, то есть быть физически осуществимой на данном уровне развития техники и подходить для данной ситуации на предприятии.
5. Модель должна предусматривать возможность проверки истинности, соответствия ее оригинала.
Существуют две стадии оценки прогностических способностей модели объекта прогнозирования: прошлых периодов времени и опытная эксплуатация.
В первом случае модель строится не на всех имеющихся данных, а на так называемой обучающей выборке (совокупности), из которой исключаются несколько последних точек — так называемая тестовая (проверочная) выборка.
Затем с помощью модели рассчитываются прогнозные значения, соответствующие интервалам времени, на которые приходится тестовая выборка, и оценивает прогностические способности модели на основе разницы между фактическими и прогнозными значениями величины.
Модель, которая прошла первую стадию оценки прогностических способностей, вводится в опытную эксплуатацию и рассчитывает будущие значения показателя в чистом виде. По мере наступления будущего прогнозные значения показателя сравниваются с его фактическими значениями [3,4].
Прогнозы, как правило, можно разделить на две группы:
1. Точечные — это прогнозы, фиксирующие одно значение прогнозируемого параметра объекта прогноза.
2. Интервальные — это прогнозы, фиксирующие два или более возможных значения прогнозируемого параметра.