Короткострокове прогнозування споживання електроенергії на об’єктах енергоринку з використанням метода «ГУСЕНИЦА»-SSA

Автор(и)

  • V.P. Rozen Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського, Київ, Україна https://orcid.org/0000-0002-0440-4251
  • Ya.M. Demchyk Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського, Київ, Україна https://orcid.org/0000-0001-6936-2366

DOI:

https://doi.org/10.15588/1607-6761-2020-1-4

Ключові слова:

електроспоживання, промисловий об’єкт енергоринку, «Гусеница»-SSA», прогнозування, сингулярний аналіз

Анотація

Мета роботи. Основною метою проведеного дослідження є підвищення ефективності режиму роботи енергосистеми за рахунок прогнозування споживання електричної енергії споживачами шляхом  використання методу «Гусеница»-SSA для зниження похибки прогнозування електричної енергії на об’єктах енергоринку.

Методи дослідження. Досліджується використання метода "Гусенница"-SSA прогнозування споживання електричної енергії промислового об'єкта енергоринку.

Отримані результати. В даній статті  досліджується використання метода "Гусенница"-SSA прогнозування споживання електричної енергії промислового об'єкта енергоринку. Основою проведеного дослідження є підвищення ефективності режиму роботи енергосистеми за рахунок прогнозування споживання електричної енергії споживачами, постачальниками та виробниками. Використання сучасних способів збору статистичної інформації дозволяє приймати правильні рішення в плануванні та управлінні енергооб’єктами. В статті представлено метод сингулярного спектрального аналізу, який дозволяє використання статистичних даних нестаціонарного ряду. Використання методу сингулярного спектрального аналізу-SSA дозволяє отримати похибку прогнозування електричної енергії на об’єктах енергоринку в межах допустимого. Отримане прогнозне електричне споживання за деякий період дозволить управляти електроенергетичною системою задопомогою пристроїв збору даних. Пристрої збору даних в автоматичному режимі будуть передавати статистичну інформацію, а програмне забезпечення корегувати прогнозні значення електричної енергії замовленні споживачем, постачальником. Дане дослідження дозволяє використовувати метод сингулярного спектрального аналізу в простому прогнозуванні на тиждень, добу , годину на перед при використанні статистичних інструментів. Результати можуть використовуватися в електроенергетиці при попередньому прогнозуванні споживання електроенергії та плануванні об’ємів виробництва електричної енергії та ціни на неї. Запропонований метод показує як правильно використовувати сингулярний спектральний в прогнозуванні електричної енергії.

Наукова новизна. Дослідження в області прогнозування електроспоживання дозволить знизити похибку прогнозування не застосовуючи методів аналізу на стаціонарність часових рядів електроспоживання.

Практична цінність. Дозволить замовляти електричну енергію в постачальників з меншою похибкою це збільшить економію коштів споживачів.

Біографії авторів

V.P. Rozen, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського, Київ

д-р техн. наук, професор, завідувач кафедри автоматизації управління електротехнічними комплексами Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського, Київ

Ya.M. Demchyk, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського, Київ

асистент, кафедри автоматизації управління електротехнічними комплексами Національного технічного університету України «Київський політехнічний інститут імені Ігоря Сікорського, Київ

Посилання

[1] Makoklyuev, B.I., Vladimirov, A.I., (2001). Prediction of Power Consumption of Mosenergo JSC. Journal of Fuel and Energy Complex, No 4, Moscow.

[2] Solomkin, A.V., (2012). Short-term forecasting of electricity consumption using neural network methods. State University of NPP Mordovian State University Ogareva, Saransk.

[3] Golyadina, N.E., Danilova, D.L., Zhiglyavsky, A.A., (1997). Processing of multidimensional time series using the Caterpillar method. The main components of the time series are the Caterpillar method. ed.,: St. Petersburg, 105-131.

[4] Tsvetkov, E.I., (1973). Non-stationary random processes and their analysis. Moscow, Energy, 128 p.

[5] On Approval of the Methodology for Determining the Volume and Cost of Electricity Not Taken Due to Violation of Consumers' Rules of Electricity Utilization

[6] Chetyrkin, E.M., (1977). Statistical methods of forecasting. Moscow, Statistics, 263

[7] Bann, D.V., Farmer, E.D., (1987). Comparative models of electric load prediction. Moscow, Energoatomizdat, 200.

[8] Broomhead, D.S., King, G.P., (1086). Extracting qualitative dynamics from experimental data. No 20, 2-3, 217-236.

[9] Fraedrich, K. Atmos, J., (1986). Estimating the dimension of weather and climate attraction. No. 43, 419-432.

[10] Vautard, R., Ghil, M., (1989). Singular spectrum analysis in nonlinear dynamics, with applications to paleoclimatic time se-ries. No. 35, 3, 395-424.

[11] Ghil, M., Vautard, R., (1991). Interdecadal oscillations and the warming trend in global temperature time series. Nature, No. 350, 6316, 324-327.

[12] Schelkalin, V.N., (2012). Trend approach of time series prediction based on Goose-Nice method -SSA / VN. Schelkalin // Proceedings of the 14th SAIT 2012 International Scientific and Technical Conference, Kiev, April 24, 2012. / IPSA UNC NTUU "KPI". - K: IPSA UNC NTUU "KPI", 258 - 259.

[13] Shchekalin, V.N., (2012). A decomposition approach of time-series prediction based on the Track-SSA method / VN. Schelkalin // Proceedings of the 14th SAIT 2012 International Scientific and Technical Conference, Kiev, April 24, IPSA UNC NTUU "KPI". - K .: UNESCO "IPSA" NTUU "KPI", 260 - 261.

[14] Feast, N.E. (2003). The caterpillar method -SSA: time series forecast: uch. pos. St. Petersburg, 55 p.

[15] Solntsev, V.N., Danilov, D. L., Zhiglyavsky, A. A. (1997). The Main Components of the Time Series: The Caterpillar Method. St. Petersburg State University.

[16] Aleksandrov, F.I., (2003). Isolation of additive components of the time series based on the Gusenitsa method. St. Petersburg State University

##submission.downloads##

Опубліковано

2020-03-20

Як цитувати

Rozen, V., & Demchyk, Y. (2020). Короткострокове прогнозування споживання електроенергії на об’єктах енергоринку з використанням метода «ГУСЕНИЦА»-SSA. Електротехніка та електроенергетика, (1), 32–39. https://doi.org/10.15588/1607-6761-2020-1-4

Номер

Розділ

Електроенергетика