Метод прогнозирования и расчёта электрической нагрузки коммунально-бытовых потребителей в условиях неопределённости

Цель – исследование соответствия фактического электропотребления расчетному  в распределительных электрических сетях с преобладанием коммунально-бытовых потребителей ряда городов Челябинской области. Для исследования соответствия между удельной электрической нагрузкой, установленной нормативной документацией, и фактической на одну квартиру по данным электропотребления в ряде городов Челябинской области проанализировано среднегодовое электропотребление коммунально-бытовыми потребителями с определенным количеством квартир за 2021-2022 гг. Анализ соответствия среднегодового электропотребления коммунально-бытовыми  потребителями  рассматриваемых  объектов  проводился  на  основе  действующего  метода  расчета  электрической нагрузки за рассматриваемый период согласно СП 256.1325800.2016. Определено расхождение между реальной электрической нагрузкой на квартиру и ее нормативным значением, установленным действующими в настоящее время нормативными документами, которое составило по электропотреблению от минус 48 до 300%. Для рассматриваемых 16 объектов принадлежности городов Челябинской области произведены сравнения расхождения фактической электрической нагрузки с установленными нормативными значениями. Расхождение между фактической и удельной нагрузками на квартиру составило для 6 квартир от минус 58 до 155%. Для повышения точности прогноза электропотребления в распределительных электрических сетях с преобладанием коммунально-бытовых потребителей и расчета электрических нагрузок предлагается новый показатель – обобщенный коэффициент неопределенности Ai, значения которого определены для рассматриваемого периода. Таким образом, с использованием предложенного коэффициента рекомендованы методы прогнозирования электропотребления в распределительных электрических сетях с преобладанием коммунально-бытовых потребителей и расчета электрических нагрузок. При применении разработанных методов отклонения в прогнозных расчетах в относительных величинах не превысят 10%.

1. Репкина Н.Г. Исследование факторов, влияющих на точность прогнозирования суточного электропотребления // Известия высших учебных заведений. Электромеханика. 2015. № 2. С. 41–43. https://doi.org/10.17213/0136-3360-2015-2-41-43.

2. Солуянов Ю.И., Федотов А.И., Галицкий Ю.Я., Чернова Н.В., Ахметшин А.Р. Актуализация нормативных значений удельной электрической нагрузки многоквартирных домов в Республике Татарстан // Электричество. 2021. № 6. С. 62–71. https://doi.org/10.24160/0013-5380-2021-6-62-71. EDN: RRSRRX.

3. Карпенко С.М., Карпенко Н.В. Эконометрическое моделирование энергопотребления с учетом влияния производственных факторов // Энергобезопасность и энергосбережение. 2020. № 1. С. 14–17. https://doi.org/10.18635/2071-2219-2020-1-14-17. EDN: EDVDXC.

4. Карпенко С.М., Карпенко Н.В. Анализ динамики и прогнозирование электропотребления на основе эконометрического моделирования // Энергобезопасность и энергосбережение. 2020. № 2. С. 20–25. https://doi.org/10.18635/2071-2219-2020-2-20-25. EDN: YUCPDM.

5. Валеев Г.С., Дзюба М.А., Валеев Р.Г. Моделирование суточных графиков нагрузок участков распределительных сетей напряжением 6–10 кВ городов и населенных пунктов в условиях ограниченного объема исходной информации // Вестник Южно-Уральского государственного университета. Серия: Энергетика. 2016. Т. 16. № 2. С. 23–29. https://doi.org/10.14529/power160203. EDN: WCZMFX.

6. Куликов А.Л., Илюшин П.В., Лоскутов А.Б., Севостьянов А.А. Выборочный контроль показателей качества электроэнергии в распределительных сетях с большой долей генерации на основе возобновляемых источников энергии // Электричество. 2022. № 7. С. 11–23. https://doi.org/10.24160/0013-5380-2022-7-11-23. EDN: TBYSOJ.

7. Fezzi C., Mosetti L. Size matters: estimation sample length and electricity price forecasting // The Energy Journal. 2020. Vol. 41. Iss. 4. Р. 231–254. https://doi.org/10.5547/01956574.41.4.cfez.

8. Goltsos T. E., Syntetos A. A., Van der Laan Е. Forecasting for remanufacturing: the effects of serialization // Journal of Operations Management. 2019. Vol. 65. Iss. 5. P. 447–467. https://doi.org/10.1002/joom.1031.

9. Grushka-Cockayne Ya., Jose V.R.R. Combining prediction intervals in the M4 competition // International Journal of Forecasting. 2020. Vol. 36. Iss. 1. P. 178–185. https://doi.org/10.1016/j.ijforecast.2019.04.015.

10. Hewamalage H., Bergmeir C., Bandara K. Recurrent neural networks for time series forecasting: current status and future directions // International Journal of Forecasting. 2021. Vol. 37. Iss. 1. P. 388–427. https://doi.org/10.1016/j.ijforecast.2020.06.008.

11. Hong T., Pinson P. Energy forecasting in the big data world // International Journal of Forecasting. 2019. Vol. 35. Iss. 4. P. 1387–1388. https://doi.org/10.1016/j.ijforecast.2019.05.004.

12. Issi F., Kaplan O. The determination of load profiles and power consumptions of home appliances // Energies. 2018. Vol. 11. Iss. 3. Р. 607. https://doi.org/10.3390/en11030607.

13. Nisha M. Demand side management for a household using resource scheduling // International CET Conference on Control, Communication, and Computing. 2018. https://doi.org/10.1109/CETIC4.2018.8530929.

14. Andrea G., Paoletti S., Vicino A. Models and techniques for electric load forecasting in the presence of demand response // IEEE Transactions on Control Systems Technology. 2014. Vol. 23. Iss. 3. Р. 1087–1097. https://doi.org/10.1109/TCST.2014.2361807.

15. Opriş I., Costinaş S., Ionescu C., Nistoran D. The household energy consumer in a smart metering environment // 9th International Symposium on Advanced Topics in Electrical Engineering (Bucharest, 7–9 May 2015). Bucharest: IEEE, 2015. Р. 43–48. https://doi.org/10.1109/ATEE.2015.7133677.

16. Kim Jangkyum, Han Jaesoeb, Kim Nakyoung, Kim Minkyung, Choi Junkyun. Analysis of power usage at household and proper energy management // International Conference on Information and Communication Technology Convergence (Jeju, 17–19 October 2018). Jeju: IEEE, 2018. Р. 450–456. https://doi.org/10.1109/ICTC.2018.8539459.

17. Senyuk M., Safaraliev M., Gulakhmadov, A., Ahyoev, J. Application of the conditional optimization method for the synthesis of the law of emergency control of a synchronous generator steam turbine operating in a complex-closed configuration power system // Mathematics. 2022. Vol. 10. Iss. 21. Р. 3979. https://doi.org/10.3390/math10213979.

18. Tavarov S.S., Sidorov A.I., Kalegina Y.V. Model and algorithm of electricity consumption management for household consumers in the republic of Tajikistan // Mathematical Modelling of Engineering Problems. 2020. Vol. 7. Iss. 4. Р. 520–526. https://doi.org/10.18280/mmep.070403.

19. Таваров С.Ш. Метод прогнозирования электропотребления бытовыми потребителями в условиях Республики Таджикистан // Вестник Южно-Уральского государственного университета. Серия: Энергетика. 2020. Т. 20. № 2. С. 28–35. https://doi.org/10.14529/power200203. EDN: HIOFYO.

20. Таваров С.Ш. Алгоритм обучения искусственной нейронной сети для факторного прогнозирования электропотребления бытового сектора // Электричество. 2022. № 3. C. 30–38. https://doi.org/10.24160/0013-5380-2022-3-30-38. EDN: MDFRLG