Эффективность мероприятий по управлению электропотреблением, качество планирования и экономичность режимов работы энергосистемы определяются достоверностью составления прогноза. Повышение точности прогноза электропотребления способствует как экономии энергоресурсов, так и увеличению эффективности работы и соответственно прибыли в электросетевых предприятиях. Прогнозирование электропотребления представляет собой сложный многоэтапный процесс, результаты которого могут использоваться для формирования рациональной стратегии развития энергетики как страны в целом, так и отдельных ее субъектов в частности. Отклонение фактического графика от планового в большую или меньшую сторону приводит к дополнительным затратам на выкуп недостающих объемов электроэнергии. В результате этого энергосбытовая компания несет финансовые потери на оптовом рынке электроэнергии, что негативно сказывается на экономической эффективности компании [1].
Цель исследования – проведение сравнительного анализа традиционных методов прогнозирования и методов искусственного интеллекта годового приема электрической энергии на ошибку отклонения прогноза на основе принципов создания перспективного планирования энергосистемы, а также прогнозирование электрической нагрузки для ряда подстанций.
В исследовании анализировались следующие методы и модели: сезонная декомпозиция временного ряда, построение мультипликативной модели с последующей сезонной корректировкой, модель ARIMA (авторегрессия и проинтегрированного скользящего среднего), различные модели искусственных нейронных сетей (RFB, линейная, MLP). Для составления модели прогнозирования выбран программный продукт MATLAB, в состав которого входит модуль Neural Network Toolbox, позволяющий работать с ИНС. Для оценки показателей ИНС использовалась программа Statistica.
В рамках проведенного исследования было принято решение для прогнозирования электропотребления использовать статистику потребления за предыдущие периоды, а также температурные и погодные факторы на день составления прогноза. Проведенные исследования по системам прогнозирования для ряда предприятий минерально-сырьевого комплекса в целях управления и прогнозирования режимов электропотребления [2, 3, 4]; исследование краткосрочного прогнозирования для газотранспортных предприятий в работе [5] пока зало, что для различного интервала прогнозирования (оперативный, кратко-, средне- и долгосрочный) необходимо иметь различную обучающую выборку. При создании моделей использованы данные об электропотреблении за пять последних лет, в период с 2006 по 2011 г. включительно [6, 7]. На данном этапе исследования была составлена база данных по метеоусловиям: температуре окружающей среды, освещенности, а также был включен дополнительный параметр, учитывающий «статус дня» (рабочий или выходной день). Дополнительно проведен опрос экспертов-энергетиков, по которому была составлена таблица факторов, влияющих на электропотребление.