Анализ основных методов построения графика базовой нагрузки при управлении спросом

Page 1

Page 2

ЭНЕРГОСНАБЖЕНИЕ

Анализ основных методов
построения графика базовой
нагрузки при управлении спросом

УДК 620.9:621.311

Рис

. 1.

Механизм

управления

спросом

[2]

Пик нагрузки

Смещение нагрузки

Профиль

нагрузки

Оптимальная нагрузка

Поддубный

студент 2 курса магистратуры

Сколковского института

науки и технологий (Центр

энергетических систем)

Акимов

к.т.н., ведущий эксперт

Управления цифровых

технологий и IT-решений

Департамента технического

развития и инноваций

АО «Федеральный

испытательный центр»

Юдина

руководитель отдела торговых

операций на оптовом рынке

АО «АтомЭнергоСбыт»

Николаев

директор по оптовому рынку

АО «АтомЭнергоСбыт»

Ключевые

слова

управление спросом, график

базовой нагрузки, оценка

снижения нагрузки

статье

рассмотрены

проанализированы

различные

методы

построения

графика

базовой

нагрузки

при

управлении

спросом

на

примере

реальных

потребителей

участвующих

данной

программе

Определены

лучшие

методы

как

для

отдельных

потребителей

так

среднем

для

всех

рассмотренных

июля 2019 года в России в соответствии с [1] реализуется

пилотный проект по управлению спросом на розничном рын-

ке электроэнергии. Суть управления спросом (англ. Demand

Response, DR) заключается в снижении нагрузки потребите-

лями в часы, задаваемые Системным оператором, за вознаграждение

(рисунок 1).

Участвовать в данном механизме может любой потребитель с доста-

точно предсказуемым графиком нагрузки при наличии почасового при-

бора учета. Таким образом, выгоду получают как потребители, участву-

ющие в данной программе, так и энергосистема за счет уменьшения

спотовых цен оптового рынка вследствие снижения спроса на электри-

ческую энергию в пиковые часы. При этом взаимодействие Системного

оператора с конечными потребителями осуществляется через профес-

сиональные компании — агрегаторов управления спросом, в роли кото-

рых зачастую выступают энергосбытовые компании и гарантирующие

поставщики, обладающие компетенциями как в работе оптового рынка,

так и во взаимоотношениях с потребителями на розничных рынках.

Системный оператор накануне наступления события управления

спросом оповещает агрегаторов, а те, в свою очередь, потребителей,

о необходимости выполнения заявленного снижения нагрузки на сле-

дующий день в требуемые часы. Одним из важных аспектов при этом

является подтверждение исполнения обязательств по снижению по-

требления объекта управления. Сложность заключается в том, что

график энергопотребления потребителя в общем виде не является

постоянным, и требуется отличить действительное выполнение им

снижения энергопотребления от происходящих колебаний. Таким об-

разом, следует максимально точно спрогнозировать энергопотребле-

ние потребителя в дни управления спросом — разница между ожи-

даемым графиком нагрузки и реальным в часы управления спросом

и будет являться мерой, по которой можно ска-

зать, произошло ли снижение потребления в до-

статочном объеме.

В настоящее время в соответствии с [3] объем

снижения нагрузки определяется одним из трех ме-

тодов:

– «График базовой нагрузки»;

– «Максимальная базовая нагрузка»;

– «Заявленный график нагрузки».

Два последних метода используются редко,

основным методом является «График базовой на-

грузки». Суть его заключается в прогнозировании

графика нагрузки потребителя в дни управления

спросом на основании статистических данных о по-

треблении за предыдущие дни. Объем снижения

Page 3

потреб ления считается при этом

как разность между ГБН и гра-

фиком реальной нагрузки (ри-

сунок 2). В случае выполнения

снижения заявленного объема

потребитель получает возна-

граждение, в случае невыпол-

нения — не получает (при этом

в настоящее время обсуждаются

варианты введения штрафов за

невыполнение команд).

График базовой нагрузки

в настоящее время строится

следующим образом [3]:

1. Выбираются последние 10 ра-

бочих дней из прошедших

45 календарных дней, предшествующих событию

управления спросом. При этом в построение гра-

фика не включаются:

– дни, в которые происходили события управле-

ния спросом;

– дни, заявленные потребителем как нехарак-

терные;

– дни, в отношении которых отсутствуют данные

коммерческого учета;

– дни, в отношении которых была заявлена

неготовность энергопринимающего объекта

к оказанию услуг.

2. Потребление в каждый час дня управления спро-

сом прогнозируется как среднее арифметическое

потребление за выбранные 10 дней в тот же час:



= 1

/ 10,

(1)

где

— значение базовой нагрузки в час

;

—

потребление электроэнергии в час

в день

;

—

порядковый номер часа в день

, принимает зна-

чения от 1 до 24;

— день из совокупности дней,

входящих в окно построения ГБН.

То есть, например, по методу «График базовой

нагрузки» энергопотребление с 14:00 до 15:00 30 но-

ября 2020 года (в случае если этот день будет со-

держать событие управления спросом) в общем слу-

чае будет считаться как среднее арифметическое

значений энергопотребления с 14:00 до 15:00 с 16

по 20 и с 23 по 27 ноября 2020 года включительно,

в случае если эти дни не являются днями событий

управления спросом, днями неготовности к оказа-

нию услуг или днями с нетипичным по треб ле нием.

Данный метод еще называют методом базовой

нагрузки «10 из 10», поскольку из 10 предыдущих

дней, входящих в окно построения графика, выби-

раются для расчета среднего арифметического все

10. Преимуществом данного метода является его

простота, как с точки зрения расчета, так и с точки

зрения понимания.

При использовании данного метода может быть

использована подстройка. Предусмотрены следую-

щие варианты подстройки графика базовой нагрузки:

1) подстройка не осуществляется;

2) подстройка осуществляется для графиков базо-

вой нагрузки, рассчитанных для дней, которым

предшествовал рабочий день;

3) подстройка осуществляется для всех графиков

базовой нагрузки.

Выбор варианта подстройки осуществляется при

проверке возможности применения метода графика

базовой нагрузки для определения объема сниже-

ния потребления энергопринимающего объекта. При

этом если подстройка используется, она рассчиты-

вается следующим образом:

adj

= b

(2)

где

adj

— значение базовой нагрузки в час

с уче-

том подстройки;

— величина подстройки.

Величина подстройки определяется как среднее

арифметическое величин разности между потреб-

лением электроэнергии в каждый час периода

с 15:00 до 17:00 (16-й и 17-й часы) для первой це-

новой зоны или с 11:00 до 13:00 (12-й и 13-й часы)

для второй ценовой зоны рабочего дня

– 1, пред-

шествующего расчетному дню

, определенным

по данным коммерческого учета электроэнергии,

и графиком базовой нагрузки за тот же день и пе-

риод [3]:



= 16

(

– 1)

–

(

– 1)

) / 2.

(3)

При этом значение базовой нагрузки с учетом под-

стройки за каждый час не должно быть меньше 0,8

от значения базовой нагрузки без подстройки и не

должно превышать 1,2 значения базовой нагрузки

без подстройки. Если

adj

< 0,8 ·

, то

adj

0,8 ·

;

если

adj

> 1,2 ·

, то

adj

1,2 ·

Таким образом, подстройка служит механизмом

адаптации графика базовой нагрузки к возможным

изменениям потребления в день, наиболее близкий

к событию управления спросом (придание в построе-

нии ГБН большего удельного веса дню, предшеству-

ющему событию управления спросом), однако имеет

и свои недостатки:

1) использование только значений одного предше-

ствующего дня;

2) использование значений только двух часов, вы-

бор которых неочевиден;

3) ограничение подстройки 20% размером;

4) определение выбора варианта подстройки осу-

ществляется на основании сравнительного ана-

лиза, производимого на значениях предыдущего

расчетного периода.

Рис

. 2.

Оценка

снижения

нагрузки

методом

График

базовой

нагрузки

» [4]

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Время, ч

ГБН

Факт

№

1 (64) 2021

Page 4

В то же время метод построения графика ба-

зовой нагрузки подходит не всем: у потребителей

с волатильным графиком нагрузки невозможно по-

строить достоверный базовый график. От точности

построения графика базовой нагрузки зависит кор-

ректность фиксации фактически произведенного

снижения потребления, поэтому для построения

графика базовой нагрузки учитывают типовые гра-

фики фактического потребления за статистически

значимый период, а также используют приведен-

ные выше методы подстройки.

В мировой практике для построения графика ба-

зовой нагрузки используются и иные методы [5]:

– иные методы

, кроме 10/10, где

число дней

с наибольшей средней нагрузкой;

– метод среднего арифметического взвешенного;

– метод похожего дня.

Очевидно, для построения графика базовой на-

грузки также можно использовать любые методы

и библиотеки, выполняющие прогнозирование вре-

менных рядов. Большой популярностью в последнее

время пользуются модели машинного обучения (гра-

диентный бустинг, случайный лес и др.), однако при-

менимы также модели авторегрессии — скользящего

среднего (ARIMA, SARIMA или SARIMAX) и др.

Учитывая новизну механизма управления спро-

сом на российском рынке, как минимум на первых

порах, следует отдавать предпочтение более про-

стым интуитивно понятным моделям для привлече-

ния наибольшего числа участников.

В данной работе на примере ряда реальных потре-

бителей, участвующих в настоящее время в управле-

нии спросом, произведена оценка эффективности

методов

из

, а также метода среднего арифметиче-

ского взвешенного.

Были рассмотрены следующие потребители:

1) отель;

2) кирпичный завод;

3) завод пластиковых панелей;

4) предприятие по выращиванию грибов;

5) животноводческий комплекс;

6) нефтяная компания;

7) теплоснабжающая организация.

Пример построения ГБН для отеля некоторыми

методами представлен на рисунке 3.

Различие методов видно по графикам располо-

жения кривых. Так как в данной работе исследуются

методы

максимальных дней из

, то чем меньше

тем график располагается выше, при этом его форма

практически не меняется.

Для оценки точности построения ГБН использу-

ются следующие понятия [3]:

– абсолютное отклонение (absolute error) графика

базовой нагрузки от потребления электроэнергии

по данным коммерческого учета электроэнергии

за каждый час:

= c

–

;

(4)

– средний квадрат отклонения (mean squared error)

графика базовой нагрузки от потребления

электроэнергии по данным коммерческого учета

электроэнергии для совокупности рассматривае-

мых часов:

MSE =



= 1

;

(5)

– среднеквадратическое отклонение (root mean

squared error) графика базовой нагрузки от по -

треб ления электроэнергии для совокупности рас-

сматриваемых часов:

RMSE =

√

MSE

;

(6)

– среднее часовое потребление электроэнергии по

данным коммерческого учета электроэнергии для

совокупности рассматриваемых часов:



= 1

;

(7)

– относительное среднеквадратическое отклоне-

ние (relative root mean squared error) графика

базовой нагрузки от потребления электроэнергии

для совокупности рассматриваемых часов:

RRMSE = RMSE

(8)

На рисунке 4 показано распределение точности

(RMSE — англ. root mean square error, среднеква-

дратическая ошибка модели) для различных комби-

Рис

. 3.

ГБН

методами

4/10, 5/10, 10/10

Время, ч

По

тре

бление, кВ

т·ч

500

400

300

200

100

ГБН 4 из 10
ГБН 5 из 10
ГБН 10 из 10
Реальная нагрузка

Рис

. 4. RMSE

для

теплоснабжающей

организации

уменьшение

значения

от

лилового

синему

ЭНЕРГОСНАБЖЕНИЕ

Page 5

наций метода

из

для теплоснабжающей органи-

зации.

Для этого случая результат получился наибо-

лее отличным от типового построения ГБН и луч-

шим методом оказался метод построения по окну

из 3 ближайших обычных рабочих дней. Подобный

результат может свидетельствовать о наличии не-

коего тренда в потреблении, который значительно

искажает результат при выборе большего окна.

Для остальных рассматриваемых потребителей

получены следующие результаты (таблица 1). По-

скольку требовалось сопоставление результатов для

различных потребителей, то в отличие от предыду-

щего расчета использовалась оценка относительно-

го среднеквадратического отклонения (RRMSE).

Полученные результаты можно представить на

графике рисунка 5, где показана точность различных

методов относительно существующего метода 10/10

Табл. 1. Точность различных методов построения базовой нагрузки

для различных потребителей

Потребитель

Методы

RRMSE

Отель

Существующий метод

10/10

0,051

Лучший метод без подстройки

10/10

0,051

Лучший метод с подстройкой по предыдущему дню

8/8

0,062

Лучший метод с подстройкой без понедельников

7/10

0,056

Кирпичный

завод

Существующий метод

10/10

0,45

Лучший метод без подстройки

4/5

0,412

Лучший метод с подстройкой по предыдущему дню

5/6

0,444

Лучший метод с подстройкой без понедельников

4/5

0,449

Завод

пластиковых

панелей

Существующий метод

10/10

0,117

Лучший метод без подстройки

5/5

0,117

Лучший метод с подстройкой по предыдущему дню

7/9

0,115

Лучший метод с подстройкой без понедельников

7/10

0,108

Предприятие по

выращива нию

грибов

Существующий метод

10/10

0,062

Лучший метод без подстройки

6/6

0,059

Лучший метод с подстройкой по предыдущему дню

10/10

0,071

Лучший метод с подстройкой без понедельников

10/10

0,073

Животно водческий

комплекс

Существующий метод

10/10

0,183

Лучший метод без подстройки

1/1

0,162

Лучший метод с подстройкой по предыдущему дню

1/1

0,202

Лучший метод с подстройкой без понедельников

6/6

0,223

Нефтяная

компания

Существующий метод

10/10

0,120

Лучший метод без подстройки

6/6

0,115

Лучший метод с подстройкой по предыдущему дню

8/9

0,142

Лучший метод с подстройкой без понедельников

5/6

0,146

Тепло снаб жающая

организация

Существующий метод

10/10

0,138

Лучший метод без подстройки

3/3

0,103

Лучший метод с подстройкой по предыдущему дню

4/4

0,110

Лучший метод с подстройкой без понедельников

3/3

0,111

Все

рассматриваемые

потребители

одновременно

Существующий метод

10/10

0,163

Лучший метод без подстройки

4/4

0,149

Лучший метод с подстройкой по предыдущему дню

5/6

0,168

Лучший метод с подстройкой без понедельников

5/6

0,171

№

1 (64) 2021

Page 6

0,05

0,04

0,03

0,02

0,01

-0,01

-0,02

-0,03

-0,04

-0,05

Табл. 2. Точность взвешенного

метода 10/10 для различных потребителей

Потребитель

RRMSE

Отель

0,053

Кирпичный завод

0,404

Завод пластиковых панелей

0,115

Предприятие по выращиванию грибов

0,056

Животноводческий комплекс

0,156

Нефтяная компания

0,115

Теплоснабжающая организация

0,114

(чем больше значение относительно нуля, тем выше

точность и тем ниже RRMSE).

Как видно из графика, для большинства рассма-

триваемых потребителей наиболее точным является

метод

из

без подстройки (с индивидуально подо-

бранными оптимальными

Принимая во внимание возможность перехода

предприятием на другой режим работы, например,

при изменении плановых часов пиковой нагрузки,

в которые производится измерение мощности для

ее оплаты, и, как следствие, возможной оптими-

зации профиля потребления под новые условия,

можно предположить, что в окно построения ГБН из

10 дней могут попасть дни, соответствующие раз-

ным режимам. Это означает, что имеет смысл мо-

дифицировать метод 10/10 с целью придания боль-

шего веса более релевантным ближайшим дням.

С этой целью для вычисления величины потреб-

ления в каждый час ГБН можно использовать не

арифметическое, а взвешенное среднее. Резуль-

таты для простого варианта метода с взвешенным

средним, где в качестве весов принята последова-

тельность от 0,1 до 1 с шагом 0,1, означающая, что

чем хронологически ближе день, тем больше вес,

представлены в таблице 2.

Как видно из таблицы, результаты стали луч-

ше по сравнению с существующим методом 10/10

в большинстве случаев (особенно в случае с жи-

вотноводческим комплексом, что можно объяснить

тем, что в профиле потребления этого предприятия

есть несколько резких изменений режима работы).

При этом не производился дополнительный подбор

весов и количества рассматриваемых для анализа

дней (

из

), что тем более указывает на высокий

потенциал использования метода с вычислением

взвешенного среднего вместо арифметического

среднего.

Помимо вышеупомянутых простых методов су-

ществуют также различные модели предсказания

временных рядов. В случае наличия ровного про-

филя потребления с незначительными отклонени-

ями их использование нецелесообразно, так как

усред нение позволяет осуществить построение

ГБН с такой же точностью, при этом значительно

превосходя более сложные методы в плане про-

стоты и доступности. Однако при наличии боль-

ших флуктуаций, изменчивого тренда, который

не удается учесть с помощью подстройки, имеет

смысл использовать такие методы, как специали-

зированные модели временных рядов или машин-

ное обучение.

Для проверки эффективности методов машинно-

го обучения было проведено тестирование на при-

Существующий метод 10/10

Лучший метод без подстройки

Лучший метод с подстройкой по предыдущему дню

Лучший метод с подстройкой без понедельников

Рис

. 5.

Точность

различных

методов

построения

базовой

нагрузки

для

различных

потребителей

относительно

существующего

метода

10/10: 1 —

отель

; 2 —

кирпичный

завод

.; 8 —

все

рассматриваемые

потребители

одновременно

ЭНЕРГОСНАБЖЕНИЕ

Page 7

мере с кирпичным заводом, так как именно у этого

предприятия величина RRMSE превышает допусти-

мую (0,2) для участия в DR. Для построения ГБН

использовалась модель Random Forest (Случайный

лес). Входными данными для тренировки модели

машинного обучения с учителем модели является

пара: наборы признаков и соответствующие им ве-

личины. В качестве признаков были сгенерированы

значения потребления в предсказываемый час суток

для каждого из 7 дней перед днем построения ГБН,

также признаками являлись порядковый номер часа

в сутках и день недели. В качестве критерия оценки

использовался параметр RMSE, так как в предска-

зании с использованием машинного обучения отсут-

ствует понятие десятидневного окна, по которому

можно определить базу для расчета RRMSE. Вычис-

ление этого параметра осуществлялось при помощи

кросс-валидации для временных рядов. Ее отличие

от обычной кросс-валидации заключается в том, что

в качестве тренировочных и валидационных наборов

данных каждый раз используются только последова-

тельные элементы, а не случайно взятые из выбор-

ки. Для нахождения наилучших гиперпараметров мо-

дели, таких как максимальная глубина и количество

используемых деревьев решений, был использован

метод полного перебора. С помощью реализован-

ного метода Random Forest для кирпичного завода

результат RMSE составил 38,7, что лучше метода

10/10, где то же значение составляло 45,1. Исходя

из полученного результата, можно сказать, что для

моделирования профиля потребления в сложных

случаях имеет смысл использовать методы машин-

ного обучения, так как данные могут иметь скрытые

сезонные зависимости и тренды, которые нельзя

выявить методом среднего арифметического за не-

сколько предыдущих дней.

ВЫВОДЫ

1. Как можно увидеть из результатов, далеко не всег-

да наиболее точным является принятый на дан-

ный момент метод определения ГБН как среднее

потребление в те же часы за предыдущие 10 ра-

бочих дней. И хотя отличие в значении параметра

RRMSE для большинства объектов невелико, для

некоторых оно является значительным и могло

бы быть причиной пересмотра методики постро-

ения в пользу более точного.

2. Наличие трендов в потреблении, зашумленность

профиля непредсказуемыми процессами потреб-

ления энергии, а также возможность попадания

в окно построения дней, соответствующих фор-

мальным требованиям, но в реальности не явля-

ющихся показательными, ведет к необходимости

балансировать между большим и меньшим окном

и между большей и меньшей фильтрацией дней

из окна при усреднении. Подбор метода не явля-

ется трудоемкой задачей и может быть автомати-

зирован и интуитивно понятен, что облегчает вне-

дрение такого подбора на практике, а это, в свою

очередь, значительно увеличивает количество

возможных участников программы управления

спросом.

3. Также возможно дальнейшее исследование

в области использования методов машинного

обучения для предсказания профиля потребле-

ния. Как показали расчеты, их точность в некото-

рых случаях может быть выше точности методов

усреднения. Объекты с волатильным профилем

потребления могут получить доступ к программе

управления спросом в случае улучшения мето-

дов предсказания ГБН, что позволит более эф-

фективно реализовать потенциал управления

спросом в России.

ЛИТЕРАТУРА
1. Постановление Правительства РФ

от 20 марта 2019 г. № 287. URL:

https://www.garant.ru/products/ipo/

prime/doc/72105008/.

2. Непомнящий В. Применение тех-

нологии управления спросом на

электроэнергию. URL: http://di gi-

tal substation.com/blog/2019/11/07/

primenenie-tehnologii-upravleniya-

sprosom-na-elektroenergiyu/.

3. Проект типовой формы догово-

ра оказания услуг по управлению

спросом на IV квартал 2020 г. URL:

https://so-ups.ru/fileadmin/files/

company/markets/dr/docs/standart_

contract_dr_2020-IV.rtf.

4. Ишкова Е.М. Оказание услуг по

управлению спросом в 4 кварта-

ле 2020 года. Изменения в до-

говоре оказания услуг. Матери-

алы совещания в АО «СО ЕЭС»

19.08.2020. URL: https://so-ups.ru/

fileadmin/files/company/markets/

dr/present/2020/present_190820_

ishkova_change_kontrakt.pdf.

5. The Demand Response Baseline.

Enernoc. URL: https://library.cee1.

org/sites/default/ﬁ les/library/10774/

CEE_EvalDRBaseline_2011.pdf

REFERENCES
1. RF Government decree dated March,

20, 2019 no. 287. URL: https://

www.garant.ru/products/ipo/prime/

doc/72105008/.

2. Nepomnyashchiy V. Application of

the energy demand control technol-

ogy. URL: http://di gi tal substation.

com/blog/2019/11/07/primenenie-

tehnologii-upravleniya-sprosom-na-

elektroenergiyu/.

3. Draft of demand control service

agreement for quarter IV, 2020. URL:

https://so-ups.ru/ﬁ leadmin/ﬁ les/com-

pany/markets/dr/docs/standart_con-

tract_dr_2020-IV.rtf.

4. Ishkova E.M. Delivery of demand

control services in quarter IV, 2020.

Amendments to the service agree-

ment. Proceedings of the meeting

in SO UPS, JSC dated August, 19,

2020. URL: https://so-ups.ru/ﬁ lead-

min/ﬁ les/company/markets/dr/pres-

ent/2020/present_190820_ishkova_

change_kontrakt.pdf.

5. The Demand Response Baseline.

Enernoc. URL: https://library.cee1.

org/sites/default/ﬁ les/library/10774/

CEE_EvalDRBaseline_2011.pdf

№

1 (64) 2021

Оригинал статьи: Анализ основных методов построения графика базовой нагрузки при управлении спросом

Ключевые слова: управление спросом, график базовой нагрузки, оценка снижения нагрузки

Читать онлайн

В статье рассмотрены и проанализированы различные методы построения графика базовой нагрузки при управлении спросом на примере реальных потребителей, участвующих в данной программе. Определены лучшие методы как для отдельных потребителей, так и в среднем для всех рассмотренных.