Электротехника №6 2007 (1320,00 руб.)

Стр.1

Прогнозирование нагрузки узлов электроэнергетической системы с использованием инверсии искусственной нейронной сети ШУМИЛОВАГ.П., ГОТМАН Н.Э., СТАРЦЕВА Т.Б. Предложено решение задачи прогнозирования уз ловых нагрузок электроэнергетической системы с ис пользованием подхода, основанного на инверсии ис кусственной нейронной сети. Такой подход позволяет по значению прогноза суммарной нагрузки определить прогнозные значения нагрузок в узлах энергосистемы. Представлены адаптивные модели оперативного и краткосрочного прогнозирования узловых нагрузок. Проведено сравнение с прогнозом по методу распреде ления нагрузки энергосистемы между узлами пропор ционально их текущим значениям. Ключевые слова: электроэнергетическая система, прогнозирование нагрузки, адаптивная мо дель Прогнозирование электрических нагрузок явля ется одной из основных областей исследования в электроэнергетике. Оно необходимо для решения практически всего спектра задач текущего плани рования и оперативного управления режимами функционирования электроэнергетической систе мы (ЭЭС). Точность прогноза нагрузок влияет на экономичность загрузки генерирующего оборудо вания и, следовательно, на стоимость электроэнер гии. Различают несколько типов нагрузки, среди них: суммарные потребления ЭЭС, узловые нагруз ки, генерация, межсистемные перетоки активной и реактивной мощности и условная нагрузка, пред ставляющая сумму потерь мощности в электриче ской сети для сохранения баланса нагрузок узлов по мощности и энергии [1]. При этом прогнозирование нагрузки проводит ся в следующих временных диапазонах: оперативном (в пределах текущих суток); краткосрочном (сутки—неделя—месяц); долгосрочном (месяц—квартал—год). В статье рассматривается оперативное (внутри часовое) и краткосрочное (суточное) прогнозиро вание нагрузки в узлах расчетной схемы. Под на грузками узлов понимается потребление активной и реактивной мощности в схеме замещения элек трической сети. Нагрузка в узле для каждого мо мента времени определяется нагрузками множества приемников электрической сети, подключенных к этому узлу ЭЭС, и потерями мощности при пере даче электроэнергии в этой сети [1]. Прогноз узловых нагрузок необходим для опти мизации предстоящих и коррекции текущих режи мов, рассмотрения оперативных диспетчерских заявок, связанных с выводом электроэнергетиче ского оборудования в ремонт, для испытаний и т.п. Существующие подходы к прогнозированию нагрузок в узлах определяются, в первую очередь, уровнем информационной обеспеченности задачи, а именно – достаточностью и достоверностью те леметрических измерений режимных параметров. В практике зарубежных ЭЭС, где имеется дос таточная ретроспективная информация о нагрузках в узлах, для их прогнозирования часто применяют ся те же алгоритмы, что и для прогнозирования суммарных нагрузок ЭЭС. Получаемая точность прогнозирования оказывается сопоставимой с точностью измерения нагрузок подстанций и яв ляется вполне достаточной при планировании режимов [2]. В случаях недостаточности телеизмерений ре жимных параметров информацию для расчета уз ловых нагрузок составляют результаты контроль ных измерений, осуществляемых обычно 2 раза в год (в июне и декабре каждого года) для характер ных интервалов графиков нагрузки ЭЭС. Метод определения узловых нагрузок по результатам кон трольных замеров позволяет не только получать данные об узловых нагрузках, но и достаточно дос товерно восстанавливать потокораспределение в сети ЭЭС для лета и зимы [1]. Нагрузки в энергоузлах могут быть рассчитаны на основе пропорционального распределения сум A solution to the problem of predicting nodal loads of an electric power system is proposed using an approach based on the inversion of an artificial neural network. This approach allows predicted values of loads at power system nodes to be determined from the predicted value of total load. Adaptive models for operative and longterm prediction of nodal loads are presented. The results are compared with those obtained from the prediction using the method of distributing the power system load among the nodes in proportion to their current values. Key words: electric power system, load forecasting, adaptive model, neural networks

Стр.1