Прогнозирование графика электрической нагрузки

Крупное производственное предприятие со среднечасовым потреблением 34,6 МВт*ч характеризуется сложным, вариативным профилем нагрузки в дневные часы, что обусловлено спецификой технологического цикла. При этом сменный график работы определяет снижение потребления в ночные часы.

В течение месяца потребление электроэнергии изменяется в зависимости от загруженности предприятия без резкого влияния выходных и праздничных дней.

Исторически предприятие формировало прогнозы электропотребления на основе экспертных оценок, учитывающих производственные планы и операционные факторы, без применения специализированных аналитических инструментов. Средняя точность таких прогнозов составляла в будние дни 11,4%. Несмотря на то, что данный показатель для этого вида производства считается приемлемым, любые отклонения фактического потребления от плана напрямую негативно влияют на конечную стоимость электроэнергии.

Первичные издержки от неточного прогноза связаны с оплатой отклонений потребления по разнице цен РСВ-БР: превышения факта над прогнозом докупаются на балансирующем рынке (БР) по наиболее высокой цене, отклонения вниз от прогноза, оплаченные на рынке на сутки вперёд (РСВ), компенсируются по наименьшей цене. Кроме того, каждое отклонение приводит к оплате доли стоимостного небаланса БР, составляющего существенную величину в сравнении с обычной разницей цен РСВ-БР.

^{Рисунок 2. Фактический суточный график потребления и прогноз компании}

Для оптимизации прогнозов был задействован специализированный программный комплекс «Энергоаналитика». В систему загрузили детализированные исторические данные по часовому потреблению предприятия за трёхлетний период, а также географические координаты объекта. На основе этого значительного массива данных была подготовлена машинно-обучаемая (ML) модель.

Результатом её применения стал прогнозный график, который, сохранив общие закономерности, характерные для ручного плана (дневные пики и ночные спады), демонстрирует значительно большее соответствие реальной картине потребления.

^{Рисунок 3. Прогноз потребления э/э компании и прогноз «Энергоаналитики»}

Средняя точность прогнозирования в будние дни после внедрения ML-модели возросла до 5%, что является высоким результатом для объекта с изменчивым профилем нагрузки.

^{Рисунок 4. Фактический суточный график потребления и прогноз «Энергоаналитики»}

^{Рисунок 5. Фактические ценовые показатели РСВ и БР в суточном разрезе}

На диаграмме представлены почасовые цены РСВ и БР, определяющие стоимость отклонений факта от прогноза в рассматриваемые сутки. Дополнительно, в данном месяце удельная величина стоимостного небаланса БР составила 305 руб/МВтч.

^{Рисунок 6. Стоимость покупки электроэнергии при использовании прогнозов компании и «Энергоаналитики»}

Конечная стоимость электроэнергии за сутки рассчитывается исходя из фактического потребления, с учетом отклонения от плана при подаче заявки на РСВ.

где С_ээ – стоимость купли-продажи электроэнергии на РСВ и БР за сутки;

Р_{пл i} – заданное по прогнозу плановое значение графика потребления в i-м часе суток (значение торгового графика);

Ц_{рсв i} – цена РСВ в i-м часе суток;

ΔР_i = Р_{ф i} - Р_{пл i} – отклонение фактической нагрузки в i-м часе суток от плановой;

Ц_{рсв/бр i} – расчётная цена для отклонения в i-м часе суток; Ц_{рсв/бр i} = max(Ц_{рсв i}; Ц_{бр i}) при ΔР_i > 0 и Ц_{рсв/бр i} = min(Ц_{рсв i}; Ц_{бр i}) при ΔР_i < 0;

Ц_{нб бр} – удельный небаланс БР в месяце m, руб/МВтч.

Расчёт стоимости электроэнергии (без учёта составляющей на мощность) за анализируемый месяц на основе приведённой формулы для плановых графиков, полученных на основе прогнозов компании и на основе прогнозов «Энергоаналитики», даёт следующие сравнительные результаты:

По традиционному прогнозу предприятия –41 457 470 руб.

По прогнозу на основе ML-модели – 40 800 074 руб.

По фактическим и прогнозным данным с учетом плановых заявок Предприятия за месяц экономия могла составить – 568 388 руб.

 
Для оценки масштабируемости решения рассчитан удельный экономический эффект от повышения точности прогноза: каждый дополнительный прирост точности на 1 МВт*ч среднечасовой нагрузки приносит предприятию дополнительную экономию порядка 335 руб.

Вывод

Данный кейс наглядно демонстрирует, что переход от экспертных оценок к прогнозированию на основе доступных данных и машинного обучения позволяет не только существенно повысить точность, но и получить значительный прямой эффект за счёт снижения затрат на покупку электроэнергии как на оптовом, так и на розничном рынке (при расчётах по ценовым категориям 5 или 6).

^{Рисунок 7. Фактический суточный график потребления и прогноз компании для выходного дня}

Фактический график потребления в выходные дни схож с графиком в будние дни с незначительным снижением потребления электроэнергии в ночные часы и ростом в дневное время суток.

^{Рисунок 8. Прогноз потребления э/э компании и прогноз «Энергоаналитики» для выходного дня}

Средняя точность прогнозирования в выходные дни после внедрения ML-модели возросла до 4,4%, что выше, чем в будние дни. При этом средний прирост точности остался неизменным.

^{Рисунок 9. Фактический суточный график потребления и прогноз «Энергоаналитики» для выходного дня}

^{Рисунок 10. Фактические ценовые показатели РСВ и БР в суточном разрезе для выходного дня}

Ценовые показатели в выходные и будние дни в данном случае оказались схожими, но при этом индекс БР в будние дни относительно цены РСВ в среднем выше на 65 руб., в выходные дни индекс БР наоборот ниже цены РСВ в среднем на 10 руб.