ПРОГНОЗИРОВАНИЕ НАГРУЗКИ НА ЭЛЕКТРОСЕТЬ КАК СПОСОБ ЭФФЕКТИВНОГО УПРАВЛЕНИЯ ПОТРЕБЛЕНИЕМ ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ

Авторы

  • Анжелика Джабраиловна Моргоева Северо-Кавказский горно-металлургический институт (Государственный технологический университет), Владикавказ (Россия) https://orcid.org/0000-0003-2949-1993
  • Ирбек Джабраилович Моргоев Северо-Кавказский горно-металлургический институт (Государственный технологический университет), Владикавказ (Россия) https://orcid.org/0000-0003-4390-5662
  • Роман Владимирович Клюев Московский политехнический университет им. П.Л. Капицы, Москва (Россия) https://orcid.org/0000-0003-3777-7203
  • Василий Иванович Ляшенко ГП "УкрНИПИИпромтехнологии", Желтые воды (Украина) https://orcid.org/0000-0001-8361-4179

Ключевые слова:

энергосбережение, прогнозирование, моделирование, регрессия, корреляция, машинное обучение, нагрузка на электросеть

Аннотация

В настоящее время стремительно развиваются системы управления энергопотреблением (EMS System – Energy management system), позволяющие снизить финансовые издержки предприятий за электрическую энергию. Такое снижение издержек достигается благодаря оптимальному управлению системой электроснабжения предприятия. В данной работе представлены результаты интеллектуального анализа данных потребления электрической энергии на примере офисного здания, расположенного в городе Москве. Это здание имеет четыре ввода для электрической энергии, на каждом из которых имеется цифровой прибор учета потребления, фиксирующий показания каждые 30 минут в автоматизированной системе коммерческого учета электроэнергии. Кроме того, в рассматриваемом объекте установлена система накопления электрической энергии, для формирования оптимальных управляющих воздействий на которую требуется выполнение качественного прогнозирования электрической нагрузки. Это позволит задействовать промышленные накопители электрической энергии в нужные периоды времени для снижения потребляемой из сети электрической энергии в часы пиковой нагрузки (при использовании двухставочного тарифа) или в пиковой зоне суток (при использовании дифференцированного тарифа на электрическую энергию). В процессе исследования была выполнена предобработка исходных данных и дополнение их признаками из внешних источников: погодными данными, производственным календарем. Для оценки важности признаков была построена матрица корреляций, в результате анализа которой была выявлена необходимость удаления некоторых факторов из модели как малозначимых для целевой переменной. Кроме того, анализ матрицы корреляций подтвердил отсутствие интеркорреляции. Для оценки качества моделей был выбран набор основных статистических показателей точности прогноза, на основании которых был проведен сравнительный анализ качества прогноза разработанных моделей. Итогом исследования стал выбор модели машинного обучения, основанной на модели регрессии экстремального градиентного бустинга (XGBRegressor) и позволяющей получать наиболее достоверный прогноз нагрузки на электросеть здания. Исследование выполнено по данным нагрузки электроэнергии на офисное здание, однако результаты исследования могут быть адаптированы и для других объектов.

Биографии авторов

Анжелика Джабраиловна Моргоева, Северо-Кавказский горно-металлургический институт (Государственный технологический университет), Владикавказ (Россия)

Аспирант кафедры информационных технологий и систем

Ирбек Джабраилович Моргоев, Северо-Кавказский горно-металлургический институт (Государственный технологический университет), Владикавказ (Россия)

Аспирант кафедры информационных технологий и систем

Роман Владимирович Клюев, Московский политехнический университет им. П.Л. Капицы, Москва (Россия)

Доктор технических наук, профессор кафедры техники низких температур

Василий Иванович Ляшенко, ГП "УкрНИПИИпромтехнологии", Желтые воды (Украина)

Кандидат технических наук, старший научный сотрудник, начальник отдела

Библиографические ссылки

Gale Boyd E. Mark Curtis, Su Zhang. Impact of Strategic Energy Management Practices on Energy Efficiency: Evidence from Plant-Level Data. Summer Study on Energy Efficiency in Industry 2021. P. 0023123.

Паламарчук А.Г. Анализ современного состояния энергосбережения в российской промышленности // Научные труды Вольного экономического общества России, 2020. С. 270–282. / Palamarchuk A.G. Analysis of the current state of energy saving in the Russian industry. Scientific works of the Free Economic Society of Russia, 2020. P. 270-282.

Попадько Н.В., Найденова В.М. Энергосбережение и повышение эффективности как вектор развития мирового энергетического комплекса // Инновации и инвестиции № 5, 2020. С. 91–95. / Popadko N.V., Naidenova V.M. Energy conservation and efficiency improvement as a vector of development of the world energy complex. Innovations and Investments. № 5, 2020. P. 91–95.

Исламова В.М., Мустафин Т.Р., Кантемиров И.Ф. Комплексный подход к использованию вторичных энергоресурсов на компрессорной станции // Транспорт и хранение нефтепродуктов и углеводородного сырья, 2020. С. 27–31. / Islamov, V.M., Mustafin T.R., Kantemirov I.F. A comprehensive approach to the use of secondary energy resources at compressor stations. Transport and storage of petroleum products and hydrocarbons, 2020. P. 27–31.

Жаворонкова Н.Г., Шпаковский Ю.Г. Энергетическая стратегия 2035: правовые проблемы инновационного развития и экологической безопасности // Вестник Университета имени О.Е. Кутафина, 2020. С. 31–47. / Zhavoronkova N.G., Shpakovskiy Yu.G. Energy strategy 2035: legal problems of innovative development and environmental security. Bulletin of the O.E. Kutafin University, 2020. P. 31–47.

Фаустова И.Л. Опыт эффективного управления энергосбережением в промышленности развитых стран // Экономический анализ: теория и практика, 2010. С. 59–64. / Faustova I.L. Experience of effective energy conservation management in the industry of developed countries. Economic Analysis: Theory and Practice, 2010. P. 59–64.

Соколов А.А. Методы поддержки принятия решений в системах обеспечения энергетическими ресурсами на машиностроительных предприятиях. Автореферат диссертации, Волгоград. 2019. 20 с. / Sokolov A.A. Methods of decision support in energy resources supply systems at machine-building enterprises. Abstract of dissertation, Volgograd. 2019. 20 p.

Мартынюк М.В. Модели и алгоритмы интеллектуального управления параметрами регулирующих устройств в цифровых электросетях. Автореферат диссертации, Нижний Новгород, 2019. 23 с. / Martynyuk M.V. Models and algorithms of intelligent control of parameters of regulating devices in digital electrical networks. Abstract of dissertation, Nizhny Novgorod, 2019. 23 p.

Зарипова В.М., Квасова В.О., Петрова И.Ю. Децентрализованный рынок электроэнергии – новые требования к цифровизации бизнес-процессов // Инженерно-строительный вестник Прикаспия, 2020. С. 98–104. / Zaripova V.M., Kvasova V.O., Petrova I.Yu. Decentralized electricity market – new requirements for digitalization of business processes. Engineering and Construction Bulletin of the Caspian Sea, 2020. P. 98–104.

Клюев Р.В., Гаврина О.А., Хетагуров В.Н., Зассеев С.Г., Умиров Б.З. Прогнозирование удельного потребления электроэнергии обогатительной фабрики // Горный информационно-аналитический бюллетень (научно-технический журнал), 2020. №11-1. С. 135–145. / Klyuev V.R., Gavrila O.A., Khetagurov V.N., Zaseev S.G., B.Z. Umirov Prediction of specific consumption of electric energy concentrator. Mining informational and analytical Bulletin (scientific and technical journal), 2020. № 11-1. P. 135–145.

Adel Naji, Badr Al Tarhuni, Jun-Ki Choi, Salahaldin Alshatshati, Seraj Ajena. Toward cost-effective residential energy reduction and community impacts: A data-based machine learning approach // Energy and AI. 2021. Vol. 4. P. 37–55.

Shintaro Ikeda, TatsuoNagai. A novel optimization method combining metaheuristics and machine learning for daily optimal operations in building energy and storage systems // Applied Energy. 2021. Vol. 289. P. 67–82.

Cheng Zhoua, Xiyang Chen. Predicting China’s energy consumption: Combining machine learning with three-layer decomposition approach // Energy Reports. 2021. Vol. 7. P. 5086–5099.

Wenqiang Jing, Junqi Yu, Wei Luo, Chujun Li, XinYi Liu. Energy-saving diagnosis model of central air-conditioning refrigeration system in large shopping mall // Energy Reports. 2021. Vol. 7. P. 4035–4046.

Dominik Flick, Claudio Keck, Christoph Herrmann, Sebastian Thiede. Machine learning based analysis of factory energy load curves with focus on transition times for anomaly detection // Procedia CIRP. 2020. Vol. 93. P. 461–466.

Опубликован

13-07-2023

Как цитировать

Моргоева, А. Д., Моргоев, И. Д., Клюев, Р. В., & Ляшенко, В. И. (2023). ПРОГНОЗИРОВАНИЕ НАГРУЗКИ НА ЭЛЕКТРОСЕТЬ КАК СПОСОБ ЭФФЕКТИВНОГО УПРАВЛЕНИЯ ПОТРЕБЛЕНИЕМ ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ. Вести высших учебных заведений Черноземья, 17(4), 39–51. извлечено от https://vestivuzov.ru/index.php/journal/article/view/78

Выпуск

Раздел

ЭЛЕКТРОЭНЕРГЕТИКА