1. No category

UNIVERZA V LJUBLJANI
FAKULTETA ZA ELEKTORTEHNIKO
NAPOVED PORABE V OMREŽJU
Magistrski študij
Elektroenergetika
Mentor: prof.dr. Grega Bizjak
Jan Špan
Ljubljana, 2015
Kazalo
1.
Uvod ................................................................................................................................... 3
2.
Pomembni dejavniki .......................................................................................................... 4
3.
Uporabljene matematične metode ................................................................................... 4
3.1.
Ekstrapolacijska tehnika .............................................................................................. 4
3.2.
Korelacijska tehnika .................................................................................................... 5
3.3.
Metoda najmanjših kvadratov .................................................................................... 6
4.
Metode za napoved porabe ............................................................................................... 7
4.1.
Kratkoročne metode ................................................................................................... 7
4.1.1.
4.2.
Stohastična časovna vrsta .................................................................................... 7
Srednje- in dolgoročne metode .................................................................................. 7
4.2.1.
Model po končni rabi ........................................................................................... 8
4.2.2.
Ekonometrični model ........................................................................................... 8
4.3.
Pristop podobnih dni ................................................................................................... 8
4.4.
Umetna nevronska omrežja(ANN) .............................................................................. 8
4.5.
Ekspertni sistemi ......................................................................................................... 9
4.6.
Mehka logika ............................................................................................................... 9
5.
Krajevna napoved porabe .................................................................................................. 9
5.1.
Zahteve analize.......................................................................................................... 10
5.1.1.
Prostorska ureditev ............................................................................................ 10
5.1.2.
Časovne in vršne bremenske napovedi ............................................................. 10
5.1.3.
Analiza občutljivosti ........................................................................................... 11
5.2.
Metode ...................................................................................................................... 11
5.2.1.
Trendovske metode ........................................................................................... 11
5.2.2.
Prilagajanje polinomskih krivulj ......................................................................... 11
5.2.3.
S-krivulje............................................................................................................. 12
6.
Meritve porabe ................................................................................................................ 12
7.
Zaključek .......................................................................................................................... 13
8.
Vprašanja ......................................................................................................................... 13
9.
Naloga .............................................................................................................................. 13
10.
Viri ................................................................................................................................. 14
1
2
1. Uvod
Poraba v distribucijskih omrežjih močno niha s potrebami priključenih odjemalcev, zato je
natančna napoved porabe v omrežju zelo pomemben dejavnik pri vodenju razdelilnega
omrežja. Poraba je navadno večja v času od zgodnjega jutra, ko se prebudimo, pa do večera,
ko gremo spat. Ponoči je navadno dosti nižja. Ocena te porabe v prihodnosti nam omogoča,
da je naš sistem pripravljen na njene poraste in padce.
Napoved porabe je prvi korak od mnogih pri vodenju omrežja in če pride do napake že tu so
zaradi tega napačni tudi rezultati vseh sledečih korakov. Igra ključno vlogo pri obratovanju
omrežja in nam narekuje bodoče razširitve le tega.
Glede na časovne roke ločimo kratko-, srednje- in dolgoročno napoved porabe. Kratkoročna
napoved se ukvarja s časi od 1 ure v prihodnosti, pa vse do nekaj tednov, kjer postopek
prevzame srednjeročna napoved. Ta nam daje napovedi za čase od enega meseca, pa vse do
5 let v prohodnosti. Zadnja v naboru je dolgoročna napoved, ki daje ocene za obdobje od 5
pa do 20 let naprej, kar se uporablja večinoma za načrtovanje razširitev omrežja.
Kratkoročna napoved se odvija na urni in dnevni ravni, ter je del vsakodnevnega procesa
vodenja sistema. Na tem področju pride do največjih ekonomskih tveganj za distributerja. Z
natančno napovedjo je upravljalcu omogočeno, da pravilno predvidi in zakupi električno
energijo, ter zagotovi rezervne zmogljivosti za morebitne izredne dogodke. Pogosto so
možni prihranki pri obratovalnih stroških sistema odvisni prav od točnosti teh kratkoročnih
napovedi.
Napovedi porabe so ključnega pomena, saj lahko primanjkljaj energije v sistemu privede do
slabe kakovosti dobavljene električne energije in v skrajnih primerih celo do izpadov
sistema. Na drugi strani pa lahko previsoka napoved privede do nepotrebnih ekonomskih
bremen za povečanje prenosnih zmogljivosti, ter večjega zakupa proizvodnje, ki še ne bi bila
potrebna in se ponavadi krije na strošek distribucijskega podjetja.
Večina metod napovedi porabe se poslužuje statističnih orodij ali algoritmov umetne
inteligence, kot so regresija, nevronska omrežja, mehka logika in ekspertni sistemi. Za
napoved na srednji in dolgi rok se dostikrat uporabljata metoda končne rabe(end-use) in
ekonometrična metoda. Za kratke roke se med drugimi uporabljajo razne regresijske
metode, pristop podobnih dni(similar day approach), mehka logika, nevronska omrežja in
ekspertni sistemi.
Izmed teh metod ni nobena takšna, ki bi bila sama po sebi zadostna za vse možne situacije.
Izbira metod je odvisna od podatkov, ki so nam na voljo, same narave problema, ter stopnje
natančnosti, ki jo želimo doseči. Zgodi se, da se napoved izračuna po večih metodah, ter se
nato s primerjavo rezultatov odločimo za najbolj smiselno.
3
2. Pomembni dejavniki
Na kratkoročne napovedi vpliva množica dejavnikov, kot so vreme, ura v dnevu, klasifikacija
odjemalcev,... Srednje in dolgoročna napoved sta odvisni še od zgodovinskih podatkov
nekega področja, števila odjemalcev in njihove kategorizacije, ekonomskih in demografskih
napovedi in še kakšnih drugih faktorjev.
Poznamo tri glavne dejavnike, ki vplivajo na vzorce porabe. To so letni časi, tedensko-dnevni
cikli, ter prazniki. Opazni dogodki so naprimer prehod iz zimskega v poletni čas in obratno,
začetek šolskega leta, ter upadi porabe med prazniki in dopusti. Veliko distributerjev čuti
veliko vremensko pogojeno razliko zaradi vedno bolj razširjenih klimatskih naprav. Kar se
tiče vremena sta največja dejavnika temperatura in vlaga okolice.
Zaradi bistvene razlike v karakteristikah porabe večina distributerjev svoje porabnike loči na
gospodinjske, komercialne in industrijske. Karakteristike porabe električne energije se med
temi razredi bistveno razlikujejo, a so si znotraj razredov dovolj podobne za tako obravnavo.
3. Uporabljene matematične metode
Napovedovanje je sistematičen proces, ki je odvisen od časa v katerem ga izvajamo, ter
metode, ki jo uporabimo. V grobem jih delimo na deterministične in verjetnostne, obstajajo
pa tudi kombinacije obeh. Matematični temelji za njih pa so ekstrapolacija, korelacija, in
spet možna združitev obeh.
V preteklosti se je razvilo in uporabilo več metod za napovedovanje porabe. Med bolj
razširjenimi sta tako imenoveni ekonometrična metoda in metoda napovedi po končni rabi,
ki se večinoma uporabljata za srednje in dolgoročne napovedi. Za kratkoročne napovedi je
na voljo mnogo metod, ki večinoma padejo v domeno statistike, kot so časovne vrste,
algoritmi umetnih inteligenc, ekspertni sistemi, mehka logika in nevronska omrežja.
3.1.Ekstrapolacijska tehnika
Ta tehnika se poslužuje postopka približevanja trendov, ki temelji na ekstrapolaciji. Iz
zgodovinskih zbirk se pridobijo podatki spreminjanja bremena in se na podlagi tega izbere
ustrezno krivuljno funkcijo. Pogosto uporabljene krivulje:
-
Linearna: 𝑦 = 𝑎 + 𝑏𝑥
-
Parabola: 𝑦 = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2
-
S-krivulja: 𝑦 = 𝑎 + 𝑏𝑥 + 𝑐𝑥 2 + 𝑑𝑥 3
-
Eksponentna: 𝑦 = 𝑐𝑒 𝑑𝑥
-
Dvojna eksponentna: 𝑦 = 𝑙𝑛−1 (𝑎 + 𝑐𝑒 𝑑𝑥 )
4
3.2.Korelacijska tehnika
Temelji na računanju korelacijskih koeficientov in zahteva izračun varianc in kovarianc.
če privzamemo dve nalkjučni neodvisni spremenljivki x in y, ki sta neodvisna dogodka x=x i in
y=yi. Produkt teh spremenljivk ja zopet neka naključna spremenljivka xiyi, kar pomeni, da je
verjetnost produkta enaka produktu verjetnosti, kjer je verjetnost predstavljena z E.
predpostavimo 𝐸(𝑥) = 𝜇𝑥 in 𝐸(𝑦) = 𝜇𝑦 , kjer je µ definirana kot število dogodkov/možnih
izidov. Zato:
𝐸(𝑥𝑦) = 𝜇𝑥 𝜇𝑦
Da izmerimo odstopanje od pričakovane vrednosti µ, uvedemo standardni odklon σ, ki je
definiran:
𝜎 = √𝐸 ∗ (𝑥 − 𝜇)2
Varianca je definirana kot:
𝜎 2 = 𝐸 ∗ (𝑥 − 𝜇)2
Kovarianca dveh neodvisnih spremenljivk je dana kot:
2
𝜎𝑥𝑦
= 𝐸 ∗ (𝑥 − 𝜇𝑥 ) ∗ (𝑦 − 𝜇𝑦 )
Če razširimo zgornjo enačbo dobimo:
2
𝜎𝑥𝑦
= 𝐸(𝑥𝑦) − 𝐸(𝑥)𝐸(𝑦)
Kjer je produkt 𝐸(𝑥)𝐸(𝑦) = 0, če sta x in y neodvisni spremenljivki, ter različen od 0, če sta
odvisni.
Kvantitativni meri moči odvisnosti pravimo korelacijski koeficient Γ:
Γ=
2
𝜎𝑥𝑦
𝜎𝑥 𝜎𝑦
Če imamo n neodvisnih opazovanih spremenljivk x, potem ja vzorčna varianca definirana
kot:
2
𝑆𝑣𝑣
=
𝑖
∑(𝑥𝑖 − 𝑥̅ )2 ,
𝑛
1
kjer je 𝑥̅ aritmetična sredina spremenljivk :𝑥̅ = 𝑛 ∑ 𝑥𝑖
za 𝑖 = 1,2,3, … , 𝑛.
Omeniti je treba, da je za razliko od teoretičnega 𝜎 2 , v praksi ta podatek na voljo.
Korelacijske metode so odvisne od vremenskih, ekonomskih in demografskih faktorjev.
5
3.3.Metoda najmanjših kvadratov
Ta metoda prav tako dela s približevanjem krivulj
Če imamo neko krivuljo 𝑦 = 𝑎0 + 𝑎1 𝑥 + 𝑎2 𝑥 2 + ⋯ + 𝑎𝑚 𝑥 𝑚 , ki jo poskušamo čim bolj
približati neki merjeni krivulji in predpostavimo, da imamo na voljo set podatkov x i in yi , kjer
je i=1,2,3,....,n , ter je 𝑦 = 𝑓(𝑥), dobimo r neznank a1,a2,....,ar. Odstopanja označimo kot Ri in
so definirana kot: 𝑅𝑖 = 𝑓(𝑥𝑖 ) − 𝑦𝑖
Tedaj je vsota kvadratov razlik enaka:𝑆 = ∑(𝑓(𝑥𝑖 ) − 𝑦𝑖 )2
Minimum tega zapisa dobimo s tem, da ga odvajamo po spremenljivki a.
𝛿𝑆𝑖
=0
𝛿𝑎𝑖
𝑖 = 1,2, … , 𝑟
ta partikularna oblika enačbe je znana kot “normalna enačba”, tehniki pa “načelo najmanjših
kvadratov”. Če vzamemo za odstopanja izraz:
𝑅𝑖 = (𝑎1 + 𝑎2 𝑥𝑖 ) − 𝑦𝑖 ,
dobimo 𝑆 = [(𝑎1 + 𝑎2 𝑥1 ) − 𝑦1 ]2 + [(𝑎1 + 𝑎2 𝑥2 ) − 𝑦2 ]2 + ⋯ + [(𝑎1 + 𝑎2 𝑥𝑛 ) − 𝑦𝑛 ]2 .
Če to vsoto parcialno odvajamo po a1 in a2 dobimo naslednji povezavi:
𝛿𝑆
= 0 = 2[(𝑎1 + 𝑎2 𝑥1 ) − 𝑦1 ] + 2[(𝑎1 + 𝑎2 𝑥2 ) − 𝑦2 ] + ⋯ + 2[(𝑎1 + 𝑎2 𝑥𝑛 ) − 𝑦𝑛 ]
𝛿𝑎1
𝛿𝑆
= 0 = 2𝑥1 [(𝑎1 + 𝑎2 𝑥1 ) − 𝑦1 ] + 2𝑥2 [(𝑎1 + 𝑎2 𝑥2 ) − 𝑦2 ] + ⋯ + 2𝑥𝑛 [(𝑎1 + 𝑎2 𝑥𝑛 ) − 𝑦𝑛 ]
𝛿𝑎2
Dobljene izraze dodatno preuredimo in jih lahko zapišemo v matrični obliki:
[
𝐾11
𝐾21
𝐾12 𝑎1
𝐶
] [ ] = [ 1]
𝐾22 𝑎2
𝐶2
Kjer so: 𝐾11 = 𝑛, 𝐾12 = ∑ 𝑥𝑖 , 𝐾21 = 𝐾12 , 𝐾22 = ∑ 𝑥𝑖2 , 𝐶1 = ∑ 𝑦𝑖 , 𝐶2 = ∑ 𝑥𝑖 𝑦𝑖 in i=1,2,3,...,n.
Iz vsega tega izrazimo matriko vrednosti ai:
1 𝐾
𝑎1
[𝑎 ] = [ 22
2
𝐷 −𝐾21
−𝐾12 𝐶1
][ ]
𝐾11 𝐶2
Kjer je 𝐷 = 𝐾11 𝐾22 − 𝐾12 𝐾21.
Postopek je enak za polinom m-te stopnje in dobimo (m+1) enačb za (m+1) spremenljivk, ki
jih lahko nato vstavimo v izhodiščni nastavek krivulje in dobimo krivuljo, ki napoveduje
gibanje porabe v prihodnosti.
6
4. Metode za napoved porabe
4.1.Kratkoročne metode
4.1.1. Stohastična časovna vrsta
Je med najbolj razširjenimi metodami za kratkoročno napoved porabe, zardi lažjega
razumevanja in implementacije razmeroma natančnih rezultatov. Opisuje stacionarne vrste
podatkov. Kot stacionarno smatramo vsako vrsto v kateri ni sistematičnih sprememb v
povprečni vrednosti in varianci. To so auto-regresivni model(AR), model s premikajočo se
povprečno vrednostjo(MA), ter kombinacija obeh, ARMA model.
V AR modelu je trenutna vrednost funkcija svojih preteklih vrednosti:
𝑦(𝑡) = 𝑎(𝑡) + 𝜙1 𝑦(𝑡 − 1) + 𝜙2 𝑦(𝑡 − 2) + ⋯ + 𝜙𝑝 𝑦(𝑡 − 𝑝)
Tu so 𝜙1 ,...,𝜙𝑝 autoregresijski parametri. Z vpeljavo t.i. backshift operatorja B, ki je definiran
kot 𝑦(𝑡 − 1) = 𝐵𝑦(𝑡) in posledično 𝑦(𝑡 − 𝑚) = 𝐵 𝑚 𝑦(𝑡), lahko sedaj prejšno enačbo
zapišemo v novi obliki:
𝜙(𝐵)𝑦(𝑡) = 𝑎(𝑡)
Kjer je 𝜙(𝐵) = 1 − 𝜙1 𝐵 − 𝜙2 𝐵 2 − ⋯ − 𝜙𝑝 𝐵 𝑝 .
MA model privzema, da je trenutna vrednost časovne vrste izrazljiva linearno s trenutno in
preteklimi vrednostmi vrste belega šuma. Šumno vrsto sestavljajo napovedne napake in
razlike, ko imamo na voljo opazovane signale. Vrstni red postopka je odvisen od najstarejše
vrednosti šuma pri kateri regresiramo y(t). za MA model q-te stopnje lahko zapišemo:
𝑦(𝑡) = 𝑎(𝑡) − 𝜃1 𝑎(𝑡 − 1) − 𝜃2 𝑎(𝑡 − 2) − ⋯ − 𝜃𝑞 𝑎(𝑡 − 𝑞)
𝜃1 , … , 𝜃𝑞 so parametri metode. Podobno vpeljemo backshift operator in dobimo:
𝑦(𝑡) = 𝜃(𝐵)𝑎(𝑡)
Kjer je 𝜃(𝐵) = 1 − 𝜃1 𝐵 − 𝜃2 𝐵 2 − ⋯ − 𝜃𝑞 𝐵 𝑞
4.2.Srednje- in dolgoročne metode
Na tem področju najpogosteje srečamo modeliranje po končni rabi, ter ekonometrične
modele za napoved porabe. V model po končni rabi vključimo podatke kot so tehnološke
spremembe, uporabljene naprave pri odjemalcih, dinamiko prebivalstva itd. Te vstavimo v
statistične in simulacijske modele. Pri ekonometrični prejšnim dejavnikom dodamo še
dohodke odjemalcev, zaposlitvene podatke, cene električne energije.
7
4.2.1. Model po končni rabi
Pri tej metodi analiziramo vplive vzorcev uporabe raznih naprav. Tukaj se moramo zavedati,
da imajo že luči, ki uporabljajo različne žarnice, lahko med seboj zelo različne bremenske
karakteristike. Te karakteristike pa so lahko še vedno predvidljive v primeru, da nam
uporabnik prej poda informacije o napravah v njegovem odjemu. Je t.i. “bottom-up” pristop,
saj se njegova učinkovitost začne pri poznavanju osnovnih naprav, ki so priključene na
nekem odjemnem mestu. Porabnike delimo na tri skupine po tipu priklopa, to so ponavad
industrijski, komercialni in gospodinjski. Te skupina nadaljno delimo glede na končno rabo
električne energije, nato pa še na posamezne naprave. Po uspešni napovedi s to metodo
dobimo:
-
Natančno krivuljo napovedane porabe
Točno vrednost vršne obremenitve
Zaznamo prihodnje spremembe porabe energije, ki so posledica spremembe
konfiuracije naprav ter boljše tehnologije in učinkovitosti
4.2.2. Ekonometrični model
Združuje ekonomske teorije in statistične tehnike. Ocenjuje povezavo med porabo in
faktorji, ki vplivajo na porabo. Te ocene nato ovrednosti s časovnimi vrstami ali metodo
najmanjših kvadratov. Ponuja možnost izračuna skupne porabe, ko to zapišemo kot funkcijo
vremena, ekonomskih in še nekaterih drugih spremenljivk.
4.3.Pristop podobnih dni
To je metoda za kratkoročno napoved bremena, ki išče podatke o dneh v zadnjih nekaj letih
in jih primerja z dnevom za katerega napovedujemo porabo. Pomembna pri tem iskanju je
dnevna vremenska karakteristika, dan v tednu in tudi sam datum(letni časi, prazniki,
dopusti). Če najdemo tak dan, se karakteristika porabe še prilagodi na nove izhodiščne
razmere, ter se uporabi za nov dnevni potek. Lahko najdemo tudi več podobnih dni in iz
njihovih podatkov sestavimo novo kombinirano karakteristiko.
4.4.Umetna nevronska omrežja(ANN)
To je kratkoročna napoved porabe z uporabo nelinearnih vezij, ki so zmožna nelinearnega
prilagajanja krivuljam. Izhodni podatki so neke linearne ali pa tudi nelinearne matematične
funkcije vhodnih podatkov. Le ti pa so lahko izhodni podatki neke druge enote v omrežju, ali
pa dejanski vhodi. Poznamo več različnih arhitektur teh omrežij, ki določajo tudi nekatere
lastnosti sistema.
8
4.5.Ekspertni sistemi
So sistemi, ki bazirajo na nekih pravilih, ki izhajajo iz dolgoletne prakse na terenu, za
natančno kratkoročno napoved. V svoje izračune vključuje človeška spoznanja in jih uporabi
za napovedi brez človeške pomoči. Zahtevajo strokovnjaka, ki sodeluje z razvonjo ekipo in
jim za posredovati svoje znanje.
4.6.Mehka logika
Ta koncept se uporablja za kratkoročno napovedovanje in je posplošitev Boolove logike. V
Boolovi logiki lahko dobimo na izhodu funkcije le vrednosti 0 in 1, mehka logika pa izhod
predstavlja kot nek kvalitativni obseg z vrednostmi med 0 in 1, kar nam omogoča obravnavo
sistemov, kot je električno omrežje, kjer naprave niso vedno le vključene in izključene,
ampak se lahko pod zelo različnimi obremenitvami. Ena izmed prednosti te metode je, da ne
rabimo matematičnega modela vhodov in izhodov, ter nezahtevnost pri natančnosti
vhodnih podatkov. Pravilno zastavljeni sistemi so tako zelo robustni, ko jih uporabljamo za
napoved porabe v omrežju. Po logični odbdelavi podatkov gredo lahko ti skozi tako
imenovano ‘defuzifikacijo’, s pomočjo katere dobimo iz logičnih vrednosti oprijemljive
fizikalne veličine.
5. Krajevna napoved porabe
Temelji na treh zahtevah in sicer:
-
v kolikšni meri napoved podpira načrtovalni proces
kje se bo v prihodnosti razvil večji odjem
kdaj se bo pričakovani porast porabe zgodil
Te tri točke najbolj vplivajo na napved in posledično načrtovanje.
Ključnega pomena je vrednost napovedane višje porabe. To lahko določimo z
matematičnimi tehnikami, ki so opisane v 3. poglavju naloge. Natančne napoved omogoča
upravljalcem pravočasno in pravilno dodajanje opreme. Preučiti je treba primernost vse
opreme, vse od transformatorjev, varovalk, odklopnikov, pa do prenosnih poti tako na
prenosnem, kot na distribucijskem omrežju. Načrti lahko vsebujejo zamenjavo in dodajanje
opreme kakor tudi prilagajanje že obstoječe opreme.
Tudi lokacija vpliva na predvidevanje višine porabe. Isti objekt lahko povzroči čisto druge
rezultate, če se nahaja na drugi lokaciji, saj lahko njegova gradnja za sabo potegne še druge
na istem območju in s tem zajeten lokalen porast odjema. To lahko vodi do viška
zmogljivosti omrežja na eni, ali pa primanjkljaja na drugi lokaciji, kar se izkaže za potrato
9
denarja. Včasih pa je največja napaka, ki jo lahko storimo, da se odločimo za neko lokacijo
brez, da bi preverili možne druge variante. Tu ponavadi v napovedovanje vstopijo razni
prostorski načrti, ki so za neko kratkoročno obdobje že določeni, imajo pa nekaj variabilnosti
na dolgi rok.
Čas dviga porabe je zelo pomemben, saj je treba nekatere dele opreme, kot so
transformatorji ali transformatorske postaje še dograditi. S tem imamo določene neke roke
do katerih morajo biti ta dela končana, ter nam pove do kdaj morajo biti končane morebitne
spremembe na prenosnem omrežju.
Za krajevno napoved se poslužujemo v glavnem ekstrapolacijske metode, še posebej znotraj
te sta pogosta polinomska krivulja ter S-krivulja.
5.1.Zahteve analize
5.1.1. Prostorska ureditev
Predstavlja število območij, kjer velikost vsakega območja podaja podatke o prihodnji rasti
porabe. Prostorska ureditev v napovedi se mora skladati s potrebami sistemskega načrta. Za
načrtovanje razdelilnih sistemov v glavnem uporabljamo majhna območja, ki jih združujemo
v večje skupine in s tem dosežemo visoko prostorsko ločljivost. To je sicer dražje, a je veliko
distributerjev pripravljenih plačati to ceno za boljšo rešitev. Velikost območij raste z
napetostnim nivojem(nizka napetost ima majhna, srednja napetost malo večja, visoka pa
največja). Ponavadi je vsa generacija na istem območju, prenosna omrežja se že delijo na
več podobmočij, distribucijska imajo veliko število še manjših območij, najmanjša in
najštevilčnejša pa so območja enofaznih priklopov.
Seštevanje napovedi manjših območij in primerjava z napovedmi večjih je dober način za
preverjanje točnosti in razumnosti rezultatov. Prav tako je napoved celotnega območja
dobro orodje pri zagotavljanju, da česa nismo zgrešili na distribucijskem ali celo prenosnem
nivoju.
5.1.2. Časovne in vršne bremenske napovedi
Prenosna in razdelilna omrežja so osnovana na letni vršni obremenitvi, ki se spremlja skozi
čas. To nam omogoča načrtovanje razširitve zmogljivosti v prihodnosti. Pogosto srečamo
načrtovalna obdobja, ki prehitevajo kratkoročne napovedi za 1 do 7 let in mogoče tudi do 25
let pred dolgoročnimi napovedmi.
Če vzamemo v račun še vremenske dejavnike lahko govorimo tudi o vršnih obremenitvah po
letnih časih, saj je lahko nek vod poleti zaradi višje temperature okolice relativno bolj
obremenjen, čeprav je obremenitev voda nižja, kot vršna vrednost pozimi.
10
5.1.3. Analiza občutljivosti
V splošnem to pomeni analizo sistema podpogoji različnimi od predpostavljenih, da lahko
vidimo vpliv različnih predpostavk na obratovanje sistema. Pri dolgoročnih napovedih lahko
to storimo z večscenarijskim načrtovanjem. Distribucijsko načtrovanje pa temelji na
kratkoročni krajevni napovedi, kjer težko napovemo kje točno bo prišlo do dviga porabe. Tu
bi moral načrtovalec že prej poskusiti zmanjšati možnost napake z večscenarijskim
pristopom in možnostjo revizije načrta glede na povratne informacije.
5.2.Metode
Ločimo neanalitične, trendovske in simulacijske metode. Neanalitične metode so vse tiste, ki
za svojo napoved ne upoštevajo zgodovinskih in tekočih podatkov. S tem so zelo odvisne od
izvajalca napovedi.
Trendovske metode napovedujejo rast porabe z ekstrapolacijo preteklih in sedanjih trendov
v prihodnost. Velikokrat se v svojem postopku poslužujejo večkratne regresije, pa tudi veliko
drugih tehnik. Kategoriziramo jih glede na matematično metodo, ki smo jo uporabili.
Simulacijske metode analizirajo in skušajo posnemati proces, ki povzroča spreminjanje
porabe v času. Vse uporabljajo nek sistem kategorizacije porabnikov ali območja s katerim
ocenijo področje porabe. Porabo lahko pokažejo za vsako odjemno mesto na osnovi baznih
krivulj tega razreda porabnikov. Večinoma se izvajajo z namenskimi programi.
5.2.1. Trendovske metode
Te metode delajo z zgodovinskimi podatki in ekstrapolirajo te podatke v prihodnost. Breme
izrazijo izključno kot funkcijo časa. To funkcijo dobimo kot funkcijo, ki najbolje pojasni
podatke, ki jih imamo na voljo in se smatra za najbolj smiselno za kratkoročne napovedi.
So relativno enostavne, njihova slabost pa je, da ne upoštevajo nobenih drugih dejavnikov,
kot so rast prebivalstva, urbanizacija in ekonomski faktorji. Najbolj pogosta metoda je
približevanje polinomskih krivuljz uporabo večkratne regresije, ki dosežejo ta cilj ter
ekstrapolirajo podatke v prihodnost.
5.2.2. Prilagajanje polinomskih krivulj
Polinomska oblika je splošna formula, ki ustreza krivuljam naštetim v poglavju 3.1..
polinomski koeficienti se izračunajo s pomočjo večkratne regresije, ter s pomočjo normalnih
enačb iz poglavja 3.3.. Ne glede na to ali računamo vršno letno obremenitev, ali katero koli
drugo količino, je prvi korak v postopku izbira krivulje, ter stopnje polinoma. Nato se
izračunajo koeficienti, ki nam omogočijo izračun vršne obremenitve za katero koli točko v
prihodnosti. Za to pa potrebujemo tudi zgodovinske podatke, ki predstavljajo vršne
vrednosti na enakomernih časivnih intervalih, teh vrednosti moramo imeti več kot je
koeficientov.
11
5.2.3. S-krivulje
Nekatere krivulje imajo lastnost, da se njihov naklon spreminja od povečane rasti proti
manjši. V splošnem imajo naslednje lastnosti:
-
Začetni čas majhne, a hitro dvigajočo se rast
Vmesni čas velike rasti
Končni del kjer rast upade in izgleda kot, da pride do nasičenja
Glede na zgodovinske podatke se lahko parametri s-krivulje močno spremenijo.
6. Meritve porabe
Za uspešno napovedovanje porabe v prihodnosti je velikega pomena zbiranje podatkov iz
preteklosti in sedanjosti, saj lahko le tako opazimo trende po katerih se gibljejo potrebe
nekega območja. Meritve se izvajajo na RTP in TP postajah, prav tako pa lahko distributerji
na podlagi hišnih števcev vodijo evidenco porabe vsakega odjemalca posebej. Slednji so
vedno bolj zanesljiv vir informacij, saj si novejši števci že zapomnejo in so zmožni
posredovati podatke o urnem odjemu gospodinjstva, je pa bila v preteklosti tu težava, ker so
se dejanske vrednosti na števcih preverile le enkrat na leto v času poračunavanja.
Porabo prikazujemo v obliki dnevnih, mesečnih in letnih krivulj, ki predstavljajo podlago za
napovedovanje porabe v prihodnje. Te podatki morajo biti natačno izmerjeni, sej se lahko
zalomi že na tem koraku, prav tako se lahko te krivulje spreminjajo glede na metodo
merjenja. Ponavadi merimo željeno količino na večih točkah v sistemu.
Metoda določa merjeno količino, ponavadi je to trenutna moč ali porabljena energija v
diskretnih intervalih, vzorcih. Metodo in stopnjo vzorčenja moramo izbrati primerno našim
načrtom.
Ločimo integracijsko in diskretno vzorčenje. Integracijsko vzorčenje shranjuje vrednosti
porabljene energije v intervalu, integrira površino pod bremensko krivuljo vsakega intervala.
Diskterno vzorčenje pa shranjuje bremensko moč na začetku vsakega intervala, s čimer žal
zgreši morebitne spremembe moči tekom intervala.
Pri merjenju bremenske moči priključeni na omrežje se ponavadi poslužimo integracijske
metode, saj bi bil pri diskretni pogrešek prevelik.
12
7. Zaključek
Vidimo lahko, da obstaja na tem področju več metod s katerimi napovedujemo porabo v
distribucijskih omrežjih. Najbolj razšijena je sicer metoda krajevne napovedi porabe, so se pa
v zadnjih časih začele uporabljati zlasti kombinacije krajevne metode z mehko logiko in ANN
metodami, ki so ob zadostnih vhodnih informacijah lahko dosti bolj natančne. Glavno težavo
predstavlja velika raznolikost faktorjev, ki vplivajo na porabo električne energije, kot
naprimer vreme, geografske lastnosti, gospodarske zmožnosti distributerjev in raznih
socialnih potreb. Zaradi teh se uveljavlja tudi verjetnostno napovedovanje porabe, ki
obravnava več scenarijev iz katerih dobimo bolj natančne kratkoročne informacije, katere
lahko povprečimo, ali pa uporabljamo kot vhodne informacije za nadaljne izračune
napovedi, preklapljanja in načtrovanja omrežja.
8. Vprašanja
1. Naštej 3 glavne dejavnike, ki vplivajo na napoved porabe na letni ravni.
2. Kako deluje metoda napovedi porabe po podobnih dneh?
3. V katere tri kategorije ponavadi razdelimo porabnike po njihovih karakteristikah
porabe?
4. Ali bi bila integracijska metoda z časom vzorčenja ene ure zadostna za meritev
porabljene energije na bremenu, ki se naprestano vklaplja in izklaplja?
9. Naloga
Imamo neko naseljeno območje velikosti 50000 m2, ki se vsako leto razširi za 3%. Porabniki
so priključeni na 1x35A priklop. Gostota porabe na tem območju je 5.5*10 -3 kVA/m2.
Izračunajte čez koliko časa bo potrebno zamenjati transformator, ki napaja območje, če je
njegova moč 350 kVA. Določite še število porabnikov priključenih na en izvod, če je največji
tok na izvodu 300A(upoštevajte, da so porabniki priklopljeni na eno fazo, izvod pa je
trifazen.
13
10.
Viri
[1] “Load Forecasting,” (with D. Genethliou), Applied Mathematics for Restructured Electric
Power Systems: Optimization, Control, and Computational Intelligence (J. H. Chow, F.F. Wu,
and J.J. Momoh, eds.), Spinger, pp. 269-285, 2005.
[2] Electrical Power and Energy Systems 21(1999) 315-322, Long term distribution demand
forecasting using neuro fuzzy computations (K. Padmakumari, K.P. Mohandas, S.
Thiruvengadam) (marec 2015)
[3] Electric Power Distribution System Engineering 2nd edition(2007) (T. Gönen)
[4] Electric Power Distribution Handbook (T.A. Short)
[5] Electric Distribution Systems (A.A. Sallam, O.P. Malik)
14