Прогнозирование и анализ электропотребления и потерь электроэнергии на промышленных объектах

ЦЕЛЬ. Провести исследование, позволяющее повысить достоверность прогнозирования величины электропотребления и потерь электроэнергии на промышленном предприятии.

МЕТОДЫ. Используются методы определения и прогнозирования параметров расхода и потерь электроэнергии на промышленных объектах.

РЕЗУЛЬТАТЫ. Для уточнения величины потерь электроэнергии предлагается использовать коэффициенты - учитывающий вид графиков нагрузки и показывающий соотношение значений суммы квадратов токов (мощностей) переменного графика нагрузки и значений суммы средних токов (мощностей), т.е. соотношение потерь электроэнергии при работе нагрузки по переменному и равномерному графикам (К_граф), а также коэффициент, учитывающий топологию схемы (К_топ). Проведено исследование радиальных и магистральных схем сетей и определены потери электроэнергии с использованием предлагаемых коэффициентов. Рассчитаны величины эквивалентных сопротивлений цеховых схем сетей различной топологии. Приведены эксплуатационные данные участка цеховой сети. Выявлено, что при постоянном технологическом процессе увеличение эквивалентного сопротивления схемы сети обусловлено ростом сопротивлений контактов коммутационных аппаратов, установленных на линиях. Определена величина расчетного отпуска электроэнергии с использованием параметра среднего значения эквивалентного сопротивления. При этом погрешность вычисления расчетного отпуска по отношению к фактическому годовому отпуску электроэнергии составила 2,63%. По данным ретроспективных значений среднего эквивалентного сопротивления схемы возможно определить прогнозируемое значение данного параметра с помощью среднего значения коэффициента изменения эквивалентного сопротивления. Данные характеристики схемы рекомендуется применять при оценке и прогнозировании потерь и расчетного отпуска электроэнергии, что повысит достоверность прогнозируемых параметров для промышленных объектов.

1. Грачева Е.И., Шакурова З.М., Абдуллазянов Р.Э. Сравнительный анализ наиболее распространенных детерминированных методов определения потерь электроэнергии в цеховых сетях // Проблемы энергетики. 2019. № 5. С. 87-96.

2. Грачева Е.И., Горлов А.Н., Шакурова З.М. Анализ и оценка экономии электроэнергии в системах внутризаводского электроснабжения // Проблемы энергетики. 2020. № 2. С.65-74.

3. Грачева Е.И., Наумов О.В., Горлов А.Н., Шакурова З.М. Алгоритмы и вероятностные модели параметров функционирования внутризаводского электроснабжения // Проблемы энергетики. 2021. № 1. С.93-104.

4. Сафин А.Р., Хуснутдинов Р.Р., Копылов А.М., Максимов В.В., Цветков А.Н., Гибадуллин Р.Р., Петров Т.И. Разработка метода топологической оптимизации электрических машин на основе генетического алгоритма // Вестник КГЭУ. 2018. №4(40). С.77-85.

5. Петров Т.И. Модификация генетического алгоритма для комплексной топологической оптимизации ротора синхронных двигателей // Проблемы энергетики. 2021. том 23. №3. С.70-79.

6. Серебряков Н.А. Применение адаптивного ансамблевого нейросетевого метода для краткосрочного прогнозирования электропотребления электротехнического комплекса районных электрических сетей // Омский научный вестник.2021. №1(175). С.39-45.

7. Кивчун О.Р. Методика комплексирования процедур рангового анализа при управлении электропотреблением объектов регионального электротехнического комплекса // Известия ТулГУ. Технические науки. 2021. Вып. 21. С.200-209.

8. Маниковский А.С. Анализ методов прогнозирования электропотребления // Сборник научных трудов ДОНИЖТ. 2021. №60. С.23-30.

9. Зубков С.Д. Техноценологический анализ электропотребления предприятия // Инновационная наука. 2020. №2. С.20-22.

10. Худжасаидов Дж.Х., Русина А.Г., Матренин П.В., Дмитриев С.А., Сафаралиев М.Х. Разработка моделей прогнозирования электропотребления на основе временных рядов в изолированных энергосистемах // ЭСиК. 2020. №3(48). С.23-27.

11. Дзюба А.П. Модель управления спросом на электроэнергию промышленных предприятий, подключенных к сетям производителей электроэнергии // Вестник СурГУ. 2021. Вып 1(31). С.12-25.

12. Ляхомский А.В., Шадрин А.А. Прогнозная модель электропотребления на основе полносвязной нейронной сети // Электротехнические и информационные комплексы и системы. 2022. №1. Вып. 18. С.107-113.

13. Zhaosu Meng, Huike Sun, Xi Wang. Forecasting Energy Consumption Based on SVR and Markov Model: A Case Study of China // Front. Environ. Sci., 06 April 2022 Sec. Environmental Economics and Management.

14. S. B. Taieb, J. W. Taylor, and R. J. Hyndman. Hierarchical probabilistic forecasting of electricity demand with smart meter data. Journal of the American Statistical Association, 2020.

15. T. Ahmad and H. Chen. Deep learning for multi-scale smart energy forecasting. Energy, vol.175, c.98112, 2019.

16. World Bank, Electric Power Consumption, The World Bank Group, Washington, D.C., USA, 2021. https://data.worldbank.org/indicator/EG.USE.ELEC.KH.PC.

17. Солуянов Ю.И., Федотов А.И., Галицкий Ю.Я., Чернова Н.В., Ахметшин А.Р. Актуализация нормативных значений удельной электрической нагрузки многоквартирных домов в Республике Татарстан // Электричество. 2021. № 6. С. 62–71.

18. Солуянов Ю.И., Федотов А.И., Ахметшин А.Р., Солуянов В.И., Горлов А.Н. Анализ фактических электрических нагрузок многоквартирных жилых домов Московской области // Промышленная энергетика № 4. 2022. С. 20-28.