Predikce spotřeby v energetice

Predikce spotřeby v energetice 24. dubna 2015

Petr Pavlík

Petr Pavlík Unicorn Systems, analytik, 2014 Cygni Software (Cygni, Taures), analytik, 1998 SUSE Linux, vývoj operačních systémů, 2000 – 2002 Samostatný konzultant, image processing, 1991 Ústav informatiky AV ČR, neuronové sítě, 1987 Výzkumný ústav sdělovací techniky, simulátory, 1986 University of Waterloo, CA, visiting professor, 1984-1985 TESLA, vědecký pracovník, filtrace signálu, 1967 ČVUT FEL – Ing., 1972, CSc., 1976

2

Copyright © 2015 Unicorn College

Agenda Predikční systémy Predikční modely Základní predikce spotřeby elektřiny Vliv počasí na spotřebu a výrobu elektřiny Principy predikce portfolia Predikce obnovitelných zdrojů elektřiny Predikce ceny elektřiny

3


Predikce spotřeby v energetice

Koncepce řešení predikčního systému Co poskytují hotová řešení? (SAS, SPSS, ...) + Výběr ověřených metod pro danou úlohu (SARIMA, regrese, neurosítě, ...) + Možnost porovnání výsledků více metod + Široký prostor pro práci analytika - Zpravidla ještě nutný preprocessing a postprocessing - Obtížná, resp. drahá integrace do systému uživatele – vstup měření - Problémy s použitím v reálném čase - Cena za licenci pro uživatele, nevyplatí se, pokud máme vlastní modely

5


Koncepce řešení predikčního systému Lancelot = filesystem časových řad + databáze vztahů + tenký/tlustý klient Predikční metoda je optimalizovaná pro specifika energetiky. Výpočty se realizují v paměti, počítají se vždy pouze změny. Práce v reálném čase, formát je diktovaný uživatelem, dispečerské obrazovky. Uživatel mění jen názorné parametry modelu. On-line napojení na vstupy měření, obchodní údaje, počasí + ošetření chyb dat. GUI = stromová struktura časových řad, grafické programování vektorových vzorců.

6


Predikční modely Lancelot Matematický model – black box, vychází z dat. Příklad: adaptivní regrese

Fyzikální model – vychází z empirických znalostí. Příklad: teplotní saturace

Kombinovaný model – je doplněný heuristikou. Příklad: spotřeba o Vánocích

Výhody a nevýhody Matematický model zachytí i neznámé vlastnosti a může se snadněji adaptovat. Do fyzikálního modelu je dobře vidět, jeho parametry se snadno interpretují. Kombinované modely mohou být náročné na představivost.

Lancelot Kombinuje fyzikální model výroby a spotřeby + matematický predikční model + expertní pravidla (kalendář, plány, legislativa, obchodování, …)

7


Příklad matematického modelu Lancelot Filtrace šumu ve frekvenční oblasti Ve frekvenční oblasti: odstraníme nežádoucí harmonické frekvence.

!

V časové oblasti: roční diagram spotřeby se tím vyhladí. !

8


Kritický je výběr vhodných harmonických frekvencí, aby se zachovaly denní a týdenní tvary.

Příklad fyzikálního modelu Lancelot Oboustranná saturace Model univerzálně použitelný pro topení, svícení i klimatizaci Horní práh Horní koleno

Dolní koleno Dolní práh

9


Příklad heuristického modelu Lancelot Expertní pravidlo Jestliže je den: Pracovní den mezi volnými dny „Vezmi ráno z pondělka a večer z pátku.“

Volný den mezi pracovními dny „Vezmi ráno ze soboty a večer z neděle.“

Volný den mezi volnými dny „Vezmi ráno z neděle a večer ze soboty.“

10


Test Který roční profil spotřeby odpovídá cukrovaru, pekárně, teplárně a sklárně?

11


1

2

3

4

Základní predikce spotřeby elektřiny Použití modelu ochlazování budov Měřená spořeba

Normalizovaná spořeba

Teplota

Teplotní normalizace denních hodnot spotřeby elektřiny – ochlazení v únoru 2012. Efekt: po normalizaci se spotřeba srovná na stav před ochlazením. 12


Teplotní normál

Denním hodinám odpovídají teplé barvy, nočním hodinám studené barvy. 13


Normál oblačnosti

Denním hodinám odpovídají teplé barvy, nočním hodinám studené barvy. Oblačnost je hodnocena od hodnoty 0 = jasno do 8 = zcela zataženo. 14


Vliv počasí na spotřebu a výrobu energie Pokles teploty -1 ºC v zimě způsobí (orientační hodnoty ČR) Nárůst spotřeby elektřiny +1 % Nárůst spotřeby plynu +5 % (!)

Nárůst teploty +1 ºC v horkých letních dnech způsobí Nárůst spotřeby elektřiny +2 % (orientační hodnota Praha) Prakticky nemá vliv na spotřebu plynu 0 %

Náhlé zasněžení fotovoltaických panelů způsobí Pokles výroby FVE až na nulu (-0 až -100 %)

15


!

Zdroje meteorologických dat Globální systémy – GFS, WRF + balík na zpracování formátu GRIB Konzistentní měření versus předpověď

Odvozené systémy – nabídka globálních dat + specifické GUI ČHMU – kvalitní měření i předpověď, vysoké ceny za zákaznické předpovědi, problém dosáhnout konzistence měření a předpovědi (měření po stanicích, předpověď po regionech) Webové meteo servery – většinou bez poskytování měření, nutnost uchovávat posloupnost posledních předpovědí (tím je naštěstí zaručena alespoň konzistence) Vlastní měření – elektrárny, trafostanice, FVE

POZOR! Měření a předpověď počasí z navzájem odlišných zdrojů způsobí systematickou chybu predikce energie! 16


Typy obchodníků Dominantní obchodník Oddělil se od distribuční společnosti, dále případné slučování (GasNet = SČP+ZČP+STP). Zákazníky v domácí distribuci má jako „věrné“, zbytek do distribuce považuje za „ztracené“, zákazníky z ostatních distribucí vede jako „získané“. Začal s velkým homogenním portfoliem (žádné ztracené, žádné získané). Mívá on-line přístup k okamžitým datům o celkové spotřebě v domácí distribuci (nesmí už ale znát data o „ztracených“).

Další (zatím menší) obchodník Začal s nulovým portfoliem. Postupně nabral více „získaných“ z různých distribucí a přišel mezitím o některé „ztracené“. K predikci používá pouze data z OTE, stará až několik dní.

17


Stromeček portfolia obchodníka s elektřinou Typický obchodník elektřinou má své zákazníky ve všech distribučních společnostech JČE, JME, … Pokud je dominantní, má jich většinu ve své regionální distribuci. Složka AB obsahuje OM typu A a B, složka C obsahuje OM typu C. Predikce portfolia (Spotřeba H+P) je možná po jednotlivých distribucích nebo jako celek.

Ukázka ze systému Lancelot 18


Princip predikce portfolia Portfolio obchodníka elektřinou je součtem výroby a spotřeby mnoha odběrných míst. Otázka: Jak predikovat součet? Zdola „bottom-up“ – predikujeme zvlášť každou časovou řadu a potom sečteme výsledné predikce. P(X) + P(Y) + P(Z) Shora „top-down“ – časové řady nejprve sečteme a výslednou řadu pak predikujeme: P(X+Y+Z)

19


Predikce top-down vs. predikce bottom-up

20

Top-down Větší, vyrovnané portfolio

Bottom-up Menší, dynamické portfolio

Přímá predikce výsledku Využití synergie velkého počtu zdrojů/spotřebičů Možnost korekce podle minulých chyb Sofistikovaný algoritmus zohledňující změny struktury Nesnadná detekce chyb Složitost globálního modelu portfolia Problémy s výpadky

Snadná organizace výpočtu Snadná údržba systému Poskytnutí přehledu o chování všech složek portfolia Nutnost zvlášť modelovat každý zdroj/spotřebič Možnost sčítání systematických chyb Problémy s hrubými měřidly Problémy s výpadky Problémy se vzájemně závislými měřeními


Predikce portfolia menšího obchodníka

21


Predikce portfolia dominantního obchodníka na d+1 únor 2012

22


Predikce portfolia dominantního obchodníka na d+1 květen 2012

23


Typická přesnost predikce Lancelot Základní predikce spotřeby elektřiny MAPE < 2 %

Základní predikce spotřeby plynu MAPE < 4 %

Portfolio spotřeba (+výroba) elektřiny Dominantní obchodník MAPE < 2 % Ostatní obchodníci MAPE < 4 %

Portfolio spotřeba plynu Dominantní obchodník MAPE < 4 % Ostatní obchodníci MAPE < 8 %

24


Predikce obnovitelných zdrojů elektřiny Fotovoltaické Velmi přesný model, přesnost dána přesností předpovědi osvitu, problémy se sněhovou pokrývkou

Větrné Postačující model, přesnost dána přesností předpovědi rychlosti větru, problémy s poruchami a odstávkami

Vodní Náročný model, srážky + kaskáda elektráren, zdroje částečně regulovatelné, ale ne vždy znám plán

25


Cena elektřiny na denním trhu – OTE

Graf s kroužky udává pro 1 h až 24 h cenu (Eur/MWh) na denním trhu pro aktuální den (poslední známý den v historii). Sloupky udávají obchodované množství (MWh). 26


Predikce ceny elektřiny na d+1 – PXE

Historie (zelená) zahrnuje vývoj ceny z minulých dní a cenu pro aktuální den, kdy jsou uzavřeny obchody z minulého dne (4.12.). Predikce (červená) pokrývá ceny na následující den (5.12.) a další dny. Svislá červená čára označuje přítomný okamžik. 27


Predikce systémové odchylky pro vnitrodenní trh

Systémová odchylka (hodinová, zelená) se získá integrací minutových dat záporné regulační energie (modrá). Poslední hodina (začátek červené) je vždy neúplná. Predikce systémové odchylky (červená) navazuje na poslední celou hodinu. 28


Predikce ceny za odchylku obchodníka

Cena za odchylku je dána zejména znaménkem integrálu regulační energie v dané hodině. Zelená část grafu označuje známá data z OTE, která jsou jeden až dva dny stará. Do aktuální hodiny je predikce ceny za odchylku poměrně přesná, protože je znaménko – Ereg již známo. Po aktuální hodině se jedná již jen o odhad. 29


Lancelot Základní predikce výroby a spotřeby elektřiny a plynu Predikce portfolia energie Predikce výroby energie z obnovitelných zdrojů Predikce ceny elektřiny na příští den Predikce systémové odchylky Predikce ceny za odchylku obchodníka Predikce maloodběru elektřiny a plynu (TDD) Nasazeno PRE, RWE, PPas, SSE, SPP, ČEPS, Dalkia, Akcenta, Bicorn, Ampér

Výkon Až 10 milionů časových řad Až 1000 řad/sekundu 30



Predikce spotřeby v energetice

Recommend Documents