Высокая точность прогнозирования электропотребления важна бизнесу по нескольким причинам. Во-первых, в настоящее время крупные промышленные предприятия стремятся выйти на оптовый рынок электроэнергии и мощности (ОРЭМ), так как цены там гораздо ниже розничных. Но этот переход требует от компаний ежедневного предоставления прогноза потребления на сутки вперед. Отклонения фактических цифр от прогнозных приходится оплачивать по более высокому тарифу, например, при среднесуточном электропотреблении 100 МВт/ч и погрешности прогнозирования 20 процентов дополнительные затраты могут составить два миллиона рублей в год. Во-вторых, составление более точных прогнозов поможет компаниям оптимизировать работу объектов собственной генерации и систем накопления электроэнергии. В частности, за счет своих энергомощностей можно выровнять суточный график, снижая потребление электроэнергии из внешней сети в часы пиковой нагрузки на энергосистему, когда тарифные ставки наиболее высокие.
Ученые считают, что сегодня точность таких прогнозов на нефтегазовых и горнодобывающих предприятиях ниже уровня, приемлемого для работы с ОРЭМ, из-за высокой трудоемкости учета влияния производственных процессов на потребление электроэнергии. Повысить корректность этих цифр реально с помощью методов машинного обучения: программа будет учитывать метеорологические и производственные факторы, находить зависимости между ними и электропотреблением.
- Несмотря на достоинства применения машинного обучения, отмечу сложность внедрения интеллектуальных информационных систем, если результаты предоставляются пользователям без интерпретации, - поясняет младший научный сотрудник лаборатории цифровых двойников в электроэнергетике Алина Степанова. - Специалисту отдела планирования и учета энергоресурсов приходится либо доверять формируемым искусственным интеллектом прогнозам без какого-либо обоснования, либо отказываться от них и строить прогноз вручную. Это не только препятствует внедрению современных методов прогнозирования, но и повышает риск их некорректного использования, если они уже внедрены.
Чтобы повысить доверие специалистов к работе цифровых моделей, ученые предложили использовать алгоритмы объяснимого ИИ, которые помогают пользователям понять, почему модель выдала тот или иной результат, продолжает Степанова.
Метод протестировали на данных компрессорной станции магистрального трубопровода, расположенной в арктической зоне. В ходе исследования учитывались режимы работы оборудования, ретроспективные данные потребления и метеопараметры. Результаты экспериментов показали: применение математических алгоритмов позволяет снизить ошибки в прогнозах до трех процентов. Внедрение системы краткосрочного прогнозирования на 30 компрессорных станциях обеспечит их собственнику экономию 9,5 миллиона рублей в год.