1 UVOD Ker v elektroenergetskih sistemih (EES) ne moremo učinkovito shranjevati električne energije, moramo ohranjati ravnotežje med proizvodnjo in porabo električne moči, s čimer vzdržujemo kakovost frekvence v sistemu. Zato mora biti v EES dovolj proizvodnih zmogljivosti, s čimer ohranjamo to ravnotežje. Ker pri ohranjanju tega ravnotežja večinoma sodelujejo klasične termoelektrarne, morajo te biti v stalni pripravljenosti. S sodobnimi zahtevami po optimizaciji stroškov je treba vnaprej napovedati porabo električne energije, s čimer lahko vnaprej optimalno razporedimo potrebne proizvodne rezerve. Z uvedbo trga z električno energijo in regulacijskih zahtev potrebujemo natančne kratkoročne napovedi, saj je treba potek porabe vnaprej določiti. Odstopanja od napovedi vodijo k povečanim stroškom v obliki regulatornih kazni in dražje električne energije. Ti stroški so posledica nakupa električne energije iz rezerv sekundarne regulacije, ki ima v ceno energije vključeno tudi ceno hitre odzivnosti povečanja moči. Posledično natančne napovedi koristijo pri zmanjševanju stroškov sistemskih operaterjev in drugih bilančnih skupin, kar se prav tako odraža v nižjih cenah električne energije za odjemalce in gospodarstvo. V tem prispevku podamo metodo kratkoročnega napovedovanja porabe električne energije z ločevanjem območja napovedi na regije. Cilj ločevanja širšega območja na manjše regije je izboljšanje natančnosti napovedi, saj lahko pri napovedih z večjo točnostjo zajamemo lokalne geografske, socialne in ekonomske značilnosti [1]. Po postopku napovedi posameznih regij združimo te napovedi v celoto, s čimer lahko izboljšamo natančnost skupne napovedi, saj posredno zajamemo raznolikost terena območja in lokalnih vremenskih vplivov. Utemeljitev za ločitev širšega območja na manjše regije je podana v [1]–[4], kjer so raziskovalci prikazali vpliv raznolikosti vremena, določenega na različnih lokacijah, na porabo, variacijo vremena med lokacijami, ter na primeru prikazali prednosti regijskega modela napovedi v primerjavi z enotnim. Ker ima Slovenija Prejet 11. junij,2014 Odobren 2. oktober, 2014 mailto:stefan.kunstelj@fe.uni-lj.si mailto:matej.rejc@fe.uni-lj.si mailto:milos.pantos@fe.uni-lj.si KRATKOROČNO NAPOVEDOVANJE PORABE ELEKTRIČNE ENERGIJE PO REGIJAH ZA OBMOČJE SLOVENIJE 223 izjemno raznolik relief, raznolike vremenske razmere ter vsebuje lokacijsko različne posebnosti v EES [5], smo se odločili za regijsko napovedovanje porabe električne energije v Sloveniji. Pri tem govorimo o porabi električne energije z vidika razdelilnih transformatorskih postaj med prenosnim in distribucijskim omrežjem. V prispevku v pojem porabe električne energije štejemo porabo odjemalcev v distribucijskem omrežju in izgub električne energije v distribucijskem omrežju. Za napoved porabe električne energije po regijah moramo uporabiti čim ustreznejšo metodo napovedi, ki poda dobre napovedi za vsako regijo. V literaturi obstajajo različne metode za napovedovanje, kot so metode podobnih dni [6], linearni modeli [7], časovne serije [8], [9], umetna nevronska mreža [11], odločanje na podlagi teorije mehkih množic (angl. fuzzy logic) [12], ekspertni sistemi [13] itd. Vsaka metoda ima svoje prednosti, v prispevku pa smo uporabili robustno linearno regresijo, ki ima to dobro lastnost, da odstrani vpliv vzvodnih točk. To so točke, ki so daleč od regresorskega prostora in potencialno lahko močno vplivajo na oceno regresijskih koeficientov. V poglavju 2 smo podali teoretično ozadje predlaganega načina za napovedovanje po regijah. V podpoglavju 2.1 smo prikazali razdelitev širšega območja na regije, v podpoglavju 2.2 smo opisali zaznavo slabih vhodnih podatkov. V podpoglavju 2.3 smo podali način določitve modela napovedi ter opisali uporabo metode robustne linearne regresije za učenje modela, v podpoglavju 2.4 pa smo podali opis končnega združevanja regij v širše območje. V poglavju 3 prikažemo rezultate predlagane metode, ki jo primerjamo s klasično metodo za Slovenijo. V zadnjem, poglavju Error! Reference source not found., pa podamo ugotovitve predlaganega načina napovedovanja porabe električne energije. 2 METODA NAPOVEDOVANJA PO REGIJAH Predlagana metoda za kratkoročno napoved porabe električne energije po regijah je podana na sliki 1. Sestavljena je iz naslednjih podsklopov: - razporeditev podatkov po regijah, - zaznavanje slabih podatkov, - graditev modela napovedi ter kratkoročna napoved porabe po regijah ter - združevanje napovedi po regijah v celoto. V prvem podsklopu metode razdelimo podatke o porabi električne energije po regijah. Regije širšega območja lahko ločimo na različne načine, bodisi glede na upravne ločitve regij bodisi glede na podnebne značilnosti, demografske značilnosti ipd. V tem članku smo uporabili upravne ločitve regij. Posamezni regiji smo pripisali porabo glede na razpoložljive meritve. Podatki porabe predstavljajo meritve na razdelilnih transformatorskih postajah iz prenosnega v distribucijsko omrežje. Sem štejemo le porabo odjemalcev v distribucijskem omrežju in izgube električne energije na izvodih posameznih razdelilnih transformatorskih postaj. V drugem podsklopu moramo te podatke prečistiti, saj v praksi podatki lahko vsebujejo napake. Zato je treba uporabiti algoritem za zaznavo slabih podatkov in te odpraviti. Slabe vrednosti smo določili na podlagi drsečega povprečja in urne variabilnosti podatkov. V tretjem podsklopu določimo model napovedi in prek robustne linearne regresije napovemo porabo električne energije po regijah. Sam model upošteva vpliv vremena in časovno odvisnost porabe. Robustno linearno regresijo smo uporabili zato, ker je preprosta in ker meritvam, ki so bliže regresorskega prostora, da večjo veljavo, s čimer metoda doseže izjemno dobre rezultate [15]. V četrtem podsklopu napovedi posameznih regij združimo, s čimer dobimo tudi napoved širše regije. Analiza vhodnih podatkov Filter slabih podatkov Izdelava modela Pregled podatkov Napoved Definicija regij Vpliv vremena Vpliv časa Robustna linearna regresija Slika 1: Diagram poteka regijskega napovedovanja 2.1 Razporeditev podatkov po regijah Regije nam podajo omejitev območja, na katerem združujemo meritve vremena in porabe. Za določitev regij smo se odločili uporabiti upravno razčlenitev, ki jo je podal Statistični urad RS [14]. Ta razčlenitev dobro upošteva geografske značilnosti posameznih regij v Sloveniji, v katerih velja dobra podobnost vremena. Vsa merilna mesta, ki se lokacijsko nahajajo v regiji smo sešteli, s čimer dobimo skupno porabo regije. Pri določitvi skupnega vremenskega vpliva smo podatke o vremenu utežnostno povprečili. Uteži smo določili tako, da smo vremenskim postajam pripisali najbližja merilna mesta porabe, razmerje te najbližje porabe v primerjavi s skupno porabo regije pa je definiralo utež za vremensko postajo, enačba (1). S tem lokacije, ki imajo večji odjem, več prispevajo v nadomestni diagram vremena. 1 n i r i i r P V V P  (1) 224 KUNSTELJ, REJC, PANTOŠ Vr označuje nadomestni diagram vremena (npr. temperaturo), Vi označuje vreme na odjemi lokaciji i, iP je povprečje porabe na odjemni lokaciji i in r P je regijsko povprečje porabe. Slika 2: Upravna razčlenitev Slovenije v regije, [14] 2.2 Zaznavanje slabih podatkov V praksi se pogosti pripeti, da imamo opravka s podatki, ki imajo slabe in manjkajoče vrednosti. Zato je treba pred izvedbo napovedi preveriti, s kakšnimi podatki oz. kakovostjo podatkov imamo opravka. Nekateri podatki so lahko očitno napačni, lahko manjkajo ipd. Zato je pred napovedovanjem porabe električne energije ključnega pomena, da se odstranijo vse neprimerne vrednosti, saj bi te pri učenju modela povzročale dodatne nenatančnosti napovedi [9], [13]. V prispevku smo uporabili kriterij 99 % intervala zaupanja s predhodno odstranitvijo časovnih trendov v seriji podatkov, saj kriteriji intervala zaupanja niso sami po sebi primerni za nestacionarne časovne vrste, kot je potek porabe. Časovne trende v podatkih odstranimo s pomočjo drsečega okna, kjer v oknu določimo trend drsečega povprečja, enačba (2). 1 ( ) ( ) 2 t i t D t P t i        (2) D(t) je drseče povprečje točke t, P(t+i) poraba v točki t+i in Δ širina drsečega okna, ki jo moramo nastaviti na naravni večkratnik števila meritev v okviru dneva, drugače dobimo pristranske vrednosti za drseče povprečje. V prispevku smo uporabili širino štirih tednov. Po odstranitvi časovnih trendov iz opazovanih podatkov primerjamo drsečo povprečje podatkov s 99- odstotnim intervalom zaupanja. Če podatki drsečega povprečja presegajo meje intervala zaupanja, domnevamo, da so podatki slabi, in jih odstranimo. Na sliki 3 podamo primer manjkajoče vrednosti v podatkih, torej meritve podajo vrednost 0. Ker ta vrednost sega prek intervala zaupanja, upoštevamo ta podatek kot napačen. Slika 3: Primer manjkajoče vrednosti in podane meje glede na kriterij Na sliki 4 vidimo drug primer motnje, kjer je prišlo do napake. Ta je lahko posledica napačnih meritev, napačnega beleženja meritev ali pa je meritev pravilna, vendar je na opazovanem izvodu prišlo do neke kratkotrajne sunkovite spremembe, kot je vklop/izklop večjega bremena, stikalnega manevra ipd. Če teh podatkov ne bi odstranili, bi v učenje modela vnesli matematično nesmiselne nelinearne povezave in povečali negotovost obnašanja modela napovedi. Slika 4: Primer zabeležene motnje 2.3 Izdelava modela za kratkoročno napoved Na področju napovedovanja porabe električne energije ni univerzalnega modela, ker se vsak sistem obnaša drugače in ima svoje lastnosti. Pred začetkom napovedovanja porabe je treba pogledati, s kakšnimi podatki imamo opravka ter kako se odjem s časom spreminja. Zato sta potrebni analiza vremenskih podatkov in porabe ter analiza časovnega trenda poteka porabe. Na podlagi teh analiz postavimo model za napovedi. V podpoglavju 2.3.1 podajamo način določanja vremenskih vplivov na porabo in vključitve teh dejavnikov v model, v podpoglavju 2.3.2 pa podajamo način vključitve časovnih povezav v model. V podpoglavju 2.3.3 podamo sam model za napoved, v podpoglavju 2.3.4 pa predstavimo metodo robustne linearne regresije, s katero določimo parametre modela. 2.3.1 Analiza vpliva vremena Pri določitvi vremenskih vplivnih dejavnikov moramo s statističnimi analizami pogledati, kateri 25-04 26-04 27-04 0 10 20 30 40 50 60 70 Datum (dan-mesec) P ( M W ) Odjem Meja 07-11 08-11 09-11 0 10 20 30 40 50 60 70 Datum (dan-mesec) P ( M W ) Odjem Meja KRATKOROČNO NAPOVEDOVANJE PORABE ELEKTRIČNE ENERGIJE PO REGIJAH ZA OBMOČJE SLOVENIJE 225 vremenski vplivi vplivajo na porabo električne energije. Ker je to področje dobro raziskano, smo se na podlagi razpoložljivih podatkov (temperatura, vlaga, obsevanost, hitrost vetra) in [10] odločili za morebitno uporabo temperature in relativne vlažnosti kot vplivni dejavnik. Pri določitvi vpliva vremena na porabo raziskovalci na tem področju uporabljajo predvsem grafične prikaze, iz katerih lahko predvidijo točne matematične povezave. Na sliki 5 podamo primer povezave poraba-temperatura za eno leto za vse delavnike ob 12. uri. Opazimo, da je vpliv temperature kvadraten. Podobno velja tudi za druge ure v dnevu. Zato v regresijskem modelu temperaturo posledično modeliramo s polinomom 2. stopnje. Takšen model nam pojasni 23 % variabilnosti porabe električne energije. Slika 5: Vpliv temperature na porabo Na sliki 6 podamo še analizo vlage na porabo. Opazimo šibko povezavo med povečanjem vlage in povečanjem porabe, kljub temu pa je ta povezava dokaj linearna in si z njo lahko pomagamo pri napovedovanju. Za podani primer delavnikov ob 12. uri je tu pojasnjena variabilnost zgolj 0,7-odstotna, kar pomeni, da s pomočjo vlage opišemo izjemno majhen del variabilnosti porabe. Slika 6: Vpliv vlage na porabo električne energije 2.3.2 Analiza vpliva časa Podobno kot pri analizi vremenskih vplivov moramo določiti časovni vpliv na porabo. Ker je poraba časovni proces z določeno periodo in sezonami, uporabimo avtokorelacijsko analizo, s katero lahko določimo glavne odloge, s katerimi lahko zajamemo časovno odvisnost med prihodnostjo in preteklostjo. Odlogi so na urni ravni in nam povedo, kakšna je korelacija med preteklo porabo, ki je zamaknjena za vrednost odloga, in sedanjo porabo. Slika 7: Avtokorelacija porabe električne energije Iz slike 7 vidimo, da imajo odlogi največjo vrednost avtokorelacije ravno v zamiku m∙24h, kjer je m = 1,2,3,… Prav tako vidimo, da je avtokorelacija močno pozitivna ravno v razmiku 24 ur. Pozitivna avtokorelacija pomeni, da si dnevi sledijo po podobnosti, npr. dnevu, ki ima veliko porabo, bo sledil dan s prav tako veliko porabo. Ker v praksi pogosto ne poznamo porabe v dnevu, v katerem napovedujemo, takšne informacije ne moremo uporabljati, temveč lahko kvečjemu uporabimo odloge, starejše od enega dneva. Glede na avtokorelacijsko analizo je tako zanimivo uporabiti 48-urni odlog, s katerim zajamemo povezavo med preteklostjo in prihodnostjo. 2.3.3 Zapis modela Z analizo vhodnih podatkov in njihove povezanosti določimo ustrezni model napovedi. Ker se napovedi izvajajo dnevno in ker sproti pridobivamo nove podatke o porabi, določamo model vsakič, ko napovedujemo. Za napovedovanje porabe smo vzeli naslednje kriterije:  vsak dan v tednu ima svoj model,  opazujemo vsako uro posebej,  ločimo modele za navadne in posebne dni ter  vpeljemo modele za prehodno obdobje. Z vpeljavo teh kriterijev imamo smernice za postavitev regresijskih modelov, ki jih ločimo glede na oddaljenost od posebnih dni. Razlog za uporabo različnih modelov glede na oddaljenost od posebnih dni je njihov vpliv na porabo oz. lahko njihove posebnosti povzročijo statistična odstopanja pri učenjih modela. Posebni dnevi imajo namreč lahko zakasnjen vpliv na porabo do enega tedna, zato se zmanjša avtoregresijski del modela. Za vse dneve, ki so oddaljeni od posebnega dneva več kot sedem dni, uporabimo model, podan z enačbo (3).     2 0 1 2 3 4 548 72ij ij ij ij ji j i j P T T P P                 (3) Pij je dejanska vrednost odjema za regijo i. Indeks j predstavljan dan, ki ga napovedujemo. Model vsebuje naslednje parametre: temperaturo regije Tij, vlažnost -10 0 10 20 30 40 200 400 600 800 1000 1200 1400 T (°C) P o ra b a ( M W ) Temperatura LR - kvadratni člen 20 40 60 80 100 200 400 600 800 1000 1200 1400 Vlaga (%) P o ra b a ( M W ) Vlaga LR - vlaga 0 20 40 60 80 0 0.2 0.4 0.6 0.8 1 Odlog (h) V re d n o st a v to k o re la c ij e 226 KUNSTELJ, REJC, PANTOŠ regije ϕij in porabo električne energije v regiji i pred j-48 in j-72 urami Pi(j-48) in Pi(j-72). εij pomeni ostanek modela. Za dneve, ki so oddaljeni od posebnih dni za štiri do sedem dni, pa uporabimo model, zapisan z enačbo (4). V tem modelu ne upoštevamo porabe električne energije pred j-72 urami.   2 0 1 2 3 4 48ij ij ij ij ji j P T T P              . (4) Model, katerega uporabimo od 1 do 4 dni po posebnem dnevu, pa zapišemo z enačbo (5). Tu ne upoštevamo časovne povezave pred j-48 in j-72 urami. 2 0 1 2 3ij ij ij ij j P T T          . (5) Za napovedovanje posebnih dni uporabimo model, zapisan z enačbo (3), ki kot vhodne parametre vzame vse posebne dni. 2.3.4 Robustna linearna regresija Za učenje regresijskih modelov napovedovanja porabe, opisanih v podpoglavju 2.3.3, uporabimo robustno linearno regresijo (RLR) [15], ki uporablja nadgrajeno metodo najmanjših kvadratov. RLR pomeni izboljšavo klasične metode najmanjših kvadratov, ki je občutljiva na pristnost podatkov, ki pomenijo regresijske osamelce ali vzvodne točke. To so točke, ki znatno vplivajo na oceno regresijskih koeficientov. Da izničimo vpliv vzvodnih točk, moramo določiti uteži, ki dajo vzvodnim točkam manjšo veljavo in s tem manjši vpliv na oceno regresijskih koeficientov. Potencialni kandidati za vzvodne točke so ponavadi ekstremne vrednosti. Regresijske koeficiente za metodo najmanjših kvadratov definiramo z osnovnim modelom linearne regresije: 0 1 1, , ... i i k k i i y x x        . (6) Vrednost i y je vrednost odvisne spremenljivke, k  je moč linearnega člena oziroma vpliv člena na vrednost odvisne spremenljivke, xk,i pomeni neodvisno spremenljivko, v tem primeru temperaturo in vlago, in εi pomeni ostanek. Regresijske koeficiente v matrični obliki enačbe (6) zapišemo kot:   1 T T  b X X X y , (7) kjer je b vektor ocenjenih regresijskih koeficientov, X matrika neodvisnih spremenljivk in y vektor odvisnih spremenljivk. Za izračun regresijskih koeficientov b metode RLR minimiziramo kriterijsko funkcijo S: 2 1 ( ) h i i i S w e  b , (8) kjer je i w utež ostanka, i e ostanek in h število dni, ki so vneseni v regresijski model. Za izračun uteži smo uporabili Tukeyevo metodo bisquare: 2 2 1 , (e ) 0 , i i Bi i i e e k w k e k                (9) Faktor k (ang. tuning constant) je definiran kot 4.685k  . Pri tem je / 0.6745MAR  , kjer je MAR mediana absolutnih ostankov. RLR je iteracijski postopek izračuna regresijskih koeficientov.   (t 1) 1 (t 1) ( ) t T T   b X W X X W y (10) Regresijski vektor koeficientov b se izračuna s pomočjo matrike vhodnih spremenljivk X in uteži. (t 1) 1t i diag w     W , (11) kjer nam (t 1) W pomeni matriko uteži. Prednost metode RLR je v tem, da točke, ki so bolj oddaljene od regresorskega prostora, manj vplivajo na oceno koeficientov b kot pa točke, ki so bliže regresorskega prostora. S tem ko vpeljemo metodo RLR, se nam čas izračuna podaljša, saj je to iteracijska metoda, vendar dobimo bolj robustne ocene koeficientov. Izračun se ustavi, ko dosežemo minimum kriterijske funkcije ( )S b . Zaustavitveni pogoj za izračun koeficientov je naslednji: ( ) ( 1) | ( ) ( ) | t t S S    b b , (12) kjer je S(b (t) ) vrednost kriterijske funkcije v iteraciji t, S(b (t-1) ) je vrednost kriterijske funkcije v iteraciji t-1, δ pa je vnaprej definirana vrednost zaustavitvenega pogoja. 2.4 Združevanje napovedi Da dobimo končno napoved širšega območja, združimo napovedi regij. Skupno napoved izračunamo takole: 1 ˆ ˆ( ) ( ) n s r r P t P t   (13) Vrednost ˆ ( ) s P t pomeni skupno napoved širšega območja v času t, ˆ ( ) r P t pomeni napoved posamezne regije in n število regij. 3 REZULTATI Regijsko napovedovanje smo preizkusili za slovenski EES, kjer smo opazovali porabo, zabeleženo na razdelilnih transformatorskih postajah med prenosnim in distribucijskim omrežjem. S tem smo upoštevali porabo električne energije na distribucijskih omrežjih ter izgube, prisotne na izvodih razdelilnih transformatorskih postaj. Na voljo smo imeli podatke za eno leto. Za določitev regij smo uporabili upravno razčlenitev, ki jo določa Statistični urad RS. Ta razčlenitev vsebuje 12 regij. Napovedovali smo regijsko porabo za november 2012, združene napovedi pa primerjali s klasično napovedjo za širše območje. Klasična napoved je enkratna napoved agregirane porabe za celotno državo. Ker lahko regijske napovedi pridobimo prek napovedi širšega območja in uporabe razmerij med porabo v regiji in širšim območjem, smo prav tako primerjali rezultate s klasičnim načinom napovedi regij in v prispevku predlaganim načinom. Klasično napoved regij podamo z enačbo (14). KRATKOROČNO NAPOVEDOVANJE PORABE ELEKTRIČNE ENERGIJE PO REGIJAH ZA OBMOČJE SLOVENIJE 227 ˆ ˆ ˆ( ) ( ) r r cel cel P P t P t P  (14) ˆ ˆ ˆ( ) ( ) r r cel cel P P t P t P  (14) Vrednost ˆ ˆ ( ) r P t pomeni napoved regije v času t, ˆ( ) cel P t je napovedana vrednost porabe celotnega območja v času t, r P je povprečna poraba regije in cel P je povprečna poraba celotnega območja. Za analizo natančnosti napovedi smo uporabili kazalnik povprečne absolutne odstotne napake (MAPE). Na sliki 8 podamo napovedi porabe za november leta 2012. Opazimo, da so odstopanja napovedi v začetku meseca večja, medtem ko na koncu meseca teh odstopanj ni. Razlog je vpliv praznika v časovni bližini začetka meseca, ta pa vpliva na porabo v časovno bližnjih dneh. Za ta mesec je MAPE napoved 2,784 %, standardni odklon napovedi pa 32,96 MW. Slika 8: Napoved porabe električne energije za november 2012 Na sliki 9 podamo le napoved porabe za prvi teden novembra. Za prvi teden v mesecu, kjer imamo v bližini dva praznika, MAPE doseže vrednost 6,33 odstotka. Slika 9: Napoved porabe električne energije v začetku novembra 2012 Na sliki 10 prikažemo le zadnji teden v novembru. Opazimo dobro prileganje napovedane porabe dejanski porabi za obdobje zadnjega tedna v novembru. V tem obdobju nimamo opravka z nobeno motnjo ali s praznikom, zato so temu primerno kakovostni rezultati. MAPE za ta teden je 1.42 odstotka. Slika 10: Napoved porabe električne energije za zadnje dni novembra 2012 Na sliki 11 za november prikažemo odstopanje napovedi od dejanske porabe v MW. Na sliki vidimo povečana odstopanja na začetku meseca, ta odstopanja pa se z oddaljenostjo od praznikov zmanjšujejo. Na koncu meseca napaka ne preseže 50 MW, kar pomeni 5- odstotno natančnost. Slika 11: Odstopanje napovedane vrednosti od dejanske porabe električne energije Tabela 1 prikazuje analizo natančnosti regijskih napovedi za opazovani mesec november. Te napovedi primerjamo s klasično metodo napovedi širšega območja. Vidimo, da je razlika med metodo regijskega napovedovanja in klasično metodo okvirno 0,37 % v prid regijske metode napovedovanja. Za napoved celotnega območja predlagana metoda poda napovedi z natančnostjo 2,78 %, klasična metoda pa 3,15 %. Regijsko napovedovanje izboljša klasično metodo napovedovanja za 13 %. Če bi napovedovali regijsko porabo z napovedjo širše regije in razmerij med porabo v regiji in širšem območju, bi prav tako imeli slabšo natančnost napovedi regij proti predlagani metodi v članku. 04-11 11-11 18-11 25-11 400 600 800 1000 1200 Dan P ( M W ) Regijsko napovedovanje Dejanski odjem 04-11 400 600 800 1000 1200 Dan P ( M W ) Regijsko napovedovanje Dejanski odjem 25-11 500 600 700 800 900 1000 1100 1200 Dan P ( M W ) Regijsko napovedovanje Dejanski odjem 04-11 11-11 18-11 25-11 -150 -100 -50 0 50 100 150 Dan P ( M W ) Odstopanje napovedi 228 KUNSTELJ, REJC, PANTOŠ Tabela 1: Rezultati napovedi RLR regijske in klasične metode Metoda Regijska Klasična met MAPE(%) MAPE(%) 1 5,187 7,322 2 3,626 6,054 3 4,345 5,635 4 3,929 7,385 5 3,727 4,030 6 4,995 6,784 7 5,797 10,181 8 3,391 13,008 9 5,682 4,713 10 5,598 7,576 11 2,196 6,579 12 11,122 11,020 Skupna napoved 2,784 3,153 4 SKLEP Področje napovedovanja porabe električne energije je ključno za ekonomično obratovanje EES. Z natančnimi kratkoročnimi napovedmi porabe električne energije lahko zmanjšamo nepotrebne stroške obratovanja sistema zaradi dragih izravnav odstopanj med porabo in proizvodnjo električne energije. Ker napovedi širšega območja ne upoštevajo določenih lokalnih geografskih, vremenskih, socialnih in ekonomskih značilnosti, smo v prispevku podali metodo napovedovanja porabe po regijah. Cilj ločevanja širšega območja na manjše regije je izboljšanje natančnosti napovedi, saj lahko pri napovedih z večjo natančnostjo zajamemo lokalne časovne in vremenske značilnosti regij. V prispevku smo opisali primer ločitve območja z upoštevanjem upravnih ločitev regij, način zaznave slabih podatkov in izdelavo modela za napoved. Pri tem smo pogledali, kako je poraba električne energije odvisna od vremenskih vplivov in časa. Metodo smo preizkusili na primeru Slovenije. Rezultati potrjujejo uporabnost predlagane metode, saj nam regijsko napovedovanje poda boljšo napoved kot napovedovanje širšega območja. Zaradi pomanjkanja vhodnih podatkov oz. omejenosti na eno leto smo lahko metodo testirali le na enem mesecu, metodo pa bomo s pridobitvijo novih podatkov v prihodnosti testirali tudi za daljše obdobje. Dodana prednost napovedovanja po regijah je tudi pridobitev informacij o obnašanju manjših območij v državi. Ta informacija lahko dodatno pomaga pri vodenju EES, angažiranju proizvodnih enot ipd.