Анализ применимости различных методов машинного обучения для прогнозирования почасового газопотребления в разрезе газотранспортных обществ
УДК: 681.5:622.279
DOI: 10.33285/2782-604X-2023-6(599)-5-14
Авторы:
ПАНКРАТОВ СЕРГЕЙ НИКОЛАЕВИЧ
1,
КАЗАК АЛЕКСАНДР СОЛОМОНОВИЧ2,
ЛОБАНОВ АНДРЕЙ НИКОЛАЕВИЧ1,
ГОРЛОВ ДМИТРИЙ ВЯЧЕСЛАВОВИЧ2
1 Газпром, Cанкт-Петербург, Россия
2 НИИгазэкономика, Москва, Россия
Ключевые слова: машинное обучение, нейронные сети, линейная регрессия, краткосрочное прогнозирование, газопотребление, диспетчерское управление
Аннотация:
В процессе оперативного диспетчерского управления режимами Единой системы газоснабжения (ЕСГ) для выработки обоснованных управленческих решений необходимо прогнозировать изменения внешних факторов, влияющих на функционирование ЕСГ. Важнейший внешний фактор – объемы потребления газа. На основе прогнозов поставки газа потребителям формируются диспетчерские задания для газотранспортных, газодобывающих обществ, для подземных хранилищ газа. При этом в силу большой протяженности газотранспортной системы (ГТС) и технологических особенностей объектов добычи время реакции всей ГТС на изменение оперативной ситуации может составлять несколько суток. По этой причине точность прогнозирования внутреннего потребления газа по ГТС ЕСГ как основной статьи расходной части баланса является ключевым условием принятия правильных управленческих решений при оперативном диспетчерском управлении ГТС ЕСГ.
Список литературы:
1. Šebalj D., Mesarić J., Dujak D. Predicting Natural Gas Consumption – A Literature Review // Proc. of the 28th Central European Conf. on Information and Intelligent Systems, Sept. 27–29, 2017, Varaždin, Croatia. – P. 293–300. – URL: https://bib.irb.hr/datoteka/895588.clanak.pdf
2. Shyh-Jier Huang, Kuang-Rong Shih. Short-term load forecasting via ARMA model identification including non-Gaussian process considerations // IEEE Transactions on Power Systems. – 2003. – Vol. 18, Issue 2. – P. 673–679. – DOI: 10.1109/TPWRS.2003.811010
3. Al-Hamadi H.M., Soliman S.A. Long-term/mid-term electric load forecasting based on short-term correlation and annual growth // Electric Power Systems Research. – 2005. – Vol. 74, Issue 3. – P. 353–361. – DOI: 10.1016/j.epsr.2004.10.015
4. Развитие системы поддержки принятия диспетчерских решений на базе современных подходов к оперативному краткосрочному прогнозированию отбора газа потребителями в зоне ЕСГ / С.Н. Панкратов, В.В. Дедкова, А.Н. Лобанов [и др.] // Газовая пром-сть. – 2021. – № S4(825). – С. 58–64.
5. Мюллер А., Гвидо С. Введение в машинное обучение с помощью Python. Руководство для специалистов по работе с данными: пер. с англ. – Пермь: Гевисста, 2017. – 393 с.
6. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. – М.: Наука, 1974. – 415 с.
7. Воронцов К.В. Лекции по линейным алгоритмам классификации. – URL: http://www.machinelearning.ru/wiki/images/6/68/voron-ML-Lin.pdf
8. Kuhn M. Building Predictive Models in R Using the caret Package // J. of Statistical Software. – 2008. – Vol. 28, Issue 5. – P. 1–26. – DOI: 10.18637/jss.v028.i05
9. Muggeo V.M.R. Estimating regression models with unknown break-points // Statistics in Medicine. – 2003. – Vol. 22, Issue 19. – P. 3055–3071. – DOI: 10.1002/sim.1545
10. Р Газпром 173-2019. Краткосрочное оперативное планирование потоков газа по Единой Системе Газоснабжения. – СПб.: Газпром экспо, 2020.
Назад в номер