АНАЛИЗ ВОЗМОЖНОСТИ ПРИМЕНЕНИЯ МУЛЬТИАГЕНТНЫХ СИСТЕМ В ЗАДАЧЕ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ ЭЛЕКТРОТЕХНИЧЕСКОГО КОМПЛЕКСА ПРЕДПРИЯТИЯ НЕФТЕГАЗОВОЙ ПРОМЫШЛЕННОСТИ

А.И. Степанова; А.И. Хальясмаа; П.В. Матренин

doi:10.14529/power240205

Авторы

А.И. Степанова Уральский федеральный университет имени первого Президента России Б.Н. Ельцина
А.И. Хальясмаа Уральский федеральный университет имени первого Президента России Б.Н. Ельцина
П.В. Матренин Уральский федеральный университет имени первого Президента России Б.Н. Ельцина

DOI:

https://doi.org/10.14529/power240205

Ключевые слова:

краткосрочное прогнозирование потребления электрической энергии, нефтегазовая промышленность, мультиагентная система

Аннотация

Электротехнические установки и комплексы в нефтегазовой промышленности относятся к объектам критической инфраструктуры. Одно из требований к электротехническому комплексу заключается в соответствии требованиям по обеспечению энергосбережения и энергетической эффективности. Ввиду сложности учета технологических процессов на предприятиях нефтегазовой промышленности, в основном, применяются технические меры, требующие значительных капиталовложений. В данной статье рассматривается возможность внедрения организационной меры, которая заключается в прогнозировании электропотребления предприятия нефтегазовой промышленности. Для демонстрации проблемы прогнозирования, которая заключаются в высокой доле апериодических составляющих графика потребления и его высокой дисперсии, в статье представлен пример на реальных данных. Для решения указанной проблемы в статье анализируется возможность применения мультиагентных систем при реализации организационной меры по повышению энергетической эффективности за счет краткосрочного прогнозирования потребления электрической энергии предприятиями. В статье предложена мультиагентная система, включающая агентов-потребителей (с учетом потребителей-регуляторов), агентов-генераторов и агентов-накопителей. При построении слабосвязанной сети агенты стремятся к решению не только собственной, но и общей целевой функции системы, которая состоит в обеспечении баланса мощности и уменьшении расходов на электрическую энергию. Показано, что возможно снизить расходы предприятия за счет прогнозирования потребления агентами-потребителями, нахождения оптимального графика собственной генерации, накопления электрической энергии и включенности потребителей-регуляторов. В рамках данного исследования для каждого агента определены целевая функция, входные и выходные потоки данных.

Скачивания

Данные скачивания пока недоступны.

Биографии авторов

А.И. Степанова, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина

м.н.с. научной лаборатории цифровых двойников в электроэнергетике

А.И. Хальясмаа, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина

канд. техн. наук, доц., заведующий научной лаборатории цифровых двойников в электроэнергетике

П.В. Матренин, Уральский федеральный университет имени первого Президента России Б.Н. Ельцина

канд. техн. наук, ведущий научный сотрудник кафедры электротехники

Библиографические ссылки

Федеральный закон от 23 ноября 2009 г. № 261-ФЗ. Об энергосбере-жении и о повышении энергетической эффективности, и о внесении измене-ний в отдельные законодательные акты Российской Федерации (с изменения-ми и дополнениями).

Айжанова Г.О. Современное состояние и перспективы развития нефте-газовой отрасли России / Г.О. Айжанова // Наука и общество: проблемы со-временных исследований. XIII Международная научно-практическая конфе-ренция. – 2019. – №3. – С.52-58.

Политика компании в области повышения энергоэффективности и энер-госбережения № П2-04.02 П-01. Роснефть. (с изменениями, утвержденными решением Правления ПАО «НК «Роснефть» (протокол заседания от 30.06.2017 №Пр-ИС-22п), введенными в действие приказом ПАО «НК «Рос-нефть» от 28.08.2017 № 489). – М.: НК Роснефть. – 2014. – 17с.

Программа энергосбережения и повышения энергетической эффектив-ности ООО «Газпром добыча Иркутск» на 2023–2025 гг. – https://irkutsk-dobycha.gazprom.ru/d/textpage/61/97/programma-eheh-2023-2025.pdf (дата обращения: 12.02.2024).

Газпром. Энергосбережение и энергоэффективность. – https://www.gazprom.ru/sustainability/environmental-protection/energy-conservation/ (дата обращения: 12.02.2024).

Матренин, П.В. Среднесрочное прогнозирование почасовых тарифов на электроэнергию с помощью ансамблевых методов / П.В. Матренин, А.Ю. Арестова, Д.В. Антоненко // Проблемы региональной энергетики. – 2022. – №2(54). – С.26-36.

Lee, E. Load Profile Segmentation for Effective Residential Demand Re-sponse Program: Method and Evidence from Korean Pilot Study. Energies, 2020, vol.13(6), no. 1348. doi: 10.3390/en13061348.

Канапелько, Р.А. Российская и зарубежная практика взаимодействия корпоративных и властных структур оптового рынка электроэнергии и мощности / Р.А. Канапелько // Экономика и бизнес: теория и практика. – 2019. № 2. С.47-51.

Об оценке электропотребления погружного электрооборудования на физической модели / С. В. Мишуринских, А. Б. Петроченков, А. В. Ромодин, А. В. Ляхомский, Е. Н. Перфильева // Промышленная энергетика. – 2020. – № 8. – С.26-33.

Серебряков, Н.А. Выбор оптимальной архитектуры и конфигу-рации нейросети в задачах краткосрочного прогнозирования электропо-требления гарантирующего поставщика электроэнергии / Н.А. Серебряков // Вести высших учебных заведений черноземья. – 2021. – Т.17. – №2(64). – С.26-42.

Li K., Yang Z., Li D., Xing Y. Y., Nai W. A Short-Term Forecasting Approach for Regional Electricity Power Consumption by Considering Its Co-movement with Economic Indices. 2020 IEEE 5th Information Technology and Mechatronics Engineering Conference (ITOEC), 2020, pp.551-555. doi: 10.1109/ITOEC49072.2020.9141928.

Klyuev R.V., Morgoeva A.D., Gavrin O.A., Bosikov I.I., Morgoev I.D. Forecasting planned electricity consumption for the united power system us-ing machine learning. Journal of Mining Institute, 2023, T. 261, pp.392-402.

Rusina A.G., Filippova T.A., Kalinin A.E., Terlyga N.S. Short-Term Electricity Consumption Forecast in Siberia IPS Using Climate Aspects. 19th In-ternational Conference of Young Specialists on Micro/Nanotechnologies and Elec-tron Devices (EDM), 2018, pp.6403-6407. doi:10.1109/EDM.2018.8435002.

Babich L., Svalov D., Smirnov A., Babich M. Industrial Power Con-sumption Forecasting Methods Comparison. 2019 Ural Symposium on Biomedi-cal Engineering, Radioelectronics and Information Technology (USBEREIT), 2019, pp. 307-309, doi: 10.1109/USBEREIT.2019.8736640.

Блохин А.В. Исследование факторов, влияющих на потребление электроэнергии коммерческим предприятием / А.В. Блохин, А.С. Грицай, А.Ю. Горшенин // Математические структуры и моделирование. – 2022. – №3(63). – С.39-47.

Sergeev N., Matrenin P. Improving Accuracy of Machine Learning Based Short-Term Load Forecasting Models with Correlation Analysis and Fea-ture Engineering. 2023 IEEE 24th International Conference of Young Profession-als in Electron Devices and Materials (EDM), 2023, pp. 1000-1004, 2023. doi: 10.1109/EDM58354.2023.10225058.

Balaji, P.G. Srinivasan D. An Introduction to Multi-Agent Systems. Innovations in Multi-Agent Systems and Applications-1. Studies in Computational Intelligence, 2010, vol 310, pp.1-27. – doi: 10.1007/978-3-642-14435-6_1.

Bui V-H., Hussain A., Kim H-M. Q-Learning-Based Operation Strat-egy for Community Battery Energy Storage System (CBESS) in Microgrid Sys-tem. Energies, 2019, vol.12(9), no. 1789. doi: 10.3390/en12091789.

Zhou H., Erol-Kantarci H. Correlated Deep Q-learning based Mi-crogrid Energy Management. 2020 IEEE 25th International Workshop on Com-puter Aided Modeling and Design of Communication Links and Networks (CAMAD), 2020, pp. 1-6. – doi: 10.1109/CAMAD50429.2020.9209254.

Arwa E.O., Folly K.A. Improved Q-learning for Energy Management in a Grid-tied PV Microgrid. SAIEE Africa Research Journal, 2021, vol.112, no. 2, pp. 77-88. doi: 10.23919/SAIEE.2021.9432896.

Li Q., Lin T., Yu Q., Du H., Li J., Fu X., Li Q. Review of Deep Rein-forcement Learning and Its Application in Modern Renewable Power System Control. Energies, 2023, vol.16(10), no. 4143. – doi: 10.3390/en16104143.

Yu Q., Wang X., Lv D., Qi B., Wei Y., Liu L., Zhang P., Zhu W., Zhang W. Data Fusion and Situation Awareness for Smart Grid and Power Communication Network Based on Tensor Computing and Deep Reinforcement Learning. Electronics, 2023, vol. 12(12), no. 2606. – doi:10.3390/electronics12122606.

Павлов Н.В. Разработка алгоритма обучения мультиагентной си-стемы управления электротехническим комплексом нефтегазового предприя-тия с распределенной генераций / Н.В. Павлов, А.Б. Петроченков // Электро-техника. – 2022. – №11. – С.11-17.

Павлов Н.В. Разработка мультиагентной системы управления электрическими режимами электротехнического комплекса нефтегазодобы-вающего предприятия с распределенной генерацией / Н.В. Павлов, А.Б. Пет-роченков // Вестник пермского национального исследовательского политех-нического университета. Электротехника, информационные технологии, си-стемы управления. – 2022. – №42. – С.151-177.

Хальясмаа А.И. Интеллектуальные мультиагентные системы в электроэнергетике / А.И. Хальясмаа, С.А. Ерошенко, И.Ф. Юманова, А.И. Степанова, П.В. Матренин. – Новосибирск: Новосибирский государственный технический университет, 2023. – 222 с.

ГОСТ Р ИСО 9001-2008. Системы менеджмента качества. Требо-вания. – М.: Стандратинформ, 2010. – 31с.

Pavlov N. V., Petrochenkov A. B. Multi-agent Approach to Model-ing of Electrotechnical Complexes Elements at the Oil and Gas Production En-terprises. 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus), 2021, pp. 1504-1508. doi: 10.1109/ElConRus51938.2021.9396506.