Обобщенная Модель Предсказания Потребления Природного газа






Параметр представляет или , зависящие от того, как мы учитываем потребление по потребителям, эквивалентно (3) или общее потребление региона, эквивалент (6). Таким образом, мы видим, что представляемая модель может соединять среднесрочные изменения потребления со временем. В действительности, наша модель может воспроизводить потребление данного региона для периода времени, включающего 4 -7 лет с такими же параметрами. Завершающий анализ для краткосрочного периода потребления – это анализ выходных и праздничных дней. Из анализа данных мы можем воспроизводить данные для большинства регионов Аргентины, используя фактор, который снижает значение, предсказанное по модели приблизительно на 10% в пятницы и около 15% в субботы и праздничные дни. Рисунок 6 показывает сравнение между предсказанием по модели и наблюдаемое потребление для общей постоянной составляющей потребления природного газа для регионов Gba. Этот тип соглашения – образец качества подходящего найденного для большинства регионов исследования. Мы наблюдали, что в 95% дней согласие между моделью и реальными данными приблизительно 10%. Интересно отметить, что предсказание по этой модели более трудоемкое, чем предсказание по температуре. Это потому что эффективная температура зависит только частично от прогнозируемой температуры, включающей неточности, и частично от температуры предшествующих дней, которые уже были измерены.

Основная причина этого утверждения в том, что температуры, ожидаемые в ближайшем прошлом, могут также ожидаться в будущем с той же вероятностью. Здесь мы считаем, что возможные глобальные температурные изменения имеют незначительный эффект в рассматриваемый период времени (1 -10 лет). Этот тип глобальных изменений ожидается на уровне 1 в 100 лет [7]. Однако, используя исторические данные, основанные на температуре, мы можем получить эффективную температуру для всего периода времени. Из гистограммы частоты появления температуры мы просто можем получить вероятность появления температуры в будущем. Комбинируя эти вероятности с моделью предсказания, с параметрами, установленными как обсужденные в предыдущем разделе, мы можем получить вероятность появления данного режима потребления для любого года в ближайшем будущем. Развитие потребления со временем уже содержится в параметре, обозначенном в выражениях (3),(4) и (6). Поэтому, мы можем предсказать для любого региона и года в среднесрочный период вероятность распределения потребления. На рисунке 7 мы представляем соответствующее распределение, учитывая как справочный 2000 год и соответствующий прогноз на 2001 год. На этом рисунке мы представляем вероятность потребления, выраженную в тысячах кубических метрах в день в период в количественном выражении дней года, в которых потребление обозначенное на вертикальной оси наиболее вероятно произойдет. Этот вид информации позволяет нам оценить количество дней в данном году в будущем, для которого можно достигнуть данного значения. Поэтому модель позволяет нам определить оптимальное значение газа, которое может быть адекватно указанному в контракте (резервное значение) с производителями и поставщиками. Этот тип распределения также полезен для оценки Нагрузочного Фактора (LF), определенного в выражении (2), так как модель позволяет нам получить и среднее потребление <Q>, и максимальное потребление для данного года.

Зависимость Между Дневным и Месячным Распределением Потребления – Факторы Нагрузки

В этом разделе мы представляем новую процедуру, которая устанавливает связь между дневным и месячным распределением потребления. Эта связь позволяет оценить факторы нагрузки с помощью информации, полученной из ежемесячных актов. Более того, эта процедура позволяет получит факторы нагрузки для разных типов потребителей в данном регионе. Математическая модель описания теории, предложенная здесь, основана на предположении, что суточное потребление природного газа может быть описано моделью, зависящей от температуры, как описано в выражении (10). Мы также предполагаем, что каждый месяц в году значения температур имеют вероятностное распределение, которое хорошо аппроксимируется нормальным распределением, со средним значением, Tmonth, зависящим от месяца года, и средним отклонением, , которое также может зависеть от рассматриваемого месяца. На рисунке 8 представлена гистограмма средних дневных температур для июля Gba, использующая данные о наблюдаемых температурах для этого месяца с 1944 по 2000. на рисунке также обозначено соответствующее нормально распределение. Можно увидеть, что нормальное распределение близко приближено к реальным данным. Это соглашение сохраняется для всех месяцев года. На рисунке 10 представлено распределение среднего значения, Tmonth, как функции месяца для Gba, используя подобную базу данных как на рисунке 9. Полоса ошибки на графике представляет значение среднего отклонения, . В этом случае, было практически постоянным ().

Если используем эффективную температуру вместо средних температур для описания месячного распределения температуры, получим такой же результат. Таким образом, все результаты, рассмотренные здесь могут быть применены к обоим распределениям: среднесуточному и эффективной температуры.

Распределение среднесуточной температуры
для июля

Рисунок 8 – Распределение среднесуточной температуры для июля Gba.

Алгоритм: если ежедневное потребление газа описывается моделью, представленной в выражении (10) и среднесуточные температуры хорошо аппроксимируются нормальным распределением со средним значением и средним отклонением тогда возможно получить месячное потребление, представленное переменной Qmonth. Эта величина – среднесуточное потребление за рассматриваемый месяц. Очевидно, значение может быть получено, взяв взвешенное среднее дневного потребления Q(T) с соответствующим нормальным весом.

Интеграл в выражении (12) может быть просто найден, используя теорему о свертке преобразования Фурье, подробнее смотри в приложении. Результат имеет вид:

где Tmonth представляет среднюю месячную температуру и параметр, который определяет ширину распределения:

Значение Qmonth – среднее дневное потребление за месяц. Общее потребление для целого месяца будет результатом Qmonth по количеству дней в соответствующем месяце. Выражения (13) и (14) указывает, что есть связь между ежедневным распределением потребления и месячным распределением. Последняя информация может быть получена из ежемесячных актов.

Из графика зависимости Qmonth от Tmonth возможно проверить обоснованность выражения (13) и получить параметры модели (Qo, f,To,dTmonth). Один раз месячное распределение хорошо характеризовалось, используя (14) и зная дневную температуру каждого дня месяца, мы можем использовать выражение (10) для оценки распределения ежедневного потребления.

В частности, ежедневное распределение полезно для оценки максимального ежедневного потребления для данного года, Qmax, которое является важным параметром для определения фактора нагрузки каждого типа потребителей, смотри выражение (2), и оптимизирующим резервные запасы. Процедура для выполнения этой оценки следующая: из данных актов мы можем получить параметры, характеризующие выражение (13). Затем используя (14), можем получить распределение ежедневного потребления. Значение Qmax может быть вычислено из минимума эффективной температуры, Tmin, в период обучения, используя выражение:

Из информации актов за рассматриваемый период времени также возможно получить среднее ежедневное потребление, <Q>. Поэтому, используя (2) фактор нагрузки для каждого типа потребителей может быть вычислен.

В соответствии с проверкой обоснованности настоящей математической модели описания теории мы должны применить модель к случаю устойчивого потребления для региона Gba. Для этого случая общее дневное потребление берется из прямых измерений. Ежемесячное потребление и ежедневная температура также известны. Полезно обратить внимание, что когда мы берем среднюю ежемесячную температуру, результат в основном такой же, как если бы мы использовали среднюю ежедневную температуру или эффективную температуру.

Мы выполнили второй тест настоящей математической модели описания теории для утверждения связи между ежедневным и ежемесячным распределением потребления, используя метод Монте Карло. Это очень мощная методика моделирования данных с известной вероятностью распределения. Используя наблюдаемое распределение потребления для Gba и наблюдаемое температурное распределение, мы можем производить «искусственное» ежедневное потребление с заданной уровнем дисперсии, 15% в нашем случае. Более того, эта методика позволяет нам исследовать необычные сценарии потребления, для которых мы можем не иметь действительных данных, в исследовании которых мы заинтересованы. Мы можем увидеть, что данные ежемесячного потребления схожи с предсказанием ежемесячного распределения, таким образом, подтверждая обоснованности модели.

Итак, обоснованность модели, устанавливающей связь с ежедневным и ежемесячным распределения потребления, установлена тремя процедурами:

a) математическими преобразованиями аналитического распределения, используя теорему о свертке преобразования Фурье;

b) прямым сравнением действительных данных потребления, используя постоянную потребления для случая Gba;

c) моделирование данных о потреблении по Монте Карло в применении к случаю Gba. Во всех тестах выполняются, мы имеем подтверждение обоснованности предложенной математической модели установления связи между ежедневным и ежемесячным распределениями.

Выводы

В этой работе мы представляем модель, развиваемую для предсказания потребления природного газа в краткосрочный (от 2 до 5 дней) и среднесрочный периоды (от 1 до 5 лет). Модель может быть применена для предсказания потребления различных типов потребления и также полезна для предсказания максимального потребления в среднесрочный период. Эта информация полезна как для приспособления инфраструктуры транспортировки так и для оценки оптимальных резервных запасов. Предсказания модели были успешно применены ко всем главным городам Аргентины. Предсказания краткосрочного периода схожи с исследуемым потреблением в пределах 10% -90% дней. Неопределенности среднесрочного периода предсказания находятся в пределах 12%. Эта модель может быть рассмотрена (расценена) как приближение первого порядка, в котором наиболее сложный анализ может быть сделан для улучшения его точности такой, чтобы минимизировалась корреляция отклонения данных с соблюдением предсказания модели.

Модель, представленная здесь, оказывается полезным объединением между ежедневным и ежемесячным распределением потребления. Эту связь полезна для получения, очень экономично, ежедневного распределения потребления для различных сегментов потребителей в данном регионе. А также позволяет нам оценить высшую точку потребления в среднесрочном периоде и извлечь фактор нагрузки из информации ежемесячного акта. Эта альтернатива очень привлекательна экономически, со времени ее использования не нуждается в дорогостоящих дополнительных измерениях.

Перевод с английского языка Алексеева Е.В
Источник: S.Gil, J.Deferrari. "Generalized Model of prediction of Natural Gas Consumption"




Источник
Похожее на нашем портале

История возникновения Руси История возникновения Руси

Цитата сообщения Виктор_СтароверовЪ История возникновения Руси О русских(скифах) написано еще в Ветхом Завете.Там они упоминаются в ряду: евреи- эллины- скифы.

Лечение эпилепсии народными средствами. Лечение эпилепсии народными средствами.

0 Эпилепсия – это хроническое заболевание коры головного мозга, с нарушением мышечной активности, вследствие чего у больного случаются приступы, характеризующиеся сильным сокращением всей мышечной системы и судорогами.

Наш герой: Кирилл Жандаров Наш герой: Кирилл Жандаров

Наш герой: Кирилл Жандаров Кирилл Жандаров – очень востребованный актер. Когда он давал интервью, телефон все время трезвонил, и приходили sms о предложении очередного сценария.

Ознакомьтесь