Optimalizace osazování odběrných míst inteligentními plynoměry

Podobné dokumenty
Predikce roční spotřeby zemního plynu po ceníkových pásmech

Chyby měření 210DPSM

KGG/STG Statistika pro geografy

Projekt TDD ČR. POPIS MODELU TDD verze 3.2

Třídy typových diagramů dodávky

Projekt TDD ČR. POPIS MODELU TDD verze 3.5

= = 2368

Mikropilot pro SmVaK. Cíle mikropilotu. Zadání mikropilotu

(3) Měření elektřiny se člení na a) přímé měření, kdy elektroměrem prochází veškerá měřená elektřina a nejsou použity měřicí transformátory,

Vyhláška č. 82/2011 Sb.

Testování statistických hypotéz. Ing. Michal Dorda, Ph.D.

Úvod do problematiky měření

Striegler, Radim 2012 Dostupný z

Setkání starostů a místostarostů Středočeského kraje 29.Září 2009 Slaný

POPIS MODELU TDD verze 3.3

Testování hypotéz o parametrech regresního modelu

Testování hypotéz o parametrech regresního modelu

JEDNOVÝBĚROVÉ TESTY. Komentované řešení pomocí programu Statistica

Náhodná veličina a rozdělení pravděpodobnosti

PRŮZKUM VÝŽIVY LESA NA ÚZEMÍ ČESKÉ REPUBLIKY

P13: Statistické postupy vyhodnocování únavových zkoušek, aplikace normálního, Weibullova rozdělení, apod.

Náhodná proměnná. Náhodná proměnná může mít rozdělení diskrétní (x 1. , x 2. ; x 2. spojité (<x 1

Pavel Kraják

Vyhláška kterou se stanoví podrobnosti měření elektřiny a předávání technických údajů

You created this PDF from an application that is not licensed to print to novapdf printer (

POPIS MODELU TDD verze 3.4

Určení modelu TDD dle platné legislativy. OTE, a.s. 2016

Regulační diagramy (RD)

Lineární regrese. Komentované řešení pomocí MS Excel

Semestrální práce. 2. semestr

Protokol č. 1. Tloušťková struktura. Zadání:

Postup pro kalibraci vyměřené zkušební dráhy pro stanovení konstanty vozidla W a účinného obvodu pneumatik (dále jen dráhy )

3/8.4 PRAKTICKÉ APLIKACE PŘI POUŽÍVÁNÍ NEJISTOT

Stanovení akustického výkonu Nejistoty měření. Ing. Miroslav Kučera, Ph.D.

Tomáš Karel LS 2012/2013

Nastavení parametrů PID a PSD regulátorů

Posouzení přesnosti měření

EVROPSKÉHO PARLAMENTU A RADY

E(X) = np D(X) = np(1 p) 1 2p np(1 p) (n + 1)p 1 ˆx (n + 1)p. A 3 (X) =

Základy popisné statistiky

Charakteristika datového souboru

TLOUŠŤKOVÁ A VÝŠKOVÁ STRUKTURA A JEJÍ MODELOVÁNÍ

PŘÍLOHY NAŘÍZENÍ KOMISE (EU)

Normální (Gaussovo) rozdělení

1. Přednáška. Ing. Miroslav Šulai, MBA

2. způsob stanovení velikosti jednotlivých sumárních regulačních záloh,

Bodové a intervalové odhady parametrů v regresním modelu

OTEVÍRÁME DVEŘE NOVÝM MOŽNOSTEM. Jan Svoboda, CTO Luděk Volf, CEO

VALIDACE GEOCHEMICKÝCH MODELŮ POROVNÁNÍM VÝSLEDKŮ TEORETICKÝCH VÝPOČTŮ S VÝSLEDKY MINERALOGICKÝCH A CHEMICKÝCH ZKOUŠEK.

KOMBINATORIKA, PRAVDĚPODOBNOST, STATISTIKA. Charakteristiky variability. Mgr. Jakub Němec. VY_32_INOVACE_M4r0120

401/2010 Sb. VYHLÁŠKA

Testování hypotéz. 1. vymezení základních pojmů 2. testování hypotéz o rozdílu průměrů 3. jednovýběrový t-test

Bilance nejistot v oblasti průtoku vody. Mgr. Jindřich Bílek

3 Přiřazení příslušného typu měření (1) Měřením typu A se vybavují měřicí místa. 1. zahraniční plynárenskou soustavou,

TDD 2015 ČPS -

Určujeme neznámé hodnoty parametru základního souboru. Pomocí výběrové charakteristiky vypočtené z náhodného výběru.

STATISTIKA A INFORMATIKA - bc studium OZW, 1.roč. (zkušební otázky)

SEMESTRÁLNÍ PRÁCE UNIVERZITA PARDUBICE. Fakulta chemicko - technologická Katedra analytické chemie

Energetické úspory ve firemním prostředí

PRŮZKUMOVÁ ANALÝZA JEDNOROZMĚRNÝCH DAT Exploratory Data Analysis (EDA)

MATEMATICKO STATISTICKÉ PARAMETRY ANALYTICKÝCH VÝSLEDKŮ

Vyhláška č. 401/2010 Sb.

Stanovení manganu a míry přesnosti kalibrace ( Lineární kalibrace )

PILOTNÍ PROJEKTY SKUPINY ČEZ Z OBLASTI SMART GRIDS

O MOŽNOSTI ADJUSTACE IMISNÍCH KONCENTRACÍ NA METEOROLOGICKÉ PODMÍNKY. RNDr. Josef Keder, CSc.

Pravděpodobnost, náhoda, kostky

Návrh VYHLÁŠKA ze dne 2017,

Statistické řízení jakosti - regulace procesu měřením a srovnáváním

UNIVERZITA OBRANY Fakulta ekonomiky a managementu. Aplikace STAT1. Výsledek řešení projektu PRO HORR2011 a PRO GRAM

PowerOPTI Poznat Řídit Zlepšit. Vyhodnocení a řízení účinnosti kotle

veličin, deskriptivní statistika Ing. Michael Rost, Ph.D.

EXPERIMENTÁLNÍ MECHANIKA 2 Přednáška 5 - Chyby a nejistoty měření. Jan Krystek

Resolution, Accuracy, Precision, Trueness

Vyhláška č. 82/2011 Sb.

Testování hypotéz. Testování hypotéz o rozdílu průměrů t-test pro nezávislé výběry t-test pro závislé výběry

Tisková zpráva k cenovým rozhodnutím ERÚ č. 7/2015 a č. 8/2015, o regulovaných cenách souvisejících s dodávkou elektřiny pro rok 2016

Jestliže se jedná o přepis odběrného místa zemního plynu, nezapomeňte vyplnit tabulky Využívané plynové spotřebiče a Typ nemovitosti.

Zavádění inteligentního měření v EU a ČR.

Inovace bakalářského studijního oboru Aplikovaná chemie

Zápočtová práce STATISTIKA I

Praktická statistika. Petr Ponížil Eva Kutálková

Pravděpodobnost v závislosti na proměnné x je zde modelován pomocí logistického modelu. exp x. x x x. log 1

Obecné zásady interpretace výsledků - chemické ukazatele

Semestrální práce. 2. semestr

SMLOUVA O SDRUŽENÝCH SLUŽBÁCH DODÁVKY ELEKTŘINY

210/2011 Sb. VYHLÁŠKA ČÁST PRVNÍ OBECNÁ ČÁST

, Brno Hanuš Vavrčík Základy statistiky ve vědě

Porovnání dvou výběrů

Projekt TDD ČR. POPIS MODELU TDD verze 3.1

Intervalová data a výpočet některých statistik

Legislativní balíček Čistá energie pro všechny Evropany a vztah k NAP SG

DOSAVADNÍ STRATEGIE BYLA DOPLNĚNA O NOVÝ PILÍŘ, KTERÝ UMOŽNÍ, ABY SE ČEZ STAL LEADEREM TAKÉ V INOVACÍCH A SPOLEČENSKÉ ODPOVĚDNOSTI

Návrh a vyhodnocení experimentu

Obchodování na trhu s plynem dle NC BAL. OTE, a.s. Dušan Laco

Přenos signálů, výstupy snímačů

Stanovení nejistot při výpočtu kontaminace zasaženého území

Pravděpodobnost, náhoda, kostky

Transkript:

Optimalizace osazování odběrných míst inteligentními plynoměry Ondřej Konár, Marek Brabec, Ivan Kasanický, Marek Malý, Emil Pelikán Ústav informatiky AV ČR, v.v.i. ROBUST 2012 Němčičky 14. září 2012

Měření spotřeby zemního plynu Typy měření Existují tři způsoby měření: Měření typu A průběhové, s dálkovým přenosem Měření typu B průběhové, bez dálkového přenosu Měření typu C bez průběhového měření V posledním případě typicky různé intervaly odečtu. ROBUST 2012 Němčičky 14. září 2012 2 / 22

Inteligentní měřidlo Rozdíly oproti měření typu A Téměř spojité měření. Monitoring kvality dodávané energie. Automatická varování (výpadky napájení apod.) Obousměrná komunikace. ROBUST 2012 Němčičky 14. září 2012 3 / 22

Osazování inteligentními měřidly Optimalizace osazování odběrných míst inteligentními plynoměry Inteligentní měřidla jsou nákladná (řádově 10000 Kč). Nezanedbatelné náklady na osazování (zejména u izolovaných odběrných míst). Osazení všech odběratelů je dlouhodobá záležitost (i v bohatých zemích). Otázkou je, jak osazovat s co největším ziskem. ROBUST 2012 Němčičky 14. září 2012 4 / 22

Model TDD Základní princip Optimalizace osazování odběrných míst inteligentními plynoměry Model TDD (Pelikán et al. Robust 2008) Y ikt = P ik f kt (T t ) + ε ikt, kde Y ikt je spotřeba zákazníka i třídy k ve dni t, P ik je individuální parametr zákazníka, f kt (T t ) je strukturální část modelu, T t je průměrná denní teplota ve dni t, ε ikt je náhodná složka s nulovou střední hodnotou a rozptylem úměrným P ik. ROBUST 2012 Němčičky 14. září 2012 5 / 22

Model TDD Hlavní problémy I Model je používán pro odhad čehokoliv za jakýchkoli okolností. Predikce spotřeby (až na rok dopředu). Náhrada odečtu (tj. odhad individuální spotřeby). Určování ceny. a další (dle fantazie uživatele). ROBUST 2012 Němčičky 14. září 2012 6 / 22

Model TDD Hlavní problémy II Výběr průběhově měřených zákazníků pro odhad parametrů je nereprezentativní. Ve výběru jsou silně zastoupeni zákazníci s větší spotřebou. Zákazníci s velkou spotřebou mají výrazně jiný tvar teplotní závislosti. Model TDD zejména na celém kmeni nadhodnocuje spotřebu v teplých obdobích. ROBUST 2012 Němčičky 14. září 2012 7 / 22

Model TDD Hlavní problémy III Data jsou velmi nevěrohodná (zejména některé kriteriální proměnné pro klasifikaci zákazníků). ROBUST 2012 Němčičky 14. září 2012 8 / 22

Model TDD Hlavní problémy IV Někteří zákazníci vykazují vysokou časovou variabilitu případně trend ve spotřebě. 0e+00 1e+05 2e+05 3e+05 4e+05 2008 03 31 2009 04 05 2010 03 29 2011 04 10 ROBUST 2012 Němčičky 14. září 2012 9 / 22

Možnosti využití dat z inteligentních měřidel (Nejen) z pohledu modelu TDD Vylepšení vzorku dat pro odhad parametrů modelu TDD (větší rozsah i reprezentativnost). Měření obtížně modelovatelných zákazníků (teoreticky zvýšení výsledné přesnosti modelu) Měření ztrát v uzavřených částech distribuční sítě (nutno osadit všechna odběrná místa v lokalitě). ROBUST 2012 Němčičky 14. září 2012 10 / 22

Požadavky na osazení měřidel Optimalizace osazování odběrných míst inteligentními plynoměry Požadavky plynoucí z různých potenciálních využití naměřených dat jsou poněkud protichůdné: Pokud možno náhodný výběr. Osazovat přednostně zákazníky s vysokou variabilitou. Osazení kompletních uzavřených lokalit. Geografická blízkost osazovaných měřících míst. ROBUST 2012 Němčičky 14. září 2012 11 / 22

Návrh řešení Co plynařům poradit? Část měření osadit zcela náhodně (případně s ohledem na zvýšení reprezentativity současného průběhově měřeného vzorku). Část měření rozmístit inteligentně tak, aby byly co nejvíce splněny ostatní požadavky. ROBUST 2012 Němčičky 14. září 2012 12 / 22

Inteligentní rozmístění měření Základní myšlenka Jako základní jednotku pro osazování zvolíme obec. Navrhneme kritérium pro určení problematického zákazníka. Obce budeme osazovat podle zastoupení problematických zákazníků. ROBUST 2012 Němčičky 14. září 2012 13 / 22

Kritérium problematického zákazníka Základní veličiny I plánovaná roční spotřeba Připomenutí model TDD Y ikt = P ik f kt (T t ) + ε ikt, Odhad parametru P ik se počítá podle vzorce τ Ω P ikτ = kt S ikτ τ Ω kt t τ f kt(t t ), kde τ je poslední fakturační období, S ikτ je měřená spotřeba za období τ, Ω kt je historické období předcházející τ pokrývající alespoň 3 roky. ROBUST 2012 Němčičky 14. září 2012 14 / 22

Kritérium problematického zákazníka Základní veličiny II normalizovaná současná spotřeba Potřebuji normalizovat aktuální spotřebu (kvůli porovnání) Použiji stejné kouzlo : P ikτ = S ikτ t τ f kt (T t ), Pro každé fakturační období každého zákazníka mám tedy hodnoty P ikτ a P ikτ ROBUST 2012 Němčičky 14. září 2012 15 / 22

Kritérium problematického zákazníka Míra nestability spotřeby několik nápadů Směrodatná odchylka σ P ik = 1 n n j=1 P ikτ j Normovaná směrodatná odchylka σ P ik µ P ik Poměr historické a současné spotřeby P ikτ P ikτ ROBUST 2012 Němčičky 14. září 2012 16 / 22

Předzpracování dat Vyřazení nezajímavých údajů Používáme pouze údaje zákazníků, pro které platí: P ikτ > 7620 kwh & P ikτ > 7620 kwh, fakturační historie alespoň 4 roky, pochází z obce s alespoň 25 zákazníky, pochází z rozumně zastoupeného okresu. I tak máme k dispozici cca 700 000 zákazníků. ROBUST 2012 Němčičky 14. září 2012 17 / 22

Ohodnocování obcí Základní myšlenka Zvolíme kritérium problematického zákazníka. Zvolíme kritickou hodnotu. Obec ohodnotíme podílem zákazníků překračujících kritickou hodnotu. ROBUST 2012 Němčičky 14. září 2012 18 / 22

Ohodnocování obcí Příklad Použijeme poměr historické a současné spotřeby P ikτ P ikτ. Jako kritické meze použijeme 10. a 90. výběrový percentil tohoto poměru. Ohodnocujeme podílem zákazníků překračujících zvolené meze z celkového počtu zákazníků s dostatečně dlouhou historií. ROBUST 2012 Němčičky 14. září 2012 19 / 22

Závěr Několik poznámek Kritéria musí být volena ve spolupráci s plynaři. Vyhodnocení účinnosti navržené metodiky bude velmi problematické. Ztráta při nevhodném osazení není naštěstí likvidační. ROBUST 2012 Němčičky 14. září 2012 20 / 22

Závěr Otázky k přemýšlení Jaké jsou vlastnosti jednotlivých kritérií? Šlo by kritické hodnoty konstruovat nějak lépe? Lze použít nějaké další údaje? ROBUST 2012 Němčičky 14. září 2012 21 / 22

Děkuji za pozornost. ROBUST 2012 Němčičky 14. září 2012 22 / 22