Professional Documents
Culture Documents
Elektroenergetski Sustavi Elektroenergetski Sustavi: Auditorne Vježbe 1
Elektroenergetski Sustavi Elektroenergetski Sustavi: Auditorne Vježbe 1
Auditorne vjebe 1
Potroai elektrine energije
Potroai elektrine energije grupiraju se u odreene kategorije prema
njihovim karakteristikama.
Govori se o tri znaajna sektora potronje:
o iroka potronja;
o industrija;
o promet (eljeznika vua).
U svjetskoj praksi, uobiajena je podjela potronje na tri osnovne grupe
potroaa:
o rezidencijalna potronja (stambena);
o komercijalna potronja;
o industrija (i promet).
Neke od specifinih karakteristika potroaa elektrine energije su:
o koliine potroene elektrine energije,
o duine trajanja potronje,
o doba dana u kojem zapoinje potronja.
2
Dijagram optereenja
Osnovne karakteristike potroaa opisuje dijagram optereenja koji
je specifian za svaki navedeni sektor potronje.
Dijagram optereenja predstavlja funkcionalnu zavisnost snage
potroaa u vremenu.
Posebno se prouavaju:
o dnevni, tjedni, mjeseni i godinji dijagrami optereenja.
3
Dijagram optereenja
Obzirom na mjesto na kojem se promatra optereenje, razlikuju se:
1. Dijagram optereenja na generatoru;
2. Dijagram optereenja na pragu generatoru;
3. Dijagram optereenja na pragu prijenosa;
4. Dijagram optereenja na pragu distribucije;
5. Dijagram optereenja na pragu potroaa.
Svi navedeni tipovi dijagrama koriste se u procesu planiranja
elektroenergetskih sustava:
o 1. i 2. za planiranje razvoja izvora;
o 3. za planiranje prijenosnih kapaciteta;
o 4. za planiranje distributivnih mrea;
o 5. za ugovaranje isporuke elektrine energije distribucijama i velikim potroaima.
Zakljuno: dijagram optereenja daje kronoloku zavisnost snage potroaa
o vremenu, tj. krivulju Pp=f(t), za definirani period i za odabrani tip razine
potronje, tj. mjesta potronje (Pp= P1, P2, ..., P5).
4
Kronoloki (vremenski) dijagram optereenja
Mjeri se potronja elektrine energije jedne grupe ili podgrupe potroaa
koju oni ostvaruju u promatranom vremenu.
Rauna se srednja vrijednost snage potronje u definiranim vremenskim
intervalima (dobivena potronja podijeli se s osnovnim vremenskim
intervalom).
Na ovaj nain dolazi se do skupa
diskretnih parova srednjih snaga
potronje u osnovnom vremenskom
intervalu (slika). Na slici je
pretpostavljeni osnovni vremenski
interval (t) jedan sat, tako da se radi
o srednjim jednosatnim snagama
potronje.
Slikom je prikazan dnevni dijagram
potronje.
5
Kronoloki (vremenski) dijagram optereenja
Svaki dijagram optereenja karakteriziran je s tri osnovna pokazatelja. To
su:
o Vrno (maksimalno) optereenje, PpM(d, t, m ili g) ,
PM
o Minimalno optereenje, Ppm(d, t, m ili g),
o Ukupna potronja energije, Wp(d, t, m ili g):
Wp Pm
T N
Wp p(t) dt ( p t)
0 i 1
i
Gdje je
T trajanje vremenskog perioda u kojem se promatra potronja (d, t, m ili g)
p(t) funkcionalna ovisnost snage potronje u vremenu
N broj diskretnih trenutaka u kojima se potronja mjeri
p srednja vrijednost snage potronje u osnovnom vremenskom intervalu
t duina trajanja osnovnog vremenskog intervala, pri emu vrijedi Nt = T
6
Kronoloki (vremenski) dijagram optereenja
Relativni karakteristini pokazatelji dijagrama optereenja:
W pi
o Faktor optereenja (0 m 1): mi i
PpM T i
gdje je i = d (dan), t (tjedan), m (mjesec) ili g (godina), a T je izraeno u satima.
Ovaj faktor pokazuje koliko vremenski dijagram potronje odstupa od konstantnog
dijagrama u kojem je p(t) = PpM.
To je omjer stvarne potroene energije i energije koja se mogla ostvariti da je EES u cijelom
vremenskom intervalu maksimalno optereen.
Faktor je vei to je vei udio industrije u ukupnoj potronji elektrine energije.
i
Ppm
o Faktor ravnomjernosti (odnos minimuma i maksimuma): m0i i
PpM
i W pi
o Srednje optereenje: Ppsr
Ti W pi
o Vrijeme iskoritenja maksimalnog optereenja: TMi i
PpM
Ne predstavlja stvarno trajanje optereenja, ve vrijeme koje bi bilo potrebno da se uz
maksimalno optereenje, odnosno maksimalnu snagu proizvede koliina energije W p.
Bitan je pokazatelj kod rada elektrana.
7
Podjela dijagrama optereenja
Dnevni dijagram optereenja moe se u svrhu analize podijeliti prema:
o trajanju optereenja (a.) -
ovakva podjela dijagram dijeli vertikalno na period niskih i visokih
optereenja. Karakteristine veliine su period trajanja niskih optereenja, Tnis i
pripadajua energija, W nis.
o karakteru optereenja (b.)
ovakva podjela dijagram dijeli horizontalno na konstantno i varijabilno
optereenje. Karakteristina veliina je konstantno optereenje, Pk.
8
Krivulja trajanja optereenja
Kronoloki (vremenski) dijagram optereenja vrlo je vaan za odreivanje
voznog reda elektrana i za voenje pogona EES-a, pa je u tu svrhu
potrebno poznavati i optereenja i trenutak njihove pojave.
Meutim, u analizama gdje nije potrebno poznavati toan trenutak pojave
minimuma ili maksimuma, kronoloki dijagram optereenja nije adekvatan i
zamjenjuje se krivuljom trajanja optereenja.
Krivulja trajanja optereenja sadri sve osnovne pokazatelje kao i
vremenski dijagram optereenja, osim podatka o vremenu pojave
optereenja.
Jednostavnije ju je aproksimirati nego dijagram optereenja.
9
Krivulja trajanja optereenja
Krivulja trajanja optereenja predstavlja ureeni dijagram potronje od
maksimalne ka minimalnoj vrijednosti.
PM
Pk
Pm
10
Normalizacija osi
esto se provodi normalizacija osi, i to:
o vremenske osi prema promatranom vremenu T (d, t, m ili g),
o os snage prema maksimalnom optereenju u promatranom periodu ili
o normalizacija obje osi (zavisnost pp()).
11
Aproksimacija krivulje trajanja optereenja
(Normalizirana) krivulja trajanja optereenja najee se aproksimira:
o Linearnom aproksimacijom s vie pravaca (za grublje analize);
o Aproksimacijom pomou polinoma pp() proizvoljnog stupnja.
12
Linearna aproksimacija pomou tri pravca
Konstantni dio optereenja krivulje trajanja optereenja karakteriziraju:
o snaga konstantne potronje Pk (primijetiti da je Pk Pm) i
o energija konstantne potronje W pk = TPpk.
Varijabilni (vrni) dio povrine ispod krivulje trajanja optereenja opisan je
o snagom varijabilne potronje: Ppv = PpM Ppk;
o energijom varijabilne potronje: W pv = W p W pk.
13
Linearna aproksimacija pomou tri pravca
Ovo je najpopularnija metoda jer se krivulja moe analitiki opisati relativno
jednostavnim relacijama.
Svodi se na odreivanje toke C, tj. granicu konstantnog optereenja ppk i nepoznatih
parametara i (toke B) koji se odreuju iz uvjeta da u aproksimiranom dijagramu
koliina varijabilne energije ostane nepromijenjena.
14
Linearna aproksimacija pomou tri pravca
Koraci aproksimacije:
1. Odrediti konstantno optereenje ppk (toke C i D).
U krivulji trajanja optereenja pojavljuje se niz intervala niskih optereenja koja se bez vee
pogreke mogu aproksimirati konstantnim optereenjem ppk, odnosno, taj se dio krivulje moe
aproksimirati pravcem. Vrijede relacije
W pnis p psr ( n ) p psr ( n 1)
Ppk i DP p pk p psr ( n ) .
Tnis p psr ( n 1)
Konstantno optereenje se odreuje usporedbom srednjih vrijednosti optereenja dijelova krivulje
(diskretnih parova srednjih snaga potronje u osnovnom vremenskom intervalu), od minimalnog
optereenja ka maksimalnom, sve dok srednja vrijednost optereenja sljedeeg intervala (n-tog
koraka) ne bude vea od (n-1 koraka) za unaprijed definiranu vrijednost (uobiajeno se uzima da
je to odstupanje manje od DP = 5%). Time su odreene toke C i D dijagrama.
2. Odrediti parametre i (toku B).
Odreuju se iz uvjeta da u aproksimiranom dijagramu koliina varijabilne energije ostane
nepromijenjena (prema slici povrina kvadrata i trokuta):
d
W 1
w d
pv d
P pM
pv
T d
2
d
v p dpv 1 d
v p dpv 1 1 d d
2
v p pv ,
odakle je
d d
2w pv 2W pv
d d
ime je odreena zavisnost =f().
v p pv T vd P pv
d
16
1. zadatak
Rjeenje (1):
Dnevni dijagram optereenja prikazan je na slici:
17
1. zadatak
Rjeenje (2):
W pd d W pd 15500
e.
d
m 0,65. g.
Ppsr 645,83 MW
d
24 PpM 24 24
W pd d
Ppm 400
f. TMd d
15,5 h h. m0d 0,40
PpM d
PpM 1000
18
2. zadatak
Na slici su prikazani dnevni dijagrami za etiri faze razvoja nekog
potroakog podruja.
Za svaku fazu razvoja potrebno je izraunati:
a. Koliinu dnevno utroene energije, W pd.
b. Faktor dnevnog optereenja, md.
c. Vrijeme iskoritenja maksimalnog
dnevnog optereenja, TMd.
d. Srednju dnevnu snagu, Ppsrd.
e. Odnos minimalnog i maksimalnog
dnevnog optereenja, m0d.
f. Nacrtati dnevne krivulje trajanja
optereenja.
19
2. zadatak
Rjeenje (1):
a.- e. Izraun je proveden za IV. fazu.
a. Koliina dnevno utroene energije Wpd dana je povrinom ispod dnevnog
dijagrama optereenja i iznosi:
W pd 28605 MWh .
d W pd 28605
m d
0,7690.
24 PpM 24 1550
20
2. zadatak
Rjeenje (2):
21
2. zadatak
Rjeenje (3):
f. Za energetsko ekonomske analize prilika u elektroenergetskim sustavima,
umjesto kronolokog dijagrama optereenja pogodnije je koristiti krivulju trajanja
optereenja. Dnevne krivulje trajanja optereenja sva etiri potroaka podruja
prikazane su na slici.
22
3. zadatak
Dnevna krivulja trajanja optereenja aproksimirana je s tri pravca, prema slici.
Potrebno je:
Odrediti (+) kao funkciju poznatih veliina (Ppv, W pv i Tv)
Navesti podruje vrijednosti za faktore i
Pretpostaviti da je Pk = Pmin.
23
3. zadatak
Rjeenje (1):
(1-)Pv
Pv
Pv
1 1
W d
pv
2
T vd 1 P pvd P pvd 1 T vd T vd P pvd T vd P pvd ,
2
d
2W pv
sreivanjem
T vd P pv
d
24
3. zadatak
Rjeenje (2):
0 1; 0 1; 0 ( + ) 2
25
4. zadatak
Dnevna krivulja trajanja optereenja nekog EES-a aproksimirana s tri pravca
definirana je sljedeim izrazima:
Vrijeme [h] 0 12 12 18 18 24
Snaga [MW]
26
4. zadatak
Rjeenje (1):
Dnevno potroena energija je povrina ispod krivulje trajanja optereenja. Moe
se izraunati grafiki iz povrina ispod krivulje zbrajanjem kvadrata i trokuta ili
analitiki integracijom krivulje.
27
4. zadatak
Rjeenje (2):
28
5. zadatak
Dnevna krivulja trajanja optereenja nekog EES-a aproksimirana je s tri pravca.
Maksimalno optereenje sustava je 1200 MW, minimalno optereenje traje 6 sati
i iznosi 600 MW, = 4/9, = 5/6.
Potrebno je :
nacrtati dnevnu krivulju trajanja optereenja
izraunati faktor optereenja.
29
5. zadatak
Rjeenje:
30
Prognoza vrnog i minimalnog optereenja
Mogua su dva pristupa prognozi ovih optereenja:
o Prognoza vezana uz prognozu potronje elektrine energije koja koristi
dijagrame optereenja i njihove karakteristike;
o Prognoza koja se provodi neovisno od prognoze potronje elektrine energije
koja koristi informacije o maksimumima i minimumima te vrijednosti snage
injektirane u vorita.
Kod prvog pristupa je za odreivanje vrnih i minimalnih optereenja potrebno
poznavati odgovarajue faktore optereenja sustava (m) i odnosa minimuma i
maksimuma (m0) za iste vremenske periode (godina, mjesec, tjedan).
Prognoza se vri agregacijom prognoze po pojedinim kategorijama ili sektorima
potronje prema formuli
PpMS kist P
j
pMj ,
32
6. zadatak
Rjeenje (1):
33
6. zadatak
Rjeenje (2):
34
6. zadatak
Rjeenje (3):
35
7. zadatak
Podaci o ljetnim, zimskim i godinjim maksimumima optereenja
elektroenergetskog sustava koji se sastoji od etiri regije (A, B, C i D) prikazani su u
tablici.
Potrebno je pronai maksimalno istovremeno godinje optereenje sustava, ako su
sezonski faktori istovremenosti 0,9496 za ljeto i 0,9648 za zimu.
36
7. zadatak
Rjeenje (1):
37
7. zadatak
Rjeenje (2):
38
7. zadatak
Rjeenje (3):
Maksimalno optereenje PpM
Ljetno (L) [MW] Zimsko (Z) [MW] Godinje (g) [MW]
Regija A 3630 3150 3630
Regija B 2590 2780 2780
Regija C 1730 1900 1900
Regija D 530 410 530
Neistovremeni maksimum
= 8530 = 8240 = 8840
optereenja sustava PNpMS
Sezonski faktor istovremenosti kist 0,9496 0,9648 -
Maksimalno istovremeno
8100 7950 8100
optereenje sustava PI pMS
39
Prognoza potronje elektrine energije i snage
Prognoza potronje je aktivnost predvianja razvoja potreba potroaa
elektrine energije u budunosti, uz koritenje posebnih matematikih
postupaka, iji je rezultat neka objektivna procjena buduih potreba energije
i snage sa dovoljno kvantitaivnih detalja.
Jedna od osnovnih aktivnosti i prvi korak u procesu planiranja razvoja i
eksploatacije u svakom EE sustavu.
Ovisno o problemu za ije rjeavanje e se koristiti rezultati prognoze, moe
uzeti vie razliitih formi.
Tri su tipa procjena osnovnih karakteristika buduih potreba potroaa u
aktivnoj energiji i snazi:
o Prognoza potreba sustava u energiji;
o Prognoza maksimalnih (vrnih) i minimalnih optereenja;
o Prognoza kompletne krivulje trajanja optereenja.
40
Metode za prognozu potronje elektrine energije i snage
Uobiajene su tri glavne kategorije prognoze potronje u vremenu:
o Kratkorona prognoza (od jednog dana do jednog tjedna, sa
satnom diskretizacijom)
o Srednjerona prognoza (od jednog mjeseca do 5 godina, sa
tjednom ili mjesenom diskretizacijom).
o Dugorona prognoza (od 5 do 30 godina s godinjom
diskretizacijom)
.koriste se razne tehnike predvianja (ekstrapolacija,
korelacija i kombinacija) i postupci prorauna (deterministiki i
probabilistiki), tj. iskljuivo kvantitativni modeli prognoze
potronje.
41
Metode za prognozu potronje elektrine energije i snage
Postupak predvianja moe se svesti na etiri koraka:
o Analiza ostvarenja iz prolosti;
o Izbor metodologije i analiza utjecajnih faktora;
o Proraun buduih trendova u potronji (trend je relativni prirast
promatranog parametra izmeu dva uzastopna vremenska intervala);
o Analiza rezultata prorauna i konana ocjena buduih potreba.
Metode je mogue svrstati u dvije grupe:
o Kvalitativne
o Kvantitativne koriste matematike modele i daju preciznije podatke.
Razlikuju se:
Nezavisne (ekstrapolacijske) metode
polaze od ostvarene potronje elektrine energije u prolosti i
budua se potronja promatra samo kao funkcija vremena,
Zavisne (korelacijske) metode
budua potronja elektrine energije se odreuje u funkciji nekog
utjecajnog faktora koji karakterizira razvoj (npr. BDP).
42
Nezavisne (ekstrapolacijske) metode
Ova kategorija u sebi sadri prognostike modele koji se iskljuivo
oslanjaju na ekstrapolaciju razvoja potronje elektrine energije i
potrebe snage iz prolosti u budunost, nezavisno od drugih
utjecaja.
Tehnika prognoziranja sastoji se u analizi vremenskog razvoja
energije ili optereenja u prolosti, u cilju otkrivanja dinamikih
karakteristika potroaa i njihovoj ekstrapolaciji u budunosti preko
odgovarajueg matematikog postupka.
Razlikuju se dva osnovna tipa modela:
o Deterministiki modeli (bazirani na analizi vremenskih nizova);
o Stohastiki modeli.
Deterministiki modeli
Pri primjeni ovog modela polazi se od injenice da analiza razvoja
potronje elektrine energije (i optereenja) u prolosti pokazuje stalni
porast i da e se slian rast nastaviti i u budunosti.
43
Deterministiki modeli
Postupak prognoze:
o poinje crtanjem disperzijskog dijagrama ostvarenja neke karakteristine veliine
(utroena energija, vrno ili minimalno optereenje, ) iz prolosti Xt0.
o Trai se za funkcionalna zavisnost Xt0 =f(t) koja najbolje opisuje ostvarenja
dotine veliine iz prolosti.
t 1 2 3 4 5
Wptg [GWh] 10 12 16 22 30
46
1. zadatak
Rjeenje (1):
Potrebno je aproksimirati zavisnost potronje prema modelu logaritamskog
pravca, definiranog relacijom logXt = a + bt.
Problem prognoze potronje za ovaj primjer se svodi na odreivanje stope
porasta potronje u budunosti, pod pretpostavkom da e se razvoj u
budunosti nastaviti istim trendom (s istom godinjom stopom porasta) koji
je ostvaren u prolosti, odnosno, pretpostavlja se da je taj porast
konstantan: pt = psr = const.
Ako se krene od te temeljne pretpostavke modela, potronja u nekom
vremenskom periodu od t godina mora se moi svesti na oblik
Xt = X0(l + psr)t,
gdje je X0 potronja na poetku promatranog razdoblja (godina t = 0),
a psr srednja (konstantna) godinja stopa porasta (trend) potronje
elektrine energije za cijelo promatrano razdoblje.
47
1. zadatak
Rjeenje (2):
Logaritmiranjem izraza Xt = X0(l + pt)t, izraz prelazi u formu
logaritamskog pravca
Xt' = logXt = logX0 + tlog(l + pt) = a + bt,
gdje je izvrena supstitucija:
a = logX0;
b = log(1 + pt).
Slijedi da je godinja stopa porasta
pt = 10b 1 f(t) = const.
Iz gornje jednakosti je vidljivo da pt nije funkcija ovisna o vremenu, pa ako je
odnos izmeu potronje u dvije uzastopne godine (t i (t-1)) i jednak, vrijedi:
Xt X 0 1 psr t
1 pt t 1
1 p sr ; pt p sr f (t ).
X t 1 X 0 1 p sr
48
1. zadatak
Rjeenje (3):
Za odreivanje potronje elektrine energije u budunosti na osnovu potronje
ostvarene u prolosti, treba odrediti konstante a i b u jednadbi
Xt' = logXt = logX0 + t log(l + psr) = a + bt,
uz uvjet da se postigne minimalna vrijednost sume kvadrata odstupanja
izmeu potronje prema spomenutom logaritamskom pravcu i logaritma
ostvarene potronje u nizu godina u prolosti (logXt0).
Taj uvjet se moe prikazati relacijom
N 2
min t a, b min
a ,b a ,b
t 1
a bt log X t0 ,
49
1. zadatak
Rjeenje (4):
Minimum funkcije t (a, b) dobiva se iz uvjeta
N
t ( a , b )
a
2
t 1
a bt log X t0 0;
N
( a , b )
t
2 a bt log X t 0. 0
t
b t 1
Supstituirajui
N N N N
t S ; log 1 X t0 S2 ; t 2
S3 ; t log X 0
t S4 ;
t 1 t 1 t 1 t 1
50
1. zadatak
Rjeenje (5):
sustav jednadbi dobiva sljedei oblik:
aN + bS1 = S2 S2 S3 S1S4 NS4 S1S 2
, ije je rjeenje: a 2
, b 2
.
aS1 + bS3 = S4 NS3 S1 NS3 S1
X
2
S1 S2 S3 S4 - - t t X t0
t 1
51
1. zadatak
Rjeenje (6):
God. t X t0 0
logX t t2 tlog X t0 a+bt Xt X t - X t0 (X t - X t0 )2
1991 1 10 1,0000 1 1,0000
1992 2 12 1,0792 4 2,1584
1993 3 16 1,2041 9 3,6123
1994 4 22 1,3424 16 5,3696
1995 5 30 1,4771 25 7,3856
N=5 S1 =15 S2= 6,1028 S3 =55 S4 =19,5259
52
1. zadatak
Rjeenje (7):
53
1. zadatak
Rjeenje (8):
54
1. zadatak
Rjeenje (9):
b. Prognozirane potrebe za elektrinom energijom elektroenergetskog sustava
su:
2000.godina (t = 10): log X 10 = 0,8559 + 0,121610 = 2,0719 => W pg( 2000)= 118,00 GWh;
2005.godina (t= 15): log X 15 = 0,8559 + 0,121615 = 2,6799 => W pg( 2005) = 478,52 GWh.
55
1. zadatak
Rjeenje (10):
c. Razlike u dobivenim rezultatima po dva primijenjena pristupa su:
121,64 118
2000. godina (t = 10): 10 100 3,09%
118
493,23 478,52
2005. godina (t= 15): 15 100 3,08 %
478,52
Standardna devijacija
(srednje-kvadratna greka) je
t 1,77
0,59498 GWh
N 5
0,6 GWh
56
2. zadatak
a. Za osnovne podatke o ostvarenoj godinjoj potronji elektrine
energije u elektroenergetskom sustavu iz prvog zadatka, provesti iste
proraune, ako se zavisnost ostvarene potronje Xt = Wptg = f(t)
predstavi logaritamskom parabolom.
b. Usporediti rezultate prognoze godinje potronje po modelu
logaritamske parabole sa rezultatima prognoze potronje po modelu
logaritamskog pravca iz zadatka 1.
57
2. zadatak
Rjeenje (1):
60
2. zadatak
Rjeenje (4):
Rjeenjem gornjeg sustava linearnih jednadbi, za koeficijente modela
logaritamske parabole dobivaju se vrijednosti:
a = 0,91731;
b = 0,068623;
c = 8,853510-3;
pa je traeni model logaritamske
parabole definiran jednadbom
parabole logXt = a + bt + ct2:
log X t log W ptg
0,91731 0,068623t 8,8535 10 3 t 2
t 0,413464
62
2. zadatak
Rjeenje (6):
63
3. zadatak
a. Isti prorauni kao u prva dva zadatka, no za sluaj aproksimacije
porasta godinje potronje elektrine energije logistikom funkcijom
(godinje potronje su logaritmirane).
b. Usporediti i komentirati rezultate prognoza iz zadataka 1, 2 i 3.
64
3. zadatak
Rjeenje (1):
a. Odreivanje koeficijenata logistike funkcije koja je oblika definiranog
jednadbom
a
log X t ct
,
1 be
takoer se kao i u zadacima 1 i 2 vri metodom najmanjih kvadrata, odnosno
traenjem minimuma funkcije sume kvadratnih odstupanja:
N 2
a 0
t a, b, c ct
log X t .
t 1 1 b e
Zbog jednostavnijeg prorauna, gornji se izraz linearizira, tj. vri se
supstituira se s inverznim vrijednostima veliina:
1 1 b e ct 1 b 1
Yt ai bi e ct ; ai ; bi ; Yt0 .
log X t a a a log X t
Nakon supstitucije, problem traenje minimuma sume kvadratnih odstupanja
se svodi na minimizaciju izraza
N
a b e
2
1t ai , bi , ci i i
ct
Yt0 .
t 1
65
3. zadatak
Rjeenje (2):
Parcijalne derivacije funkcije t(a, b,c) po nepoznatim parametrima a, b i c se
izjednaavaju s nulom (uvjet minimuma):
N
1t
a i
2
t 1
ai bi e ct Yt0 0,
N
1t
bi
2
t 1
ai bi e ct Yt0 e ct 0,
N
1t
c i
2
t 1
ai bi e ct Yt0 bi e ct t 0,
te se eliminacijom ai i bi (postupak rjeavanja sustava jednadbi) iz gornjih
jednadbi dobiva izraz koji je funkcija samo nepoznate vrijednosti eksponenta
c:
N N N N N N N 2 ct N N
ct 2 ct ct 2 ct ct ct
Yt0 te e e te
0
Yt e te e te ct
t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1 t 1
2
N N N
0 ct ct N 2 ct
t Y t e
e e
0.
t 1
t 1 t 1
66
3. zadatak
Rjeenje (3):
Nakon odreivanja vrijednosti za eksponent c iz gornje jednadbe odreuju se
i ostali koeficijenti transformiranog modela preko izraza
N N N N N
0 ct 0 ct 0 ct
N Y
t 1
t e Y e
t 1
t
t 1
Y
t 1
t bi e
t 1
bi 2
i ai ,
N N N
N e 2ct e ct
t 1 t 1
67
3. zadatak
Rjeenje (4):
U ovom su zadatku za koeficijent c usvojene tri karakteristine vrijednosti:
c = 0,12; 0,15 i 0,20,
za koje su proraunate vrijednosti koeficijenata a i b, a zatim i sve ostale
traene karakteristike modela prognoze godinje potronje elektrine energije.
Rezultati su prikazani u tablici.
Izvrena je i verifikacija modela na periodu iz prolosti.
c = 0,12 c = 0,15 c = 0,20
a = 6,934; b = 6,775 a = 3,546; b = 3,012 a = 2,383; b = 1,737
God. t X t0 log X t0 Xt t log X t0 Xt t log X t0 Xt t
1991 1 10 0,989 9,756 0,060 0,987 9,709 0,085 0,984 9,637 0,132
1992 2 12 1,095 12,458 0,210 1,097 12,516 0,267 1,101 12,621 0,306
1993 3 16 1,211 16,245 0,060 1,214 16,378 0,143 1,220 16,599 0,350
1994 4 22 1,335 21,646 0,126 1,337 21,712 0,083 1,338 21,800 0,040
1995 5 30 1,470 29,481 0,270 1,464 29,589 0,169 1,469 29,444 0,303
... ... ... ...
69
3. zadatak
Rjeenje (6):
b. Iz tablice i slike se zakljuuje da su rezultati prognoze godinje potronje el.
energije po modelu logistike funkcije najblii rezultatima po modelu
logaritamskog pravca i to za skup parametara a = 3,546; b = 3,012 i c = 0,15.
70
3. zadatak
Rjeenje (7):
Ta dva modela daju sline rezultate u bliskoj budunosti, no kako se ide dalje u
budunost, rezultati se bitno razilaze.
Razlika je jo vie izraena ako se usporedba vri s rezultatima po modelu
logaritamske parabole.
71
Dodatak
Linearna regresija
Metoda najmanjih kvadrata
Linearna korelacija
Saetak
Linearna regresija
Dio statistike koji se bavi istraivanjem odnosa izmeu dvije ili vie
varijabli povezanih na nedeterministiki nain zove se regresijska
analiza.
Prvi tip detaljno prouavane regresijske analize bila je linearna
regresija koja se ekstenzivno koristila u praktinim primjenama.
Linearna regresija se odnosi na svaki pristup modeliranju relacija
izmeu jedne ili vie varijabli oznaene sa Y, te jedne ili vie varijabli
oznaene sa X, na nain da takav model linearno ovisi o nepoznatim
parametrima estimiranih iz podataka.
Zbog jednostavnijeg modeliranja linearnih modela (linearna ovisnost
nepoznatih parametara), koristi se mnogo ee nego modeli sa
nelinearnom ovisnou o parametrima.
Jedna od najeih aplikacija linearne regresije je predvianje ili
prognoza. Ovdje se linearna regresija moe koristiti za podeavanje
prediktivnog modela prema promatranom skupu podataka
vrijednosti Y i X. Nakon razvoja ovakvog modela, ako je data
vrijednost za X bez pripadajue vrijednosti Y, podeeni model se
moe koristiti za predvianje vrijednosti Y.
73
Linearna regresija
Najjednostavniji odnos dviju deterministiki povezanih varijabli je
upravo linearan odnos: y = ax + b.
No, ako dvije varijable nisu deterministiki povezane, onda e za
fiksiranu vrijednost xi varijable X, varijabla Yi biti sluajna. Openito,
varijabla iju vrijednost odreuje izvoa pokusa oznaava se s X te
naziva nezavisnom varijablom (npr. godina u kojoj je promatra
potronja). Za odreeni xi, sluajna varijabla Yi (npr. potronja) naziva
se zavisnom i poprima neku vrijednost yi. U praksi se za nezavisnu
varijablu uzima uvijek ona veliina koja je tonije mjerena.
Neka su x1, x2,...., xn vrijednosti nezavisne varijable za koje se ine
opaanja (godine), a s Yi i yi oznaimo sluajnu varijablu i opaenu
vrijednost pridruenu xi-u.
Skup opaenih podataka sastoji se od n
parova (x1, y1), (x2, y2),....., (xn, yn) koji se
ucrtavaju u graf.
74
Linearna regresija
Promatranjem grafa procjenjuje se moe li se dobivena
ovisnost aproksimirati linearnom. Kada bi varijable X i Y bile
deterministiki linearno povezane, za svaki par (xi, yi) vrijedila
bi relacija
yi = axi + b
i parametri a i b bili bi jedinstveni za sve parove.
Budui da su Yi sluajne varijable ne postoje jedinstveni
koeficijenti koji bi zadovoljavali gornju relaciju za svaki par. Cilj
je stoga pronai takve a i b koji su najvjerojatniji parametri
pretpostavljene linearne ovisnosti.
Linearni regresijski modeli najee se rjeavaju uz
pomo metode najmanjih kvadrata.
Pristup je pogodan ne samo za linearne modele ve i za
rjeavanje nelinearnih modela.
75
Metoda najmanjih kvadrata
Pretpostavljamo:
Postoje parametri a i b takvi da za svaku vrijednost x nezavisne
varijable X, zavisnu varijablu Y moemo pisati kao:
y = ax + b + ,
gdje je normalna sluajna varijabla s oekivanjem E() = 0 i
varijancom V() = 2 koja je jednaka za sve vrijednosti x.
Osnovni pojmovi:
- Oekivanje E(x) se procjenjuje aritmetikom sredinom podataka.
-.Varijanca, V(x) je mjera
prosjenog kvadriranog odstupanja
pojedine varijable od aritmetike
sredine skupa (rasprenost skupa).
x1 x2 ... x n
E ( x) x n
n 2
2 ( x1 x ) 2 ... ( xn x ) 2
(x x)i
V X i 1
n 1 n 1
- standardna devijacija
76
Metoda najmanjih kvadrata
Koje je znaenje pretpostavke?
Pretpostavili smo da postoji jedan ispravan pravac regresije koji za
poznati xi odreuje oekivanu vrijednost E(Yi), a da su odstupanja
vrijednosti yi od oekivanja E(Yi) sluajne pogreke raspodijeljene
prema Gaussu i jednako vjerojatne u cijelom podruju.
Za izmjerene (opaene) parove vrijedi:
yi = axi + b + i.
77
Metoda najmanjih kvadrata
Od svih pravaca y = ax + b, najvjerojatniji pravac regresije je onaj za
koji je suma kvadrata odstupanja minimalna.
n n
y
2 2
f ( a , b) i ( axi b) i .
i 1 i 1
Minimum funkcije se trai iz uvijeta minimuma:
f ( a, b) f (a , b)
0 i 0.
a b
Raspisivanjem gornjih jednakosti, dobije se sustav jednadbi i
pripadajue rjeenje:
n n n n n
2
y x a x
i 1
i i
i 1
i b x
i 1
i 0, y a x
i 1
i
i 1
i nb 0.
n n n n n n n n n
n x y x y i i i i xi2
y x x y y a x
i i i i i i
i 1 i 1 i 1 i 1 i 1 i 1 i 1 i 1 i 1
a 2
i b 2
n n n n n
n xi2
xi n xi2
xi
i 1 i 1 i 1 i 1
78
Primjena metode najmanjih kvadrata na razliite funkcije
U primjeni linearne regresije za obradu podataka nekog
eksperimenta, esto je razliite nelinearne funkcije mogue
transformirati u oblik pogodan za raunanje metodom najmanjih
kvadrata prema prethodno prikazanom postupku. Promatranu
funkciju potrebno je svesti na linearnu ovisnost.
Slijede primjeri uz kratka uputstva za primjenu linearne regresije, a uz
svaki je primjer dan i shametski crte koji pojanjava kako
transformirati osi da bi se nelinearna ovisnost mogla opisati
jednadbom pravca pogodnom za regresijsku analizu.
Funkcije oblika:
x x k uvrtavamo
y ( x ) ax k b transf. y ( ) a b
1 1
y( x) y ax b uvrtavamo
transf. ( x ) ax b
ax b y
1 transf. x i y 1 k uvrtavamo
y( x) k
, x ( ) a b
ax b y
79
Primjena metode najmanjih kvadrata na razliite funkcije
Funkcije oblika:
log
y ax b logy b log x loga
Y X A uvrtavamo
Y bX A
ln
y ae bx ln y bx ln a
Y A uvrtavamo
Y bx A
b
x ln 1
y ae ln y ln a b
x
Y A X uvrtavamo
Y A bX
X t ae bt
80
Linearna korelacija
Pitanja:
o Postoji li povezanost dvije varijable?
o Moe li se iz jedne (ili vie) varijable predvidjeti druga?
Razlikujemo
o nezavisne varijable mjerimo neovisno o ishodu pokusa,
prethode zavisnim varijablama prediktori, rizini imbenici,
varijable izloenosti prikazuju se na osi x;
o zavisne varijable kriteriji, posljedice djelovanja nezavisnih
varijabli, predstavljaju mjeru ishoda koju u istraivanju mjerimo
prikazuju se na osi y.
Korelacija je matematiki postupak za izraunavanje stupnja
povezanosti dvije varijable.
Ovisno o meusobnom odnosu dvaju varijabli meu kojima postoji
korelacija, ona moe biti linearna ili nelinearna. Kod linearne
korelacije, toke su grupirane oko pravca. Kod nelinearne korelacije,
toke su grupirane oko neke druge krivulje.
81
Linearna korelacija
Razina koreliranosti mjeri se koeficijentom korelacije r ime se
izraava mjera povezanosti izmeu dvije varijable u jedinicama
neovisnima o konkretnim jedinicama mjere u kojima su iskazane
vrijednosti varijabli.
Linearna korelacija je mjera linearne zavisnosti dviju serija podataka
x1, x2,..., xn i y1, y2,..., yn. Drugim rijeima, ako su toke (x1,y1), (x2,y2),
..., (xn,yn) grupirane oko regresijskog pravca, onda govorimo da su
podaci korelirani (linearno korelirani). Na osnovi toga govori se da su
pripadne veliine x i y korelirane.
U praksi se prilikom rada s linearnim modelima i normalnom
distribucijom najee koristi Pearson-ov koeficijent korelacije, dok se
za rad s nelinearnim modelima najee koristi Spearman-ov.
Vrijednost Pearsonov-og koeficijenta korelacije kree se od +1
(savrena pozitivna korelacija) do 1 (savrena negativna korelacija).
Predznak koeficijenta nas upuuje na smjer korelacije je li pozitivna
ili negativna, ali nas ne upuuje na snagu korelacije.
Pearson-ov koeficijent korelacije bazira se na usporedbi stvarnog
utjecaja promatranih varijabli jedne na drugu u odnosu na
maksimalni mogui utjecaj dviju varijabli.
82
Linearna korelacija
Pearson-ov koeficijent korelacije jednak je:
r
nx y x y
i i i i
x x y y
i i
.
n x x n y y x x y y
2 2 2 2 2 2
i i i i i i
Vrijedi:
1) 0r1
2) Ako je r pozitivan onda je i koeficijent smjera regresijskog pravca
(y=ax + b) pozitivan i obratno (ako je r > 0 onda je a > 0, a ako
je r < 0 onda je a < 0)
3) to je r blii 1 ili -1 to su veliine znaajnije linearno korelirane,
tj. podaci su blie regresijskom pravcu. to je r blii 0, podaci su
raspreniji.
4) Ako je r = 1 ili r = -1 onda su sve toke (xi,yi) na regresijskom
pravcu, tj. podaci su potpuno linearno zavisni.
5) Ako je r = 0, nema nikakve linearne zavisnosti meu veliinama.
83
Linearna korelacija
a. Pozitivna potpuna (matematika) korelacija, r = +1
b. Pozitivna nepotpuna (matematika) korelacija, 0 < r < +1
c. Nepostojanje korelacije, r = 0
d. Negativna potpuna (matematika) korelacija, r = -1
e. Negativna nepotpuna (matematika) korelacija, -1 < r < 0
a. b. c.
d. e.
84
Saetak
Ukratko:
o linearna regresija se odnosi na svaki pristup modeliranju relacija izmeu
jedne ili vie varijabli oznaene sa Y, te jedne ili vie varijabli oznaene
sa X, na nain da takav model linearno ovisi o parametrima koji su
estimirani iz podataka cilj: dobiti jednadbu pravca koji najbolje
opisuje skup podataka.
y = ax + b
0r1
85