Краткосрочное прогнозирование электропотребления энергорайонов и региона с учетом метеофакторов тема диссертации и автореферата по ВАК РФ 05.14.02, кандидат наук Бугаец Вячеслав Анатолиевич

• Бугаец Вячеслав Анатолиевич
• кандидат наук
• 2015

Оглавление диссертации кандидат наук Бугаец Вячеслав Анатолиевич

ВВЕДЕНИЕ

1 ОБЗОР И АНАЛИЗ МАТЕМАТИЧЕСКИХ МЕТОДОВ И МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

1.1 Общие положения о прогнозировании электропотребления

1.2 Классификация основных методов и моделей прогнозирования временных рядов электропотребления

1.2.1 Статистические модели

1.2.2 Детерминированные модели

1.2.3 Комбинированные (гибридные) модели

1.3 Выбор метода прогнозирования временных рядов

электропотребления

1.3.1 Сравнение основных методов и моделей прогнозирования

1.3.2 Адаптивные нечеткие системы

1.4 Выводы

2 АНАЛИЗ ВРЕМЕННЫХ РЯДОВ ЭЛЕКТРОПОТРЕБЛЕНИЯ И МЕТЕОФАКТОРОВ ЭНЕРГОРАЙОНОВ ТЕРРИТОРИИ ОПЕРАЦИОННОЙ ЗОНЫ КУБАНСКОГО РДУ

2.1 Графики электрической нагрузки и временные ряды

электропотребления

2.2 Анализ потребления электрической энергии и мощности в Кубанской энергосистеме и энергорайонах

2.2.1 Оценка потребления электрической энергии и мощности в Кубанской энергосистеме и Центральном энергорайоне

2.2.2 Потребление электрической мощности в Кубанской энергосистеме

2.2.3 Потребление электрической мощности в Центральном энергорайоне

2.2.4 Перспективный прогноз потребления электрической энергии и мощности в Кубанской энергосистеме и Центральном энергорайоне

2.2.5 Потребление электрической мощности в Юго-Западном и Южном энергорайонах

2.3 Анализ взаимосвязи между электропотреблением и

метеофакторами

2.3.1 Суточный ход температуры воздуха на ТОЗ Кубанского РДУ и его взаимосвязь с электропотреблением

2.3.1 Суточный ход естественной освещенности на ТОЗ Кубанского РДУ и его взаимосвязь с электропотреблением

2.4 Анализ временных рядов электропотребления с помощью ортогональных разложений

2.4.1 Выбор метода декомпозиции временных рядов

электропотребления

2.4.2 Кратномасштабный анализ временных рядов электропотребления с помощью вейвлет-преобразования

2.5 Выводы

3 РАЗРАБОТКА СИСТЕМЫ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ

ЭЛЕКТРОПОТРЕБЛЕНИЯ ЭНЕРГОРАЙОНОВ И РЕГИОНА НА ТЕРРИТОРИИ ОПЕРАЦИОННОЙ ЗОНЫ РДУ С УЧЕТОМ ВЛИЯНИЯ МЕТЕОФАКТОРОВ

3.1 Построение системы краткосрочного прогнозирования электропотребления

3.2 Программная реализация системы краткосрочного прогнозирования электропотребления

3.2.1 Формирование и обучение нейро-нечеткой сети

3.2.2 Пользовательский интерфейс

3.2.3 Совместимость с оперативно-измерительным комплексом РДУ

3.3 Выводы

4 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

4.1 Планирование исследования и характеристика исходных параметров

4.2 Исследование прогнозной модели без учета

влияющих метеофакторов

4.3 Исследование прогнозной модели с учетом

влияющих метеофакторов

4.3.1 Исследование с учетом температуры воздуха

4.3.2 Исследование с учетом естественной освещенности

4.3.3 Исследование с учетом температуры воздуха и естественной освещенности

4.3.4 Исследование с учетом прогнозных значений температуры воздуха и естественной освещенности

4.4 Оценка качества прогноза потребления

4.5 Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Приложение А (справочное) Листинг алгоритма программы «Прогноз ЭП/ЭР» на языке МаЙаЬ

Приложение Б (справочное) Значения ошибок прогнозирования электропотребления за 2011 г. для энергорайонов ТОЗ Кубанского РДУ без учета метеофакторов

Приложение В (справочное) Значения ошибок прогнозирования электропотребления за 2011 г. для энергорайонов ТОЗ Кубанского РДУ с учетом температуры воздуха

Приложение Г (справочное) Значения ошибок прогнозирования электропотребления за 2011 г. для энергорайонов ТОЗ Кубанского РДУ с учетом естественной освещенности

Приложение Д (справочное) Значения ошибок прогнозирования электропотребления за 2011 г. для энергорайонов ТОЗ Кубанского РДУ с учетом температуры воздуха и естественной освещенности

Приложение Е (справочное) Значения ошибок прогнозирования электропотребления за 2011 г. для энергосистемы ТОЗ Кубанского РДУ без учета метеофакторов

Приложение Ж (справочное) Значения ошибок прогнозирования электропотребления за 2011 г. для энергосистемы ТОЗ Кубанского РДУ с учетом температуры воздуха

Приложение И (справочное) Значения ошибок прогнозирования электропотребления за 2011 г. для энергосистемы ТОЗ Кубанского РДУ с учетом естественной освещенности

Приложение К (справочное) Значения ошибок прогнозирования электропотребления за 2011 г. для энергосистемы ТОЗ Кубанского РДУ с учетом температуры воздуха и естественной освещенности

Приложение Л (справочное) Акты внедрения результатов диссертационной работы

Приложение М (справочное) Свидетельство о государственной регистрации программы для ЭВМ «Прогноз ЭП/ЭР»

Приложение Н (справочное) Диплом IV международной научно-технической конференции «Электроэнергетика глазами молодежи»

Введение диссертации (часть автореферата) на тему «Краткосрочное прогнозирование электропотребления энергорайонов и региона с учетом метеофакторов»

ВВЕДЕНИЕ

Актуальность темы диссертации и степень ее разработанности. Планирование электроэнергетических режимов работы энергообъектов (ЭО) и энергосистем (ЭС) является одной из основных задач, позволяющих обеспечить непрерывное поддержание баланса электрической мощности в Единой энергетической системе (ЕЭС) России. Повышение точности планирования режимов работы обеспечивает надежное и безопасное функционирование как энергосистем субъектов Российской Федерации, так и ЕЭС в целом. В основе планирования режимов работы лежит прогнозирование ожидаемого электропотребления (ЭП) [1, 2].

В настоящее время разработкой систем прогнозирования электропотребления (ПЭП) занимаются специалисты в филиале «НТЦ Электроэнергетики» - Всесоюзном научно-исследовательском институте электроэнергетики (ВНИИЭ), Национальном исследовательском университете «МЭИ», Институте систем энергетики им. Л.А. Мелентьева Сибирского отделения Российской академии наук (ИСЭМ СО РАН), Санкт-Петербургском государственном электротехническом университете «ЛЭТИ» им. В.И. Ульянова (Ленина), Южно-российском государственном политехническом университете (НПИ) им. М.И. Платова и других организациях. Решению различных вопросов моделирования и прогнозирования временных рядов ЭП посвящены работы Д.В. Бэнна, Н.И. Воропая, Ф.Д. Гальяны, А.З. Гамма, В.И. Гордеева, Дж. Гросса, С.К. Гурского, В.И. Доброжанова, И.В. Жежеленко, Г.М. Каялова, Б.И. Кудрина, В.Г. Курбацкого, Т.Б. Лещинской, Б.И. Макоклюева, И.И. Надтоки, A.B. Седова, В.П. Степанова, Е.Д. Фармера и других известных ученых. Несмотря на большое количество публикаций в этой области, остается ряд нерешенных проблем, связанных с повышением точности ПЭП моделей, в которых реализован учет влияющих факторов.

Так, повышение точности прогнозирования электропотребления с учетом температуры воздуха возможно за счет таких факторов как естественная освещенность, скорость и направление ветра. Наиболее часто диспетчеры региональных

диспетчерских управлений (РДУ) указывают на естественную освещенность, которая, по их мнению, влияет на точность при выполнении краткосрочных прогнозов ЭП. Для исследования влияния естественной освещенности на точность ПЭП, в порядке эксперимента, по заданию ОАО «СО ЕЭС», в Ростовском и Кубанском РДУ были установлены автоматические системы контроля освещенности и разработано программное обеспечение для их функционирования.

Особенностью Кубанского РДУ является то, что по внутреннему регламенту работы диспетчерского управления требуется выполнять прогнозы по трем энергорайонам (ЭР), а также по всей энергосистеме территории операционной зоны (ТОЗ) РДУ (в отличие от Ростовского РДУ, где прогнозы выполняются только для энергосистемы территории операционной зоны в целом). В состав ТОЗ Кубанского РДУ входят три основных энергорайона: Центральный ЭР (включает Краснодарские, Тимашевские, Усть-Лабинские и Адыгейские электрические сети), Юго-Западный ЭР (включает Юго-Западные и Славянские электрические сети), Южный ЭР (включает Сочинские электрические сети). Отличительной чертой данных энергорайонов является концентрация промышленных предприятий в районах г. Краснодара и г. Новороссийска, в районе г. Сочи сосредоточены в основном коммунально-бытовые и сельскохозяйственные потребители. Важной особенностью этих районов является их географическое положение и, как следствие, различный климат в пределах территории операционной зоны Кубанского РДУ.

Таким образом, актуальной задачей на сегодняшний день является выполнение прогнозов ЭП для энергорайонов, а также энергосистемы ТОЗ РДУ в целом с использованием математической модели, способной учитывать влияние метеофакторов (МФ) для повышения точности прогнозирования.

Целью работы является повышение точности прогнозирования электропотребления за счет учета метеофакторов, а также создание универсальной модели краткосрочного прогнозирования электропотребления для энергорайонов и энергосистемы операционной зоны регионального диспетчерского управления.

Для достижения поставленной цели в данной работе ставятся и решаются следующие задачи:

1 Исследование временных рядов ЭП энергорайонов и энергосистемы операционной зоны РДУ.

2 Исследование влияния основных МФ (температуры воздуха и естественной освещенности) на процесс ЭП в энергорайонах и энергосистеме операционной зоны РДУ.

3 Анализ взаимосвязи между ЭП и основными МФ.

4 Выбор типа многофакторной математической модели для описания и прогнозирования суточных почасовых графиков ЭП.

5 Разработка системы математических моделей прогнозирования ЭП энергорайонов и региона с учетом МФ.

6 Тестирование разработанной системы прогнозирования на временных рядах ЭП РДУ.

7 Тестирование разработанной системы прогнозирования на временных рядах ЭП РДУ с учетом влияющих МФ.

8 Исследование возможностей прогнозной модели при различном учете МФ.

9 Анализ полученных результатов прогнозирования.

10 Оценка полученных результатов прогнозирования с помощью статистических числовых характеристик.

11 Оценка качества прогноза потребления с помощью методики, утвержденной ОАО «СО ЕЭС».

Методология и методы исследования. При решении поставленных задач использовался кратномасштабный анализ с инструментом ортогонального вейвлет-преобразования временных рядов и метод математического моделирования многомерных временных рядов с применением нечетких нейронных сетей. Экспериментальное исследование и тестирование модели проводилось с помощью программы «Прогноз ЭП/ЭР», реализованной в программном комплексе MATLAB.

Научная новизна работы заключается в следующем:

1 Впервые для всей территории операционной зоны РДУ и энергорайонов с различными климатическими условиями и составом потребителей выполнен

анализ взаимосвязи электропотребления, температуры воздуха и естественной освещенности с помощью ортогонального вейвлет-преобразования.

2 Разработана система моделей краткосрочного прогнозирования электропотребления энергорайонов и энергосистемы операционной зоны регионального диспетчерского управления, основанная на использовании нейро-нечетких сетей и теории вейвлетов, отличающаяся от других систем тем, что выполняет прогнозы ЭП одновременно для трех энергорайонов с учетом среднечасовых значений естественной освещенности и температуры воздуха в качестве основных влияющих метеофакторов.

3 Установлено, что максимальное влияние на электропотребление естественная освещенность оказывает в утренние часы, а также существенное влияние в дневные часы. Учет естественной освещенности с помощью вейвлет-преобразования позволяет снизить ошибку прогнозирования ЭП.

Теоретическая значимость результатов диссертационной работы заключается в разработанном методе анализа взаимосвязи на основе ортогонального вейвлет-преобразования временных рядов. Метод позволяет упростить задачу установления нелинейных зависимостей между потреблением электроэнергии и естественной освещенностью.

Практическая значимость результатов диссертационной работы заключается в следующем:

1 Разработана и зарегистрирована программа для ЭВМ на основе созданной системы прогнозирования электропотребления энергорайонов и энергосистемы для региональных диспетчерских управлений с возможностью повышения точности прогнозирования за счет учета основных МФ.

2 Результаты работы позволяют усовершенствовать и модернизировать программный комплекс прогнозирования ЭП «Прогноз-ЭТО», эксплуатирующийся в Кубанском РДУ, а также служат основой для создания подобных систем с необходимостью прогнозирования для нескольких энергорайонов или энергообъединений.

3 Разработанная система прогнозирования электропотребления может быть использована в филиалах ОАО «Системный оператор единой электроэнергетической системы» - региональных диспетчерских управлениях и объединенных диспетчерских управлениях (ОДУ), а также в иных субъектах электроэнергетики.

Внедрение результатов. Полученные результаты работы:

- включены в отчет о научно-исследовательской работе, выполненной ООО НПП «ВНИКО» по заказу ОАО «СО ЕЭС» Московское РДУ в 2011-2013 гг.;

- использованы в программном комплексе «Прогноз-ЭТО» при опытной эксплуатации в Кубанском РДУ;

- использованы в учебном процессе ЮРГПУ(НПИ) при проведении лекционных, практических и семинарских занятий при подготовке магистров по направлению «Электроэнергетика и электротехника»;

- использованы при подготовке специализированных групп, обучающихся по заданию ОАО «СО ЕЭС».

Основные положения, выносимые на защиту:

1 Система моделей краткосрочного прогнозирования ЭП энергорайонов и энергосистемы для использования в диспетчерских центрах.

2 Метод анализа взаимосвязи электропотребления и МФ на основе ортогонального разложения временных рядов ЭП, температуры воздуха и естественной освещенности.

3 Результаты анализа взаимосвязи между электропотреблением, естественной освещенностью и температурой воздуха.

Достоверность полученных результатов подтверждена корректностью использования математических методов и моделей прогнозирования временных рядов ЭП: нейро-нечетких сетей и теории вейвлетов; выполнением рекомендаций и требований, предъявляемых к современным системам прогнозирования ЭП; использованием статистических данных, полученных с помощью сертифицированных систем телемеханики и связи и автоматизированных систем коммерческого

учета электроэнергии и прошедших достоверизацию измерений; результатом относительной ошибки прогнозирования, рассчитанной и проверенной с помощью утвержденной методики.

Апробация работы. Основные положения и результаты работы докладывались и обсуждались на следующих конференциях и семинарах:

- XXXIII и XXXV сессиях всероссийского научного семинара Академии наук Российской Федерации «Кибернетика электрических систем» по тематике «Электроснабжение» (ЮРГПУ, г. Новочеркасск) в 2011 и 2013 годах;

- XXXIV и XXXVI сессиях всероссийского научного семинара Академии наук Российской Федерации «Кибернетика энергетических систем» по тематике «Диагностика энергооборудования» (ЮРГПУ, г. Новочеркасск) в 2012 и 2014 годах;

- X, XI и XII международных научно-практических конференциях «Современные энергетические системы и комплексы и управление ими» (ЮРГПУ, г. Новочеркасск) в 2010, 2013 и 2014 годах;

- VIII международной научно-техническая конференции студентов, аспирантов и молодых ученых «Энергия-2013» (ИГЭУ, г. Иваново) в 2013 г.;

- IV международной научно-технической конференции «Электроэнергетика глазами молодежи» (ЮРГПУ, г. Новочеркасск) в 2013 г.

Публикации. По теме диссертации опубликовано 9 печатных работ, в том числе 2 в рецензируемых научных изданиях, включенных в перечень ВАК РФ, 1 свидетельство о регистрации программы для ЭВМ «Прогноз ЭП/ЭР».

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы из 183 наименований отечественных и зарубежных авторов, 12 приложений, представленных на 84 листах. Основная часть работы изложена на 157 страницах машинописного текста, включая 6 таблиц и 72 иллюстрации.

В первой главе представлены общие положения о прогнозировании электропотребления энергорайонов и энергосистемы ТОЗ РДУ.

Отражена классификация основных групп современных математических методов и моделей прогнозирования временных рядов электропотребления, а также выполнен их краткий аналитический обзор. Приведены примеры программной реализации существующих методов и моделей краткосрочного прогнозирования электропотребления, внедренных в эксплуатацию, таких как «Энергостат», «ИСП», «Прогноз-ЭТО» и др. Наряду с этим изучено большое количество опубликованных работ как российских, так и зарубежных авторов.

Особое внимание уделено изучению методов искусственного интеллекта и комбинированных моделей на их основе. Рассмотрены модели, в которых реализован учет метеорологических факторов и возможность установления нелинейных взаимосвязей между электропотреблением и влияющими факторами.

Выполнено сравнение основных методов и моделей, использующихся в настоящее время для анализа и прогнозирования временных рядов электропотребления. По итогам сравнения выбрана модель на основе нейро-нечеткой сети (ННС), которая обладает свойствами, сочетающими в себе достоинства искусственных нейронных сетей (ИНС) и нечетких систем.

Определена модель нечеткого логического вывода типа Такаги-Сугено. В качестве структуры сети выбрана адаптивная нейро-нечеткая сеть Adaptive-Network-Based Fuzzy Inference System (ANFIS). В такой сети подбор параметров нечеткой системы производится в процессе обучения на экспериментальных данных. Описана архитектура и правила функционирования каждого слоя ANFIS-сети.

Во второй главе рассмотрены суточные графики электрической нагрузки (СГЭН) и временные ряды электропотребления. Определены характерная форма и устойчивые характеристики СГЭН энергосистемы и/или энергообъединения, а также компоненты временного ряда ЭП. Проанализированы отличия СГЭН, относящихся к разным суткам и сезонам года.

Исследованы временные ряды ЭП для отдельных энергорайонов ТОЗ Кубанского РДУ: Центрального ЭР (с центром в г. Краснодаре), Юго-Западного ЭР (с

центром в г. Новороссийске), Южного ЭР (с центром в г. Сочи), а также Кубанской ЭС в целом.

Выполнен кратномасштабный анализ зависимости суточных графиков ЭП P(t) от графиков естественной освещенности E(t) и температуры воздуха 0(t), полученных на территории операционной зоны Кубанского РДУ. Для анализа использовался инструмент ортогонального дискретного вейвлет-преобразования.

На основании проведенных исследований сделан вывод о возможности использования вейвлет-преобразования при построении систем прогнозирования электропотребления, что позволит упростить задачу установления нелинейных зависимостей между потреблением электроэнергии и внешними факторами.

В третьей главе разработана система моделей краткосрочного прогнозирования электропотребления на территории трех энергорайонов, а также энергосистемы операционной зоны Кубанского РДУ с применением вейвлет-преобразования и нейро-нечеткого предиктора с учетом температуры воздуха и естественной освещенности.

В четвертой главе произведена апробация модели и тестовые прогнозы ЭП. Выполнены расчеты относительной ошибки прогнозирования при различной входной информации. Тестирование модели осуществлялось на статистических данных, полученных с операционной зоны Кубанского РДУ.

В заключении излагаются итоги выполненного исследования, рекомендации и перспективы дальнейшей разработки темы.

В приложениях представлены листинги основных модулей программы «Прогноз ЭП/ЭР», результаты тестирования, копии актов о внедрении результатов работы и пр.

1 ОБЗОР И АНАЛИЗ МАТЕМАТИЧЕСКИХ МЕТОДОВ И МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

1.1 Общие положения о прогнозировании электропотребления

Прогнозирование электропотребления (потребления электроэнергии и мощности) является неотъемлемой частью планирования режимов работы при составлении балансов электрической энергии и мощности как отдельных энергосистем, так и ЕЭС в целом. Эта задача является особенно актуальной для энергосистем, имеющих дефицит электрической мощности, когда собственные ресурсы по выработке электроэнергии не могут обеспечить требуемые объемы по потреблению. В этом случае для снабжения потребителей электроэнергией в достаточном количестве необходимо покрывать дефицит электрической мощности за счет перетоков из смежных энергосистем. Прогнозирование ожидаемого ЭП позволяет заранее сформировать требуемые объемы мощности и тем самым обеспечить надежное функционирование энергосистемы.

Прогнозирование ЭП в Российской Федерации осуществляет центральное диспетчерское управление (ЦДУ) ОАО «СО ЕЭС» (Открытое акционерное общество Системный оператор Единой энергетической системы) по территориям операционных зон филиалов - объединенных диспетчерских управлений и региональных диспетчерских управлений, а также по ЕЭС в целом. Наряду с этим Системный оператор обычно уточняет прогнозы электропотребления внутри отдельных энергоузлов и энергорайонов операционных зон РДУ.

Существуют различные методы прогнозирования ЭП в зависимости от интервала упреждения. Это обусловлено требованиями к определенному виду решаемых задач при планировании режимов Системным оператором. Интервалы упреждения регламентированы постановлением Правительства РФ №854 «Об утверждении Правил оперативно-диспетчерского управления в электроэнергетике» от 27 декабря 2004 г. В соответствии с терминологией в отечественной литературе [3],

для установленных интервалов в работе принята следующая классификация методов прогнозирования ЭП: оперативное - от нескольких минут до нескольких часов в пределах текущих суток; краткосрочное - от одних до десяти суток; долгосрочное текущее - от одного до нескольких месяцев, кварталов и до года; долгосрочное годовое - от одного года и до пяти лет; перспективное - на пять лет и более.

В зарубежной практике [4, 5] обычно используется классификация, схожая с принятой, но имеющая небольшие отличия в наименовании прогнозов: very short-term loadforecasting (наиболее краткосрочное прогнозирование) - с интервалом менее 24-х часов; short-term loadforecasting (краткосрочное прогнозирование) - с интервалом от 24-х до 168-ми часов (от одних суток до недели); mid-term forecasting (среднесрочное прогнозирование) - с интервалом от одной недели до года; long-term forecasting (долгосрочное прогнозирование) - с интервалом более одного года. Эта классификация применялась при исследовании моделей прогнозирования ЭП, разработанных зарубежными авторами.

В настоящей работе будет рассмотрен метод краткосрочного прогнозирования ЭП на ТОЗ РДУ. Стоит отметить, что краткосрочные и оперативные прогнозы являются основой для формирования суточных диспетчерских графиков электропотребления. Именно благодаря краткосрочным прогнозам в быстрые сроки определяются необходимые объемы и размещение резервов мощности в ЕЭС [1, 2]. Согласно «Методики прогнозирования графиков электропотребления для технологий краткосрочного планирования», утвержденной Заместителем Председателя Правления ОАО «СО - ЦДУ ЕЭС» 14.12.2007 г. [6], стандартные (типовые) условия задач краткосрочного планирования предполагают выполнение прогнозов ЭП на интервалах упреждения от 2-х до 11-ти суток вперёд. Зачастую прогнозы выполняются «на сутки вперед» (интервал упреждения равен 24-м часам).

Долгосрочное и перспективное прогнозирование ЭП осуществляется при выводе в ремонт (или из ремонта) объектов электропотребления и генерации, вводе новых объектов в эксплуатацию для обеспечения перспективного развития сети.

Точность прогноза ЭП во многом зависит от применяемых математических моделей и методов. Как будет показано ниже, существует большое количество различных моделей и методов, используемых при прогнозировании процесса ЭП. В целом процесс потребления электроэнергии является сложным нестационарным случайным процессом [3, 7], который обусловлен наличием регулярной и нерегулярной (случайной) составляющих [8, 9]. Регулярная составляющая определяется сезонными колебаниями метеофакторов (в частности температуры воздуха и естественной освещенности) в течении года, режимом работы предприятий, а также режимом труда и отдыха населения. Нерегулярная определяется резкими изменениями метеоусловий и различными социально-экономическими факторами.

Количество факторов, влияющих на процесс ЭП, очень большое. Обычно их подразделяют на следующие группы: погодные, временные, экономические, случайные [10]. Более подробно влияние каждой группы на процесс ЭП рассмотрено в [11].

Наиболее существенное влияние на процесс ЭП оказывают метеофакторы, а именно: температура воздуха, естественная освещенность, влажность, скорость и направление ветра и т.д. Как показано в [12, 13], они во многом определяют сезонные колебания и суточную неравномерность графиков потребления электроэнергии. Наиболее сильное влияние на ЭП оказывают температура воздуха и естественная освещенность [11, 13]. Влияние температуры воздуха на ЭП обусловлено в основном массовым включением различной климатической техники и установок в зимний и летний сезоны года. Основная часть расхода электроэнергии в зимний период приходится на отопительные нужды, в летний - кондиционирование жилых и производственных помещений, задействование резервных холодильных установок на предприятиях и т.д. Для энергообъединений с коммунально-бытовыми потребителями, где осветительная нагрузка составляет значительную часть, колебания естественной освещенности оказывают влияние на ЭП, особенно на формирование утреннего и вечернего максимумов [13]. Однако при наличии в составе энергообъединения большой доли промышленных потребителей, взаимосвязь есте-

ственной освещенности и ЭП может быть неоднозначной [11]. Для повышения качества и точности прогнозирования ЭП необходимо учитывать влияние метеофакторов на электропотребление.

Для создания статистической базы данных метеоинформации, в соответствии с заданием ОАО «СО ЕЭС», в операционных зонах Ростовского и Кубанского РДУ функционируют датчики температуры и автоматизированные станции контроля освещенности [14, 15]. На территории Кубанского РДУ станции контроля естественной освещенности функционируют с декабря 2009 г. Станции контроля, состоящие из датчика, контроллера и сервера для хранения информации, фиксируют мгновенные пятиминутные значения освещенности. По пятиминутным значениям освещенности определяются среднечасовые. Данные среднечасовые значения использовались для установления взаимосвязи между потреблением электроэнергии и освещенностью, а также для прогнозирования суточных графиков ЭП [11].

При размещении датчиков температуры и станций контроля освещенности на ТОЗ Кубанского РДУ учитывались следующие факторы: а) состав потребителей (коммунально-бытовые, промышленные, сельскохозяйственные и др.); б) климатические условия; в) плотность населения; г) географическое положение; д) условное разбиение территории на энергорайоны. В настоящее время датчики температуры и станции контроля освещенности функционируют на территории Кубанской ЭС в городах Сочи, Новороссийске и Краснодаре. Места установки датчиков температуры и автоматизированных станций контроля освещенности в операционной зоне Кубанского РДУ показаны на рисунке 1.1.

Особенностью Кубанского РДУ является то, что по внутреннему регламенту работы диспетчерского управления требуется выполнять краткосрочные прогнозы по трем основным энергорайонам (ввиду резкого дефицита мощности в энергосистеме), а также по всей энергосистеме территории операционной зоны РДУ (в отличие, например, от Ростовского РДУ, где прогнозы выполняются только для энергосистемы территории операционной зоны в целом). В состав ТОЗ Кубанского РДУ входят три основных энергорайона: Центральный ЭР (включает Краснодарские, Тимашевские, Усть-Лабинские и Адыгейские электрические сети), Юго-Западный

ЭР (включает Юго-Западные и Славянские электрические сети), Южный ЭР (включает Сочинские электрические сети). Необходимость прогнозирования ЭП для энергосистемы наряду с энергорайонами обусловлена также тем, что суммарная потребляемая мощность по трем энергорайонам меньше потребляемой мощности по всей Кубанской ЭС, ввиду наличия «прочих электрических сетей», не входящих в состав основных ЭР. Таким образом, для выполнения прогнозов ЭП по трем энергорайонам и энергосистеме ТОЗ Кубанского РДУ требуется разработка новой системы прогнозирования.

Г^Ьердянск

Ейск

£

Зерноград РОСТОВСКАЯ ОБЛАСТЬ..--"

%!

Старощербиновская0 0 Ег£рлыкская0

Староминская о Кущевская " ^

К V б а н о - • — ¡»

Ясепскии Ленинградская©

залив -МГ^Я

Пролетарск'-,Целина Сальск"'

П риморско-АхтарсКд

-Каневская

и а : о С

АЗОВСКОЕ МОРЕ Ачуево

~V Песчанокопскре Белая Глинас, -^Городоеикбвск

_ - Новопокровскаяп 'Ч • - ,

ЩШШЕЙ Тихорецк Привольно^0 0 46

°Брюховецкая ~ Красногвардейское

н и • ч I >I ч > '¡ Архангельская

Ке|

1ГЗ

т

о*

.V _ ■

с? Течрюкскии ^ залиё Я Темрюк0

Юго-Западный ЭР

Тимашевск0 0Петровская Кореновск0

¡ЯИ

1СК-

уоани Краснодар

ш

Усть-Лабинс!

Новоалександррвск© Кропоткин,-, Гулькевичи0 '.Изобильный" Ц

Новокубанск_ \ £

, _ , ______ Центральный ЭР. , '^ггу . \ с

I* Кышшш^Т 0Крымск \ Армавиру ^ £

Анапа® АбинскР ©Ахгырский ...../ \дпыгРЯ®Кдоганинск ' г Белореченск® .. -1

Новороссийск Гогачий0 МайДп© §

Геленджик0 ' Ключ —- ■ -— , ц ,

Апшеронск,., I I '

\ Советская'-1 - \*?Лабинск

7 1

Чи

у.

Архипо-Осиповка^

Хадыженск I

0Мостовской

Новомихайловский0

Туапсе0

скии ^ ' f

!> сКаменномостский

' 44

ЧЕРНОЕ МОРЕ

О Место установки

37°

/ оУРУП, с 6 ' ¿867 / г.Пмлим Эеленчукская0

КАРАЧАЕВО-ЧЕРКЕСИЯ

Южный ЭР 2^Т Сочи ^«»«гз»^*

вХ. К

а

'А

■ АБХАЗИЯ А-)?.

о |_1_

50

100

20°»» КРАСНОДАРСКИЙ КРАЙ И АДЫГЕЯ

1 - Калмыкия

Рисунок 1.1 - Места установки датчиков температуры и автоматизированных станций контроля

освещенности в операционной зоне Кубанского РДУ

Создание системы прогнозирования ЭП, способной выполнять прогнозы для отдельных энергорайонов и энергосистемы в целом, а также формирование базы данных температуры воздуха и естественной освещенности и использование ее при прогнозировании позволит улучшить качество краткосрочных прогнозов ЭП и, как следствие, повысить точность планирования режимов работы в операционной зоне Кубанского РДУ.

Список литературы диссертационного исследования кандидат наук Бугаец Вячеслав Анатолиевич, 2015 год

СПИСОК ЛИТЕРАТУРЫ

1. Макоклюев, Б.И. Методы и средства анализа и планирования электропотребления энергообъединений и энергосистем: дис. ... д-ра. техн. наук: 05.14.02 / Макоклюев Борис Иванович. - Москва, 2005. - 295 с.

2. Макоклюев, Б. И. Методология и система моделей прогноза электропотребления / Макоклюев Б. И. // Электрические станции. - 2007. - N 3. - С. 10-15.

3. Седов, А.В. Системы контроля, распознавания и прогнозирования электропотребления: модели, методы, алгоритмы и средства / А.В. Седов, И.И. Надтока. -Ростов-н/Д: Изд-во Ростовского университета, 2002. - 320 с.

4. Mishra, S. Short term load forecasting using computation intelligence methods: Thesis for the degree of Master of technology electronics and communication engineering / Mishra Sanjib. - National Institute Of Technology, India, Rourkela, 2008. - 89 p.

5. Yang, J. Power System Short-term Load Forecasting: Thesis for Ph.d degree / Yang Jingfei. - Elektrotechnik und Informationstechnik der Technischen Universitat, Germany, Darmstadt, 2006. - 139 p.

6. Методика прогнозирования графиков электропотребления для технологий краткосрочного планирования [Электронный ресурс] - 2012. - Режим доступа: http ://so-ups.ru/fileadmin/files/laws/market_regulations/schedules .pdf

7. Бокс, Дж. Анализ временных рядов. Прогноз и управление. В 2 ч. Ч. 1 / Дж. Бокс, Г. Дженкинс; под ред. В.Ф. Писаренко. - М.: Мир, 1974. - 406 с.

8. Кильдишев, Г.С. Анализ временных рядов и прогнозирование / Г.С. Киль-дишев, А.А. Френкель. - М.: Статистика, 1973. - 104 с.

9. Дуброва, Т.А. Статистические методы прогнозирования: учеб. пособие для вузов / Т.А. Дуброва. - М.: ЮНИТИ-ДАНА, 2003. - 206 с.

10. Гросс, Дж. Краткосрочное прогнозирование нагрузки / Дж. Гросс, Ф.Д. Гальяны // ТИИЭР. - 1987. - Т.75, №12. - C. 6-21.

11. Губский, С.О. Краткосрочное прогнозирование электропотребления в операционной зоне регионального диспетчерского управления с учетом фактора

освещенности: дис. ... канд. техн. наук: 05.14.02 / Губский Сергей Олегович. - Новочеркасск, 2012. - 231 с.

12. Влияние колебаний метеорологических факторов на энергопотребление энергообъединений/ Б.И. Макоклюев, B.C. Павликов, А.И. Владимиров, Г.И. Фе-фелова // Энергетик. - 2003. - №6. - С. 14-19.

13. Макоклюев, Б.И. Учет влияния метеорологических факторов при прогнозировании электропотребления энергообъединений/ Б.И. Макоклюев, В.Ф. Еч / Энергетик. - 2004. - №6. - С. 15-16.

14. Отчет о научно-исследовательской работе к договору № 225/605 от 25.02.2009 г.: Создание математических прогнозных моделей, алгоритмов и программного обеспечения прогнозирования электропотребления для региональных и объединенных диспетчерских управлений РФ (на примере ОДУ Юга), на основе математической прогнозной модели, отработанной в Ростовской области и Республике Калмыкия: отчет о НИР в 2 т. Т. 1 / И.И. Надтока [и др.]. - Новочеркасск.: ООО НПП «ВНИКО», 2010. - 136 с.

15. Система контроля естественной освещенности для прогнозирования электропотребления / И.И. Надтока, A.B. Демура, Д.В. Безъязычный, В.В. Горбачев // Известия. вузов. Электромеханика. - 2008. - Спец. выпуск. Электроснабжение. - С. 166-167.

16. Тихонов, Э.Е. Методы прогнозирования в условиях рынка: учебное пособие / Э.Е. Тихонов. - Невинномысск, 2006. - 221 с.

17. Галустов, Г.Г. Математическое моделирование и прогнозирование в технических системах: учеб. пособие / Г.Г. Галустов, С.П. Бровченко, С.Н. Мелешкин. - Таганрог: Изд-во ТТИ ЮФУ, 2008. - 30 с.

18. Седов, A.B. Моделирование объектов с дискретно-распределенными параметрами / A.B. Седов. - М.: Наука, 2010. - 433 с.

19. Седов, A.B. Усовершенствованные математические методы и модели прогнозирования электропотребления на основе применения декомпозиционного подхода: дис. ... д-ра. тех. наук: 05.13.18 / Седов Андрей Владимирович. - Новочеркасск, 2005. - 473 с.

20. Shcherbakov, M.V. A Survey of Forecast Error Measures/ M.V. Shcherbakov, N.L. Shcherbakova, T.A. Janovsky, V.A. Kamaev // World Applied Sciences Journal 24 (Information Technologies in Modern Industry, Education & Society). - 2013. - P. 171-176.

21. Гурский, C.K. Адаптивное прогнозирование временных рядов в электроэнергетике / С.К. Гурский. - Минск: Наука и техника, 1983. - 271 с.

22. Бэнн, Д.В. Сравнительные модели прогнозирования электрической нагрузки / Д.В. Бэнн, Е.Д. Фармер. - М.: Энергоатомиздат, 1987. - 200 с.

23. Электрические нагрузки промышленных предприятий / С.Д. Волобрин-ский, Г.М. Каялов, П.Н. Клейн, Б.С Мешель. - М.-Л.: Энергия, 1964. - 304 с.

24. Шидловский, А.К. Введение в статистическую динамику систем энергоснабжения / А.К. Шидловский, Э.Г. Куренный. - Киев: Наукова думка, 1984. - 273 с.

25. Жежеленко, И.В. Методы вероятностного моделирования в расчетах характеристик электрических нагрузок потребителей / И.В. Жежеленко, Е.А. Кротков, В.П. Степанов. - 2-е изд., перераб. и доп. - М.: Энергоатомиздат, 2003. - 217 с.

26. Бокс, Дж. Анализ временных рядов. Прогноз и управление. В 2 ч. Ч. 2 / Дж. Бокс, Г. Дженкинс; под ред. В.Ф. Писаренко. - М.: Мир, 1974. - 197 с.

27. Лукашин, Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов: Учеб. пособие / Ю.П. Лукашин. - М: Финансы и статистика, 2003. - 416 с.

28. Надтока, И.И. Развитие теории и методов моделирования и прогнозирования электропотребления на основе данных средств автоматизации учета и телеизмерений: дис. ... д-ра. тех. наук: 05.14.02/ Надтока Иван Иванович. - Новочеркасск, 1998. - 346 с.

29. Чучуева, И.А. Модель прогнозирования временных рядов по выборке максимального подобия: дис. ... канд. техн. наук: 05.13.18 / Чучуева Ирина Александровна. - Москва, 2012. - 155 с.

30. Alfares, H.K. Electric load forecasting: literature survey and classification of methods / H.K. Alfares, M. Nazeeruddin // International Journal of Systems Science. -2002. - Vol. 33, №1 - P. 23-34.

31. Draper, N. Applied regression analysis / N. Draper, H. Smith. - New York: Wiley, 1998. - 736 p.

32. Грешилов, A.A. Математические методы построения прогнозов / А.А. Грешилов, В.А. Стакун, А.А. Стакун. - М.: Радио и связь, 1997. - 112 с.

33. Дрейпер, Н. Прикладной регрессионный анализ. В 2 ч. Ч. 2 / Н. Дрейпер, Г. Смит; пер. с англ. Ю.П. Адлера и В.Г. Горского. - 2-е изд., перераб. и доп. - М: Финансы и статистика, 1986. - 366 с.

34. Грозных, В. А. Прогнозирование электропотребления России и Южного федерального округа посредством регрессионного анализа / В. А. Грозных, Б.И. Кудрин // Вести высших учебных заведений Черноземья. - 2011. - №1. - С. 47-57.

35. Kalekar, P.S. Time series Forecasting using Holt-Winters Exponential Smoothing [Электронный ресурс]/ P.S. Kalekar. - 2012. - Режим доступа: http://www.it.iitb.ac.in/~praj/acads/seminar/04329008_ExponentialSmoothing.pdf

36. Браммер, К. Фильтр Калмана-Бьюси / К. Браммер, Г. Зиффлинг; под ред. И.Е. Казакова, пер. с нем. В.Б. Колмановского. - М.: «Наука», 1982. - 257 с.

37. Дженкинс, Г. Спектральный анализ и его приложения. В 2 ч. Ч. 1 / Г. Дженкинс, Д. Ватте; пер. с англ. В.Ф. Писаренко. - М.: Мир, 1971. - 317 с.

38. Винер, Н. Кибернетика, или управление и связь в животном и машине /

H. Винер; под ред. Т.Н. Поварова; пер. с англ. И.В. Соловьева и Т.Н. Поварова. - 2-е изд. - М.: Наука, 1983. - 344 с.

39. Подсистема «Анализ и планирование суточных графиков» (Энергостат

I.1) [Электронный ресурс] - 2012. - Режим доступа: http://energostat.ru/products/11/.

40. Опыт разработки и внедрения иерархической системы прогнозирования электропотребления (ИСП) СО ЕЭС / А.С. Полижаров, А.В. Антонов, Э.А. Алла, О.Н. Зеленохат / Энергоэксперт. - 2011. - №6. - С. 64-66.

41. Бодров, Е.А. Комплексное статистическое исследование потребления и себестоимости электрической и тепловой энергии в региона (на примере Республики Марий Эл): автореф. дис. ... канд. техн. наук: 08.00.12 / Бодров Евгений Александрович. - Йошкор-Ола, 2007. - 24 с.

42. Norizan, M. Short Term Load Forecasting Using Double Seasonal ARIMA Model / M. Norizan, H.A. Maizah, I. Zuhaimy // Materials of Proceedings of the Regional Conference on Statistical Sciences 2010 (RCSS'10), June 2010 / Malaysia Institute Of Statistics. - Shah Alam, Selangor. - P. 57-73.

43. Hinman, J. Modeling and forecasting short-term electricity load using regression analysis [Электронный ресурс] / J. Hinman, E. Hickey. - 2012. - Режим доступа: http://irps.illinoisstate.edu/downloads/research/documents/LoadForecastingHinma-HickeyFall2009.pdf

44. Advances in Data Mining Knowledge Discovery and Applications / Edited by Adem Karahoca. - Intech. - 2012. - 400 p.

45. Short-Term Load Forecasting, Profile Identification, and Customer Segmentation: A Methodology Based on Periodic Time Series / M. Espinoza, C. Joye, R. Belmans, B.D. Moor // IEEE Transactions on power systems. - 2005. - Vol. 20, № 3. - P. 1622-1630.

46. Improving Short Term Load Forecasting Using Double Seasonal ARIMA Model/ N. Mohamed, M.H. Ahmad, S. Ismail, Z. Ismail // World Applied Sciences Journal. - 2011. - № 15(2). - P. 223-231.

47. Short Term Load Forecasting Using Time Series Analysis: A Case Study for Karnataka, India/ C. Nataraja, M.B. Gorawar, G.N. Shilpa, J.S. Harsha. // International Journal of Engineering Science and Innovative Technology (IJESIT). - 2012. - Vol. 1, Issue 2. - P. 45-53.

48. Adaptive load forecasting of the Hellenic electric grid / S.Sp. Pappas, L. Ekonomou, V.C. Moussas et al. // Journal of Zhejiang University SCIENCE A. - 2008. - № 9(12). - P. 1724-1730.

49. Rothe, J.P. Short Term Load Forecasting Using Multi Parameter Regression / J.P. Rothe, A.K. Wadhwani, S. Wadhwani // International Journal of Computer Science and Information Security (IJCSIS). - 2009. - Vol. 6, № 2. - P. 303-306.

50. Souza, R.C. Short term load forecasting using double seasonal exponential smoothing and interventions to account for holidays and temperature effects / R.C. Souza, M. Barros, C.V.C. Miranda. - 2012. - Режим доступа: http://ecomod.net/sites/de-fault/files/document-conference/ecomod2007/294.pdf

51. Taylor, J.W. An Evaluation of Methods for Very Short-Term Load Forecasting Using Minute-by-Minute British Data / J.W. Taylor // International Journal of Forecasting. - 2008. - Vol. 24. - P. 645-658.

52. Taylor, J.W. Short-Term Load Forecasting Methods: An Evaluation Based on European Data / J.W. Taylor, P.E. McSharry // IEEE Transactions on Power Systems. -2008. - № 22. - P. 2213-2219.

53. Taylor, J.W. Short-Term Load Forecasting with Exponentially Weighted Methods / J.W. Taylor // IEEE Transactions on Power Systems. - 2012. - № 27(1). - P. 458-464.

54. Chakhchoukh, Y. Electric load forecasting based on statistical robust methods / Y. Chakhchoukh, P. Panciatici, L. Mili // IEEE Transactions on Power Systems. - 2011. - Vol. 26, Issue 3. - P. 982-991.

55. Валь, П.В. Прогнозирование электропотребления с использованием авторегрессионного метода / П.В. Валь, А.С.Торопов // Сборник трудов XVI Международной научно-практической конференции студентов, аспирантов и молодых ученых «Современные техника и технологии». - Томск: ТПУ, 2010. - С. 23-24.

56. Голяндина, Н.Э. Метод "Гусеница''-SSA: анализ временных рядов: учеб. пособие / Н.Э. Голяндина. - СПб., 2004. - 76 c.

57. Pearson, K. On lines and planes of closest fit to systems of points in space/ K. Pearson // Philosophical Magazine. - 1901. - № 2. - P. 559-572.

58. Сухомлинова, О. А. Моделирование процесса электропотребления при краткосрочном прогнозировании методами ортогональных разложений: дис. ... канд. техн. наук: 05.13.18 / Сухомлинова Ольга Александровна. - Ростов-н/Д, 2005. - 185 с.

59. Нейронные сети. Statistica Neural Networks: Методология и технология современного анализа данных / Под редакцией В.П. Боровикова. - 2-е изд., перераб. и доп. - М.: Горячая линия - Телеком, 2008. - 392 с.

60. Хайкин, С. Нейронные сети: полный курс / С. Хайкин; под ред. Н.Н. Кус-суль; пер. с англ. Н.Н. Куссуль и А.Ю. Шелестова. - 2-е издание. - М.: Издательский дом «Вильяме», 2006. - 1104 с.

61. Осовский, С. Нейронные сети для обработки информации / С. Осовский; пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с.

62. Adepoju, G.A. Application of Neural Network to Load Forecasting in Nigerian Electrical Power System / G.A. Adepoju, S.O.A. Ogunjuyigbe, K.O. Alawode // The Pacific Journal of Science and Technology. - 2007. - Vol. 8, № 1. - P. 68-72.

63. Yao, A.W.L. Taguchi and Neural Network Based Electric Load Demand Forecaster / A.W.L. Yao, H.T. Liao, C.Y. Liu // The Open Automation and Control System Journal. - 2008. - № 1. - P. 7-13.

64. Xia, C. Short, medium and long term load forecasting model and virtual load forecaster based on radial basis function neural networks / C. Xia, J. Wang, K. McMenemy // Electrical Power and Energy Systems. - 2010. - № 32. - P. 743-750.

65. Mishra, D.K. Efficient algorithms for load forecasting in electric power system using artificial neural network / D.K. Mishra, A.K.D. Dwivedi, S.P. Tripathi // International Journal of Latest Research in Science and Technology. - 2012. - Vol. 1, Issue 3. - P. 254-258.

66. Kalaitzakis, K. Short-term load forecasting based on artificial neural networks parallel implementation/ K. Kalaitzakis, G.S. Stavrakakis, E.M. Anagnostakis // Electric Power Systems Research. - 2002. - № 63. - P. 185-196.

67. Short Term Load Forecasting in Interconnected Greek Power System using ANN: Confidence Interval Estimation using a Novel Re-sampling Technique with Corrective Factor / G.J. Tsekouras, N.E. Mastorakis, F.D. Kanellos et al. // Materials of Proceedings of the 9th WSEAS International Conference on Circuits, Systems, Electronics, Control & Signal Processing (CSECS '10), December 29-31, 2010. - Vouliagmeni, Athens, Greece, 2010. - P. 166-172.

68. Kumar, M. Short-term load forecasting using artificial neural network techniques: A thesis submitted in partial fulfillment of the requirements for the degree of bachelor of technology In Electrical Engineering / M. Kumar. - Department of Electrical Engineering National Institute of Technology, Rourkela, 2009. - 40 p.

69. Lee, K.Y. Short-term load forecasting using an artificial neural network/ K.Y. Lee, Y.T. Cha, J.H. Park // Transactions on Power Systems. - 1992. - Vol. 7, № 1. - P. 124-132.

70. Neural network based approach for short-term load forecasting/ L. Sharma, M. Chakrawarti, A. Dutta, N. Adhikari // International Journal of Science, Environment and Technology. - 2012. - Vol. 1, № 5. - P. 416-424.

71. Moulin, L.S. Neural Network Based Short-Term Electric Load Forecasting with Confidence Intervals / L.S. Moulin, A.P. Alves da Silva // Materials of Proceedings of the IV Brazilian Conference on Neural Networks - IV Congresso Brasileiro de Redes Neurais, July 20-22 1999. - ITA, Sâo José dos Campos - SP - Brazil, 1999. - P. 007-012.

72. Short-Term Load Forecasting for Microgrids Based on Artificial Neural Networks / L. Hernandez, C. Baladron, J.M. Aguiar et al. // Energies. - 2013. - № 6. - P. 1385-1408.

73. Global model for short-term load forecasting using artificial neural networks / F.J. Marin, F. Garcia-Lagos, G. Joya, F. Sandoval // IEE Proc-Gener. Truiisni. Distrib. -2002. - Vol. 149, № 2. - P. 121-125.

74. Melhum, A.I. Short Term Load Forecasting using Artificial Neural Network / A.I. Melhum, L. Omar, S.A. Mahmood // International Journal of Soft Computing and Engineering (IJSCE). - 2013. - Vol. 3, Issue 1. - P. 56-58.

75. Hayati, M. Artificial Neural Network Approach for Short Term Load Forecasting for Illam Region / M. Hayati, Y. Shirvany // International journal of electrical, computer, and systems engineering. - 2007. - Vol. 1, № 2. - P. 121-125.

76. Moturi, C.A. Use of Artificial Neural Networks for Short-Term Electricity Load Forecasting of Kenya National Grid Power System / C.A. Moturi, F.K. Kioko // International Journal of Computer Applications. - 2013. - Vol. 63, № 2. - P. 25-30.

77. Buhari, M. Short-Term Load Forecasting Using Artificial Neural Network / M. Buhari, S. Adamu // Materials of Proceedings of the International MultiConference of Engineers and Computer Scientists 2012 (IMECS 2012) Vol. 1., March 14-16, 2012. -Hong Kong, 2012. - P. 1-6.

78. Bunnoon, P. The Comparision of Mid Term Load Forecasting between MultiRegional and Whole Country Area Using Artificial Neural Network / P. Bunnoon, K. Chalermyanont, C. Limsakul // International Journal of Computer and Electrical Engineering. - 2010. - Vol. 2, № 2. - P. 334-338.

79. Artificial Neural Network based Short Term Load Forecasting of Power System / S. Quaiyum, Y.I. Khan, S. Rahman, P. Barman // International Journal of Computer Applications (0975 - 8887). - 2011. - Vol. 30, № 4. - P. 1-7.

80. Sheikh, S.K. Short-term load forecasting using ANN technique / S.K. Sheikh, M.G. Unde // International Journal of Engineering Sciences & Emerging Technologies.

- 2012. - Vol. 1, Issue 2. - P. 97-107.

81. Muthukumaran, S. Short Term Load Forecasting Using Functional Link Network / S. Muthukumaran, K. Thyagarajah, M. Paulraj // European Journal of Scientific Research. - 2011. - Vol. 51, № 3. - P. 315-320.

82. One-Hour-Ahead Load Forecasting Using Neural Network / T. Senjyu, H. Takara, K. Uezato, T. Funabashi // IEEE Transactions on power systems. - 2002. -Vol. 17, № 1. - P. 113-118.

83. Староверов, Б.А. Комплексное применение нейронных сетей для автоматизации прогнозирования электропотребления на региональном уровне / Б. А. Староверов, М.А. Мормылёв // Вестник ИГЭУ. - 2009. - Вып. 4. - С. 1-4.

84. Делегодина, Л.А. Прогноз энергопотребления в АСКУЭ ННЦ искусственной нейронной сетью / Л.А. Делегодина // Проблемы информатики. - 2012. -№ 1 (13). - С. 66-72.

85. Мошенский, И.В. Прогнозирование электрических нагрузок ОАО «Су-мыхимпром» с помощью искусственных нейронных сетей / И.В. Мошенский, B.C. Ноздренков, А.Ю. Хатунцев // BicHHK СумДУ. Cepiя Техшчш науки. - 2009. - №4.

- С. 39-43.

86. Программное обеспечение краткосрочного прогнозирования электрической нагрузки энергосистемы / Л.Г. Ворыпаев, М.Б. Коневский, В.А. Мясников и др. // Изв. вузов. Электромеханика. - 1996. - №3. - С. 119-120.

87. Торговый дом «ВНИКО». Программное обеспечение для объектов энергетики [Электронный ресурс] - 2013. - Режим доступа: http://www.td-vniko.ru/services/68-software.

88. BIGroup Labs. BI ElektraProm - прогнозирование потребление электроэнергии для промышленных предприятий [Электронный ресурс] - 2013. - Режим доступа: http://www.bi-grouplabs.ru/Rech/electricity/BI_ElektraProm.html.

89. BIGroup Labs. Forecast Elektra - прогнозирование потребление электроэнергии для энергосбытовых компаний [Электронный ресурс] - 2013. - Режим доступа: http://www.bi-grouplabs.ru/Rech/electricity/forecast_elektra.html.

90. Прикладные нечеткие системы / К. Асаи, Д. Ватада, С. Иван и др.; под ред. Т. Тэрано, К. Асаи, М. Сугено; пер. с япон. Ю.Н. Чернышова. - М.: Мир, 1993. - 368 с.

91. Заде, Л. А. Понятие лингвистической переменной и его применение к принятию приблизительных решений / Л.А. Заде; под ред. H.H. Моисеева и С.А. Орловского; пер. с англ. H.H. Ринго. - М.: Мир, 1976. - 165 с.

92. Леоненков, A.B. Нечеткое моделирование в среде Matlab и fuzzyTECH / A.B. Леоненков. - СПб.: БХВ-Петербург, 2005. - 736 с.

93. Штовба, С.Д. Проектирование нечетких систем средствами MATLAB / С.Д. Штовба. - М.: Горячая линия - Телеком, 2007. - 288 с.

94. BaseGroup Labs. Нечеткая логика - математические основы [Электронный ресурс] - 2013. - Режим доступа: http://www.basegroup.ru/library/analysis/ fuzzylogic/math/.

95. Зайченко, Ю.П. Нечеткие модели и методы в интеллектуальных системах. Учебное пособие для студентов высших учебных заведений / Ю.П. Зайченко. - К.: «Издательский Дом «Слово», 2008. - 344 с.

96. Бирюков, Е.В. Практическая реализация нечеткой нейронной сети при краткосрочном прогнозировании электрической нагрузки / Е.В. Бирюков, М.С. Корнеев // Научная сессия МИФИ-2005. VII Всероссийская научно-техническая конференция «Нейроинформатика-2005». Сборник научных трудов. Ч. 2. - М.: МИФИ, 2005. - С. 207-214.

97. Глебов, A.A. Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем / A.A. Глебов // Южно-Российский вестник геологии, географии и глобальной энергии. - 2006. - №7(20). - С. 142-146.

98. Kecman, V. Learning and Soft Computing: Support Vector Machines, Neural Networks, and Fuzzy Logic Models (Complex Adaptive Systems) / V. Kecman. - The MIT Press, 2001. - 608 p.

99. Вапник, B.H. Теория распознавания образов / B.H. Вапник, А.Я. Черво-ненкис. - М.: Наука, 1974. - 416 с.

100. Jain, A. Clustering based Short Term Load Forecasting using Support Vector Machines / A. Jain, B. Satish // Materials of IEEE Bucharest Power Tech Conference, June 28th-July 2nd 2009. - Bucharest, Romania, 2009. - P. 1-8.

101. Chen, B.-J. Load forecasting using support vector machines: A study on EUNITE competition 2001 / B.-J. Chen, M.-W. Chang, C.-J. Lin // IEEE Transactions on Power Systems. - 2004. - Vol. 19, № 4, - P. 1821-1830.

102. Bozic, M. Short-term electric load forecasting usingleast square support vector machines / M. Bozic, M. Stojanovic, Z. Stajic // Automatic Control and Robotics. -2010. - Vol. 9, № 1. - P. 141-150.

103. A New Short-term Power Load Forecasting Model Based on Chaotic Time Series and SVM / D. Niu, Y. Wang, C. Duan, M. Xing // Journal of Universal Computer Science. - 2009. - Vol. 15, № 13. - P. 2726-2745.

104. Ferreira, V.H. Autonomous Kernel Based Models for Short-Term Load Forecasting / V.H. Ferreira, A.P. Alves da Silva // Journal of Energy and Power Engineering.

- 2012. - № 6. - P. 1984-1993.

105. Huang, Y. Short-term Load Forecasting with LS-SVM Based on Improved Ant Colony Algorithm Optimization / Y. Huang, J. Deng // Journal of Computational Information Systems. - 2010. - № 6:5. - P. 1431-1438.

106. Matijas, M. Supplier short term load forecasting using support vector regression and exogenous input / M. Matijas, M. Vukicevic, S. Krajcar // Journal of electrical engineering. - 2011. - Vol. 62, № 5. - P. 280-285.

107. Short-Term Load Forecasting for Electric Power Systems Using the PSO-SVR and FCM Clustering Techniques / P. Duan, K. Xie, T. Guo, X. Huang // Energies.

- 2011. - № 4. - P. 173-184.

108. Achanta, R. Long Term Electric Load Forecasting using NeuralNetworks and Support Vector Machines / R. Achanta // International Journal of Computer Science And Technology (IJCST). - 2012. - Vol. 3, Issue 1. - P. 266-269.

109. Stojanovic, M.B. Mid-Term Load Forecasting Using Recursive Time Series Prediction StrategyWith Support Vector Machines / M.B. Stojanovic, M.M. Bozic, M.M. Stankovic // ELEC. ENERG. - 2010. - Vol. 23, № 3. - P. 287-298.

110. Electrical Power Load Forecasting using Hybrid Self-Organizing Maps and Support Vector Machines / J. Nagi, K.S. Yap, S.K. Tiong, S.K. Ahmed // Materials of The 2nd International Power Engineering and Optimization Conference (PEOCO), Jun. 4-5, 2008. - Shah Alam, Selangor, MALAYSIA. - P. 51-56.

111. Ефен, В. Улучшение точности прогнозирования временных рядов на основе метода опорных векторов / В. Ефен, Д.В. Ли // Материалы конференции «Управление в технических, эргатических, организационных и сетевых системах» (УТЭ0СС-2012). - СПб.: ГНЦ РФ ОАО «Концерн «ЦНИИ «Электроприбор», 2012.

- С. 545-548.

112. Bunnoon, P. A Computing Model of Artificial Intelligent Approaches to Midterm Load Forecasting: a state-of-the-art- survey for the researcher / P. Bunnoon, K. Cha-lermyanont, C. Limsakul // IACSIT International Journal of Engineering and Technology.

- 2010. - Vol. 2, № 1. - P. 94-100.

113. Asar, A. A Multi-agent Approach To Short Term Load Forecasting Problem / A. Asar, S.R. Hassnain, A.U. Khattack // International journal of intelligent control and systems. - 2005. - Vol. 10, № 1. - P. 52-59.

114. Ghods, L. Different Methods of Long-Term ElectricIranian Journal of Electrical & Electronic Engineering. - 2011. - № 7(4). - P. 249-259.

115. Kalaitzakis, K. Short-term load forecasting based on artificial neural networks parallel implementation / K. Kalaitzakis, G.S. Stavrakakis, E.M. Anagnostakis // Electric Power Systems Research. - 2002. - № 63. - P. 185-196.

116. Lu, J.-C. A study of short term load forecasting based on ARIMA-ANN / J.-C. Lu, D.-X. Niu, Z.-Y. Jia // Machine Learning and Cybernetics. - 2004. - Vol. 5. -P. 3183-3187.

117. Short-term load forecasting for the holidays using fuzzy linear regression method / K.-B. Song, Y.-S. Baek, D.H. Hong, G. Jang // IEEE Trans. power syst. - 2005.

- Vol. 20, № 1. - P. 96-101.

118. Hybrid load forecasting method with analysis of temperature sensitivities / K.-B. Song, S.-K. Ha, J.-W. Park et al. // IEEE Trans. power syst. - 2006. - Vol. 21, № 2. - P. 869-876.

119. Chaturvedi, D.K. Short Term Load Forecasting using Neuro-fuzzy-Wavelet Approach / D.K.Chaturvedi, S.A. Premdayal, A. Chandiok // International Journal of Computing Academic Research (IJCAR). - 2013. - Vol. 2, № 1. - P. 36-48.

120. Iranmanesh, H. Mid-Term Energy Demand Forecasting by Hybrid Neuro-Fuzzy Models / H. Iranmanesh, M. Abdollahzade, A. Miranian // OPEN ACCESS energies. - 2012. - № 5. - P. 1-21.

121. Dudek, G. Neuro-fuzzy approach to the next day load curve forecasting / G. Dudek // Przegl^d elektrotechniczny (Electrical Review). - 2011. - R. 87, NR 2. - P. 61-64.

122. Liao, G.-C. Application of fuzzy neural networks and artificial intelligence for load forecasting / G.-C. Liao, T.-P. Tsao // Electric Power Systems Research. - 2004.

- №70. - P. 237-244.

123. Seetha, H. Short Term Electric Load Prediction Using Fuzzy BP / H. Seetha, R. Saravanan // Journal of Computing and Information Technology - CIT. - 2007. - № 15. - P. 267-282.

124. Azeem, F. Fuzzy Inference System - Theory and Applications / F. Azeem. -InTech, 2012. - 504 p.

125. Sapra, S. Load forecasting based on neuro-fuzzy / S. Sapra, J.P. Navani, A. Yadav // International Journal of Advances in Electrical and Electronics Engineering.

- 2012. - Vol. 1, № 3. - P. 389-395.

126. Modeling and Forecasting Short-term Electricity Load based on Multi Adaptive Neural-Fuzzy Inference System by Using Temperature / Z. Soozanchi, M. Yaghobi, M.-R. Akbarzadeh, M. Habibipour // Materials of IEEE 2nd International Conference on Signal Processing Systems (ICSPS) Vol.3, July 5-7, 2010. - Dalian, 2010. - P. 18-22.

127. Swaroop, R. Load Forecasting for Power System Planning using Fuzzy-Neural Networks / R. Swaroop, H.A. Al Abdulqader // Materials of Proceedings of the World Congress on Engineering and Computer Science 2011 Vol. I, WCECS '12, October 2426, 2012. - San Francisco, USA, 2012. - P. 504-508.

128. Анушина, E.C. Система краткосрочного прогнозирования электрической нагрузки: дис. ... канд. техн. наук: 05.09.03 / Анушина Екатерина Сергеевна. - Санкт-Петербург, 2009. - 137 с.

129. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский; пер. с польск. И.Д. Рудин-ского. - М.: Горячая линия - Телеком, 2006. - 452 с.

130. Farahat, M.A. A New Approach for Short-Term Load Forecasting Using Curve Fitting Prediction Optimized by Genetic Algorithms / M. A. Farahat , M. Talaat // Materials of Proceedings of the 14th International Middle East Power Systems Conference (MEPC0N'10), December 19-21, 2010. - Egypt: Cairo University, 2010. - P. 106110.

131. Gupta, A. Electrical load forecasting using genetic algorithm based back-propagation method / A. Gupta, P.K. Sarangi // ARPN Journal of Engineering and Applied Sciences. - 2012. - Vol. 7, № 8. - P. 1017-1020.

132. Karabulut, K. Long term energy consumption forecasting using genetic programming / K. Karabulut, A. Alkanb, A.S. Yilmaz // Mathematical and Computational Applications. - 2008. - Vol. 13, № 2. - P. 71-80.

133. A Novel Genetic-Algorithm-Based Neural Network for Short-Term Load Forecasting / S.H. Ling, F.H.F. Leung, H.K. Lam, Y.-S. Lee et al. // IEEE Transactions on industrial electronics. - 2003. - Vol. 50, № 4. - P. 793-799.

134. Short term load forecasting using artificial neural network: A comparison with genetic algorithm implementation / P.K. Sarangi, N. Singh, R.K. Chauhan, R. Singh // ARPN Journal of Engineering and Applied Sciences. - 2009. - Vol. 4, № 9. - P. 88-93.

135. Wu, Q. The complex fuzzy system forecasting model based on fuzzy SVM with triangular fuzzy number input and output / Q. Wu, R. Law // Expert Systems with Applications. - 2011. - Vol. 38, Issue 10. - P. 12085-12093.

136. Xue, J. Building an integrated hybrid model for short-term and mid-term load forecasting with genetic optimization / J. Xue, Z. Xu, J. Watada // International Journal of Innovative Computing, Information and Control. - 2012. - Vol. 8, №№ 10(B). - P. 7381-7391.

137. Надтока, И.И. Модель прогнозирования электропотребления энергорайонов и региона с учетом влияния метеофакторов / И.И. Надтока, Баласим М. Аль-Зихери // Изв. вузов. Электромеханика. - 2014. - №3. - С. 44-48.

138. Иващенко, А.Б. Традиционные и современные подходы в прогнозировании временных рядов / А.Б. Иващенко // HayKOBi пращ Донецького нащонального техшчного ушверситету, сер1я: «Проблеми моделювання та автоматизацп проекту-вання». - 2012. - № 1(10)-2(11). - С. 156-174.

139. Вовк, Т.Ю. Прогнозирование финансовой деятельности предприятия / Т.Ю. Вовк, А.И. Секирин // 1нформацшш управляюч1 системи та комп'ютерний мошторинг (1УСКМ-2013): МатерТали IV мТжнародно! науково-техшчно1 конфе-ренцп студенев, acnipaHTiB та молодих вчених. Т. 2. - Донецьк: ДонНТУ, 2013. -С. 184-189.

140. MachineLearning.ru. Машина опорных векторов [Электронный ресурс] -2013. - Режим доступа: http://www.machinelearning.ru/wiki/index.php?title=SVM.

141. Jang, J.-S.R. ANFIS: Adaptive-network-based fuzzy inference system / J.-S.R. Jang // IEEE Trans. on System, Man, and Cybern. - 1993. - Vol. 23, № 3. - P. 665-685.

142. Takagi, T. Fuzzy Identification on Systems and its Applications to Modeling and Control / T. Takagi, M. Sugeno // IEEE Trans. on Systems, Man, and Cybern. - 1985. - Vol.15. - P. 116-132.

143. Sugeno, M. Structure Identification of Fuzzy Model / M.Sugeno, G.Kang // Fuzzy Sets and Systems. - 1986. - Vol.28. - P. 329-346.

144. Гордеев, В.И. Взаимная корреляция в расчетах характеристик графиков электрической нагрузки / В.И. Гордеев // Электричество. - 1978. - № 8. - С. 17-21.

145. Гуртовцев, А.Л. Электрическая нагрузка энергосистемы. Выравнивание графика / А.Л. Гуртовцев, Е.П. Забелло // Новости Электротехники. - 2008. - № 5(53). - С. 18-23.

146. Растригин, Л.А. Введение в идентификацию объектов управления / Л. А. Растригин, Н.Е. Маджаров. - М.: Энергия, 1977. - 216 с.

147. Анализ прогнозных балансов мощности Центрального энергорайона Кубанской энергосистемы: отчет о НИР / Плотников А.Г., Уваров В.А., Бугаец В.А. -Ростов-на-Дону: ООО «ПИ «Тяжпромэлектропроект», 2014. - 30 с.

148. Баринов, В.А. Режимы энергосистем: методы анализа и управления / В.А. Баринов, С.А. Совалов. - М.: Энергоатомиздат, 1990. - 440 с.

149. Тимченко, В.Ф. Колебание нагрузки и обменной мощности энергосистем / В.Ф. Тимченко. - М.: Энергия, 1975. - 208 с.

150. Левин, М.С., Методы теории решений в задачах оптимизации систем электроснабжения / М.С. Левин, Т.Б. Лещинская. - М.: ВИПКэнерго, 1989. - 130 с.

151. Методы решения задач реального времени в электроэнергетике / А.З. Гамм, Ю.Н. Кучеров и др. - Новосибирск: Наука, 1990. - 294 с.

152. Прогнозирование электропотребления в энергосистеме с учетом температуры воздуха и освещенности / A.B. Демура, И.И. Надтока, A.B. Седов и др. // Электрика. - 2005. - №3. - С.18-21.

153. Прогнозирование электропотребления в энергосистеме с учетом температуры воздуха и освещенности / A.B. Демура, И.И. Надтока, A.B. Седов и др. // Техническая самоорганизация: философское осмысление и практическое использование: Материалы 9-го междунар. науч.-техн. семинара, г. Москва, 17-19 нояб. 2004 г. / Моск. энргет. ин-т (МЭИ). М.: МЭИ, 2004. - С. 105-107.

154. Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений / И.И. Надтока, A.B. Демура, А.Я. Ваколюк и др. // Вестник СамГТУ. - 2012. - № 1(33). - С. 57-162.

155. Хромов, С.П. Метеорология и климатология: Учебник / С.П. Хромов, М.А. Петросянц. - 5-е изд., перераб. и доп. - М.: Изд-во МГУ, 2001. - 528 с.

156. Кендалл, М. Дж. Многомерный статистический анализ и временные ряды / М. Дж. Кендалл, А. Стьюарт; под ред. А.Н. Колмогорова и Ю.В. Прохорова; пер. с англ. ЭЛ. Пресмана и В.И. Ротаря. - М.: Наука, 1976. - 736 с.

157. Лаврус, B.C. Свет и тепло [Электронный ресурс] / B.C. Лаврус. - НиТ, 1997. - Режим доступа: http://n-t.ru/ii/st/ch1_2.pdf

158. Седов, А.В. Общие подходы вейвлет преобразований при моделировании рядов электропотребления / А.В. Седов, Е.В. Тришечкин // Изв. вузов. Электромеханика. - 2009. - Спец. выпуск. Электроснабжение. - С. 41-42.

159. Добеши, И. Десять лекций по вейвлетам / И. Добеши. - Ижевск: НИЦ «Регулярная и хаотическая динамика», 2001. - 464 с.

160. Воробьев, В.И. Теория и практика вейвлет-преобразования / В.И. Воробьев, В.Г. Грибунин. - СПБ: Военный университет связи, 1999. - 204 с.

161. Chaturvedi, D.K. Short Term Load Forecasting using Neuro-fuzzy-Wavelet Approach / D.K. Chaturvedi, S.A. Premdayal, A. Chandiok // International Journal of Computing Academic Research (IJCAR). - 2013. - Vol. 2, № 1. - P. 36-48.

162. Short-Term Load Forecasting: Similar Day-Based Wavelet Neural Networks / Y. Chen, P.B. Luh, C.Guan et al. // IEEE Transactions on power systems. - 2010. - Vol. 25, № 1. - P. 322-330.

163. Rocha Reis, A.J. Feature Extraction via Multiresolution Analysis for Short-Term Load Forecasting / A.J. Rocha Reis, A.P. Alves da Silva // IEEE Transactions on power systems. - 2005. - Vol. 20, № 1. - P. 189-198.

164. Надтока, И.И. Исследование зависимости между временными рядами электропотребления и освещенности с помощью вейвлет-разложения / И.И. Надтока, В.А. Бугаец // Современные энергетические системы и комплексы и управление ими: материалы XI международной науч.-практ. конф., г.Новочеркасск, 24 июня 2013г. / Юж.-Рос. гос. политехи. ун-т (НПИ) им. М.И. Платова. -Новочеркасск: ЮРГПУ(НПИ), 2013. - C. 46-51.

165. Надтока, И.И. Анализ графиков естественной освещенности с помощью вейвлет-преобразований в задачах прогнозирования электропотребления / И.И. Надтока, В.А. Бугаец // Электроэнергетика / Восьмая международная научно-техническая конференция студентов, аспирантов и молодых ученых «Энергия-2013»: материалы конференции. В 7 т. T.3. 4.1. - Иваново: ФГБОУВПО «ИГЭУ имени В.И, Ленина», 2013. - C. 238-242.

166. Надтока, И.И. Анализ взаимосвязей между электропотреблением, температурой воздуха и освещенностью с использованием вейвлет-разложения временных рядов / И.И. Надтока, В.А. Бугаец // Известия ВУЗов Сев.-Кав. регион. Техн. Науки. - 2014. - № 5. - С. 48-51.

167. Малла, С. Вэйвлеты в обработке сигналов / С. Малла; пер. с англ. Я.М. Жилейкина. - М: Мир, 2005. - 671 с.

168. Murtagh, F. On neuro-wavelet modeling / F. Murtagh, J.L. Starck, O. Renaud // Decision Support Systems, 37. - 2004. - Vol. 37, № 4. - P. 475-484.

169. Дремин, И.М. Вейвлеты и их использование / И.М. Дремин, О.В. Иванов, В.А. Нечитайло // Успехи физических наук. - 2001. - Т. 171, №5. - С. 465-501.

170. Астафьева, Н.М. Вейвлет-анализ: основы теории и примеры применения/ Н.М. Астафьева // Успехи физических наук. - 1996. - Т. 166. - С. 1145-1170.

171. Смоленцев, Н.К. Основы теории вейвлетов. Вейвлеты в Matlab / Н.К. Смоленцев. - М.: ДМК Пресс, 2005. - 304 с.

172. Coifman, R.R. Entropy-based algorithms for best basis selection/ R.R. Coif-man, M.V. Wickerhauser // IEEE Trans. Inf. Theory. - 1992. - Vol. 38, № 2. - P. 713718.

173. Новиков, И.Я. Теория всплесков/ И.Я. Новиков, В.Ю. Протасов, М.А. Скопина. - М.: ФИЗМАЛИТ, 2005. - 616 с.

174. Методика контроля точности прогноза потребления: Распоряжение руководителя оперативного штаба по совершенствованию конкурентного балансирующего рынка ОАО «Системный оператор единой энергетической системы» от 14 апреля 2011 № 132.

175. Надтока, И.И. Модель прогнозирования электропотребления энергорайонов и региона с учетом влияния метеофакторов / И.И. Надтока, В.А. Бугаец, М.В. Юрушкин // Изв. вузов. Электромеханика. - 2014. - № 3. - С. 40-44.

176. Надтока, И.И. Модель прогнозирования электропотребления энергорайонов на территории операционных зон РДУ с учетом влияния метеофакторов на основе нейро-нечеткой сети и вейвлет-разложения / И.И. Надтока, В.А. Бугаец, М.В. Юрушкин // Электроэнергетика глазами молодежи: науч. тр. IV междунар.

науч.-техн. конф., Т.1, г. Новочеркасск, 14-18 октября 2013 г. / Мин-во образования и науки РФ, Юж.-Рос. гос. политехи. ун-т (НПИ) имени М.И. Платова. - Новочеркасск: Лик, 2013. - С. 183-186.

177. Надтока, И.И. Вейвлет-преобразования временных рядов при краткосрочном прогнозировании электропотребления с учетом освещенности / И.И. Надтока, В.А. Бугаец // Современные энергетические системы и комплексы и управление ими: материалы XI международной науч.-практ. конф., г.Новочеркасск, 24 июня 2013г./ Юж.-Рос. гос. политехи. ун-т (НПИ) им. М.И. Платова. -Новочеркасск: ЮРГПУ(НПИ), 2013. - C. 41-45.

178. MATLAB.Exponenta. Проектирование систем управления \ Fuzzy Logic Toolbox. Список функций Fuzzy Logic Toolbox. Genfis 2 [Электронный ресурс] -2013. - Режим доступа: http://matlab.exponenta.ru/fuzzylogic/book2Z1/genfis2.php.

179. Глебов, A.A. Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем: дис. ... канд. техн. наук: 05.13.10 / Глебов Андрей Александрович. - Астрахань, 2006. - 112 с.

180. MATLAB. Exponenta. Проектирование систем управления \ Fuzzy Logic Toolbox. С.Д. Штовба «Введение в теорию нечетких множеств и нечеткую логику» [Электронный ресурс] - 2013. - Режим доступа: http://matlab.exponenta.ru/ fuzzylogic/book1/ 1_7_5_7.php.

181. MathWorks. Генерация приложений [Электронный ресурс] - 2014. - Режим доступа: http://matlab.ru/solutions/fgeneration/.

182. Колмогоров, А.Н. Введение в теорию вероятностей / А.Н. Колмогоров, И.Г. Журбенко, A.B. Прохоров. - 2-е изд.: перераб. и доп. - М.: Физматлит, 1995. -176 с.

183. Бочаров, П.П. Теория вероятностей. Математическая статистика / П.П. Бочаров, A.B. Печенкин. - 2-е изд. - М.: Физматлит, 2005. - 296 с.

Приложение А (справочное)

Листинг алгоритма программы «Прогноз ЭП/ЭР» на языке МаНаЬ

Программа представлена следующими основными блоками:

- createCoefs.m - блок вейвлет-разложения Хаара входных данных;

- createReport.m - блок сохранения результатов прогнозирования;

- getForecastForRegion.m - блок прогнозирования;

- getForecastForRegion2.m - блок поиска наилучшего радиуса кластеризации. Если функция поиска не задана, то автоматически выполняется вызов блока getForecastForRegion.m;

- NNS1.m - блок обучения нейронной сети, прогнозирующей аппроксимирующую компоненту;

- NNS2.m - блок обучения нейронной сети, прогнозирующей детализирующие компоненты;

- readSheet.m - блок считывания данных из файла перед началом обучения нейро-нечеткой сети;

- selectHoursWindow.m - блок учета отдельных часов для метеофакторов;

- startPrediction.m - блок пуска прогноза, построения графиков, вызова блока getForecastForRegion2.m;

- test.m - блок графического интерфейса программы.

createCoefs.m

% Функция выполняет разложение Хаара для массива. % Входные данные:

% data - массив, для которого нужно получить разложение

% depth - глубина разложения.

%

function [a, w] = createCoefs(data, depth) lengthDataP = size(data, 2);

C1 = data;

C2 = zeros(1, lengthDataP);

w = zeros(depth, lengthDataP); for j=1:depth C2 = zeros(1, lengthDataP); for k=1+2A(j-1):lengthDataP

C2(k) = 0.5*(C1(k) + C1(k - 2A(j-1))); end

w(j,:) = C1 - C2; C1 = C2; end

a = C1; end

createReport.m

function [ output_args ] = createReport(path) global param_trainigDaysCount; global param_useNoise; global result_forecast; global result_data; global result_mape; global used_radius; global curdate;

mape_hour = zeros(3, 24);

mape_hour = abs(result_data - result_forecast)./result_data*100; predictionDayShift = 0;

val = get(findobj('Tag', 'm_rb_interbal2'), 'Value'); if (val ~= 0)

predictionDayShift = 1; end

getForecastForRegion.m

% Функция getForecastForRegion делает прогноз на конкретный день (day).

% Входные данные:

% radius - радиус кластеризации (параметр нейронной сети)

% useNoise - учитывать шумы или нет

% predictionDayShift - на сколько дней вперед делается прогноз

% dataP, dataT, dataO - входные массивы данных

% usedTHours, usedOHours - задают часы на которых происходит обучение

% day - день, на который производится прогноз

% trainigDaysCount - количество дней для обучения

% data - массив, для которого нужно получить разложение

% depth - глубина разложения.

%

function [forecast, mape] = getForecastForRegion(radius, useNoise, predictionDayShift, dataP, dataT, dataO, usedTHours, usedOHours, day, trainigDaysCount) global stopProcess;

global caclulate_progress_hack_

global caclulate_progress_hack2_

if (day < trainigDaysCount+2) forecast = []; mape = -1; return end

index = (day+predictionDayShift)*24;

11 = index + 1;

12 = index + 24;

forecast = zeros(1, 24); depth = 3;

[aP, wP] = createCoefs(dataP, depth); [aT, wT] = createCoefs(dataT, depth);

[aO, wO] = createCoefs(dataO, depth);

%

% Устанавливаем минимальное и максимальное значения признаков

%

%------------------------------

aPmin = -3000; %min(aP); aPmax = 3000; %max(aP);

aTmin = -1000; %min(aT); aTmax = 1000; %max(aT);

aOmin = 0; %min(aO); aOmax = 10000000; %max(aO);

wP1min = -3000; %min(wP(1, :)); wP1max = 3000; %max(wP(1, :));

wT1min = -1000; %min(wT1min); wT1max = 1000; %max(wT(1, :));

wO1min = -1000000; %min(wO(1, :));

wO1max = 1000000; %max(wO(1, :)); %------------------------------

wP2min = -3000; %min(wP(2, :)); wP2max = 3000; %max(wP(2, :));

wT2min = -1000; %min(wT(2, :)); wT2max = 1000; %max(wT(2, :));

wO2min = -1000000; %min(wO(2, :));

wO2max = 1000000; %max(wO(2, :)); %------------------------------

wP3min = -3000; %min(wP(3, :)); wP3max = 3000; %max(wP(3, :));

wT3min = -1000; %min(wT(3, :)); wT3max = 1000; %max(wT(3, :));

wO3min = -1000000; %min(wO(3, :)); wO3max = 1000000; %max(wO(3, :));

trainingsCount = 24*4*caclulate_progress_hack_;

currentTrainingIndex = 24*4*caclulate_progress_hack2_;

%

% Формируем прогноз на 24 часа вперед

%

for fK=1:24

%

% Тренируем сеть для предсказания компоненты 'а'. Интервал предсказания - 'fK' часов вперед.

%

a = NNS1(radius, aP, aT, aO, usedTHours, usedOHours, day, predictionDayShift, trainig-DaysCount, fK, aPmin, aPmax, aTmin, aTmax, aOmin, aOmax); if (stopProcess == true) forecast = 0; mape = 0; return; end;

set(findobj('Tag', 'm_lblProgress'), 'String', sprintf('nporpecc: %d', int32(currentTrainingIn-

dex*100/trainingsCount)));

%

% Тренируем сеть для предсказания компоненты 'w1'. Интервал предсказания - 'fK'

часов вперед.

%

w1 = NNS2(radius, 1, wP, wT, wO, usedTHours, usedOHours, day, predictionDayShift, trainigDaysCount, fK, wP1min, wP1max, wT1min, wT1max, wO1min, wO1max); if (stopProcess == true) forecast = 0; mape = 0; return; end;

currentTrainingIndex = currentTraininglndex + 1;

set(findobj('Tag', 'm_lblProgress'), 'String', sprintf('nporpecc: %d', int32(currentTrainingIn-

dex*100/trainingsCount)));

%

% Тренируем сеть для предсказания компоненты 'w2'. Интервал предсказания - 'fK'

часов вперед.

%

w2 = NNS2(radius, 2, wP, wT, wO, usedTHours, usedOHours, day, predictionDayShift, trainigDaysCount, fK, wP2min, wP2max, wT2min, wT2max, wO2min, wO2max); if (stopProcess == true) forecast = 0; mape = 0; return; end;

currentTrainingIndex = currentTrainingIndex + 1;

set(findobj('Tag', 'm_lblProgress'), 'String', sprintf('nporpecc: %d', int32(currentTrainingIn-

dex*100/trainingsCount)));

%

% Тренируем сеть для предсказания компоненты 'w3'. Интервал предсказания - 'fK'

часов вперед.

%

w3 = NNS2(radius, 3, wP, wT, wO, usedTHours, usedOHours, day, predictionDayShift, trainigDaysCount, fK, wP3min, wP3max, wT3min, wT3max, wO3min, wO3max); if (stopProcess == true) forecast = 0; mape = 0; return; end;

currentTrainingIndex = currentTrainingIndex + 1;

set(findobj('Tag', 'm_lblProgress'), 'String', sprintf('nporpecc: %d', int32(currentTrainingIn-dex*100/trainingsCount)));

end

%

% Сравниваем прогноз на день с реальными значениями. Получаем ошибку (MAPE)

%

realData = dataP(i1:i2); mape = 0; for i=1:24

mape = mape + (abs(realData(i) - forecast(i)))/realData(i); end

mape = mape*100/24; end

getForecastForRegion2.m

function [forecast, mape, radius] = getForecastForRegion2(regionId, radiusL, radiusR, stepsCount, predictionDayShift, dataP, dataT, dataO, usedTHours, usedOHours, day, trainigDaysCount)

global caclulate_progress_hack_

global caclulate_progress_hack2_

eps = 0.000001;

if (abs(radiusL - radiusR) < eps)

caclulate_progress_hack_= 1;

caclulate_progress_hack2_= 0;

radius = radiusL;

[forecast, mape] = getForecastForRegion(regionId, radius, false, predictionDayShift, dataP, dataT, dataO, usedTHours, usedOHours, day, trainigDaysCount); else

caclulate_progress_hack_= 1 + stepsCount;

currentDay = day-1-predictionDayShift; for i = 1:stepsCount r = radiusL + (radiusR-radiusL)*i/stepsCount; caclulate_progress_hack2_= i-1;

[forecast, mape] = getForecastForRegion(regionId, r, false, predictionDayShift, dataP, dataT, dataO, usedTHours, usedOHours, currentDay, trainigDaysCount);

if (i == 1) currentMape = mape; currentRadius = r; end

if (i > 1 && mape < currentMape) currentMape = mape; currentRadius = r; end end

radius = currentRadius; caclulate_progress_hack2_= stepsCount;

[forecast, mape] = getForecastForRegion(regionId, radius, false, predictionDayShift, dataP, dataT, dataO, usedTHours, usedOHours, day, trainigDaysCount);

end end

NNS1.m

% NNS1 тренировка нейронной сети, которая предсказывает компоненту 'а'.

% radius - радиус кластеризации (параметр нейронной сети)

% aP, aT, aO - данные, на которых производится обучение

% usedTHours, usedOHours - задают часы на которых происходит обучение

% day - день, на который производится прогноз

% predictionDayShift - на сколько дней вперед делается прогноз

% trainigDaysCount - количество дней для обучения

% forecastK - на сколько часов вперед делается прогноз (1..24)

% useNoise - учитывать шумы или нет

% Pmin, aPmax, aTmin, aTmax, aOmin, aOmax - минимальные и максимальные значе-

ния bxoahmx flaHHbix

%

function [ a ] = NNS1(radius, aP, aT, aO, usedTHours, usedOHours, day, predictionDayShift, trainigDaysCount, forecastK, aPmin, aPmax, aTmin, aTmax, aOmin, aOmax) global stopProcess; currentHour = day*24;

trainingHoursCount = trainigDaysCount*24;

useTColumns = ~(1 && all(usedTHours == 0)); useOColumns = ~(1 && all(usedOHours == 0));

dim = 5;

if (useTColumns) dim = dim + 3; end;

if (useOColumns) dim = dim + 3; end;

%

% х1п - матрица признаков, на которой обучается нейронная сеть

% хОи - значения сигнала, который нейронная сеть учится распознавать

%

%

% х1п включает следующие столбцы

% х1п(1) - компонента 'а' для Р 2 часа назад

% х1п(2) - компонента 'а' для Р 1 часа назад

% х1п(3) - компонента 'а' для Р на текущий час

% х1п(4) - компонента 'а' для Т 2 час назад. Если в шеНТНоиге не указан этот час, то значение берется равным 0.

% х1п(5) - компонента 'а' для Т 1 час назад. Если в шеНТНоиге не указан этот час, то

значение берется равным 0.

% х1п(5) - компонента 'а' для Т на текущий час. Если в шеНТНоиге не указан этот

час, то значение берется равным 0.

% х1п(6) - компонента 'а' для О 2 час назад. Если в шеНОНоиге не указан этот час, то

значение берется равным 0.

% х1п(7) - компонента 'а' для О 1 час назад. Если в шеНОНоиге не указан этот час, то

значение берется равным 0.

% х1п(8) - компонента 'а' для О на текущий час. Если в шеНОНоиге не указан этот

час, то значение берется равным 0.

% х1п(9) - номер пронозируемого часа (1..24)

% х1п(10) - 1, если прогнозируемый день - рабочий. Иначе - 0.

xIn = zeros(trainingHoursCount, dim); xOut = zeros(trainingHoursCount, 1); for fh = currentHour - trainingHoursCount + 1 : currentHour tfh = fh - (forecastK + predictionDayShift*24);

i = fh - (currentHour - trainingHoursCount); xIn(i,1) = aP(tfh - 2); xIn(i,2) = aP(tfh - 1); xIn(i,3) = aP(tfh); if (useTColumns) xIn(i,4) = usedTHours(mod(tfh-2, 24)+1) * aT(tfh - 2); xIn(i,5) = usedTHours(mod(tfh-1, 24)+1) * aT(tfh - 1); xIn(i,6) = usedTHours(mod(tfh-0, 24)+1) * aT(tfh); end

if (useOColumns) xIn(i,dim-4) = usedOHours(mod(tfh-2, 24)+1) * aO(tfh - 2); xIn(i,dim-3) = usedOHours(mod(tfh-1, 24)+1) * aO(tfh - 1); xIn(i,dim-2) = usedOHours(mod(tfh-0, 24)+1) * aO(tfh); end

xIn(i,dim-1) = mod(fh, 24); fh_day = idivide(int32(fh), 24); dayNumber = mod(fh_day + 4, 7); xIn(i,dim) = 0;

if (dayNumber == 5 II dayNumber == 6)

xIn(i,dim) = 1; end

xOut(i) = aP(fh);

end

%

% Устанавливаем границы значений каждого признака. Это необходимо для обучения

нейросети.

%

bounds = zeros(2, dim+1); bounds(1, 1) = aPmin; bounds(1, 2) = aPmin;

bounds(1, 3) = aPmin; bounds(2, 1) = aPmax; bounds(2, 2) = aPmax; bounds(2, 3) = aPmax; if (useTColumns) bounds(1, 4) = aTmin; bounds(1, 5) = aTmin; bounds(1, 6) = aTmin; bounds(2, 4) = aTmax; bounds(2, 5) = aTmax; bounds(2, 6) = aTmax; end

if (useOColumns) bounds(1, dim-4) = aOmin; bounds(1, dim-3) = aOmin; bounds(1, dim-2) = aOmin; bounds(2, dim-4) = aOmax; bounds(2, dim-3) = aOmax; bounds(2, dim-2) = aOmax; end

bounds(1, dim-1) = 0; bounds(2, dim-1) = 24; bounds(1, dim) = 0; bounds(2, dim) = 2; bounds(1, dim+1) = aPmin;

bounds(2, dim+1) = aPmax;

%

% Обучение нейронной сети

%

fismat = genfis2(xIn, xOut, radius, bounds); if (stopProcess == true) a = 0; return;

end;

%

% Тестируем нейронную сеть на интересуемом дне. Ниже идет формирование век-

тора признаков для интересуемого дня.

%

yIn = zeros(1, dim);

fh = currentHour + forecastK + 24*predictionDayShift; tfh = fh - (forecastK + 24*predictionDayShift);

yIn(1,1) = aP(tfh - 2); yIn(1,2) = aP(tfh - 1); yIn(1,3) = aP(tfh);

if (useTColumns) yIn(1,4) = usedTHours(mod(tfh-2, 24)+1) * aT(tfh - 2);