Метод прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких алгоритмов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Бажинов, Алексей Николаевич

  • Бажинов, Алексей Николаевич
  • кандидат технических науккандидат технических наук
  • 2011, Череповец
  • Специальность ВАК РФ05.13.01
  • Количество страниц 172
Бажинов, Алексей Николаевич. Метод прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких алгоритмов: дис. кандидат технических наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Череповец. 2011. 172 с.

Оглавление диссертации кандидат технических наук Бажинов, Алексей Николаевич

Введение.

1 Общая характеристика проблемы прогнозирования потребления электроэнергии предприятием черной металлургии.

1.1 Анализ существующих методов и средств прогнозирования потребления электроэнергии.

1.2 Характеристика потребления электроэнергии как объекта прогнозирования.

1.3 Определение требований к математическому обеспечению метода прогнозирования потребления электроэнергии предприятием черной металлургии.

1.4 Выводы.

2 Математическое обеспечение метода прогнозирования потребления электроэнергии предприятием черной металлургии.

2.1 Разработка методики обобщенной оценки объемов потребления электроэнергии.

2.2 Разработка методик предварительной обработки технологических параметров в системе прогнозирования

2.2.1 Методика восстановления отсутствующих данных в рядах ретроспективной информации.

2.2.2 Методика редактирования аномальных значений в рядах ретроспективной информации.

2.3 Разработка методики определения влияющих факторов на потребление электроэнергии.

2.4 Разработка метода прогнозирования потребления электроэнергии.

2.4.1 Метод прогнозирования потребления электроэнергии на основе неиро-нечеткои сети.

2.4.2 Модификация структуры нейро-нечеткой сети.

2.4.3 Обучение модифицированной нейро-нечеткой сети.

2.5 Выводы.

3 Алгоритмы обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии . 102 3.1 Алгоритмы предварительной обработки технологических параметров в системе прогнозирования.

3.1.1 Алгоритм восстановления отсутствующих данных в рядах ретроспективной информации.

3.1.2 Алгоритм редактирования аномальных значений в рядах ретроспективной информации.

3.2 Алгоритм определения влияющих факторов на потребления электроэнергии.

3.3 Алгоритм обучения нейро-нечеткой сети.

3.4 Алгоритм взаимодействия модулей системы.

3.5 Обобщенный алгоритм функционирования системы прогнозирования потребления электроэнергии.

3.6 Выводы.

4 Экспериментальные исследования метода и алгоритмов обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии.

4.1 Основные функциональные элементы и блоки.

4.2 Методика настройки алгоритмического обеспечения.

4.3 Результаты экспериментальных исследований.

4.4 Перспективы применения разработанных метода и алгоритмов в системе прогнозирования потребления электроэнергии предприятиями черной металлургии.

4.5 Выводы.

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Метод прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких алгоритмов»

Актуальность темы. Черная металлургия - одна из наиболее энергоемких отраслей промышленности. Она характеризуется высоким уровнем потребления электроэнергии - существенной составляющей энергозатрат. Так, доля электрической энергии в себестоимости продукции крупных предприятий по отрасли составляет от 11 % до 16 %, а в отдельных случаях её доля увеличивается до 30 % [71].

К наиболее электроемким относятся сталеплавильное производство (долевое потребление 32,3 %), производство горячекатаного (21,9 %) и холоднокатаного проката (12 %), а также агломерационное (14,5 %), доменное (6,9 %) и коксохимическое производство (5,2) [64].

Максимальный удельный расход электроэнергии приходится на электросталеплавильное производство, он составляет 727 кВт-ч/т стали. При этом расход электроэнергии на одну тонну стали зависит от мощности трансформаторов, удельной электрической мощности дуговых печей, применения топливно-кислородных горелок, предварительного нагрева лома и внепечной обработки [81].

Прогноз электропотребления в металлургии необходим для оптимального управления режимами загрузки электропроизводственных мощностей, включающего в себя регулирование активной и реактивной нагрузок металлургического предприятия, минимизацию потерь от перетоков реактивной мощности и поддержание напряжения в заданных пределах в электрических сетях вследствие жестких требований к степени надежности и качества электроэнергии [68].

К особенностям электропотребления предприятием черной металлургии относятся: большое количество электрооборудования, участвующего в осуществлении технологического процесса в каждом подразделении; большое разнообразие типов и мощностей приемников электроэнергии; относительно слабые связи взаимного влияния приемников электроэнергии при осуществлении технологического процесса; большое количество электрооборудования, участвующего в обеспечении технологического процесса в каждом подразделении и создающего условно постоянную нагрузку, также зависящего от интенсивности технологического процесса; факторы, случайным образом влияющие на режимы и объем электропотребления; превалирующее по сравнению с другими факторами влияние объема производства на объем потребления электроэнергии; большое число часов использования максимума электрической мощности; большая электроемкость видов конечной продукции; возможность изменения режимов работы и состава оборудования в подразделении, сортамента продукции и других систематически действующих факторов [71, 81,92, 93].

Одним из основных путей снижения затрат на электроэнергию является выход предприятий металлургического профиля в качестве участников на федеральный оптовый рынок электроэнергии и мощности (ФОРЭМ). Специфика функционирования на ФОРЭМ предъявляет жесткие требования по качеству прогнозирования графика нагрузки. При этом возникают сложности с оценкой и нахождением необходимых для описания и прогнозирования ключевых и сопутствующих данных [19, 35].

Проблема прогнозирования электропотребления в металлургическом производстве представляет собой сложную многопараметрическую задачу, имеющую вероятностную составляющую. Величина фактического использования электроэнергии обусловлена не только управленческими решениями, структурой портфеля заказов предприятия, объемами производства основных переделов, ремонтными мероприятиями и сервисным обслуживанием, развитием собственной энергетической базы, но и типом дня (рабочий день или выходной), погодными условиями, временем суток и другими факторами. Причинная связь электропотребления с каждым из этих параметров довольно сложна и не имеет однозначного формального описания [10].

Таким образом, задача прогнозирования электропотребления предприятием черной металлургии слабо формализована, а её решение с использованием детерминированных методов невозможно.

Исследования в данной области базируются на основах теории моделирования процессов и систем, изложенных в работах: Айвазяна С.А., Андруковича П.Ф., Бахвалова Ю.А., Галустова М.Ю, Котельникова В.А., Лукашина Ю.Г., Kaiman R.E., Shannon С.Е. и др.

Развитие методов моделирования и прогнозирования электропотребления в черной металлургии связано с работами таких ученых, как: Копцев Л.А., Майсюков Д.В., Михайловский В.Н., Никифоров Г.В., Поварницын П.В., Рашкин Ф.А. и др. Вместе с тем, необходимость прогнозирования электропотребления предприятием металлургического профиля обусловлена высокими требованиями к показателям качества прогнозных расчетов (точности, достоверности, информативности, автоматизируемости, быстродействию и т.п.).

В этой связи, разработка метода и алгоритмов прогнозирования графика потребления электроэнергии предприятием черной металлургии представляется актуальной научно-технической задачей.

Цель и задачи диссертационной работы. Целью диссертационной работы является повышение достоверности прогнозирования потребления электроэнергии предприятием черной металлургии на основе аппарата искусственных нейронных сетей и нечеткой логики.

Для достижения поставленной цели в работе решаются следующие задачи:

1) анализ проблемы прогнозирования электропотребления предприятием черной металлургии;

2) разработка математического обеспечения системы прогнозирования потребления электроэнергии;

3) разработка алгоритмов прогнозирования потребления электроэнергии;

4) экспериментальные исследования метода и средств обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии.

Объект и предмет исследования. Объектом исследования является процесс потребления электроэнергии предприятием черной металлургии. Предметом исследования - методы построения и обучения нейро-нечетких сетей как универсального аппарата нелинейного моделирования технико-экономических процессов и решения прикладных задач прогнозирования.

Методы исследования. Для решения поставленных задач в работе использовались методы математического моделирования металлургических процессов, прогнозирования, искусственного интеллекта, нейронных сетей и нечеткой логики, основы теории построения алгоритмов и программ.

Научная новизна и основные положения, выносимые на защиту:

- разработан новый метод прогнозирования электропотребления предприятием черной металлургии, отличающийся применением оптимизированной структуры нейро-нечеткой сети, позволяющий повысить точность прогнозирования;

- разработаны методики: восстановления пропущенных и выявления неточных значений в рядах ретроспективных данных металлургических процессов на основе модифицированного 2е1-алгоритма; определения влияющих факторов на потребление электроэнергии с использованием дерева решающих правил;

- разработано алгоритмическое обеспечение системы прогнозирования потребления электроэнергии предприятием черной металлургии, реализующее функционально полный набор алгоритмов обработки информации и позволяющее сократить общее время расчетов.

Практическая значимость исследования заключается в том, что реализация разработанных теоретических положений для решения широкого круга прикладных задач позволила:

- оптимизировать процедуры первичной обработки информации в массивах данных с целью восстановления отсутствующих и редактирования аномальных значений;

- использовать аппарат дерева принятия решений в задаче определения значимых факторов на электропотребление в зависимости от объекта потребления и интервала упреждения;

- использовать метод прогнозирования объемов потребления электроэнергии на основе нейро-нечетких сетей оптимизированной структуры;

- повысить точность прогнозирования экономических показателей, в том числе объемов потребления электроэнергии.

Реализация результатов работы. Разработанное математическое и программное обеспечение исследовано и проверено на действительных ретроспективных данных автоматизированной информационно-измерительной системы коммерческого учета электроэнергии МУП г. Череповца «Электросеть», а также на Череповецком металлургическом комбинате ОАО «Северсталь» и ОАО «Северсталь-метиз» и нашло на этих предприятиях непосредственное применение. Результаты исследования внедрены в практическую и учебную деятельность филиала в СевероЗападном регионе ЗАО «Фирма «АйТи». Информационные технологии» (г. Санкт-Петербург). Разработанные методики первичной обработки ретроспективной информации применяются в ООО «Сервисный центр «Энергия» (г. Москва). Разработанный метод прогнозирования электропотребления, методики восстановления отсутствующих и редактирования аномальных значений, определения значимых факторов используются в ЗАО «Энергомир» (г. Кострома). Предложенные алгоритмы обработки информации и прогнозирования используются в учебном процессе на кафедре «Программное обеспечение вычислительной техники и информационных систем» Череповецкого государственного университета в дисциплинах: "Структуры и алгоритмы обработки данных», «Системы искусственного интеллекта» для специальности 230105 Программное обеспечение вычислительной техники и автоматизированных систем, а также в курсовом и дипломном проектировании.

Апробация работы. Основные результаты диссертационной работы докладывались и получили положительную оценку на следующих научных конференциях: 9-я Межд. конф. «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Курск, 2010 г.); Межд. конф. "Современные тенденции технических наук" (Уфа, 2011 г.); Межд. конф. "Наука и техника XXI века" (Новосибирск, 2011 г.); Всеросс. конф. «Череповецкие научные чтения» (Череповец, 2010 г.) и на постоянно действующем научно-техническом семинаре кафедры программного обеспечения вычислительной техники и информационных систем Череповецкого государственного университета.

Публикации. По теме диссертации опубликовано 9 научных работ, в том числе 4 статьи в изданиях, рекомендованных ВАК РФ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка литературы, включающего 117 наименований, и 4-х приложений. Работа содержит 165 страниц, 54 рисунка и 10 таблиц.

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Бажинов, Алексей Николаевич

4.5 ВЫВОДЫ

1. Приведено описание основных элементов и блоков системы прогнозирования потребления электроэнергии предприятием черной металлургии

2. Разработана методика настройки алгоритмического обеспечения системы прогнозирования электропотребления.

3. Приведены результаты методов и алгоритмов обработки информации в системе прогнозирования электропотребления предприятием черной металлургии в реальных производственных условиях.

4. На основании экспериментальных исследований подтверждена высокая надежность и эффективность разработанного алгоритмического обеспечения.

5. Приведены достигнутые технико-экономические показатели.

6. Определены перспективы применения разработанного метода прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких сетей.

ЗАКЛЮЧЕНИЕ

В диссертационной работе в рамках решения поставленной научно-технической задачи повышения достоверности прогнозирования потребления электроэнергии предприятием черной металлургии на основе аппарата искусственных нейронных сетей и нечеткой логики получены следующие основные результаты:

1. Разработан новый метод прогнозирования электропотребления предприятием черной металлургии, отличающийся использованием модифицированной структуры нейро-нечеткой сети, позволяющий уменьшить ошибку прогнозирования потребления электроэнергии до 5 %.

2. Разработаны методики: восстановления отсутствующих и редактирования аномальных значений в рядах ретроспективных данных на основе модифицированного 7е1>алгоритма; определения значимых производственных и технологических факторов на потребление электроэнергии на основе дерева принятия решений.

3. Разработаны алгоритмы функционирования системы прогнозирования потребления электроэнергии, обеспечивающие точность прогнозных оценок электропотребления не менее 95 %.

4. Разработано программное обеспечение системы прогнозирования потребления электроэнергии предприятием черной металлургии, реализующее предложенные методы и алгоритмы и позволяющее сократить общее время расчетов в 2,8 раза.

Список литературы диссертационного исследования кандидат технических наук Бажинов, Алексей Николаевич, 2011 год

1. Авдеев, В.А. Информационный банк «Черметэнерго» Текст. /В.А. Авдеев, Б.И. Кудрин, А.Е Якимов М.: Электрика, 1995. - С. 400

2. Автоматизированные системы управления в энергосбережении (опыт разработки): монография / Казаринов Л.С., Копцев Л.А., Кинаш A.B. и др. Под ред. Л.С. Казаринова. Челябинск: Издательский центр ЮУрГУ; издатель Т. Лурье, 2010. - С. 228

3. Александров, В.В., Горский Н.Д. Представление и обработка изображений: рекурсивный подход Текст. / В.В. Александров, Н.Д. Горский // Л-д.: Наука 1985.- С. 190

4. Алексейчук, А.И. Моделирование распределённых систем со структурированными потоками сообщений Текст. /А.И. Алексейчук, М.Д. Шапот // Известия РАН. Теория и системы управления. №5. -1999.-С. 117-120.

5. Антонов A.B. Системный анализ. — М.: Высшая школа, 2004. — С. 454

6. Анфилатов B.C., Емельянов A.A., Кукушкин A.A. Системный анализ в управлении: Учебное пособие / Под ред. A.A. Емельянова. — М.: Финансы и статистика, 2002. — С. 368

7. Арнольд В.И. О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Мат. просвещение. 1958. Вып. 3. С. 41-61

8. Арнольд В.И. О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Мат. просвещение. 1958. Вып. 3. С. 41—61.

9. Арутюнян, Р.В. Прогноз электропотребления: анализ временных рядов, геостатистика, искусственные нейронные сети Текст. / Р.В. Арутюнян, В.И. Богданов, Л.А. Большое и др. Препринт / ИБРАЭ №99-05. - М., 1999. - С. 45

10. Бажинов, А.Н. Деревья принятия решений в задаче отбора значимых факторов для прогнозирования объемов электропотребления в металлургическом производстве Текст. / А.Н. Бажинов, Е.В. Ершов. Вестник Череповецкого гос. ун-та.-2011- № 4 Т.З- С. 9-11.

11. Бажинов, А.Н. Прогноз потребления электроэнергии как средство повышения эффективности металлургического производства Текст. / А.Н. Бажинов, Е.В. Ершов. Металлург 2011, № 11 - С. 34—37.

12. Бир Стаффорд. Кибернетика и управление производством. — М.: Наука, 1965. —С. 391

13. Блюмин С.Л., Шуйкова И.А., Сараев П.В., Черпаков И.В. Нечеткая логика: алгебраические основы и приложения. Монография. -Липецк: ЛЭГИ, 2002. С. 113.

14. Бодяев Ю.А., Журавлёв Ю.П., Копцев Л. А., Зуевский В.В., Седельников C.B. Влияние структурных изменений сталеплавильного производства и собственной энергетической базы на энергоёмкость продукции. Сталь, 2007, № 12, С. 83-87.

15. Бодяев Ю.А., Журавлёв Ю.П., Копцев Л.А., Прохоров C.B., Новицкий И.Д. Оптимизация энергобаланса и выбор режимов работы дуговыхсталеплавильных печей. Сталь, 2010, № 2, С. 29-31.

16. Бокс, Д. Анализ временных рядов Текст./ Д. Бокс М.: Мир, 1974.

17. Большое, JI.A. Прогнозирование энергопотребления: современные подходы и пример исследования Текст. /Л.А. Болыпов, М.Ф. Каневский, Е.А. Савельева и др. // Известия РАН: энергетика. №6. -2004.-С. 74—92.

18. Боровиков, В.П. Прогнозирование в системе Stastica в среде Windows. Основы теории и интенсивная практика на компьютере Текст./В.П. Боровиков, Г.И. Ивченко. М.: Финансы и статистика, 1999. - С. 384

19. Бородулин, Б.М. Симметрирование токов и напряжений на действующих тяговых подстанциях переменного тока Текст. / Б. М. Бородулин // Вестник ВНИИЖТ. №2. - 2003. с. 38-43

20. Бэнн, Д.В. Сравнительные модели прогнозирования электрической нагрузки Текст. /Д.В. Бэнн, Е.Д. Фармер. М.: Энергоатомиздат, 1987.-С. 200

21. Василенко, Г.И. Теория восстановления сигналов Текст./ Г.И. Василенко М.: Сов. радио. 1979. - С. 272

22. Васильев В.И., Романов Л.Г., Червонный A.A. Основы теории систем: Конспект лекций. — М.: МГТУ ГА, 1994. — С. 104

23. Вегман, Е. Ф. Металлургия чугуна Текст. /Е. Ф. Вегман, Б.Н. Жеребин, А.Н. Похвиснев, Ю.С. Юсфин. М.: Металлургия, 1978.-С. 480

24. Вегман, Е. Ф. Теоретические проблемы металлургии чугуна Текст. / Е. Ф. Вегман, В. О. Чургель. М.: Машиностроение, 2000. - С. 348

25. Вентцель, Е. С. Теория вероятности Текст. / Е. С. Вентцель. -М.:Высшая школа, 1976. С. 564

26. Волкова В.Н., Денисов A.A. Основы теории систем и системного анализа. — СПб.: СПбГТУ, 1997. — С. 510

27. Волкова В.Н., Денисов A.A. Теория систем: Учебник для студентов вузов. — М.: Высшая школа, 2006. — С. 511

28. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Текст. / Г. К. Вороновский, К. В. Махотило, С. Н. Петрашев, С. А. Сергеев // X.: ОСНОВА, 1997.— С. 112.

29. Гамм, А.З. Идентификация характеристик ошибок измерений при оценивании состояния Текст. /А.З. Гамм, И.Н. Колосок //Электронное моделирование. №3. - 1986. - С. 45-50.

30. Гамм, А.З. Обнаружение грубых ошибок телеизмерений в электроэнергетических системах Текст. /А.З. Гамм, И.Н. Колосок. -Новосибирск: Наука, 2000. С. 150

31. Гамм, А.З. Обнаружение плохих данных в телеизмерениях для АСДУ ЭЭС на основе контрольных уравнений Текст. /А.З. Гамм И.Н. Колосок. Иркутск: ИСЭМ СО РАН, 1998. - С. 47

32. Головкин, Б.Н. Прогноз электропотребления промышленного предприятия в условиях нестабильности экономики Текст. / Б.Н. Головкин, В.Н. Пирогов, А.П. Старцев // Промышленная энергетика. -№2. 1996. - С. 8-12.

33. Горбань, А.Н. Нейроинформатика Текст. / А.Н. Горбань, B.JI. Дунин А.Н. Кирдин и др. Новосибирск: Наука, 1998. - С. 296

34. Горбань, А.Н. Нейронные сети на персональном компьютере Текст. / А.Н. Горбань, Д.А. Россиев. Новосибирск: Наука, 1996. - С. 276

35. Горбань, А.Н. Обобщённая аппроксимационная теорема и вычислительные возможности нейронных сетей Текст. / А.Н. Горбань

36. Соросовский образовательный журнал. Т.1. - 1998. - С. 12-24.

37. Горбань, А.Н. Обучение нейронных сетей Текст. / А.Н. Горбань. М.: СП параграф, 1990 - С. 160

38. ГОСТ 13109-97. Нормы качества электроэнергии в системах электроснабжения общего назначения. Минск: Изд-во стандартов, 1998.

39. Гришин, Ю.А. Программно-вычислительный комплекс "Оценка" оценивания состояния ЭЭС в реальном времени Текст. / Ю.А. Гришин, И.Н. Колосок, Е.С. Коркина и др. // Электричество. №2. -1990.-С. 8-16.

40. Доррер, М.Г. Интуитивное предсказание нейросетями взаимоотношений в группе Текст. / Доррер М.Г. // Методы нейроинформатики. Красноярск, 1998.-С. 111-129.

41. Дрейпер, Н. Прикладной регрессионный анализ Текст. / Н. Дрейпер, Г. Смит. М.: Статистика, 1973. - С. 392

42. Дулесов, В.А. Прогнозирование электропотребления предприятий на основе искусственных нейронных сетей Текст.: дис. . канд. техн. наук / В.А. Дулесов. М., 1992. - С. 153

43. Дьяконов, В. Математические пакеты расширения MatLab. Специальный справочник Текст. /В. Дьяконов, В. Круглов СПб.: БХВ - Петербург, 1999. - С. 450

44. Дьяконов, В. П. MATLAB 6.0 /6.1 /6.5 +SPl+Simulink 4/5. Обработка сигналов и изображений. Текст. / В. П. Дьяконов. М.: COJIOH-Пресс, 2005. - С. 465

45. Ежов, A.A. Нейрокомпьютинг и его применения в экономике и бизнесе Текст. / A.A. Ежов, С.А. Шуйский. М.: МИФИ, 1998. - С. 225

46. Ершов, Е. В. Архитектура программного обеспечения моделирования алгоритмов в системах искусственного интеллекта Текст. / Е. В.

47. Ершов, E.B. Майтама// Информационные технологии в производственных, социальных и экономических процессах (Инфотех-2004): Мат. 4-й Междунар. НТК Череповец: ГОУ ВПО ЧТУ, 2005.-С. 212-213.

48. Жилин Б.В. Определение электропотребления предприятия в условиях неполноты информации с использованием ценологических свойств систем // Энергетика. (Изв. высших учеб. заведений и энерг. объединений СНГ). 1998. - № 5. - С. 51-56.

49. Жилин Б.В., Бортниченко A.B. Классификация предприятий черной металлургии. Промышленная энергетика, N1, 1997. - С. 25-26.

50. Загоруйко Н.Г., Елкина В.Н., Тимеркаев B.C. Алгоритм заполнения пропусков в эмпирических таблицах (алгоритм Zet) // Эмпирическое предсказание и распознавание образов. Новосибирск, 1975. - Вып. 61: Вычислительные системы. - С. 3-27.

51. Ивахненко, А.Г. Индуктивный метод самоорганизации моделей сложных систем Текст. / А.Г. Ивахненко. Киев: Наукова думка, 1982.-С. 296

52. Кендел, М. Временные ряды Текст. /М. Кендел. М.: Финансы и статистика, 1981.-С. 199

53. Кистенёв, В.К. Модернизация метода наискорейшего спуска при прогнозировании электропотребления Текст. / В.К. Кистенёв, П.Ю. Лукьянов, Д.А. Яковлев // Технические науки, технологии и экономика. Ч. II. - Чита: ЧитГУ, 2003. - С. 169-174.

54. Козачков, Л.С. Система потоков научной информации Текст./Л.С. Козачков. Киев: Наукова думка, 1973. - С. 239

55. Комашинский, В.И. Нейронные сети и их применение в системах управления и связи Текст. / В.И. Комашинский, Д.А. Смирнов М.: Горячая линия - Телеком, 2003. - С. 94

56. Копцев Л.А, Михайловский В.Н., Майсюков Д.В., Япрынцева И.А. Повышение эффективности использования энергии при производстве, распределении и потреблении сжатого воздуха. Вестник энергосбережения Южного Урала, 2001, № 1, С. 18-20.

57. Копцев Л.А. Нормирование и прогнозирование потребления электроэнергии в зависимости от объёмов производства. -Промышленная энергетика, 1996, № 3, С. 5-7.

58. Копцев Л.А. Технико-экономические проблемы управления энергосбережением: энергоёмкость продукции и экономическая эффективность. Электрика, 2005, № 1, С. 18-28.

59. Копцев Л.А. Управление загрузкой технологических агрегатов с целью сокращения энергозатрат. Сталь, 2011, № 9, С. 73-77.

60. Копцев Л.А., Журавлёв Ю.П., Зуевский В.В. Оптимизация энергобаланса дуговых сталеплавильных печей на основе метода линейного программирования. Сталь, 2008, № 9, С. 92-95.

61. Копцев Л.А., Зуевский В.В. О влиянии тарифов на электроэнергию на энергоёмкость продукции металлургических предприятий. -Промышленная энергетика, 2004, № 2, С. 2-9.

62. Копцев Л.А., Копцев А. Л. Нормирование и прогнозированиепотребления электроэнергии на промышленном предприятии. -Промышленная энергетика, 2011, № 1, С. 18-23.

63. Копцев Л.А., Мугалимов Р.Г. Анализ электропотребления слябинга. -Промышленная энергетика, 1989, № 11, С. 15-16.

64. Копцев Л.А., Никифоров Г.В. Влияние технологических факторов на электропотребление стана холодной прокатки. Сталь, 1997, № 9, С. 36-37.

65. Копцев Л.А., Никифоров Г.В. Основные подходы к оптимизации энергобаланса металлургического предприятия на примере ОАО «ММК». // Электротехнические системы и комплексы: Межвузовский сборник научных трудов. Магнитогорск, МГТУ, 1998. Вып. 4, С. 184-187.

66. Копцев Л. А., Шапарь С.В., Колеватова В.Н., Гунин В.М. Нормирование расхода электроэнергии на перекачку технической воды. Электрика, 2006, № 11, С. 11-13.

67. Копцев Л.А., Япрынцева И.А., Павлов A.B. Статистический подход к анализу и управлению технологическими процессами в доменном производстве с целью экономии топлива. Промышленная энергетика, 2006, № 2, С. 2-5.

68. Коротич, В. И. Металлургия черных металлов Текст. / В. И.Коротич, С. Г. Братчиков. М.: Металлургия, 1987 - С. 249

69. Корякин, А.К. Имитационное моделирование в задачах развития систем энергетики Севера Текст. / А.К. Корякин Новосибирск: СО РАН, 1996. - С. 147

70. Кравецкий, A.C. Прогноз электропотребления при помощи многослойного персептрона Текст. /A.C. Кравецкий, М.Ф. Каневский, Е.А. Савельева и др. Препринт/ ИБРАЭ № 2000-07. - М., 2000. - С. 24

71. Круглов, В. В. Искусственные нейронные сети. Теория и практика.

72. Текст. / В. В. Круглов, В.В. Борисов // М.: Горячая линия Телеком, 2001. —С. 382

73. Кудрин, Б.И. Выделение и описание электрических ценозов Текст. / Б.И. Кудрин // Изв. вузов. Электромеханика. №7. - 1985. - С. 49-54

74. Кудрин, Б.И. Ценологическое определение параметров электропотребления многономенклатурных производств Текст. / Б.И. Кудрин, Б.В. Жилин, О.Е. Лагуткин, М.Г. Ошурков. Тула: Приок. кн. изд-во, 1994. - С. 122

75. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. Вербальный анализ решений. М.: Наука. Физматлит, 1996. -С.208

76. Левитин А.В. Алгоритмы: введение в разработку и анализ, М.: Вильяме, 2006. С. 576

77. Лепорский, В.Д. Моделирование нейронного классификатора для решения задач прогноза в электроэнергетике Текст. / В.Д. Лепорский, М.Э. Куссуль, Т.В. Иваницкая // Техническая электродинамика. Энергетические системы и установки. № 4. - 1995. - С. 61-65.

78. Лопухов Г. А. Эволюция электросталеплавильного производства к 2010 году // Электрометаллургия. 2002. - №5. - С. 2-3.

79. Льноградский Л. А. Концепция системного проектирования. — Самара: Изд-во Самарского гос. тех. ун-та, 2005. — С. 180

80. Меламед, A.M. Моделирование динамики изменений потребления электроэнергии энергосистем при неполной информации Текст. / A.M. Меламед, В.Ф. Тимченко, К.А. Сааред // Электричество. №9. -1977.-С. 66-69.

81. Мелентьев, JI.A. Системные исследования в энергетике Текст. / Л. А. Мелентьев. М.: Наука, 1983. - С. 454

82. Методы нейроинформатики Текст. Красноярск: КГТУ, 1998. - С. 204

83. Миркес, Е. М. Нейрокомпьютер. Проект стандарта. Текст. / Е. М. Миркес // Новосибирск: Наука, 1999. — С. 337

84. Митюшкин, К.Г. Телемеханика в энергосистемах Текст. / К.Г. Митюшкин. М.: Энергия, 1975. - С. 360

85. Мызин, А.П. Методы и модели прогнозирования для развития электроэнергетических систем в условиях неопределённости и многокритериальности Текст.: Дис. . докт. техн. наук/ А.П. Мызин. Новосибирск, 1994. - С. 307

86. Назаров, A.B. Нейросетевые алгоритмы прогнозирования и оптимизации систем Текст. / A.B. Назаров, А.И. Лоскутов СПб.: Наука и Техника, 2003. - С. 384

87. Никифоров Г.В., Копцев Л.А. Энергетический анализ основа целенаправленной деятельности по энергосбережению в ОАО «ММК». - Вестник энергосбережения Южного Урала, 2000, № 1, С. 12-15.

88. Никифоров Г.В., Олейников В.К., Заславец Б.И. Энергосбережение и управление электропотреблением в металлургическом производстве. М.: Энергоатомиздат, 2003. С. 480.

89. Олейников В.К., Никифоров Г.В. Анализ и управление электропотреблением на металлургических предприятиях. -Магнитогорск: МГТУ, 1999. С. 219

90. Основы металлургического производства (чёрная металлургия). Учебник для СПТУ / Бабич В. К., Лукашин Н. Д., Морозов А. С., Поляк И. П., Соболевский А. Л., Тараканов Ю. В., Шевякова Л. Г. М.- Металлургия, 1988, С. 272

91. Прангишвили И.В. Системный подход и общесистемные закономерности. — М.: СИНТЕГ, 2000. — С. 528

92. Роберт, Каллан. Основные концепции нейронных сетей = The Essence of Neural Networks First Edition. Текст. / P. Каллан // M.: «Вильяме», 2001. —С. 288

93. Россиев A.A. Моделирование данных при помощи кривых для восстановления пробелов в таблицах. Методы нейроинформатики / Под. ред. А.Н. Горбаня. Красноярск: КГТУ, 1998. - С. 6-22.

94. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. И.Д. Рудинского. М.: Горячая линия - Телеком, 2006. - С. 452

95. Саймон, Хайкин. Нейронные сети: полный курс = Neural Networks: А Comprehensive Foundation. Текст. / С. Хайкин. // М.: «Вильяме», 2006.1. С. 1104

96. Серебряков В.А., Копцев Л.А. Системный подход к проблеме энергосбережения как средство повышения эффективности производства. Сталь, 2002, № 4, С. 93-96.

97. Соловьев В.А., Владыко А.Г., Легенкин B.C. Применение нечеткой логики в устройствах регулирования энергетическими объектами // Электроэнергетика и энергосберегающие технологии: Межвуз. сб. науч. тр. Владивосток: Изд-во ДВГТУ, 1998. - С. 125-133.

98. Справочник по типовым программам моделирования Текст. Киев:1. Техника, 1980.-С. 184

99. Теория и методы принятия решений. Ларичев О.И. М.: Логос, 2002. — 392 с.

100. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика = Neural Computing. Theory and Practice. — M.: Мир, 1992. — С. 240

101. Хисамутдинов, C.H. Метод и алгоритмы обработки информации в системах прогнозирования сложных процессов металлургического производства. Текст.: Дисс.канд.техн.наук. Станислав Николаевич Хисамутдинов Череповец, 2002.

102. Цымбал В.П. Математическое моделирование металлургических процессов. М.:Металлургия, 1986. С. 239

103. Яблонский, С.В. Введение в дискретную математику. Раздел «Теория кодирования» Текст. / С.В. Яблонский // М. Наука, 1986. С. 384

104. Edwards P., Murray A. Modelling weight- and input-noise in MLP learning // Proceedings Of International Conference on Neural Networks (ICNN'96). USA, Washington, June 3-6, 1996. - Vol.1. - P. 78-83.

105. Kimura Т., Shima T. Synapse weight accuracy of analog neuro chip // Proceedings of International Joint Conference on Neural Networks. -Japan, Nagoya, October 25-29, 1993. Vol.1. - P. 891-894.

106. L.X. Wang, J.M. Mendel, Generating fuzzy rules by learning from examples, IEEE Transactions on Systems, Man, and Cybernetics 22:6, 1992, P. 1414—1427.

107. Leeuw K., Katznelson Y. Functions that Operate on Non-Self-Adjoint Algebras // J. d'Anal. Math. 1963. Vol. 11. P. 207—219.

108. Rokach, Lior, and Oded Maimon. Data Mining with Decision Trees:

109. Theory and Applications. Singapore: World Scientific Publishing, 2008. -P. 12-27

110. Senashova Masha Yu., Gorban Alexander N., and Wunsch Donald, "Back-Propagation of Accuracy"// Proc. IEEE/INNS International Coonference of Neural Networks, Houston, IEEE, 1997, pp. 1998-2001

111. Stone M.N. The Generalized Weierstrass Approximation Theorem // Math. Mag. 1948. Vol. 21. P. 167—183, 237—254.

112. Yuan, Yufei, and Michael J. Shaw. "Induction of fuzzy decision trees." Fuzzy Sets and Systems 69:2, 1995. P. 125-139.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.