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
- Специальность ВАК РФ05.13.01
- Количество страниц 172
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
Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем2006 год, кандидат технических наук Глебов, Андрей Александрович
Нейро-нечеткие методы и инструменты поддержки принятия решений по управлению электроэнергетическими предприятиями2004 год, кандидат экономических наук Стоянова, Ольга Владимировна
Организация краткосрочного прогнозирования параметров электропотребления крупного промышленного предприятия2003 год, кандидат технических наук Янюшкин, Максим Владимирович
Теоретические основы автоматизированного управления электропотреблением промышленных предприятий2006 год, доктор технических наук Иващенко, Владимир Андреевич
Разработка методов повышения эффективности управления единой промышленно-энергетической системой2013 год, доктор технических наук Клюев, Роман Владимирович
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
Методика комплексного определения электрических нагрузок на основе кластерного и ценологического анализа2011 год, кандидат технических наук Иваничев, Александр Валерьевич
Комплексное управление электропотреблением и энергосбережением металлургического производства2001 год, доктор технических наук Никифоров, Геннадий Васильевич
Методы расчета и контроля учета электрических нагрузок энергоемких предприятий2001 год, кандидат технических наук Соснина, Елена Николаевна
Методика оперативного планирования и управления электропотреблением крупнотоннажных электросталеплавильных печей при работе на оптовом рынке электроэнергии2008 год, кандидат технических наук Новиков, Сергей Сергеевич
Управление режимами электропотребления агломерационного производства с целью повышения его эффективности2003 год, кандидат технических наук Шеметов, Андрей Николаевич
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.