Методология совершенствования систем краткосрочного прогнозирования электропотребления тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Ван Ефэн

• Ван Ефэн
• кандидат технических наук
• 2013

Оглавление диссертации кандидат технических наук Ван Ефэн

СОДЕРЖАНИЕ

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ СОСТОЯНИЯ ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

1.1. Международные требования к системам прогнозирования

1.2. Значение и типы прогнозирования электропотребления

1.3. Обзор методов прогнозирования электропотребления

1.3.1. Классические методы прогнозирования электропотребления

1.3.2. Современные подходы и методы прогнозирования электро потребления

1.3.3. Современное состояние вопроса построения систем прогнозирования

1.3.4. Сопоставление и обобщение результатов анализа научно-информационных источников, теоретических и экспериментальных исследований

1.4. Выбор метода для прогнозирования электропотребления

Выводы по главе 1

ГЛАВА 2. НЕЙРОСЕТЕВОЙ ПОДХОД В ПОСТРОЕНИИМОДЕЛИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

2.1. Математическая формулировка задачи

2.2. Постановка задачи прогнозирования электропотребления

2.3. Методы предварител ьной обраб отки данных

2.4. Выбор модели

2.5. Определение числа нейронов и слоев

2.6. Искусственная нейронная сеть прямого распространения и обучение нейронных сетей

2.7. Оценка качества прогнозирования электропотребления

Выводы по главе 2

ГЛАВА 3. РАЗРАБОТКА СИСТЕМЫ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ НА ОСНОВЕ МЕТОДА ОПОРНЫХ ВЕКТОРОВ

3.1. Машинное обучение

3.2. Алгоритм опорных векторов

3.3. Подходы к оптимизации параметров метода опорных векторов

3.4. Сравнение метода опорных векторов и нейронной сети

Выводы по главе 3

ГЛАВА 4. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

4.1. График электрических нагрузок

4.2. Формирование обучающей выборки для прогнозирования электро потребления

4.3. Разработка регрессионной модели прогнозирования нагрузки электроэнергетической системы

4.4. Разработка нейронечеткой модели прогнозирования нагрузки электроэнергетической системы

4.5. Результаты исследования нейросетевой модели прогнозирования

4.6. Результаты исследования модели прогнозирования на основе метода опорных векторов

4.7. Сравнительный анализ построенных моделей прогнозирования электропотребления

4.8. Создание пользовательского интерфейса для программы прогнозирования энергопотребления

Выводы по главе 4

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

ВР - временной ряд

ИНС - искусственная нейронная сеть

ННС - нечеткая нейронная сеть

эп - электропотребление

ээс - электроэнергетическая система

МОВ - метод опорных векторов

Введение диссертации (часть автореферата) на тему «Методология совершенствования систем краткосрочного прогнозирования электропотребления»

ВВЕДЕНИЕ

Актуальность работы

Электроэнергетика является ключевой отраслью российской экономики и многих стран мира. К 2020 г. потребления электроэнергии в России должно увеличиться на 25%. В условиях роста электропотребления необходимо повысить показатель надежности и коэффициент полезного действия электростанций; снизить долю износа основного оборудования и потери в электросетях.

Основную информацию для планирования развития электроэнергетических систем составляют прогнозные оценки электропотребления. Нагрузка электроэнергетической системы формируется комплексом потребителей электроэнергии, состоящих из промышленных предприятий, сельского и жилищно-коммунального хозяйств. В зависимости от времени упреждения прогнозы делятся на прогнозирование долгосрочное, среднесрочное, краткосрочное и оперативное. При оперативном управлении режимами используется оперативный прогноз графика потребления на следующие час и оставшиеся до конца суток часы.

Прогнозирование потребления электроэнергии является на сегодняшний день одной из важных научных и практических задач в электроэнергетике. Повышение точности прогнозирования обеспечивает экономию энергетических ресурсов, определяет1 эффективность управления электроснабжением и соответствующее увеличение прибыли энергетических предприятий.

Прогнозы электропотребления закладываются в инвестпрограммы энергокомпаний. По оценкам российских специалистов, каждая оплошность в ежегодном прогнозе электропотребления на 1% - это 4 млрд. долларов дополнительных инвестиций на возведение генерирующих мощностей [78]. Сог ласно оценкам экономической эффективности, приведенным в зарубежных публикациях, для типичной региональной энергокомпании Северной Америки улучшение качества

прогноза на 1% приводит к снижению издержек на десятки миллионов долларов в год [75].

Развитие рыночных отношений в управлении электроэнергетикой привело к появлению противоречия между рыночными конкурентными механизмами функционирования отдельных подсистем электроэнергетических систем (ЭЭС) и требованиями обеспечения надежности и качества работы ЭЭС, как единого комплекса.

Электрическая энергия в себестоимости продукции крупных предприятий, например в металлургическом производстве, составляет 11% - 30% [41]. Одним из основных путей снижения затрат на электрическую энергию является выход предприятий в качестве участников на оптовый рынок электрической энергии.

Таким образом, в условиях современного энергорынка для крупных предприятий и добывающих производств важное значение имеет создание системы почасового потребления электрической энергии, позволяющей минимизировать отклонения потребляемой мощности от заявленной.

Решению различных аспектов задачи прогнозирования электропотребления посвящены работы Берлина А.С., Воропая Н.И., Гамма А.З., Глазуновой А.М., Готман Н.Э., Колосок И.Н., Макоклюева Б.И., Манова НА., Манусова В.З., Старцевой Т.Б., Чукреева Ю.Я., Шумиловой Г'.П. и др.

Цель и задачи исследований

Целью диссертационной работы является увеличение точности предсказания предполагаемого потребления электроэнергии с целью оптимального использования энергоресурсов, минимизации стоимости и повышения надежности электроснабжения.

Для достижения поставленной цели в диссертационной работе решены следующие задачи:

1. Разработка нейросетевой модели прогнозирования электропотребления, включающей нечеткую обработку данных обучающей выборки, индикацшо времени суток, оптимизацию числа нейронов в слоях и переобучение сети на основе текущих фактических значений электропотребления.

2. Разработка системы прогнозирования электропотребления на основе метода опорных векторов.

3. Определение оптимальных параметров ядерной функции метода опорных векторов с использованием генетического алгоритма и алгоритма роя частиц.

4. Сравнительное исследование эффективности интеллектуальных моделей прогнозирования, а также моделей на основе метода опорных векторов.

5. Разработка программной реализации предложенных систем прогнозирования, построение графических интерфейсов пользователя.

Методы исследования. Для решения поставленных задач были использованы: методы математического моделирования, обрабогки данных и прогнозирования временных рядов; статистический и регрессионный анализ; теория нечетких множеств; теория искусственных нейронных нейронных сетей; теория гибридных сетей; метод опорных векторов; метод роя частиц; математические пакеты MatLab (Neural Networks Toolbox, Statistics Toolbox, Fuzzy Logic Toolbox), Orange.

Научные результаты, выносимые на защиту:

1. Способ формирования обучающей выборки с предварительной обработкой исходных данных.

2. Нейросетевая модель прогнозирования электрической нагрузки с оптимизацией числа нейронов в слоях и переобучением сети на основе текущих фактических значений электропотребления.

3. Модель прогнозирования электрической нагрузки на основе метода опорных векторов с оптимизацией параметров ядерной функции.

4. Программные модули прогнозирования и два пользовательских интерфейса в пакете Ма1ЬаЬ.

Новизна научных результатов.

1. Способ формирования обучающей выборки, отличающийся тем, что для улучшения точности прогноза введены известные значения нагрузки в прошлые дни в прогнозируемый час, индикация времени суток, а также выполнена предварительная обработка данных временного ряда методом главных компонент с добавлением шума (для нейронной сети).

2. Нейросетевая модель прогнозирования электрической нагрузки отличается способом оптимизации (число нейронов скрытых слоев определяется на основе генетических алгоритмов) и наличием процедуры переобучения в случае превышения ошибки прогноза.

3. Модель прогнозирования электрической нагрузки на основе метода опорных векторов, отличающаяся тем, что для повышения эффективности использования метода опорных векторов параметры регрессионной модели определяются на основе решения задачи квадратичного программирования с оптимизацией параметров ядерной функции на основе генетического алгоритма и алгоритма роя частиц.

4. Программные модули и два пользовательских интерфейса в пакете Ма&аЬ, включающие программы формирования обучающей выборки и подбора оптимальных параметров ядерных функций на основе генетических алгоритмов и метода роя частиц, обеспечивающие уменьшение ошибки прогноза, а также позволяющие использовать систему прогнозирования в качестве системы поддержки принятия решений.

Достоверность научных положений, результатов и выводов. Достоверность научных положений и результатов, сформулированных в диссертации, подтверждается корректным использованием методов математического моделирования и прогнозирования временных рядов, статистического и регрессионного анализа, теории нечетких множеств, теории искусственных нейронных сетей, методов опорных векторов и главных компонент, а также эволюционных алгоритмов оптимизации.

Практическая ценность работы.

1. Нейросетевая модель прогнозирования позволяет учитывать дополнительные факторы и обеспечивает уменьшение ошибки прогноза на 2,7 %. Точность краткосрочного прогноза электропотребления можно улучшить: при учете дополнительной информации о времени суток на 1%; при выполнении дополнительной нечеткой обработке информации на 0,43% и при нормировании обучающей выборки на 0,3%.

2. Прогнозирующие нейросетевые модели и модели на основе опорных векторов наиболее эффективны в случаях сильно колебательной нагрузки. Точность прогнозирования при использовании нейросетевой модели по сравнению с ре1рессионной можно увеличить до 2 раз, при использовании модели на основе опорных векторов - до 2,5 раза. Лучшие результаты получены при использовании гауссовой радиальной базисной ядерной функции.

3. На основе полученных моделей разработаны системы прогнозирования электропотребления в виде пользовательских интерфейсов для поддержки принятия решений.

Практическая значимость подтверждается актом использования в учебном процессе СПбГЭТУ «ЛЭТИ».

Апробация результатов работы Основные теоретические и прикладные результаты диссертационной работы докладывались и получили одобрение на международном молодежном форуме «Энергоэффективные электротехнологии» (сентябрь 2011, г. Санкт-Петербург); II Международной заочной научно-практической конф. «Актуальные проблемы науки» (иСОМ-2011), (27 сентября 2011 г., Тамбов. 2011); ХП1 международной конференции по мягким вычислениям и измерениям (июнь 2010, г. Санкт-Петербург); «Управление в технических, эргатических, организационных и сетевых системах» (УТЭОСС-2012, 9 -11 октября 2012 г., Санкт-Петербург), на 63 - 66 научно-технических конференциях профессорско-преподавательского состава ЭТУ (СПбГЭТУ «ЛЭТИ», февраль 2010 - 2013 гг.).

Публикации Основные теоретические и практические результаты диссертации опубликованы в 7 научных работах, в том числе 3 статьи в рецензируемых и входящих в перечень ВАК и 4 публикации в материалах международных и всероссийских научно-технических конференций.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав с выводами, заключения, списка литературы. Основная часть работы изложена на 135 страницах машинописного текста. Работа содержит 35 рисунков и 12 таблиц, список литературы содержит 135 наименований.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Ван Ефэн

Основные результаты диссертационной работы могут быть сформулированы следующим образом:

1. В способе формирования обучающей выборки наиболее эффективным для повышения точности прогноза является уменьшение размерности исходных данных с использованием метода главных компонент, индикация времени суток, дополнительное введение значений нагрузки в прошлые дни в прогнозируемый час. Каждое из этих мероприятий обеспечивает уменьшение ошибки прогноза на 0,5 - 1%. Применение нормирования и добавление шума в обучающую выборку позволяют снизить ошибку на 0,3-0,5%.

2. В модели прогнозирования электрической нагрузки на основе нейросетевого подхода число нейронов скрытого слоя определяется на основе генетических алгоритмов, а при превышении допустимой погрешности предусмотрена возможность переобучения (улучшение точности в 0,5%).

3. Модель прогнозирования электрической нагрузки на основе метода опорных векторов, включающая предварительную обработку исходных данных, программу оптимизации выбора параметров ядерной функции на основе генетического алгоритма и алгоритма роя, позволяет улучшить прогноз на 1%.

Точность прогнозирования зависит от типа электрической нагрузки. При разбросе данных обучающей выборки 130% точность прогноза составила 2,4%.

4. Программные модули систем прогнозирования и пользовательские интерфейсы в пакете Ма1:ЬаЬ ориентированы на использовании диспетчерами энергообъединений в качестве систем поддержки принятия решений.

ЗАКЛЮЧЕНИЕ

Список литературы диссертационного исследования кандидат технических наук Ван Ефэн, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Автоматизация прогнозирования потребления энергии с помощью нейронных сетей. Automated load forecasting using neural networks / Bacha Hamid, Mayer Walter // Proc. Amer. Power Conf. vol.54. Pt 2. 54tp Aram. Meet. Amer. Power Conf., Chicago, Ш., Apr. 1992. - Chicago (III), 1992. - p.l 149.

2. Айвазян C.A., Бежаева З.И., Староверов O.B. Классификация многомерных наблюдений. - M.: Статистика, 1974. - 240 с.

3. Аналитические технологии для прогнозирования и анализа данных. Нейропроект, 2005, http ://www .neuroproj ect.m/forecasting_tutorial .php

4. Андрукович П.Ф. Применение метода главных компонент в нракгических исследованиях. - М.: Изд-во МГУ, 1973 - вып. 36. - 124 с.

5. Анушина, Е.С. Использование интеллектуальных вычислительных технологий для решения задач прогнозирования [Текст] / Е.С. Анушина // Естественные и технические науки - 2006. - №5. - С. 184-186

6. Анушина, Е.С. Использование современных подходов при решении задач прогнозирования [Текст] / Е.С. Анушина // Сб. тр. 4-й Всероссийской науч. конф. УИТ. Санкт-Петербург, 10-12 октября. - 2006. - С. 181-184

7. Анушина, Е.С. Повышение точности прогнозирования электропотребления с использованием вей влет-теории [Текст] / Е.С. Анушина // Одиннадцатая Санкт-Петербургская Ассамблея молодых ученых и специалистов. Санкт-Петербург. - 2006. - С. 39

8. Базара М. Нелинейное программирование. Теория и алгоритмы / М. Базара, К. Шетти. М. :Мир, 1982. - 583 с.

9. Бирюков, E.B. Практическая реализация нечеткой нейронной сети при краткосрочном прогнозировании электрической нагрузки [Текст] / Е.В. Бирюков, М.С. Корнев // Научная сессия МИФИ - 2005. Сборник научных трудов. - М : МИФИ, 2005. - 4.2: VII Всероссийская научно-техническая конференция "Нейроинформатика-2005". - С. 207-214.

10. Бокс, Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс. М.: Мир, 1974. - 520 с.

11. Большое J1.A., Каневский М.Ф., Савельева Е.А. Прогнозирование электропотребления: современные подходы и пример исследования // Изв. АН. Энергетика. 2004. № 6.

12. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирования электрической нагрузки: Пер. с англ. М.: Энергоатомиздат, 1987 - 200 с.

13. Вапник В. Н. Теория распознавания образов (статистические проблемы обучения) / В. Н. Вапник, А. Я. Червоненкис. М. : Наука, 1974. - 416 с.

14. Воронов И.В., Политов Е.А., Ефременко В.М. Использование нейронной сети для краткосрочного прогнозирования элсктропотребления промышленного предприятия // Вестн. КузГТУ. 2006, № 6, с. 73-74

15. Вороновский, Г.К. Совершенствование алгоритмической базы эволюционного синтеза нейросетевых моделей потребления электрической энергии в коммунально-бытовом секторе [Текст] / Г.К. Вороновский, К.В. Махотило // Вестн. Нац. техн. ун-та ."ХПИ". - 2001. - Вып. 10. - С. 427 -431.

16. Воронцов К. В. Лекции по методу опорных векторов. 2007 г.

17. Воронцов К.В. Лекции по методам оценивания и выбора моделей. 2007. URL: www.ccas. ru/voron/download/Modeling.pdf.

18. Галушкин, А.И. Применение нейрокомпьютеров в энергетических системах [Электронный ресурс] / А.И. Галушкин. - 2001. - Режим доступа: http://neurnews.m4.bmstu.ru/primer/energy.htm.

19. Гамм, А.З. Робастные методы оценивания состояния электроэнергетических систем и их реализация с помощью генетических алгоритмов [Текст] / А.З. Гамм, И.Н. Колосок, P.A. Заика // Электричество. -2005.-№10.-С. 2-8.

20. Глазунова A.M. Краткосрочное прогнозирование нагрузок с использование ИНС в составе подсистемы ОУР / A.M. Глазунова. 2007. Режим доступа: http:/Avww.anares.iu/seminar2.html.

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

22. Гнатюк В.И. Закон оптимального построения техноцезов. Томск: изд-во ТГУ, 2005, 384 с.

23. Графики электрических нагрузок// Режим доступа: http://foraenergy.ni/grafiki-elektricheskix-nagruzok/

24. Дьяконов В., Круглов В. Математические пакеты расширения MATLAB. Специальный справочник - СПб. 2001 - 480с.

25. Дьяконов В.П., Круглов В.В. MATLAB 6.5 SP/7/7 SP 1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. Серия «Библиотека профессионала». - М.: СОЛОН-ПРЕСС, 2006. - 456 с.

26. Ежов А. А., Шумский С. А. "Нейрокомпьютинг и его применение в экономике и бизнесе" . 1998.

27. Ефремова Е.А. Применение нейронных сетей для прогнозирования финансовых временных рядов //Доклады Томского 'Государственного университета систем управления и радиоэлектроники Т. 9 Автоматизированные системы обработки информации управления и проектирования: Сб. Научных трудов Томск: Том. Гос. Унт систем управления и радиоэлектроники, 2004.-С. 192-196.

28. Жичкин, C.B. Краткосрочное прогнозирование суточного электропотребления нижнетагильского металлургического комбината [Текст] / C.B. Жичкин, A.B. Мозгалин // Электрификация металлургических предприятий Сибири. - 2004. - Вып. 12. - С. 222-238.

29. Использование искусственных нейронных сетей для краткосрочного прогнозирования нагрузки и расхода топлива в энергосистеме [Текст] / Н.Р. Рахманов [и др.] // Проблемы энергетики. - 2003. - №3. - С. 134-135.

30. Использование современных подходов и методов для прогнозирования электропотребления / Ю.А. Борцов, Н. Д. Поляхов, И. А. Приходько, Е. С. Анушина [и др.] // Электротехника - 2006. - №8. - С. 30-35.

31. Коваленко, Ю. Г1. Сезонные закономерности электропотребления Магнитогорского промышленного узла Текст. / Ю. П. Коваленко, В. Б. Славгородский // Промышленная энергетика. -2003. № 7. - С. 28 - 35.

32. Колосок, И.Н. Исследование эффективности применения генетических алгоритмов для достоверизации телеизмерений при оценивании состояния ЭЭС [Текст] / И.Н. Колосок, P.A. Заика // Энергетика. - 2003. - №6. - С. 39-46.

33. Колосок, И.Н. Исследование эффективности применения генетических алгоритмов для достоверизации телеизмерений при оценивании состояния ЭЭС / И.Н. Колосок, P.A. Заика // Энергетика. 2003. №6. С. 39-46.

34. Концептуальный подход к применению нейронных сетей для краткосрочных предсказаний нагрузок. Conceptual approach to the application neural networks for short-term load forecasting / Peng T.M., Hubele N.F., Karady G.G. // IEEE Int. Symp. Circuits and Syst., New Orleans La, May 1-3,1990, vol.4 - New York (N.Y.), 1990 - p.2942-2945.

35. Краткосрочное прогнозирование электрических нагрузок с использование искусственных нейронных сетей / Г.П. Шумилова, Н.Э. Готман, Т.Б. Старцева // Электричество. 1999. №10. С.4- 15.

36. Краткосрочное прогнозирование нагрузок на основе информации комплекса РСДУ2 / A.A. Тараканов. - 2007. - Режим доступа: http://www.ema.ru/view/articles/202.

37. Кретов Д.А. , Вахнина В.В. Анализ графиков электропотребления городской нагрузки при прогнозировании, 2007

38. Крисилов, В.А. Представление исходных данных в задачах нейросетевого прогнозирования [Текст] / В.А. Крисилов, К.В. Чумичкин, A.B. Кондратюк // Научная сессия МИФИ - 2005. Сборник научных трудов. - М: МИФИ, 2003. - 4.1: V Всероссийская научно-техническая конференция

"Нейроинформатика-2003". - С. 184-191.

39. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные

нейронные сети - М.: Издательство физико-математической литературы, 2001.

40. Кудинов Е.В. Прогнозирование нагрузки: состояние и перспективы

41. Кудрин Б.И.Реструктуризация черной металлургии и план ГОЭРЛО// Промышленная энергетика. 2000. № 12. С. 8-12.

42. Кудрин, Б. И. Методика обеспечения почасового прогнозирования электропотребления предприятий с учетом погодных факторов Текст. / Б. И. Кудрин, А. В. Мозгалин // Вестник МЭИ. 2007. - № 2. - С. 105 - 108.

43. Легостаева, И. Л. Минимальные веса в задаче выделения тренда случайного процесса Текст. / И. Л. Легостаева, А. Н. Ширяев // Теория вероятностей и ее применение. 1971. - г. XVI. - № 2. - С. 29-31.

44. Любченко, В.Я. Генетический алгоритм оптимизации режимов энергосистем по активной мощности [Текст] / В.Я. Любченко // Электро. -2003.-№3.-С. 2-5.

45. Макоклюев Б.И. Методология и система моделей прогноза электропотребления // «Рынок Электротехники», 2007, № 4.

46. Макоклюев Б.И., Методология и система моделей прогноза электропотребления // «Электрические станции», N 3, 2007.

47. Манусов, В.З. Эволюционный алгоритм оптимизации режимов электроэнергетических систем по активной мощности [Текст] / В.З. Манусов, Д.А. Павлюченко // Электричество. - 2004. - №3. - С. 2-8.

48. Медянцев, Д.В. Нейросетевая система прогнозирования энергопотребления [Текст] / Д.В.Медянцев, А.В.Фирсов, Н.В.Замятин // Научная сессия МИФИ - 2003. Сборник научных трудов. - М., 2003. - 4.1: V Всероссийская научно-техническая конференция «Нейроинформатика-2003». - С. 221-226.

49. Меламед М.А. Современные методы анализа и прогнозирования режимов электропотребления в электроэнергетических системах // Итоги науки и

техники. Серия Энергетические системы и их автоматизация. 1988,. Т.4. С.4-111

50. Метод главных компонент// Режим доступа http://saginwasja.narod.ni/index/0-21

51. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес. Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. - М.: Горячая линия - Телеком, 2003-205 с.

52. Михалев, А.И. Применение и нейро-фаззи алгоритмов для анализа и прогнозирования временных рядов [Текст] / А.И. Михалев, Н.В. Лысая // Материалы 10-й Международной конференции по автоматическому управлению "Автоматика - 2003", 15-19 сентября 2003 г., г. Севастополь, Украина: в 3-х т. - Севастополь, 2003. - Т.З. - С. 78.

53. Многомерный статистический анализ/ Под ред. С. А. Айвазяна и С. Е. Кузнецова. - М.: ЦЭМИ, 1974. - 416 с.

54. Мозгалин A.B. Место нейросетевых методов в прогнозировании электропотребления промышленных предприятий // Электрификация металлургических предприятий Сибири. Вып. 12 - Томск: Изд-во Том.ун-та, 2005. - С. 115-118.

55. Мозгалин A.B. Прогнозирование электропотребления промышленных предприятий с использованием многослойных частично рекуррентных нейронных сетей, http://almozg.narod.ru/st3.htm

56. Нагрузки и их прогнозирование - Эксплуатация электрических систем// Режим доступа: http: // forca.ru/knigi/arhivy/ekspluataciya-elektricheskih-sistem-2.html

57. Назаров А. В., Лоскутов А. И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. - СПб: Наука и Техника. 2003

58. Нейросетевая система прогнозирования энергопотребления / Д.В.Медянцев, А.В.Фирсов, Н.В.Замятин // Научная сессия МИФИ - 2003. Сборник научных трудов. М.: 2003. 4.1: V Всероссийская научно-техническая конференция «Нейроинформатика-2003». С. 221-226.

59. Новые информационные технологии в задачах оперативного управления электроэнергетическими системами / Н. А. Манов и др. - Екатеринбург: УрО РАН, 2002. - 202с.

60. НПЦ «ФИЗТЕХ». Система прогнозирования AR - CONTROL- 2007. -Режим доступа: http://www.fiztex.ru/arcontrol/arcontrol.html.

61. ООО НПП «ВНИКО». Программа краткосрочного и оперативного прогнозирования электропотребления. 2008. Режим доступа: http//www. vniko. no voch.ru /prog. htm.

62. Осовский С. Нейронные сети для обработки информации. - М.: Финансы и статистика, 2004 - 344с.

63. Оценка эффективности интеллектуальных и классических моделей краткосрочного прогнозирования электропотребления/Н.Д. Поляхов, И.А. Приходько, Е.С. Анушина, Ван Ефэн.//Естественные и технические науки. 2011. №3. С. 304-309.

64. Петрова И.Ю. Прогнозирование электропотребления с помощью нейро-нечеткой системы ANFIS /И.Ю. Петрова, A.A. Глебов// Инженерное образование. Наука в образовании: электронное научное издание Москва: МГТУ им. Н. Э. Баумана. 2006. №7. Режим доступа: http://www.techno.edu.ru: 1600 l/db/msg/29594.html.

65. Планирование электропотребления, балансов мощности и электроэнергии с использованием специализированных программных комплексов / Б.И. Макоклюев, Ю.И. Моржин. - 2003. - Режим доступа: http://www.energostat.ru/seminar/seminar2003/materials.

66. Плескунин В.И., Воронина Е.Д. Теоретические основы организации и анализа выборочных данных в эксперименте - JL: Изд-во Ленингр. ун-та, 1979 -232 с.

67. Поляхов Н.Д., Приходько И.А., Анушина Е.С. Современные подходы и методы прогнозирования электропотребления // Известия ЛЭТИ, 2005.

68. Поляхов, Н.Д. Прогнозирование электропотребления на основе нейронечеткого подхода с использованием вейвлет-теории / Н.Д. Поляхов, И.А. Приходько, Е.С. Анушина // Сб. тр. междунар. конф. по мягким вычислениям и измерениям SCM-2005. Saint-Petersburg, 27-29 June. - 2005. Vol. 1. P. 247-250.

69. Представление исходных данных в задачах нейросетевого прогнозирования / В.А. Крисилов, К.В. Чумичкин, А.В. Кондратюк // Научная сессия МИФИ - 2005. Сборник научных трудов. М : МИФИ, 2003. 4.1: V Всероссийская научно-техническая конференция "Нейроинформатика-2003". С. 184-191.

70. Приложения с GUI и дескрипторная графика // Режим flocTyria:http://matlab.exponenta.ru/gui/book2/4_ 1 .php

71. Приходько И.А., Ван Ефэн, Панюкова Д.В. Решение задачи прогнозирования на основе нейросетевой модели с нечеткой обработкой информации//Докл. междунар. конф. по мягким вычислениям и измерениям SCM- 2010. Saint-Petersburg, 23-25 June. 2010.

72. Прогноз электропотребления: анализ временных рядов, геостатистика, искусственные нейронные сети [Текст] / Р.В. Арутонян [и др.]. - М.: Институт проблем безопасного развития атомной энергетики РАН, 1999. -45 с.

73. Прогнозирование пика потребления электроэнергии с помощью нейронной сети / Онода Такаси / Johoshorikenkyu. - 1993. - N19. р.21-32.

74. Прогнозирование суточных графиков нагрузки // Режим доступа: http://esis-kgeu.ra/model/371-modelees

75. Прогнозирование электропотребления: современные подходы и пример исследования /Л. А. Болынов, М. Ф. Каневский, Е. А. Савельева и др. //Изв. АН. Энергетика. 2004, № 6. С.74-93.

76. Рахманов Н.Р., Юсифов H.A., Кулиева С.Т., Мешкин И.Б. Использование искусственных нейронных сетей для краткосрочного прогнозирования нагрузки и расхода топлива в энергосистеме // АзНИИ Энергетики и энергопроектирования, «Проблемы энергетики» 2003, № 3.

77. Робастные методы оценивания состояния электроэнергетических систем и их реализация с помощью генетических алгоритмов/ А.З. Гамм, И.Н. Колосок, P.A. Заика // Электричество. 2005. №10. С. 2-8.

78. Рудаков Е., Саакян Ю., Нигматулин Б., Прохорова Н. Цена расточительности // «Эксперт» №24 (613)/16 июня 2008

79. Система прогнозирования «Энерго-Прогноз» компании StatSoflRussia. 2007. Режим доступа: http://wvvw.statsoft.ru/

statportal/tabID_39/MId_293/ModeID_0/PageID_200/DesktopDefault.aspx

80. Скрипко O.A. Совершенствование и развитие методов анализа и краткосрочного прогнозирования режимов энергопотребления

энергосистем. Повышение экономичности работы электрических сетей и качества электроэнергии. - М.: Энергоатомиздат. 1986.

81. Статистика: Учебное пособие/ Под ред. Ф.Г. Долгушевского. - М.: «Мысль», 1976. - 256 стр.

82. Тарасенко, P.A. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов [Текст] / P.A. Тарасенко, В.А. Крисилов // Сб. науч. тр. / Одес.политехн. ун-т. - 2001. -Вып. 1.-С. 90-93.

83. Терехов, В. А. Нейросетевые системы управления: учеб. пособие / В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин. -М.: Высш. шк., 2002. 183 с.

84. Тимченко В.Ф. Развитие вероятностной теории режимов потребления энергии электроэнергетических систем Повышение экономичности работы электрических сетей и качества электроэнергии. - М.: Энергоатомиздат. 1986. (Тр. ВНИИЭ - всесоюзный научно-исследовательский институт электроэнергетики) С.66-78.

85. Тихонов Э.Е. Методы прогнозирования в условиях рынка: учебное пособие. - Невинномысск, 2006. - 211 с.

86. Хайкин С. Нейронныесети: полныйкурс. М.: ООО «И.Д. Вильяме». 2006. 1104с

87. Цой, Ю.Р. Эволюционный подход к настройке и обучения искусственный нейронных сетей [Текст] / Ю.Р. Цой, В.Г. Спицын /У Нейроинформатика. -2006. -Т 1,№1.-С. 34-61.

88. Четыркин Е.М. Статистические методы прогнозирования. Изд. 2-е, перераб. и доп. - М., «Статистика», 1977-200 с.

89. Чукреев Ю.Я., Хохлов М.В., Готман Н.Э. Применение искусственных нейронных сетей в задачах оперативного управления режимами электроэнергетических систем. - Сыктывкар, 2000 - 25 с. (Новые научные методики/ Коми научный центр УрО Российской академии наук; Вып. 56).

90. Шульгинов Н.Г. Методика прогнозирования графиков электропотребления для технологий краткосрочного планирования // ОАО "СО - ЦЦУ ЕЭС", 2007.

91. Шумилова Г.П. Прогнозирование нагрузки ЭЭС на базе новых информационных технологий / Г.П.Шумилова, Н.Э.Готман, Т.Б.Старцева. Екатеринбург: Изд-во УрО РАН, 2002. 25с.

92. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Краткосрочное прогнозирование электрических нагрузок с использованием искусственных нейронных сетей // «Электричество», 1999, №10.

93. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Прогнозирование электрических нагрузок ЭЭС с использованием методов искусственного интеллекта [Текст] // РНСЭ, 10-14 сентября 2001: Материалы докладов. Казань: Казан. Гос. Энерг. ун-т, 2001 - Т. II.

94. ЭВМ помогает химии: Пер. сангл. /Подред. Г. Вернена, М. Шанона.— JL: Химия, 1990.— Пер. изд.: Великобритания, 1986. - 384с.

95. Юрий Лифшиц, метод опорных векторов Лекция N.7 курса "Алгоритмы для Интернега" - СПбГУ ИТМО, 2006.

96. А hybrid Fuzzy, Neural Network Bus Load Modeling and Predication / H.R. Kassaei et. al. // IEEE Transactions on power system. 1999. May. Vol. 13, № 2. P. 718-724.

97. Advanced Solution in Energy Forecasting .2008. - Режим доступа: http://w\vw.aleasoft.coni/?gclid=COulg8-_xIvvCFShHEAodgn31wQ.

98. AGORA Load Forecast. 2008. Режим доступа: http://www.elequant.com/products/agora/load_forecast.html.

99. Application of a hybrid model on short-term load forecasting based on support vector machines (SVM)/ Limin Ao, Yongchun Wang , Qian Zhang// New-Zealand Journal of Agricultural Research. 2007. Vol. 50. P. 567-572

100. Boser B. A training algorithm for optimal margin classifiers / B. Boser, I. Guyon, V. Vapnik // 5th Annual ACM Workshop on COLT. 1992. - P. 144-152.

101. Burges C. A Tutorial on Support Vector Machines for Pattern Recognition / C. Burges // Data Mining and Knowledge Discovery. 1998. - Vol. 2. - N 2. -P. 121167.

102. C.M. Bishop. Training with noise is equivalent to Tikhonov regularization. Neural Computation, Vol. 7, pp. 108, 1995.

103. D. K. Ranaweera, G. G. Karady, and R. G. Farmer, "Economic Impact Analysis of Load Forecasting," //Power Systems, IEEE Transactions 1997.vol. 12, №.3.

104. D.Srinivasan and oth. Demand Forecasting using fuzzy Neu-ral Computation with special Emphasis on Weekend and Public Holiday Forecasting. IEEE Trans, on Power Systems, v. 10, N4,1995.

105. Daneshdoost, M. Neural network with fuzzy set-based classification for short-term load forecasting [Текст] / M.Daneshdoost, M. Lotfalian, G. Bumroonggit // IEEE Transactions on power system. - 1998. - November. - Vol. 13, № 4. - P. 152-161.

106. DENFIS: Dynamic Evolving Neural-Fuzzy Inference System and Its Application for Time-Series Prediction / K. Nikola // IEEE Transactions on fuzzy systems. -2002. April. Vol. 10, № 2. P. 144-154.

107. Drucker H. Support Vector Regression Machines / H. Drucker, C. Burges, L. Kaufman, A. Smola, V. Vapnik // Advances in Neural Information Processing Systems. 1996.-N9.-P. 155-161.

108. Energy Forecastig by MetrixIDR™ System Operations ABB / - 2008. - Режим доступа: http://wwvv.itron.com/pages/ /products_detail.asp?id=itr_000483.xml.

109. Hastie T. The elements of statistical learning / T. Hastie, R. Tibshirani, J. Friedman. N.Y.: Springer. - 2001. - 560 pp.

110. Hecht-Nielsen R. Kolmogorov's Mapping Neural Network Existence Theorem // IEEE First Annual Int. Conf. on Neural Networks, San Diego, 1987, Vol. 3, pp. 11-13.

111.Hobbs, B.F., Jitprapaikulsarn, S., Konda, S., Chankong, V. more authors. Analysis of the value for unit commitment of improved load forecasts//Power Systems, IEEE Transactions 1999. V. 14. Ж 4.

112. http://50001.pro/about/

113. http://mei06.narod.ru/sem7/iis/shpora/page2_9.htm

114. http://pca.narod.ru/lecture4.htm

115. http://www.regcon.ru/index.php/konsalting/iso-50001

116. Khotanzad and oth. An adaptive modular Artificial neural network Honrly Forecaster and its Implementation at Electric utilities. IEEE Trans, on Power System, v.l-, N3, Aug. 1996.

117. LIBSVM: a library for support vector machines Электронный ресурс. Режим доступа: http://www.csie.ntu.edu.tw/~cjlin/libsvm.

118. Load forecasting suboptimal seasonal autoregressive models and iteratively reweighted least squares estimation / G.A.N. Mbamalu, M.E. El-Hawary // IEEE Trans. PAS. 1993. Vol.8, № 1. P. 319-325.

119. Load forecasting using stochastic models / S. Vemuri, E.F. Hill, R. Вalasubramanian // Proc. 8th PICA Conf. 91973, IEEE, New York. P. 31-37.

120. Matsuoka K, 1992. Noise injection into inputs in back-propagation training, IEEE Transactions on Systems, Man and Cybernetics 22 436-440.

121. Mercer J. Functions of positive and negative type and their connection with the theory of integral equations / J. Mercer // Philosophical Transactions of the Royal Society. 1909. - P. 415-446.

122. Nazarko, J. The Fuzzy Regression Approach to Peak load Estimation in Power Distribution Systems [Текст] / J. Nazarko, W. Zalewski // IEEE Trans. Power. Syst. - 1999. - August. - Vol. 14, №3. - P. 147-156.

123. Neural network with fuzzy set-based classification for short-term load forecasting] / M.Daneshdoost, M. Lotfalian, G. Bumroonggit // IEEE Transactions on power system. - 1998. - November. - Vol. 13, № 4. - P. 152161.

124. Parameter optimization for support vector regression based on genetic algorithm with simplex crossover operator / Dongmei Zhang, Wei Liu, Ao Wang, Qiao Deng// Journal of Information & Computational Science 8: 6 (2011) P. 911-920.

125. Power system short-term load forecasting based on improved support vector machines//2008 International symposium on knowledge acquisition and modeling. P. 658-662

126. Scholkopf B. Learning with kernels / B. Scholkopf, A. Smola. Cambridge: MIT Press, 2002. - 632 pp.

127. Senjyu T, Takara H. One-hour-ahead load forecasting using neural network // IEEE Transactions on power system. Vol. 17. № 1. February 2002. pp. 113-118.

128. Smola A. Learning with kernels: PhD Thesis in Computer Science / A. Smola.-Technische Universität Berlin. 1998. - 210 pp.

129. Taylor J. S. Kernel Methods for Pattern Analysis / J. S. Taylor, N. Cristianini. -N.Y. : Cambridge univ. press. 2004. - 462 pp.

130. Tomonobu, S. One-hour-ahead load forecasting using neural network [Текст] / S. Tomonobu, T. Hitoshi // IEEE Transactions on power system. - 2002. -February. - Vol. 17, № 1. - P.21-24.

131. Vapnik V. Estimation of dependences based on empirical data / V. Vapnik. -N.Y. : Springer. 2006. - 528 pp.

132. Vapnik V. Statistical Learning Theory / V. Vapnik. N.Y.: John Wiley. -1998 -736 pp.

133. Vapnik V., Chapelle О. Bounds on error expectation for support vector machines//Neural Computation. 2000, vol. 12. № 9 P.2013-2036. Режим доступа: http://citcseer. ist.psu.edu/vapnik99bounds.html

134. Windig W., Llaverkamp J., Kistemaker P.G., Chemical Interpretation of Sets of Pyrolysis Mass Spectra by Discriminant Analysis and Graphical Rotation, Anal. Chem. 55,1983,81-88.

135. vYm^m&ir BP т^ш^шшж^-п йт&шштщцж&тш