Моделирование электропотребления многономенклатурного предприятия для краткосрочного прогнозирования тема диссертации и автореферата по ВАК РФ 05.09.03, кандидат наук Гофман, Андрей Владимирович

• Гофман, Андрей Владимирович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Гофман, Андрей Владимирович

Оглавление

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР МЕТОДОВ КРАТКОСРОЧНОГО

ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ

1.1. Методы краткосрочного прогнозирования

1.2. Применение ИНС для краткосрочного прогнозирования электропотребления

1.3. Краткосрочное прогнозирование электропотребления предприятий с применением ИНС

1.4. Выводы по главе 1 и постановка задачи диссертационного исследования

ГЛАВА 2. АНАЛИЗ ВХОДНЫХ ПАРАМЕТРОВ МОДЕЛИ ЧАСОВОГО ПОТРЕБЛЕНИЯ МНОГОНОМЕНКЛАТУРНОГО ПРЕДПРИЯТИЯ

2.1. Определение входных параметров модели электропотребления

2.2. Анализ временных рядов электропотребления

2.3. Моделирование особенностей технологического процесса

2.4. Выводы по главе 2

ГЛАВА 3. УЧЕТ ОСОБЕННОСТЕЙ БЫТОВОЙ НАГРУЗКИ

3.1. Определение параметров, характеризующих бытовую нагрузку

3.2. Применение параметра среднесуточной температуры, определяемой по методу скользящего среднего

3.3. Выводы по главе 3

ГЛАВА 4. РАЗРАБОТКА МОДЕЛИ ПО МЕТОДУ ИНС

4.1. Разработка структуры модели электропотребления многономенклатурного предприятия

4.2. Практический выбор оптимальной модели

4.3. Выводы по главе 4

ГЛАВА 5. ПРАКТИЧЕСКИЙ АНАЛИЗ РАЗРАБОТАННОЙ МОДЕЛИ

5.1. Оценка точности краткосрочного прогнозирования электроэнергии

5.2. Оценка адекватности разработанной ИНС

5.3. Выводы по главе 5

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Моделирование электропотребления многономенклатурного предприятия для краткосрочного прогнозирования»

ВВЕДЕНИЕ

Актуальность темы.

В отечественных и зарубежных исследованиях проблеме краткосрочного прогнозирования электропотребления промышленных предприятий уделялось значительное внимание. В настоящее время для краткосрочного прогнозирования электропотребления предприятий зачастую применяют регрессионные методы, основанные на использовании линейных моделей. Современные российские предприятия вынуждены следовать покупательскому спросу. Для этого им приходится осваивать выпуск новых видов продукции. При этом зачастую на одном предприятии или в одном цехе выпускается продукция различной номенклатуры. Такие предприятия являются многономенклатурными. Особенностями технологического процесса многономенклатурных предприятий является неоднородный во времени технологический процесс с изменяющимися режимами работы оборудования предприятия и изменением номенклатуры выпускаемой продукции.

Зачастую многономенклатурные предприятия обеспечивают электроснабжение бытовых потребителей через свои внутренние электрические сети. Бытовая нагрузка в последнее время претерпела значительные изменения своей структуры - увеличилась доля расходов электроэнергии на отопление и кондиционирование, это привело к значительному влиянию метеофакторов на величину электропотребления бытовой нагрузки. Подобные предприятия имеют нелинейную зависимость своего электропотребления от метеофакторов и сложность в определении факторов, характеризующих технологический процесс, для его учета при краткосрочном прогнозировании электропотребления с применением традиционных методов.

Развитие методов с использованием нелинейных элементов -искусственных нейронных сетей (ИНС) позволило использовать их для

краткосрочного прогнозирования электропотребления. Разработаны модели ИНС для прогнозирования электропотребления предприятий, имеющих основной цикл продукции одного вида, как правило, добывающей или перерабатывающей промышленности.

В настоящее время большинство российских предприятий - потребителей электроэнергии покупает или планирует покупать электроэнергию на оптовом рынке электроэнергии и мощности (ОРЭМ). Для экономически эффективного приобретения электроэнергии на ОРЭМ потребителю необходимо обеспечить высокую точность краткосрочного прогнозирования своего электропотребления, так как финансовые механизмы ОРЭМ предполагают применение штрафных санкций в случае отклонения фактического электропотребления от прогнозного.

Таким образом, требуется разработка модели электропотребления многономенклатурного предприятия, имеющего неоднородный во времени технологический процесс с изменяющимися режимами работы оборудования предприятия, нередкой сменой номенклатуры выпускаемой продукции и учетом бытовой доли нагрузки электропотребления. Это обуславливает актуальность диссертационной работы.

Объект исследования - системы электроснабжения многономенклатурных промышленных предприятий и их часовой график электропотребления

Цель и задачи исследования.

Целью работы является разработка математической модели часового электропотребления многономенклатурного предприятия с учетом особенностей технологического процесса и бытовой нагрузки.

Для достижения цели сформулированы и решены следующие задачи. • Разработка метода учета особенностей технологического процесса многономенклатурного предприятия;

• Разработка усовершенствованной методики учета доли бытовой нагрузки в электропотреблении многономенклатурного предприятия;

• Разработка усовершенствованной структуры модели искусственной нейронной сети (ИНС) прямого распространения для краткосрочного прогнозирования электропотребления;

• Исследование разных вариантов ИНС для оценки влияния состава входной информации на точность прогнозирования и проведение сравнительного анализа с существующим методом.

Основные методы научных исследований. Для решения задач использованы методы статистического анализа, методы нейросетевого моделирования электропотребления. Методы статистического анализа являются основой при проведении отбора входных параметров модели электропотребления предприятия. Методы нейросетевого моделирования позволили создать ИНС, моделирующую электропотребление.

Достоверность полученных результатов.

Достоверность научных положений, выводов и результатов работы подтверждена удовлетворительным совпадением спрогнозированных значений электропотребления, выполненных с применением разработанной модели, с фактическими данными. Научная новизна.

• Разработан метод учета особенностей технологического процесса многономенклатурного предприятия в моделировании краткосрочного электропотребления, основанный на применении параметра трудозатрат;

• Разработана методика учета температуры наружного воздуха при краткосрочном прогнозировании электропотребления, основанная на применении скользящего среднего;

• Усовершенствована структура ИНС с одним выходом, представляющая собой набор ИНС, выполняющих прогнозирование электропотребления

одного конкретного часа суток.

Основные положения, выносимые на защиту.

• Метод учета особенностей технологического процесса многономенклатурного предприятия в моделировании краткосрочного электропотребления, основанный на применении параметра трудозатрат;

• Методика учета доли бытовой нагрузки многономенклатурного промышленного предприятия, основанная на применении среднесуточной температуры, определяемой по методу скользящего среднего;

• Применение для прогнозирования набора ИНС, выполняющих прогнозирование электропотребления одного конкретного часа суток.

Практическая ценность.

• Разработан метод, позволяющий моделировать особенности технологического процесса многономенклатурного предприятия для краткосрочного прогнозирования электропотребления;

• Разработана методика, позволяющая выполнять краткосрочное прогнозирование с учетом внутрисуточных изменений температуры наружного воздуха;

• Разработана и реализована в виде программного продукта модель ИНС, состоящая из кластеров ИНС с одним выходом, прогнозирующих «свой» час.

Апробация работы.

Основные положения диссертации докладывались и обсуждались на Международной научно-технической конференции «Энергоэффективность и энергобезопасность производственных процессов» (г. Тольятти, 2009 г.); V открытой молодежной научно-практической конференции

«Диспетчеризация в электроэнергетике: проблемы и перспективы» (г. Казань, 2009 г.); Всероссийской научно-технической конференции

«Электроэнергетика глазами молодежи» (г. Екатеринбург, 2010 г.); 16-й и

19-й Международной научно-технической конференции «Радиоэлектроника, электротехника и энергетика» (г. Москва, 2010 и 2013 г.); II международной научно-практической конференции «Энергосбережение, электромагнитная совместимость и качество в электрических системах» (г. Пенза, 2011 г.); Международной научно-технической конференции «Электроэнергетика глазами молодежи» (г. Самара, 2011 г.).

Кроме этого, материалы диссертации обсуждались на научно-технических семинарах кафедр «Автоматизированные

электроэнергетические системы» и «Электрические станции» ФГБОУ ВПО Самарский государственный технический университет за период с 2008 по 2011 годы.

Реализация результатов работы.

Результаты диссертационной работы успешно апробированы при краткосрочном прогнозировании электропотребления предприятия ЗАО «Группа компаний «Электрощит»-ТМ Самара» и используются в учебном процессе по направлению 140400 «Электроэнергетика и электротехника» на базе кафедр «Электрические станции» и «Автоматизированные электроэнергетические системы» по учебному плану специализированной магистерской программы «Управление режимами электроэнергетических систем» СамГТУ и на базе кафедры электроэнергетических систем Энергетического Института ФГБОУ ВПО НИ ТПУ по учебному плану специализированной магистерской программы «Управление режимами электроэнергетических систем».

Публикации.

Основные научные результаты диссертации отражены в 11 публикациях, в том числе 3 публикациях в рецензируемых научных журналах из Перечня, утверждённого ВАК.

Структура и объем работы.

Диссертация состоит их введения, 5 глав, заключения, библиографического списка и приложения. Общий объём работы содержит

135 стр. основного текста, включая 92 рисунка, 5 таблиц и список литературы из 99 наименований.

ГЛАВА 1. ОБЗОР МЕТОДОВ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ.

1.1. Методы краткосрочного прогнозирования.

Особенности рынка электроэнергии: невозможность хранения электроэнергии в значительных объемах, необходимость ежемоментного поддержания баланса производства и потребления электроэнергии, ограничения сети по передаче электроэнергии и т.д. предъявляют ряд обязательных требований к обеспечению надежного электроснабжения. Одним из основных среди них является прогнозирование

электропотребления с высокой точностью.

Современный оптовый рынок электроэнергии и мощности (ОРЭМ) включает в себя три механизма: рынок свободных (регулируемых) двухсторонних договоров, рынок на сутки вперед (PCB) и балансирующий рынок (БР) и функционирует таким образом, что точность прогнозирования электропотребления является стимулирующим финансовым механизмом для потребителей ОРЭМ.

Рынок свободных (регулируемых) двухсторонних договоров представляет собой систему финансовых двухсторонних договоров, заключающихся на год вперед на каждый час года. Стороны заключения таких договоров фиксируют исполнение финансовых обязательств по покупке/продаже электроэнергии. Двухсторонние договоры всегда являются исполненными - покупатель обязан заплатить за весь объем электроэнергии в соответствии с заключенным договором. Учитывая, что двухсторонние договоры заключаются на каждый час следующего года, задолго до отчетного периода, к точности планирования таких параметров не могут быть предъявлены высокие требования, и участие в торговле уточненными объемами на PCB для потребителей представляется экономически наиболее целесообразным.

В PCB для потребителей важную роль имеет краткосрочное прогнозирование электропотребления. В PCB используется система ежедневного конкурентного аукциона ценовых заявок потребителей и поставщиков электроэнергии, механизм этого рынка работает в предшествующие операционным сутки с выполнением расчета для каждого часа суток. Добиться экономически оптимального результата деятельности на PCB потребители могут путем максимально точного краткосрочного прогнозирования своего электропотребления. На БР определяются ценовые показатели для расчета отклонений фактического электропотребления от спрогнозированной на PCB величины.

При решении задачи краткосрочного прогнозирования величины нагрузки определяется почасовое потребление на сутки. График нагрузки большинства потребителей обладает свойством квазиподобия - суточное (годовое) потребление последующего дня (года), как правило, похоже на потребление предыдущего, что позволяет с успехом использовать регрессионные модели. При этом зачастую ошибку прогнозирования составляют факторы, отличающие друг от друга периоды измерения (день, неделя, год):

- изменение состава или параметров потребителей;

- отличие метеорологических факторов, их влияние вызвано тем, что существенная часть нагрузки используется на отопление, вентиляцию и кондиционирование.

Анализ методов прогнозирования [13], показывает, что в настоящее время насчитывается свыше 220 моделей. Число моделей, используемых для краткосрочного прогнозирования электропотребления значительно меньше. Модели, используемые для краткосрочного прогнозирования разделяют на две группы:

- статистические модели;

— структурные модели.

В статистических моделях функциональная зависимость между будущими и фактическими значениями временного ряда, а также внешними факторами задана аналитически. К статистическим моделям относятся следующие:

— регрессионные модели;

— авторегрессионные модели;

— модели экспоненциального сглаживания.

В структурных моделях функциональная зависимость между будущими и фактическими значениями временного ряда, а также внешними факторами задана структурно. К структурным моделям относятся следующие:

— нейросетевые модели;

— модели на базе цепей Маркова.

1.1.4. Регрессионные модели

В настоящее время регрессия получила широкое применение для задач краткосрочного прогнозирования электроэнергии. Целью регрессионного анализа является определение зависимости между исходной переменной и множеством внешних факторов.

Линейная регрессионная модель.

Линейная регрессионная модель создается на предположении о существовании фактора Х((), влияющего на значение электропотребления при этом связь между ними линейна. Модель прогнозирования на основании линейной регрессии описывается уравнением:

Р(1) = а0 + «1 * ХСО + Е, (1.1)

где: а0 и - коэффициенты регрессии; £ - ошибка модели.

Множественная регрессионная модель.

Множественная регрессионная модель учитывает влияние ряда факторов Х^), Х2(^... Хп(0. Модель прогнозирования при этом описывается уравнением:

F(t) = a0 + «1 * Xi(t) + a2 * X2(t) + - + an * Xn(t) + £, (1.2)

Модель группового учета аргументов (МГУ А) разработана Ивахтенко А.Г. [67]. МГУА описывается уравнением опорной функции:

F(t) = о0 +Zf=1o, *Xi(t) + Zf=iSPiay *Xi(t) *X,-(t) + (1.3)

1.1.2. Авторегрессионные модели

Авторегрессионные модели используют в своей основе предположение о зависимости значения электропотребления Fn(t) от предыдущих значений

Fn-m(t).

Авторегрессионная модель.

В авторегрессионной модели текущее значение Fn(t) выражается конечной линейной совокупностью предыдущих значений Fn.m(t) и некоторой величиной смещения е:

F(t) = a0 + аг * F(t - 1) + a2 * F(t - 2) + ••• + an * F(t - n) + s, (1.4)

Модель скользящего среднего.

Модель скользящего среднего описывается уравнением:

F(t) = i (F(t - 1) + F(t - 2) + - + F(t - n)) + £, (1.5)

Зачастую при краткосрочном прогнозировании электропотребления модель скользящего среднего и авторегрессии объединяют. Данная модель называется ARIMA (autoregression integrated movingaverage) [63]. В настоящее время существует ряд модификаций модели ARJMA: NGARCH,IGARCH, EGARCH, GARCH-M и другие [64].

Авторегрессионнная модель с распределенным лагом (autoregressive distributed lag models, ARDLM) описывается уравнением:

F(t) = a0 + аг * F(t - к - 1) + ••• + an * F(t - к - ri) + et, (1.6)

где: к — величина лага.

1.1.3. Модели экспоненциального сглаживания

Модели экспоненциального сглаживания основаны на методе постоянного пересмотра прогнозных значений по мере поступления фактических. Вследствие этого последние значения имеют большее влияние

на прогнозное значение, чем ранние. Для краткосрочного прогнозирования электропотребления находит применение модель Хольта-Винтерса или тройное экспоненциальное сглаживание:

F(t) = (L(t) + T(t)) * S(t), (1.7)

где: L(t) — сглаженный уровень без учета сезонной составляющей:

L(t) = + (1 + а) * (L(t " 1} + T((t " 1)}' (L8)

T(t) — сглаженный тренд:

T(t) = Р * (set - 1) - s(t - 2)) + (1 + Р) * T(t - 1), (1.9)

S(t) — сезонная компонента:

= + с1 - У) * w - п)' (1Л°)

а,(3,у - коэффициенты.

1.1.4. Модели на базе цепей Маркова

Для такой модели значение F(t) определяется состоянием S(t), переход к которому происходит из состояния S(t-l) через последовательные шаги к (рис. 1.1), S(0) - начальное состояние системы (перед первым шагом); S(l)~ состояние системы после первого шага; S(k)~ состояние системы после к-то шага.

S1

S2

S3

S6

S5

S7

Рис 1.1. Граф состояния системы S.

Последовательность состояний 8(0), 8(1), 8(2),.....,8(к),...

рассматривается как последовательность случайных событий. Такая случайная последовательность событий называется Марковской цепью, если для каждого шага вероятность перехода из любого состояния 57 в любом 5/ не зависит от того, когда и как система пришла в состояние 57. Начальное состояние 8(0) может быть заданием заранее или случайным.

Вероятностями состояний цепи Маркова называются вероятности РДА:) того, что после А;-го шага ( и до (&+1)-го ) система 5 будет находиться в состоянии 81(1=1,2, ...,п) . Для любого к:

/=1

Начальным распределением вероятностей Марковской цепи называется распределение вероятностей состояний в начале процесса:

Р1 (0),Р2(0),.....,РЩ,...,Рп(0), (1.12)

Поскольку система может пребывать в одном из п состояний, то для каждого момента времени / задается и2 вероятностей перехода Ру, представляющие переходную матрицу:

Р11 Р12 . Р\п

Р 21 Р 22 . . Р2п

РИ РИ . . Рт (1.13)

Рп\ Рп 2 . Рпп

где Ру- вероятность перехода за один шаг из состояния 57 в состояние Sj, О

РИ- вероятность задержки системы в состояние 57.

1.2. Применение ИНС для краткосрочного прогнозирования

электропотребления.

Развитие теории искусственного интеллекта позволило использовать для краткосрочного прогнозирования методы, основанные на применении

ИНС. ИНС предполагает существование прототипов, процессы в которых могут быть использованы для построения формальных систем прогнозирования. Таким прототипом является процесс нервной деятельности, в результате которого формируется набор приобретенных рефлексов, обеспечивающих заблаговременную реакцию - подготовку к событию, которое еще не произошло, но может произойти вследствие сложившейся ситуации.

Преимущества применения ИНС для цели прогнозирования:

- Широкие возможности. ИНС - мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости, благодаря тому, что сами ИНС нелинейны по своей природе. Кроме того, ИНС позволяют решать задачи, которые не под силу регрессионным методам из-за невозможности моделирования линейными зависимостями в случае большого числа переменных.

- Простота в использовании. ИНС обучаются на примерах. Достаточно подобрать набор представительных данных, а затем запустить алгоритм обучения, который автоматически «запомнит» структуру данных.

ИНС состоит из искусственных нейронов, которые:

- Получают входные сигналы (исходные данные либо выходные сигналы других нейронов ИНС) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (или вес); этот вес соответствует активности нейрона. С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона.

- Преобразуют сигнал активации с помощью функции активации (или передаточной функции) в выходной сигнал нейрона.

Общий вид нейрона приведен на рисунке 1.2. ИНС состоит из соединенных друг с другом нейронов, у нее есть входы (принимающие

значения влияющих на результат переменных из внешнего мира) и выходы (прогнозы или управляющие сигналы). Кроме этого, в ИНС может быть еще много промежуточных (скрытых) нейронов, выполняющих внутренние функции. Входные, скрытые и выходные нейроны должны быть связаны между собой.

Рис 1.2. Общий вид нейрона. Текущее состояние нейрона определяется, как взвешенная сумма его входов:

п

= 5>,

W,

<•=1 , (1.14)

Выход нейрона есть функция его состояния: у =f(s)

Нелинейная функция f называется активационной и может иметь различный вид. Зачастую используется нелинейная функция с насыщением -сигмоид:

1

— /W

(1.15)

1 + е~ах

При уменьшении а сигмоид становится более пологим, в пределе при а=0 вырождаясь в горизонтальную линию на уровне 0,5, при увеличении а

сигмоид приближается по внешнему виду к функции единичного скачка с порогом Т в точке х=0. Выходное значение нейрона лежит в диапазоне [0,1].

Сигмоидная функция дифференцируема на всей оси абсцисс, что используется в некоторых алгоритмах обучения. Кроме того она обладает свойством усиливать слабые сигналы лучше, чем большие, и предотвращает насыщение от больших сигналов, так как они соответствуют областям аргументов, где сигмоид имеет пологий наклон.

Для прогнозирования электропотребления зачастую применяют ИНС со структурой прямой передачи сигнала. Сигналы проходят от входов через скрытые элементы и в конце концов приходят на выходные элементы. Такая структура имеет устойчивое поведение. Если же сеть имеет обратную связь, то она может быть неустойчива и иметь очень сложную динамику поведения. ИНС прямого распространения можно смоделировать с применением достаточно широкого набора специализированного ПО, например, с использованием пакета «ST Neural Networks» в программном комплексе «Statistica».

Выбор структуры ИНС осуществляется в соответствии с особенностями и сложностью задачи. Для решения задачи прогнозирования применяют многослойный перцептрон (МПЦ), обладающий свойством аппроксимации данных.

ИНС, имеющая более двух слоев нейронов, может формировать на выходе произвольную многомерную функцию [91]. Пример ИНС прямого распространения показан на рисунке 1.3. Нейроны регулярным образом организованы в слои. Входной слой служит просто для ввода значений входных переменных. Каждый из скрытых и выходных нейронов соединен со всеми элементами предыдущего слоя.

^я N

Рис 1.3. ИНС прямого распространения. Типичная последовательность действий при создании ИНС показана на рис. 1.4.

Рис. 1.4. Порядок создания ИНС

Подзадача получения входных образов для формирования входного множества в задачах прогнозирования временных рядов часто предполагает использование «метода окон». Метод окон подразумевает использование двух окон ]¥1 и \Уо с фиксированными размерами пит соответственно. Эти окна, способны перемещаться с некоторым шагом по временной

последовательности исторических данных, начиная с первого элемента, и предназначены для доступа к данным временного ряда, причем первое окно Wi, получив такие данные, передает их на вход нейронной сети, а второе - Wo - на выход. Получающаяся на каждом шаге пара Wi -> Wo используется как элемент обучающей выборки (распознаваемый образ, или наблюдение). Каждый следующий вектор получается в результате сдвига окон Wi и Wo вправо на один шаг. Предполагается наличие скрытых зависимостей во временной последовательности как множестве наблюдений. Нейронная сеть, обучаясь на этих наблюдениях и соответственно настраивая свои коэффициенты, пытается извлечь эти закономерности и сформировать требуемую функцию прогноза.

1.3. Краткосрочное прогнозирование электропотребления предприятий

с применением ИНС.

Обзор работ, опубликованных в отечественной и зарубежной технической литературе, показывает актуальность задачи часового прогнозирования электропотребления с применением ИНС. Известны работы следующих авторов - Комиссарчика В.Ф. [71], Мозгалина A.B. [79], ДулесоваВ.А. [59], Бажинова А.Н., МанусоваВ.З. [75], Родыгиной C.B. [90], Седова A.B., Кушнарева Ф.А., Шумиловой Г.П. [94], Готман Н.Э.[93], Старцевой Т.Б., Круглова В.В., Борисова В.В., Гордиенко Е.К., Лукьяница A.A., Харитонова Е.В., Макоклюева Б.И. [77], Владимирова А.И., Фефеловой Г.И., Надтоки И.И. [80], Губского С.О., Демуры A.B., Ваколюка А.Я., Горбачёва В.В., Жичкина C.B. [66] и др.

В том числе разработано множество вариантов ИНС для краткосрочного прогнозирования промышленных предприятий. Ряд последних работ, посвященных данной теме приведен в таблице 1.1.

Таблица 1.1.

Работа Структура ИНС Учет метеоданн ых Учет особенностей технологичес кого процесса

Краткосрочное прогнозирование суточного электропотребления Нижнетагильского металлургического комбината Многослойный перцептрон, прогнозирующий 48 часовых значений Среднесуточ ная температура Нет

Краткосрочное прогнозирование электропотребления горного предприятия в условиях оптового рынка электроэнергии и мощности Многослойный перцептрон, прогнозирующий часовое значение Среднесуточ ная температура и часовой график Нет

Прогнозирование электропотребления промышленных предприятий с помощью искусственных нейронных сетей Многослойный перцептрон, прогнозирующий часовое значение Долгота светового дня Объем выпуска продукции

Краткосрочное прогнозирование электрической нагрузки промышленных предприятий с применением интеллектуальных информационных технологий Многослойный перцептрон, прогнозирующий часовое значение Среднесуточ ная температура Изменения топологии внутренней электрической сети предприятия

Как видно из таблицы 1.1, для краткосрочного прогнозирования используется, в основном, одинаковая структура с многослойным перцептроном, прогнозирующим одно значение; для учета метеофакторов зачастую используется среднесуточная температура наружного воздуха. Учет особенностей технологического процесса зачастую не реализуется.

Кроме того, данные ИНС выполнены не для многономенклатурных предприятий и реализованный в данных моделях учет особенностей технологического процесса не удовлетворяет описанию технологического процесса многономенклатурного предприятия по следующим причинам:

- Объем выпуска многономенклатурного предприятия. Многоменклатурное предприятие выпускает продукцию, которая может сильно различаться по срокам изготовления, для предприятия ЗАО "Группа компаний " Электрощит"-ТМ Самара» это от одного дня (для элементов металлочерепицы) до одного месяца (для комплексных трансформаторных подстанций). Для краткосрочного прогнозирования многономенклатурного предприятия применение данного показателя способно даже значительно ухудшить точность прогнозирования в сутки, когда выпускается из производства продукт, фактически изготавливаемый несколько прошедших дней;

Список литературы диссертационного исследования кандидат наук Гофман, Андрей Владимирович, 2013 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992. pp.327-354.

2. Azadeh A., Ghaderi S.f., Tarverdian S., Saberi M. Integration of artificial neural networks and genetic algoritm to predict electrical energy consumption: Mathematics and Computation 186(2007) pp. 1731-1741.

3. Bakirtzis A.G. and oth. A neural network short term load forecasting model for the Greek Power system // IEEE Trans, on Power Systems. - 1996. -vol.11. - N2.

4. Bakirtzis A.G. and oth. Short term load Forecasting Using Fuzzy neural networks // IEEE Power Eng. Review. 1995. - vol.10. - N3.

5. Baritzis A.G. A NN Short term Load Forecasting Model for the Greek Power System/ Baritzis A.G., Petridis V., Kiartzis SJ.,Alexiadis M.C., Maissis A.H. / IEEE Trans. On Power Systems.-1996.-v.ll.-N2.pp.858-863.

6. Bernieri A., Betta G.. Neural network and psenvo-measurements for realtime monitoring of distribution systems // IEEE Trans, on Instrumentation and measurement. - 1996. - v.45. - N2.

7. Caire P. Progress in Forecasting by Neyral Networks/ Caire P., Hatabian G., Muller C. / Int Joint Conf. on Neural Networks. Baltimor, Maryland, June 711, 1992.-vol.2.-pp. 540-545

8. Gross G. Galiana F.D. Short Term Load Forecasting// Procs IEEE, 1987, v.75, N12, pp.1558—1573.

9. 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.

1 O.Hsiao-Tien Pao Comparing linear and nonlinear forecasts for Taiwan's electricity consumption.-Energy 31(2006).-p.2129-2141

11.Improvement of energy demand forecasts using swarm intelligence: The case of Turkey with projections to 2025: Energy Policy 36(2008) pp. 19371944.

12.King T.D. and oth. Optimal environmental dispatching of electric power systems via an improved Hopfield neural network model // IEEE Trans on Power Systems. - 1995. - v.10. - N3.

13.Kottathra K.,.Pryor T.L, Cole G.R., Cheok K. Load Forecasting for remote area power supply systems. //The 11th Conference on Artificial Intelligence for Applications (Car.No.95CH35758), Los Angeles, CA, USA, 20-23 Feb. 1995 (Los Alamitos, CA, USA: IEEE Comput. Soc. Press 1995) - P. 231.

14.Kwang-Ho Kim. Implementation of Hybrid short-term load Forecasting System Using Artificial Neural Networks and Fuzzy Expert systems // IEEE Power Eng. Review. - 1995. - vol.10. - N3.

15.Liu K., et al. Comparison of Short-Term Load Forecasting Techniques// IEEE Trans, on Power Systems, 1996, v.l 1, N 2, pp.877—882.

16.Makridakis S., Wheelwright S. Forecasting, methods and applications / Spyros Makridakis, Steven C. Wheelwright, Victor E. McGee. Edition:2nd ed. Published: New York : Wiley, cl983. Description: xviii, 923 p.

17. Manoj Kumar Short-term load forecasting using artificial neural network techniques // a thesis submitted in partial fulfillment of the requirements for the degree of bachelor of technology in electrical engineering/ Rourkela. -2009.

18. Mohamed Z., Bodger P. A comparison of Logistic and Harvey models for electricity consumtion in New Zealand: Technical Forecasting & Social Change 72(2005) pp. 1030-1043.

19.Neubor D.et al. Artificial neural networks for power systems/ CIGRE TF 38.06.06//Electra. - 1995.-№159. - P. 77-101.

20.Pandua A.S., Macy R.B. Pattern recognition with neural networks in C++. Boca Raton: CRC Press: 1996. 410 p.

21.Park D.C., et al. Electric Load Forecasting Using an Artificial Neural Network // IEEE Trans, on Power Systems, 1991, v.6, N 2, pp.442—449.

22.Park Y.M. and oth. A neural-network based Power system stabilizer ising Power Flow Characteristics // IEEE Trans, on Energy Conversion. - 1996. -v.ll. -N2.

23.Peng T.M., Hubele N.F., Karady G.G.. Conceptual approach to the application neural networks for short-term load forecasting // IEEE Int. Symp. Circuits and Syst. - 1990. - vol.4. - pp. 2942-2945.

24.Ranman S., Bhatnagar R. An Expert System Based Algorithm for Short Term Load Forecast// IEEE Trans, on Power Systems, 1988, v.3, N 2, pp.392—399.

25.Rumelhart D.E., Hinton G.E., Williams R.J. Learning integral representations by error propagation // Parallel Distributed Processing. -1986. - Vol. 1. - № 8. - pp. 318-362.

26.Sanjib Mishra Short term load forecasting using computational intelligence methods // A thesis submitted in partial fulfillment of the requirements for the degree of master of technology in electronics & Communication Engineering / Rourkela. - 2008.

27. Sankar K. Pal, Sushmita Mitra, Multilayer Perceptron, Fuzzy Sets, and Classification //IEEE Transactions on Neural Networks, Vol.3, N5,1992, pp.683-696.

28.Sidhu, T.S., Ao Z. On-line Evaluation of capacity and Energy Losses on Power Transmission Systems by using Artificial neural networks // IEEE Trans, on Power Delivery. -1995. - v. 10. - N4.

29.Агаев Н.Б. Краткосрочное прогнозирование объема газопотребления с использованием искусственных нейронных сетей // Нефтегазовое дело. - 2007.- N1.

30.Бондарев П. А., Проскурин P.A. Обучение нейросети на базе шарового метода оптимизации Ньютона // Информационные технологии. - 1998. -№7.

31.Бэстенс Д.-Э., ван ден Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. -Москва: ТВП, 1997. - 236 с.

32.Гмурман В.Е. Руководство к решению задач по теории вероятностей и математической статистике: учебное пособие для студентов вузов. - 3-е изд., перераб и доп.- М.: Высш.школа, 1979. - 400 с.

33.Белов К.Д. Прогнозирование потребления электроэнергии фабрикой окускования горно-обогатительного комбината методом искусственных нейронных сетей // Диссертация на соискание учёной степени канд. техн. наук/ Екатеринбург. - 2008.

34.Бокс Д., Дженкинс Г.М. Анализ временных рядов. Прогноз и управление. - М.: Мир, 1974.

35.Боровиков В.П. Нейронные сети. Statistica Neural Networks: Методология и технологии современного анализа данных - учебное пособие - 2-е изд. перераб. и доп. - М.: Горячая линия-Телеком, 2008. -392с.

36.Валь П.В. Краткосрочное прогнозирование электропотребления горного предприятия в условиях оптового рынка электроэнергии и мощности // Диссертация на соискание учёной степени канд. техн. наук/ Красноярск. - 2012.

37.Воронов И.В. Прогнозирование электропотребления промышленных предприятий с помощью искусственных нейронных сетей // Диссертация на соискание учёной степени канд. техн. наук/ Кемерово. -2010.

38.Воронежский Г.К., Махотило К.В., Петрашев С.Н., Сергеев С.А. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности.— X.: ОСНОВА, 1997.— 112 с.

39.Вуколов Э.А. Основы статистического анализа. Практикум по статистическим методам и исследованию операций с использованием пакетов STATISTICA и EXCEL. - учебное особие - 2-е изд. Испр. И дополн. - М.:ФОРУМ, 2008. - 464с.

40.Гаак А. Краткосрочное прогнозирование потребления электроэнергии с использованием нейронной сети // Энергорынок - 2007- №11.

41.Гамм А.З., Ю.Н.Кучеров, С.И.Паламарчук Методы решения задач реального времени в электроэнергетике / Новосибирск: Наука, сиб. отд., 1991. 294 с.

42.Глебов A.A. Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем // Диссертация

ч на соискание учёной степени канд. техн. наук/ Астрахань. - 2006.

43.Горбань А. Н. Обучение нейронных сетей. М.: СП ПараГраф, 1990. -159 с.

44.Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные воз-можности нейронных сетей // Сибирский журнал вычисл. матем. Новосибирск: РАН Сиб. отд., 1998. Т.1, №1. С.11-24.

45.Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука. Сибирск. издательская фирма РАН, 1996. - 276 с.

46.Гордиенко Е.К., Лукьяница A.A. Искусственные нейронные сети. Основные определения и модели // Техническая кибернетика. 1994, № 5. С. 79-92.

47.Гофман A.B., Ведерников A.C., Ведерникова Е.С. Выбор состава обучающей выборки для искусственной нейронной сети в задаче прогнозирования электропотребления // Радиоэлектроника,

электротехника и энергетика: Тез. докл. 16-ой междунар. науч. - техн. конф. студентов и аспирантов. М.: Изд. дом МЭИ, 2010 Т.4. - С. 379380.

48.Гофман A.B., Ведерников A.C. Обеспечение точности исходных данных для расчета режима двухцепных ЛЭП в электрической сети // Электроэнергетика глазами молодёжи: научные труды международной научно-технической конференции: сборник статей. - Самара: СамГТУ, 2011. Т.1.- С. 159-164.

49.Гофман A.B., Ведерников A.C., Добросотских A.C. Определение набора входных данных для искусственной нейронной сети, выполняющей прогнозирование электропотребления Самарской энергосистемы // Электромеханика. Известия ВУЗов. Специальный выпуск «Электроснабжение». - Новочеркасск: ЮРГТУ (НПИ), 2009. -С. 30-32.

50.Гофман A.B. Определение экономической целесообразности внедрения ИНС для потребителей ОРЭМ // Электроэнергетика глазами молодёжи: научные труды международной научно-технической конференции: сборник статей. - Самара: СамГТУ,2011. Т.2. - С.359-362.

51.Гофман A.B., Ведерников A.C., Ведерникова Е.С. Повышение точности краткосрочного и оперативного прогнозирования электропотребления энергосистемы с применением искусственной нейронной сети// Электрические станции. Москва: НТФ «Энергопрогресс», 2012 №6. -С. 27-31.

52.Гофман A.B., Ведерников A.C., Ведерникова Е.С. Повышение эффективности прогнозирования электропотребления Самарской энергосистемы // Энергоэффективность и энергобезопасность производственных процессов. Труды Междунар. научно-техн. конф. студ., магистр, и асп. - Тольятти: ТГУ, 2009. - С. 34-35.

53.Гофман A.B., Ведерников A.C., Шелушенина О.Н. Применение скользящего смещения средней температуры при прогнозировании электропотребления // Вестник Самарского государственного технического. Серия «Технические науки». - Самара: СамГТУ, 2012. -№1(33).-С. 114-118.

54.Гофман A.B., Ведерников A.C. Распределение алгоритма прогнозирования электропотребления по территории энергосистемы на уровень энергообъектов // Энергосбережение, электромагнитная совместимость и качество в электрических системах: Сборник статей II Международной научно-практической конференции.- Пенза, 2011. -С. 18-21.

55.Гофман A.B. Учет температуры наружного воздуха при создании ИНС в задаче краткосрочного прогнозирования электропотребления энергосистемы. // Диспетчеризация в электроэнергетике: проблемы и перспективы: Материалы докладов V открытой молодежной научно-практической конференции. - Казань: Казан.гос.энерг.ун-т, 2011 Т.2. -С. 30-34.

56.Гофман A.B., Ведерников A.C., Гольдштейн В.Г. Учет температуры наружного воздуха при создании искусственной нейронной сети в задаче краткосрочного прогнозирования электропотребления Самарской энергосистемы // Электроэнергетика глазами молодежи: Научные труды всероссийской научно-технической конференции.-Екатеринбург:УрФУ, 2010 Т. 1. - С. 334 - 337.

57.Грешилов A.A., Стакун В.А., Стакун A.A. "Математические методы построения прогнозов" Москва - Радио и связь, 1997.- 112с.

58.Губский С.О. Краткосрочное прогнозирование электропотребления в операционной зоне регионального диспетчерского управления с учетом фактора освещенности // Диссертация на соискание учёной степени канд. техн. наук/ Новочеркасск. - 2012.

59.Дулесов В.А. Прогнозирование электропотребления предприятий на основе искусственных нейронных сетей // Диссертация на соискание учёной степени канд. техн. наук/ Красноярск. - 2002.

60. Де Марк Т. Технический анализ - новая наука. - М.: Диаграмма, 1997.

61.Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применения в экономике и бизнесе. М.: МИФИ, 1998. - 224 с.

62.Жичкин C.B., Мозгалин A.B. Краткосрочное прогнозирование суточного электропотребления Нижнетагильского металлургического комбината // Электрификация металлургических предприятий Сибири. Вып. 12 - Томск: Изд-во Том. ун-та, 2005. С. 222 - 228.

63.Зайцев Е.З. Методики определения параметров электропотребления промышленных предприятий в условиях постоянно меняющейся конъюнктуры рынка : На примере черной металлургии // Диссертация на соискание учёной степени канд. техн. наук/ Красноярск. - 2002.

64.Зимин Р.В. Разработка статистических моделей прогнозирования электропотребления и графиков нагрузки ЭЭС // Диссертация на соискание учёной степени канд. техн. наук/ Новосибирск. - 2008.

65.3миртович А.И. Интеллектуальные информационные системы. - Мн.: НТООО «ТетраСистемс», 1997. - 368 с.

66.Ивантер Э.В., Коросов A.B. Основы биометрии. Введение в статистический анализ биологических явлений и процессов: Учеб. пособие. Петрозаводск: Петрозаводский гос. ун-т, 1992.

67.Ивахненко А.Г. Индуктивный метод самоорганизации моделей сложных сис-тем. Киев: Наукова думка, 1982- С. 296.

68.Идельчик В.И. Расчеты установившихся режимов электрических систем. М.: Энергия, 1977. - С. 192.

69.Карнаухова Е.А., Гофман A.B., Ведерников A.C. Усовершенствование методики прогнозирования многономенклатурного предприятия с учетом производственной деятельности // Радиоэлектроника,

электротехника и энергетика: Тез. докл. 16-ой междунар. науч. - техн. конф. студентов и аспирантов. М.: Изд. дом МЭИ, 2013 Т.4.. - С. 269.

70.Кендалл М., Стьюарт А. Статистические выводы и связи. — М.: Наука, 1973

71.Комиссарчик В.Ф., Зуев В.Н., Киселев А.Н. Применение нейронных сетей для краткосрочного прогнозирования электропотребления // Программные продукты и системы. Тверь.: НИИ "Центрпрограммсистем", 2009 №1. - С.147 -149.

72.Крумм JI.A. Применение метода Ньютона-Рафсона для расчета стационарного режима сложных электрических систем // Изв. АН СССР. Энергетика и транспорт, №5, 1965. С. 3-12.

73.Кудрин Б.И., Жичкин C.B. Учёт технологических факторов при нормировании расходов электроэнергии и прогнозировании электропотребления химических предприятий // Промышленная энергетика. 2002. №12. С. 24-28.

74.Макоклюев Б.И., Владимиров А.И., Фефелова Г.И. Влияние колебаний метеорологических факторов на электропотребление энергообъединений // Энергетик №6, 2003г.

75.Манусов В.З., Заиграева Ю.Б. Модель прогнозирования потерь мощности в электрических сетях энергосистемы/ // Известия Томского политехнического университета №4, 2008.

76.Меладзе В. Курс технического анализа - М.: Серебряные нити, 1997. -272 с.

77.Методика формирования оперативного прогноза потребления активной мощности системным оператором для целей управления в режиме, близком к реальному времени. Приложение № 1 к Регламенту оперативного диспетчерского управления электроэнергетическим режимом объектов управления ЕЭС России.

78.Мирнее Е.М. Нейрокомпьютер. Проект стандарта. Новосибирск: Наука. Сиб. предприятие РАН, 1999. 337 с.

79.Мозгалин A.B. Информационно-методическое обеспечение прогнозирования часовых объемов электропотребления при выходе предприятия на оптовый рынок электрической энергии // Диссертация на соискание учёной степени канд. техн. наук/ Москва. - 2007.

80.Надтока И.И. Системы контроля, распознавания и прогнозирования электропотребления. Модели, алгоритмы и средства / Седов A.B. Ростов: Издательство Ростовского университета, 2013.-С.318.

81.Никифоров Г.В. Комплексное управление электропотреблением и энергосбережением металлургического производства // Диссертация на соискание учёной степени канд. техн. наук/ Магнитогорск. - 2001.

82.Новиков С.С. Методика оперативного планирования и управления электропотреблением крупнотоннажных электросталеплавильных печей при работе на оптовом рынке электроэнергии // Диссертация на соискание учёной степени канд. техн. наук/ Москва. - 2008.

83.0рнов В.Г. Задачи оперативного и автоматического управления энергосистемами.-М.: Энергоатомиздат, 1988.- С.223.

84.Поляков Е.С. Прогнозирование суточного графика электрической нагрузки многономенклатурного промышленного предприятия// Титаренко A.B., Хрущев Ю.В. // Тезисы XIII Международной научно-практической конференции студентов, аспирантов и молодых ученых «Современные техника и технологии» - 2007.

85.Попова О.В. Электропотребление при добыче угля открытым способом :На примере ОАО ХК "Кузбассразрезуголь"// Диссертация на соискание учёной степени канд. техн. наук/ Кемерово. - 2003.

86.Постановление Правительства РФ от 17 октября 2009 года № 823 «О схемах и программах перспективного развития электроэнергетики».

87.Постановление Правительства РФ от 17 октября 2009 года № 823 «О схемах и программах перспективного развития электроэнергетики».

88.Растригин JI.A., Рипа К.К., Тарасенко Г.С. Адаптация случайного поиска. Рига: Зинатне, 1978. 244 с.

89. Регламент проведения конкурентного отбора заявок для балансирования системы. Приложение № 10 к Договору о присоединении к торговой системе оптового рынка электроэнергии. http: //www. atsenergo. ги/

90.Родыгина C.B. Краткосрочное прогнозирование электрической нагрузки промышленных предприятий с применением интеллектуальных информационных технологий // Диссертация на соискание учёной степени канд. техн. наук/ Новосибирск. - 2010.

91.Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. - М.: Мир, 1992. - 240 с.

92.Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика: Пер. с англ. М.: Мир, 1992. 240 с.

93.Хабиб Абдельрахим Краткосрочное прогнозирование параметров электропотребления промышленных предприятий Судана // Диссертация на соискание учёной степени канд. техн. наук/ Москва. -2000.

94.Хайкин С. Нейронные сети: полный курс, 2-е изд., испр.: Пер с англ.-М.ЮОО «И.Д.Вильяме», 2006.-1104 с.

95.Чукреев Ю.Я., Хохлов М.В., Алла Э.А. Оперативное управление режимами региональной энергосистемы с использованием технологии искусственных нейронных сетей //Электричество. - 2000. - №4. - С. 210.

96.Чукреев Ю.Я., Хохлов М.В., Готман Н.Э. Применение искусственных нейронных сетей в задачах оперативного управления режимами

электроэнергетических систем - Сыктывкар: Коми НЦ УрО РАН. -Вып. 56, 2000. 24 с.

97.Шумилова Г.П. Прогнозирование электрических нагрузок при оперативном управлении электроэнергетическими системами на основе нейросетевых структур /Шумилова Г.П., Готман Н.Э., Старцева Т.Б. -Екатеринбург: УрО РАН, 2008. - 37с.

98.Янушкин М.В. Организация краткосрочного прогнозирования параметров электропотребления крупного промышленного предприятия // Диссертация на соискание учёной степени канд. техн. наук/ Москва. - 2003.

99.Яковлев Д.А. Прогнозирование процессов электропотребления на железнодорожном транспорте // Диссертация на соискание учёной степени канд. техн. наук/ Иркутск. - 2006.