Нейро-нечеткие методы и инструменты поддержки принятия решений по управлению электроэнергетическими предприятиями тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат экономических наук Стоянова, Ольга Владимировна

• Стоянова, Ольга Владимировна
• кандидат экономических наук
• 2004

Оглавление диссертации кандидат экономических наук Стоянова, Ольга Владимировна

Введение.

1. Современные математические методы и инструменты, используемые для поддержки принятия решений по управлению экономическими объектами.

1.1. Информационные системы поддержки принятия решений как инструмент повышения эффективности управления экономическими объектами.

1.2. Обзор математических методов, используемых в системах поддержки принятия решений для прогнозирования рыночной конъюнктуры.

1.3. Предпосылки использования принципа самоорганизации для построения нейро-нечетких прогностических моделей экономических систем.

1.4. Выводы.

2. Анализ возможностей использования нейро-нечетких методов прогнозирования в системах под держки принятия решений по управлению электроэнергетическими предприятиями.

2.1. Анализ современного состояния и перспектив развития электроэнергетической отрасли РФ.

2.2. Оценка состояния электроэнергетических предприятий Смоленской области.

2.3. Прогнозирование спроса на рынке электроэнергии как элемент эффективного управления электроэнергетическими предприятиями.

2.4. Выводы.

3. Разработка самоорганизующихся нейро-нечетких моделей рыночной конъюнктуры электроэнергетических предприятий.

3.1. Методические основы построения математических моделей рынка электроэнергии на основе самоорганизации нейро-нечетких сетей.

3.2. Алгоритм построения самоорганизующихся нейро-нечетких моделей для прогнозирования показателей конъюнктуры рынка электроэнергии. ф 3.3. Выбор алгоритмов нечеткого вывода, используемых в нейро-нечетких самоорганизующихся моделях поддержки принятия управленческих решений.

3.4. Выводы.

4. Программная реализация и практическое применение нейро-нечетких методов и алгоритмов для поддержки принятия решений по управлению электроэнергетическими предприятиями.

4.1. Разработка инструментальных средств прогнозирования показателей конъюнктуры рынка электроэнергии. ф 4.2. Методика использования нейро-нечетких моделей в системах поддержки принятия решений по управлению электроэнергетическими предприятиями.

4.3. Применение самоорганизующихся нейро-нечетких моделей и инструментальных средств для прогнозирования электропотребления в Смоленской области.

4.4. Выводы.

Введение диссертации (часть автореферата) на тему «Нейро-нечеткие методы и инструменты поддержки принятия решений по управлению электроэнергетическими предприятиями»

Важнейшим фактором развития экономики Российской Федерации является повышение экономической эффективности деятельности предприятий электроэнергетической отрасли, находящейся в настоящее время на стадии реформирования. Переход электроэнергетики к рыночным отношениям требует выработки новых подходов и методов управления электроэнергетическими предприятиями, основанных на всестороннем анализе и прогнозировании рыночных факторов для принятия обоснованных решений по различным аспектам производственно-хозяйственной деятельности.

Современные электроэнергетические компании представляют собой сложные, многосвязные, пространственно разнесенные иерархические объекты, функционирующие в условиях изменения их структуры и режимов работы. Формирующийся рынок электроэнергии зависит от большого числа факторов, прогнозирование изменения которых в ряде случаев затруднено. Это в значительной степени снижает экономическую эффективность применения широко распространенных информационных систем поддержки принятия решений при управлении электроэнергетическими предприятиями.

Одной из основных задач управления электроэнергетическими предприятиями является обеспечение рациональных режимов их работы при переменном характере нагрузки для достижения максимальной экономической эффективности в условиях соблюдения требований системной надежности. Для решения указанной задачи необходимо определить рациональные параметры используемого оборудования, оптимизировать режимы работы отдельных агрегатов и объемы закупки топлива для генерирующих предприятий, а для энергосбытовых предприятий — рационализировать процесс планирования объемов покупки электроэнергии на оптовом рынке, в зависимости от прогнозируемого электропотребления. Таким образом, прогнозирование уровня потребления электроэнергии необходимо для решения практически всего спектра задач планирования и управления деятельностью электроэнергетических предприятий.

В настоящее время разработано большое число математических методов и инструментов, которые могут использоваться для прогнозирования электропотребления. Этой проблеме посвятили свои труды такие авторы, как Бэнн Д.В., Фармер Е.Д., Меламед М.А., Макоклюев Б.И., Антонов А.В., Чукреев Ю.Я., Готман Н.Э., Хохлов М.В., Шумилова Г.П., Старцева Т.Б., Меренков А.П., Массель JI.B. и др. Большинство авторов предлагает использовать для прогнозирования показателей рынка электроэнергии традиционные статистические методы. Однако сложности, возникающие при применении этих методов для решения указанной задачи (высокий порядок моделей, ограниченный объем статистической информации), снижают их эффективность.

Альтернативой традиционным методам служат, так называемые, методы интеллектуальной обработки данных, к числу которых относятся методы нечеткой логики и искусственных нейронных сетей. Достоинствами данных методов является то, что они позволяют определять существенно нелинейные зависимости между исследуемым параметром и влияющими на него факторами, сохраняют работоспособность при неполной входной информации, обладают устойчивостью к помехам, имеют достаточно высокое быстродействие.

Результаты применения данных методов для решения задач прогнозирования показателей рынка электроэнергии рассмотрены в работах таких зарубежных авторов, как Bakirtzis A.G., Theocharis J.B., Kiartzis S.J., Satsios K.J., Chen S.T., David C.Y., Moghaddamjo A.R., Gross G., Galiana F.D., Hsy Y., Ho K., Lee K.Y., Park J.H., Liew A.C., Chang C.S. и др.

Однако этим методам свойственны недостатки, снижающие эффективность их применения (например, зависимость от субъективного мнения экспертов в системах нечеткого логического вывода). С другой стороны, применение механизма самоорганизации, лежащего в основе метода группового учета аргументов (МГУ А), при построении математических моделей рынка электроэнергии позволяет повысить качество использования методов искусственного интеллекта при выработке решений по управлению электроэнергетическим предприятием.

В этой связи актуальной научной задачей является разработка математических методов и инструментальных средств прогнозирования конъюнктуры рынка электроэнергии, основанных на использовании алгоритмов интеллектуального анализа данных и принципа самоорганизации моделей, позволяющих повысить качество принимаемых решений при управлении электроэнергетическими предприятиями, имеющей существенное значение для теории и практики экономико-математического моделирования.

Цели и задачи исследования.

Целью диссертационной работы является разработка математических методов и инструментальных средств, основанных на самоорганизации нейро-нечетких сетей, поддержки принятия решений по управлению электроэнергетическими предприятиями в условиях структурной реорганизации и либерализации электроэнергетической отрасли.

Цель исследования обусловила необходимость постановки и решения следующих задач.

1. Анализ существующих математических методов и инструментальных средств, используемых в системах поддержки принятия управленческих решений для прогнозирования показателей рыночной конъюнктуры.

2. Комплексный анализ современного состояния и перспектив развития электроэнергетической отрасли России и энергосистемы Смоленской области.

3. Оценка влияния качества прогнозирования электропотребления на результаты деятельности субъектов электроэнергетической отрасли.

Выявление основных факторов, влияющих на уровень электропотребления, и оценка характера этого влияния.

4. Разработка нейро-нечеткого метода построения математических моделей рынка электроэнергии, используемых для прогнозирования экономической конъюнктуры данного рынка.

5. Разработка инструментальных средств, реализующих нейро-нечеткие методы построения моделей рынка электроэнергии, как элементов информационных систем поддержки принятия решений по управлению электроэнергетическими предприятиями.

6. Практическое применение разработанных инструментальных средств на электроэнергетических предприятиях Смоленской области.

Методы исследования в диссертации.

В ходе выполнения данной работы использовались методы экономического анализа, математического моделирования, интеллектуального анализа данных и вычислительного эксперимента.

Основные положения, выносимые на защиту.

1. Результаты комплексного анализа современного состояния и перспектив развития электроэнергетики по России и по Смоленской области и обоснования необходимости повышения качества прогнозирования показателей конъюнктуры рынка электроэнергии для предприятий электроэнергетической отрасли.

2. Нейро-нечеткий метод построения математической модели рынка электроэнергии, основанный на применении механизмов самоорганизации.

3. Методика применения математической модели рынка электроэнергии для прогнозирования показателей электропотребления.

4. Алгоритмы функционирования инструментальных средств, используемых в качестве элементов информационно-аналитической системы поддержки принятия решений по управлению электроэнергетическим предприятием. s

5. Программная реализация нейро-нечетких методов на персональных компьютерах.

Научная новизна.

К наиболее существенным научным результатам относятся следующие.

1. Результаты анализа состояния электроэнергетической отрасли и российского рынка электроэнергии, показавшие возможность и целесообразность использования нейро-нечетких моделей рыночной конъюнктуры в системах поддержки принятия решений по управлению электроэнергетическими предприятиями.

2. Методические основы построения математических моделей рынка электроэнергии и их использования в системах поддержки принятия решений по управлению электроэнергетическими предприятиями, которые в отличие от известных основаны на механизмах самоорганизации нейро-нечетких сетей, что позволяет повысить качество прогнозирования показателей рыночной конъюнктуры.

3. Алгоритмы построения математических моделей рынка электроэнергии на основе самоорганизующихся нейро-нечетких сетей, позволяющих учитывать оценки экспертов и осуществлять прогнозирование электропотребления в условиях ограниченности исходной информации.

4. Инструментальные средства прогнозирования показателей экономической конъюнктуры рынка электроэнергии, использующие процедуры построения и применения самоорганизующихся нейро-нечетких моделей.

5. Научно-обоснованные рекомендации и методика по созданию интеллектуальной информационной системы поддержки принятия решений по управлению деятельностью электроэнергетического предприятия.

Практическая значимость результатов исследования.

1. Предложенные алгоритмы и инструменты построения моделей на основе самоорганизующихся нейро-нечетких сетей могут использоваться при разработке интеллектуальных информационных системы поддержки принятия решений по управлению предприятиями электроэнергетической отрасли.

2. На основе теоретических и методических результатов диссертационной работы разработан программный комплекс, представляющий собой экспертную систему прогнозирования показателей рыночной конъюнктуры электроэнергетического предприятия. Данный комплекс может использоваться на электроэнергетических предприятиях любого профиля (генерирующих, сбытовых) для повышения эффективности принятия решений по управлению этими предприятиями.

3. Теоретические и практические результаты исследования могут быть использованы в учебном процессе Вузов при подготовке специалистов в области менеджмента и математической экономики.

Реализация результатов работы.

Разработанная информационная система поддержки принятия управленческих решений практически используется на предприятии ОАО "Смоленскэнергосбыт" для краткосрочного прогнозирования электропотребления, что позволяет повысить качество принимаемых решений по оперативному планированию производственно-хозяйственной деятельности организации.

Методические и теоретические результаты работы используются в учебном процессе филиала Московского энергетического института в г. Смоленске.

Апробация работы.

Основные результаты диссертационной работы докладывались и обсуждались на ежегодных научно-технических конференциях студентов и аспирантов «Информационные технологии, ресурсосбережение, энергетика и экономика» (Смоленск 2003, 2004), 8-ой международной научно-практической конференции «Актуальные проблемы управления -2003» (Москва, 2003), 9-ой республиканской открытой научной конференции «Современные проблемы информатизации» (Воронеж, 2004), 10-ой международной научно-технической конференция студентов и аспирантов «Радиоэлектроника, электротехника и энергетика» (Москва 2004). Публикации,

По теме диссертации опубликовано 7 печатных работ, одна из них в соавторстве.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы, включающего 118 наименований, и приложений. Диссертация содержит 143 стр. машинописного текста, 35 рисунков и 12 таблиц.

Заключение диссертации по теме «Математические и инструментальные методы экономики», Стоянова, Ольга Владимировна

Основные результаты работы и рекомендации

1. Проведен обзор существующих математических методов и инструментальных средств, используемых в системах поддержки принятия управленческих решений для прогнозирования показателей рыночной конъюнктуры, результаты которого показали перспективность использования методов искусственного интеллекта для решения указанной задачи.

2. Проведен анализ состояния и определены перспективы развития электроэнергетической отрасли и российского рынка электроэнергии, показавшие возможность и целесообразность использования самоорганизующихся нейро-нечетких моделей рыночной конъюнктуры в системах поддержки принятия решений по управлению электроэнергетическими предприятиями.

3. Разработаны методические основы построения математических моделей рынка электроэнергии и их использования в системах поддержки принятия решений по управлению электроэнергетическими предприятиями, которые основаны на механизмах самоорганизации нейро-нечетких сетей, что позволяет повысить качество прогнозирования показателей рыночной конъюнктуры.

4. Предложены алгоритмы построения математических моделей рынка электроэнергии на основе самоорганизующихся нейро-нечетких сетей, позволяющих накапливать и использовать знания экспертов и осуществлять прогнозирование электропотребления в условиях ограниченности исходной информации.

5. Разработаны инструментальные средства прогнозирования показателей экономической конъюнктуры рынка электроэнергии, использующие процедуры построения и применения самоорганизующихся нейро-нечетких моделей.

6. Выработаны научно-обоснованные рекомендации и методика по созданию интеллектуальной информационной системы поддержки принятия решений по управлению деятельностью электроэнергетического предприятия.

7. На основе теоретических и методических результатов диссертационной работы разработан программный комплекс, представляющий собой экспертную систему прогнозирования показателей рыночной конъюнктуры электроэнергетического предприятия. Данный комплекс может использоваться на электроэнергетических предприятиях любого профиля (генерирующих, сбытовых) для повышения эффективности принятия решений по управлению этими предприятиями.

8. Разработанная информационная система поддержки принятия управленческих решений практически используется на предприятии ОАО "Смоленскэнергосбыт" для краткосрочного прогнозирования электропотребления, что позволяет повысить качество принимаемых решений по оперативному планированию производственно-хозяйственной деятельности организации.

ЗАКЛЮЧЕНИЕ

Совокупность полученных в диссертации результатов представляет собой разработку математических методов и инструментальных средств прогнозирования конъюнктуры рынка электроэнергии, основанных на использовании алгоритмов интеллектуального анализа данных и принципа самоорганизации моделей, позволяющих повысить качество принимаемых решений при управлении электроэнергетическими предприятиями.

Список литературы диссертационного исследования кандидат экономических наук Стоянова, Ольга Владимировна, 2004 год

1. Электротехнический справочник: в 3-х томах. Т.З. Кн.1. Производство, передача и распределение электрической энергии / Под ред. В.Г. Герасимова, П.Г. Грудинского, Л.А. Жукова и др. — 6-е изд. испр. и доп. -М.: Энергоатомиздат, 1982.

2. Веников В.А., Жуков Л.А., Поспелов Г.Е. Электрические системы. Режимы работы электрических систем и сетей. М.: Высшая школа, 1975.

3. Автоматизация управления энергообъединениями / Под ред. С.А. Совалова. М.: Энергия, 1979.

4. Башлыков А.А. Проектирование систем принятия решений в энергетике. -М.: Энергоатомиздат, 1986.

5. Растригин Л.А. Современные принципы управления сложными объектами. М.: Сов. радио, 1980.

6. Дадаян B.C. Глобальные экономические модели. М.: Наука, 1981.

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

8. Меламед М.А. Современные методы анализа и прогнозирования режимов электропотребления в электроэнергетических системах // Итоги науки и техники. Серия Энергетические системы и их автоматизация. Т.4. 1988.

9. Четыкин Е.М. Статистические методы прогнозирования. — М.: Статистика, 1975.

10. Ю.Редкозубов С.А. Статистические методы прогнозирования в АСУ. М.: Энергоатомиздат, 1981.

11. П.Тимченко В.Ф. Развитие вероятностной теории режимов потребления энергии электроэнергетических систем. — М. Энергоатомиздат, 1986.

12. Себер Дж. Линейный регрессионный анализ. М.: Мир, 1980.

13. Демиденко Е.З. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981.

14. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. Кн. 1 и 2. М.: Финансы и статистика, 1986.

15. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. М.: ЮНИТИ, 1998.

16. Бокс Дж., Дженкинс Г. Анализ временных рядов: Прогноз и управление. Вып. 1 и 2. М.: Мир, 1974.

17. Кендэл М. Временные ряды. М.: Финансы и статистика, 1981.

18. Головченко В.Б. Прогнозирование временных рядов по разнородной информации. Новосибирск: Наука, 1999.

19. Адаптивное прогнозирование временных рядов в электроэнергетике. — Минск: Наука и техника, 1983.

20. Priestly М.В. Non-linear and non-stationary time series analysis. London: Academic Press, 1988.

21. Скрипко О.А. Совершенствование и развитие методов анализа и краткосрочного прогнозирования режимов электропотребления энергосистем -М.: Энергоатомиздат, 1986.

22. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998.

23. Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статистические и динамические экспертные системы. М.: Финансы и статистика, 1996.

24. Змитрович А.И. Интеллектуальные информационные системы. М.: НТООО "ТетраСистемс", 1997.

25. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000.

26. Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. М.: Нолидж, 2000.

27. Девяткин В.В. Системы искусственного интеллекта. М.: Изд-во МГТУ им. Н.Э.Баумана, 2001.

28. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений.- М.: Физматлит, 1996.

29. Ириков В.А., Тренев В.Н. Распределенные системы принятия решений.- М.: Наука, 1999.

30. Трахтенгерц Э.А. Субъективность в компьютерной поддержке управленческих решений. М.: СИНТЕГ, 2002.

31. Беленький А.Г. Федосеева И.Н. Прогнозирование состояния динамических сложных систем в условиях неопределенности. М.: ВЦ РАН, 1999.

32. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск: Изд-во института математики, 1999.

33. Рожнов А.В., Энеев О.О. Основы формирования новых методов интеллектуальной обработки данных информационно-управляющих систем // Нейрокомпьютеры: разработка и применение. 2003. - № 2. — С. 22-28.

34. Загоруйко Н.Г., Елкина В.Н. Лбов Г.С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1985.

35. Радченко А.Н. Моделирование основных механизмов мозга. Л.: Наука, 1969.

36. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992.

37. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996.

38. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. и др. Нейроинформатика. Новосибирск: Наука. СО РАН, 1998.

39. Головко В.А. Нейронные сети: обучение, организация и применение. — М.: ИПРЖР, 200.

40. Каллан Р. Основные концепции нейронных сетей. М.: Вильяме, 2001.

41. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. — М.: Горячая линия Телеком, 2001.

42. Комарцова Л.Г., Максимов А.В. Нейрокомпьютеры. М.: Изд-во МГТУ им. Н.Э.Баумана, 2001.

43. Анил К. Джейн, Жианчанг Мао, Моиудин К.М. Введение в искусственные нейронные сети // Открытые системы. 1997.- №4. С.17-24.

44. Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России // Открытые системы. 1997. - № 4. С. 25-28.

45. Connor J., Atlas L. Recurrent neural networks and time series prediction // Proceeding IJCNN. 1991. - Vol. 1. - P. 301-306.

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

47. Ronco Е., Peter J. Gawthrop Neural networks for modeling and control. -University of Glasgow, 1997.

48. Заде Л. Понятие лингвистической переменной и его применение для принятия приближенных решений. М.: Мир, 1976.

49. Кофман А. Введение в теорию нечетких множеств. — М.: Радио и связь, 1982.

50. Орлов А.И. Задачи оптимизации и нечеткие переменные. М.: Знание, 1980.

51. Орловский С.А. Проблемы принятия решений при нечеткой входной информации. -М.: Наука, 1981.

52. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоатомиздат, 1981.

53. Литвак Б.Г. Экспертная информация. Методы получения и анализа. — М.: Радио и связь, 1982.

54. Борисов А.Н., Алексеев А.В., Крумберг О.А. Модели принятия решений на основе лингвистической переменной. — Рига: Зинатне, 1982.

55. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Поспелова Д.А. М.: Наука, 1986.

56. Алиев Р.А., Абдикеев Н.М., Шахназаров М.М. Производственные системы с искусственным интеллектом. — М.: Радио и связь, 1990.

57. Борисов А.Н., Крумберг О.А., Федоров И.П. Принятие решений на основе нечетких моделей: примеры использования. Рига: Зинатне, 1990.

58. Мелихов А.Н., Берштейн JT.C., Коровин C.JI. Ситуационные советующие системы с нечеткой логикой. — М.: Наука, 1990.

59. Алиев Р.А., Церковный А.Э, Мамедова Г.А. Управление производством при нечеткой исходной информации. -М.: Энергоатомиздат, 1991.

60. Зайченко Ю.П. Исследование операций. Нечеткая оптимизация. — Киев: Выща школа, 1991.

61. Саати Т., Керне К. Аналитическое планирование. Организация систем. — М.: Радио и связь, 1991.

62. Прикладные нечеткие системы / Под ред. Т.Тэрано. М.: Мир, 1993.

63. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений: вербальный анализ решений. — М.: Физматлит, 1996.

64. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.

65. Wang L.-X. Fuzzy systems are universal approximators // In Proc. of the 1-st IEEE International Conf. on Fuzzy Systems. San Diego, 1992. P. 194-207.

66. Dickerson J. A., Kosko B. Fuzzy function approximation with supervised ellipsoidal learning. // Proc. World Congr. Neural Networks (WCNN-93). -1993.-vol. 2.-P. 9-17.

67. Kim H. M., Kosko B. Fuzzy prediction and filtering in impulsive noise // IEEE Fuzzy Sets Systems. 1996. - vol. 77. - P.l5-33.

68. Kim H. M., Mendel J. M. Fuzzy basis functions: comparison with other basis functions // IEEE Trans. Fuzzy Systems. 1995. - vol. 3. - P.l58-168.

69. Круглов B.B., Борисов B.B. Гибридные нейронные сети. Смоленск: Русич, 2001.

70. Круглов В.В., Дли М.И. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. — М.: Физматлит, 2002.

71. J.-S. R. Jang, С.-Т. Sun, Е. Mizutani. Neurofuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Englewood Cliffs: Prentice-Hall, 1996.

72. Дли М.И. Локально-аппроксимационные модели сложных объектов. М.: Наука, 1999.

73. Дли М.И., Круглов В.В., Осокин М.В. Локально-аппроксимационные модели социально-экономических систем и процессов. — М.: Физматлит, 2000.

74. Зеленский К.Х., Игнатенко В.Н., Коц А.П. Компьютерные методы прикладной математики. Киев: Дизайн-В, 1999.

75. Дли М.И., Круглов В.В. Программные модели: определение и методы построения. М.: Деп. в ВИНИТИ. - № 1348-В97. - 1997.

76. Ивахненко А.Г. Системы эвристической самоорганизации в технической кибернетике.-Киев: Техника, 1969.

77. Ивахненко А.Г., Лапа В.Г. Предсказание случайных процессов. Киев: Наукова думка, 1971.

78. Ивахненко А.Г., Зайченко Ю.П., Дмитриев В.Д. Принятие решений на основе самоорганизации. М.: Сов. радио, 1976.

79. Ивахненко А.Г., Юрачковский Ю.П. Моделирование сложных систем по экспериментальным данным. — М.: Радио и связь, 1987.

80. Юрачковский Ю.П., Грошков А.Н. Оптимальное разбиение исходных данных на обучающую и проверочную последовательности на основе анализа функции распределения критерия // Автоматика. — 1980. № 2. С.5-9.

81. Степашко B.C. Структурная идентификация прогнозирующих моделей в условиях планируемого эксперимента // Автоматика. 1992. №1. - С.26-35.

82. Ивахненко А.Г., Степашко B.C. Помехоустойчивость моделирования. — Киев: Наукова думка, 1985.

83. Концепция стратегии РАО "ЕЭС России" на 2003-2008. М, 2003.

84. Волкова Е.А., Макарова А.С., Веселов Ф.В., Шульгина B.C., Урванцева Л.В. Сценарии развития электроэнергетики // Изв. РАН. Энергетика. -2000.-№5.-С. 23-27.85. www.rao-ees.ru.

85. Годовой отчет РАО "ЕЭС России" за 2002 год. М., 2003.

86. Системные исследования перспектив развития энергетики методология и долгосрочные прогнозы // Исследования ИНЭИ РАН. - www.eriras.ru.

87. Веселов Ф.В. Реформирование электроэнергетики и проблемы развития генерирующих мощностей // Публикации ИНЭИ РАН. www. energo21 .ru.

88. Производство электроэнергии атомными станциями России // www.rosatom.ru.

89. Дубинин С.К. Новые возможности привлечения инвестиций в отрасль // Энергетик. 2002. -№11. С.2-3.

90. Павлов С. Конкурентный рынок: проблемы и достижения // Энергия. -2004.-№3.

91. Романов А.А., Земцов А.С. Необходимость технического перевооружения энергетики России. // Промышленная энергетика. 2002 . - №3. - С.2-5.93. www.admin.smolensk.ru.

92. Итоги производственно-хозяйственной деятельности ОАО "Смоленскэнерго" за 2002 год // www.smolensk.elektra.ru.

93. Работа в конкурентном секторе рынка электроэнергии: итоги января // Пресс-релиз ОАО "Смоленскэнерго". Смоленск, 2004.

94. Отчет РЭК Смоленской области за 2003 год. Смоленск, 2003.

95. Михайлов В.В., Поляков М.А. Потребление электрической энергии -надежность и режимы. М.: Высшая школа, 1989.

96. Макоклюев Б.И., Костиков В.Н. Моделирование электрических нагрузок электроэнергетических систем // Электричество. — 1994.- № 10. — С. 9-12.

97. Макоклюев Б.И., Павликов B.C., Владимиров А.И., Фефелова Г.И. Влияние колебаний метеорологических факторов на электропотребление энергообъединений // Энергетик. 2003. - № 6. — С. 14-19.

98. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Краткосрочное прогнозирование электрических нагрузок с использованием искусственных нейронных сетей // Электричество. 1999. - №10. С.6-12.

99. Чукреев Ю.Я., Хохлов М.В., Алла Э.А. Оперативное управление режимами региональной энергосистемы с использованием технологии искусственных нейронных сетей // Электричество. 2000. - № 4. С.2-10.

100. Gross G. and Galiana F.D. Short term load forecasting // Proc. IEEE. 1987.-vol.75. - №12. - P. 1558-1573.

101. Chen S.T., David C.Y., Moghaddamjo A.R. Weather sensitive short-term load forecasting using non fully connected artificial neural network // IEEE Trans, on Power Systems. 1992. - vol. 7. - №3. - P. 1098-1105.

102. Hsy Y., Ho K. Fuzzy expert systems: an application to short term load forecasting //IEEE Proceedings. 1992. - vol.139. - № 6. - P. 471-477.

103. Lee K.Y., Park J.H. Short-term load forecasting using an artificial neural network // IEEE Trans, on Power Systems. 1992. - vol. 7. - №1. - P.124 - 130.

104. Peng T.M., Hubele N.F., Karady G.G. An adaptive neural network approach to one week aheard load forecasting // IEEE Trans, on Power Systems. - 1993. -vol. 8.- №3. - P. 1195-1201.

105. Bakirtzis A.G., Theocharis J.B., Kiartzis S.J. Satsios K.J. Short term load forecasting using fuzzy neural networks // IEEE Trans, on Power Systems. — 1995. vol. 10. - №3. - P.1518 -1523.

106. Dash P.K., Ramakrishna G., Liew A.C., Rahman S. Fuzzy neural networks for time-series forecasting of electric load // IEE Proc. Gener. Transm. Distrib. - 1995.- vol. 142. - №5. - P. 535 - 544.

107. Дьяконов В.П., Круглов В.В. Математические пакеты расширений MATLAB. Специальный справочник. СПб.: Питер, 2001.110. www.matlab.ru.

108. Ш.Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002.

109. Дли М.И., Стоянова О.В. Построение математических моделей экономических систем в условиях минимума априорной информации // Филиал ГОУВПО «МЭИ(ТУ)» в г. Смоленске. Деп. в ВИНИТИ РАН № 945-В2003.

110. Стоянова О.В. Использование гибридного метода группового учета аргументов для решения задачи планирования инвестиций //Сб. трудов 9-ой республиканской открытой научной конференции «Современные проблемы информатизации». — Воронеж, 2004. С.47-48.