Прогнозирование потребления электроэнергии фабрикой окускования горно-обогатительного комбината методом искусственных нейронных сетей тема диссертации и автореферата по ВАК РФ 05.09.03, кандидат технических наук Белов, Константин Дмитриевич

• Белов, Константин Дмитриевич
• кандидат технических наук
• 2008

Оглавление диссертации кандидат технических наук Белов, Константин Дмитриевич

Введение

1 .Состояние вопроса и задачи исследования

1.1 Анализ электропотребления горного предприятия

ОАО «Качканарский ГОК «Ванадий»

1.1.1 Исследование существующего метода прогноза электропотребления

1.1.2 Анализ электроснабжения фабрики окускования

1.2 Анализ технологического процесса и основного оборудовании фабрики окускования

1.2.1 Технология добычи и переработки руды на ГОКе

1.2.2 Шихтоподготовка

1.2.3 Производство агломерата

1.2.4 Производство окатышей

1.3 Анализ методов прогнозирования. Выбор метода прогнозирования электропотребления горного предприятия

1.3.1 Общие сведения о прогнозировании. Выбор метода прогнозирования

1.3.2 Основные положения теории искусственных нейронных сетей

1.3.3 Сбор и обработка данных для нейронной сети

1.4 Цели и задачи исследований 55 2. Синтез нейронной сети, прогнозирующей потребление электрической энергии цехом агломерации

2.1 Сбор данных для нейронной сети

2.2 Отбор переменных и понижение размерности

2.3 Удаление выбросов и препроцессирование

2.4 Экспериментирование с обобщенно-регрессионными сетями

2.5 Определение архитектуры нейронной сети

2.6 Обучение нейронной сети

2.7 Анализ полученной нейронной сети

2.8 Выводы

3. Исследование электропотребления цехов фабрики окускования методом искусственных нейронных сетей

3.1 Цех окатышей

3.1.1 Сбор данных для нейронной сети

3.1.2 Отбор переменных и понижение размерности

3.1.3 Удаление выбросов и препроцессирование

3.1.4 Экспериментирование с обобщенно-регрессионными сетями

3.1.5 Определение архитектуры нейронной сети

3.1.6 Обучение нейронной сети

3.1.7 Анализ полученной нейронной сети

3.2 Технологическая линия по подготовке шихты для агломерации

3.2.1 Сбор данных для нейронной сети

3.2.2 Отбор переменных и понижение размерности

3.2.3 Удаление выбросов и препроцессирование

3.2.4 Экспериментирование с обобщенно-регрессионными сетями

3.2.5 Определение архитектуры нейронной сети

3.2.6 Обучение нейронной сети

3.2.7 Анализ полученной нейронной сети

3.3 Технологическая линия по подготовке шихты для обжига

3.3.1 Сбор данных для нейронной сети

3.3.2 Отбор переменных и понижение размерности

3.3.3 Удаление выбросов и препроцессирование

3.3.4 Экспериментирование с обобщенно-регрессионными сетями

3.3.5 Определение архитектуры нейронной сети

3.3.6 Обучение нейронной сети

3.3.7 Анализ полученной нейронной сети

3.4 Исследование разработанной системы прогнозирования потребления электрической энергии фабрикой окускования

3.5 Выводы 185 4. Исследование алгоритма работы системы анализа и прогнозирования электропотребления Качканарского ГОКа, основанной на статистическом метода корреляционно-регрессионного анализа

4.1 Исследование алгоритма анализа и прогнозирования удельного электропотребления

4.2 Исследование алгоритма анализа и прогнозирования общего электропотребления

4.3 Выводы 195 5. Сравнительный анализ и технико-экономические показатели существующей и разработанной на основе метода искусственных нейронных сетей систем прогнозирования потребления электроэнергии

5.1 Сравнительный анализ систем прогнозирования потребления электрической энергии

5.2 Методика определения стоимости электрической энергии

5.3 Оценка экономического эффекта от использования разработанной на основе метода искусственных нейронных сетей системы прогнозирования электропотребления

5.4 Выводы 211 Заключение 212 Библиографический список 217 Приложение 1. Листинг программы в системе MatLab создания нейронной сети цеха агломерации, вычисления средних квадратических отклонений и относительной ошибки прогноза 226 Приложение 2. Листинг программы построения графика изменения среднего квадратического отклонения прогноза потребления электрической энергии фабрикой окускования от фактического значения в зависимости от точности задания независимых переменных на входах нейронных сетей 228 Приложение 3. Листинг программы вычисления экономического эффекта от использования разработанной системы прогнозирования электропотребления на базе нейронных сетей 233 Приложение 4. Письмо - справка о внедрении

Введение диссертации (часть автореферата) на тему «Прогнозирование потребления электроэнергии фабрикой окускования горно-обогатительного комбината методом искусственных нейронных сетей»

Актуальность работы. Для крупных горных предприятий в условиях современного энергорынка актуальной задачей является составление достоверной заявки для электроснабжающей организации на потребление электроэнергии на некоторый срок вперед, позволяющей существенно снизить финансовые издержки, связанные с отклонениями фактического потребления электроэнергии от заявленного. Как правило, в соответствии с условиями договора электроснабжения, предприятие-потребитель обязано ежегодно предоставлять заявку на плановое потребление электроэнергии с разбивкой по месяцам и почасовой детализацией. В связи с этим, у предприятия-потребителя возникает задача краткосрочного и среднесрочного прогнозирования потребления электроэнергии с упреждением один календарный месяц и детализацией один час.

Решение данной задачи -сложный и трудоемкий процесс, особенно для крупных горных предприятий, технологические процессы которых являются сложными и многофакторными. Кроме того, горное предприятие имеет сложную, разветвленную структуру, что делает практически невозможным достижение погрешностью алгоритма прогнозирования на базе распространенного метода корреляционно-регрессионного анализа значения менее 5% [19,38]. График электрической нагрузки каждого предприятия формируется под влиянием большого количества различных факторов. Также, всегда существуют отклонения о г запланированного режима ведения технологическог о процесса. В результате для крупных горных предприятий актуальной задачей является создание системы краткосрочного и среднесрочного прогнозирования электропотребления, позволяющей минимизировать отклонения величин объема потребляемой от заявленной на рынке электроэнергии. Поэтому исследования, направленные на разработку системы, основанной на нелинейном методе нейро-сетевого моделирования, являются актуальными.

Степень научной разработанности проблемы. Вопросами прогнозирования электропотребления с применением методов нейросетевого моделирования занимаются в Институте систем энергетики им. Мелентьева СО РАН, Новосибирском государственном техническом университете, Уральском государственном техническом университете, Пермском государственном техническом университете и ряде других организаций. Результаты исследований в этой области представлены в работах Гамма А.З., Глазуновой A.M., Демура А.В., Сухомлиновой О.А., Олейникова В.К., Богатырёва Л.Л., Воропая Н.И., Колосок И.Н., Готмана Н.Э., Старцевой Т.Б., Курбацкого В.Г., Манова Н.А., Манусова В.З., и других.

Несмотря на широкий спектр работ, в них не рассмотрены вопросы прогнозирования электропотребления на основе метода искусственных нейронных сетей для крупных горных предприятий, бесспорно имеющие свою специфику.

Целью диссертационной работы является разработка и исследование методики прогнозирования потребления электрической энергии фабрикой окускования горно-обогатительного комбината на примере ОАО «Качканарский ГОК «Ванадий» на основе искусственных нейронных сетей, обладающей высокой точностью, достоверностью и устойчивостью в условиях изменения режимов работы предприятия и внешних влияющих факторов, позволяющей предприятию минимизировать отклонение величин объема потребляемой от заявленной на рынке электроэнергии за счет составления достоверной заявки, что приводит к экономии материальных и природных ресурсов государства.

Для достижения сформулированной цели в работе были поставлены и решены следующие задачи:

1. Анализ технологического процесса добычи и переработки руды на ОАО «Качканарский ГОК «Ванадий», основного технологического и электромеханического оборудования, технологических и энергетических показателей цехов фабрики окускования.

2. Анализ существующих методов прогнозирования и выбор наиболее современного метода, основанного на нелинейных моделях, теории искусственных нейронных сетей, для решения задачи прогнозирования электропотребления фабрикой окускования.

3. Исследование и отбор факторов (предикторов), влияющих на потребление электроэнергии каждым цехом фабрики окускования.

4. Разработка алгоритма синтеза нейронной сети, включающего определение структуры сети, количество слоев и нейронов в слое, функций активации нейронов, и синтез нейронных сетей для каждого цеха фабрики окускования.

5. Разработка системы прогнозирования потребления электрической энергии фабрики окускования на основе нейронных сетей цехов данной фабрики.

6. Оценка точности разработанной системы прогнозирования электропотребления фабрики окускования.

7. Разработка путей повышения точности прогнозирования потребления электроэнергии как отдельными цехами, так и фабрикой окускования в целом.

8. Исследование влияния упреждения прогноза и точности задания независимых переменных на точность прогнозирования электропотребления.

9. Разработка и исследование на основе существующего метода планирования электропотребления на ОАО «Качканарский ГОК «Ванадий» алгоритма работы системы анализа и прогнозирования общего и удельного электропотребления, основанного на статистическом методе корреляционно-регрессионного анализа. Результаты, полученные в ходе данного исследования, должны являться базовыми для оценки достоверности результатов, полученных при прогнозировании электропотребления методом искусственных нейронных сетей.

10. Выполнение сравнительного анализа существующей и разработанной систем прогнозирования потребления электроэнергии путем расчета экономического эффекта от внедрения системы прогнозирования электропотребления основанной на методе искусственных нейронных сетей.

Методы исследования. Для решения поставленных задач в работе использовались положения теории вероятности, принципы системного подхода, методы математической статистики и нейросетевого моделирования. Теоретические исследования сопровождались разработкой различных математических моделей, реализованных на ПЭВМ в виде программных средств в системе Mat

Lab. Исследование алгоритмов прогнозирования электропотребления проведено на основе экспериментальных данных, полученных на предприятии ОАО «Качканарский ГОК «Ванадий».

При выполнении работы использованы научные труды, результаты теоретических и экспериментальных исследований по данной теме российских и зарубежных специалистов, материалы научно-технических конференций и семинаров.

Научная новизна работы состоит в следующем:

1. Разработана модель прогнозирования потребления электроэнергии фабрикой окускования горно-обогатительного комбината, основанная на методе искусственных нейронных сетей, характеризуемая повышенной точностью прогнозирования по сравнению с известными. В результате проведенного анализа погрешности прогнозирования для известных видов нейронных сетей установлено, что для фабрики окускования нейронные сети должны описывать соответствующие технологические комплексы производства отдельных компонентов готовой продукции. Поэтому модель имеет модульную структуру, каждый модуль представляет собой многослойную нейронную сеть цеха фабрики с прямым распространением сигнала без обратных связей со следующими параметрами: размерность вектора входных данных от 15 до 17 элементов; первый скрытый слой нейронов с логистическими функциями активации, который содержит 11 или 12 нейронов; второй скрытый слой нейронов с логистическими функциями активации или гиперболическим тангенсом, который содержит 9 или 10 нейронов; одни нейрон выходного слоя с линейной функцией активации; число синаптических связей от 295 до 322. Для обучения применялся нелинейный метод Левенберга-Марквардта с учителем, который показал наилучшие показатели сходимости. Целевая функция обучения — минимум среднего квадратического отклонения между фактическим значением потребления электроэнергии и полученным на выходе сети.

2. Определен набор статистических методов и методика их применения, позволяющие установить показатели влияния входных факторов на величину электропотребления. Такими методами являются методы аналитической группировки, в том числе многофакторной аналитической группировки, оценки надежности корреляционных связей между переменными, анализа трехмерной диаграммы рассеяния. В результате применения методов отобраны значимые входные факторы для синтеза нейронных сетей цехов фабрики. Определено, что вероятность ошибочного установления связи между отобранными для обучающего множества входными факторами и прогнозируемой величиной составляет менее 1%.

Практическая ценность работы. Результатом выполненных исследований является разработанная модель, которая лежит в основе системы прогнозирования электропотребления фабрики окускования горно-обогатительного комбината, основанная на методе искусственных нейронных сетей. Разработанная система позволяет определять перспективные объемы электропотребления для составления достоверной заявки при покупке электроэнергии на оптовом или розничном рынке, что ведет к экономии финансовых средств предприятия-потребителя. Защищаемые научные положения позволяют проводить достаточно точное краткосрочное и среднесрочное прогнозирование, пересмотреть установленные подходы к прогнозированию электропотребления на горных предприятиях, производить текущее уточнение прогнозов для целей регулирования электропотребления. Разработанные принципы формирования набора исходных данных, а также предложенная система прогнозирования могут использоваться для различных горных и промышленных предприятий.

Проведена оценка экономического эффекта от внедрения разработанной системы прогнозирования электропотребления на основе метода искусственных нейронных сетей при погрешности задания входных переменных ±15%, условии постоянства цен на электроэнергию (эффект рассчитан за 2007 г. по фабрике окускования при годовом электропотреблении - 393 млн. кВт-ч). Снижение платы за электроэнергию по данным за 2007 г. составляет при упреждении прогноза одни сутки - 3,3 млн.руб. с НДС, при упреждении прогноза 30 суток -2,8 млн.руб. с НДС.

Выполненный сравнительный анализ эффективности использования разработанной системы прогнозирования с существующей на предприятии системой, основанной на традиционных вероятностно-статистических методах, показал целесообразность применения метода искусственных нейронных сетей в задачах прогнозирования электропотребления крупных горных предприятий в новых рыночных условиях.

Реализация работы. Результаты диссертационной работы приняты к внедрению на ОАО «Качканарский горно-обогатительный комбинат «Ванадий».

Обоснованность и достоверность научных положений подтверждена корректным применением классических методов математической статистики, апробированных структур искусственных нейронных сетей, использованием обучающих множеств, объединяющих фактические данные измерений, контроля и наблюдений за три года, численными экспериментами на ЭВМ с использованием контрольного и тестового множеств.

Установлены показатели точности решения задачи прогнозирования электропотребления фабрикой окускования.

При точном соответствии значений запланированной и произведенной продукции относительное среднее квадратическое отклонение прогноза составляет 2,98%.

При погрешности задания входных факторов ±15% математическое ожидание среднего квадратического отклонения прогноза па 30 суток вперед на тестовом множестве не превышает 3,37% от среднего значения потребления электрической энергии фабрикой окускования за расчетный период, при упреждении прогноза одни сутки - 3,15%. Аналогичный показатель для существующей на ОАО «Качканарский горно-обогатительный комбинат «Ванадий» системы равен 5,22%.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на первой молодежной научно-практической конференции ООО «УГМК-Холдинг», 2003 г., на научных конференциях Уральского государственного горного университета в 2003-2008 гг.

Публикации. По теме диссертации опубликовано пять печатных работ.

Заключение диссертации по теме «Электротехнические комплексы и системы», Белов, Константин Дмитриевич

Основные результаты исследований состоят в следующем.

1. Анализ технологических процессов и основного оборудования фабрики окускования показал, что горное предприятие имеет сложную и разветвленную структуру, технологические процессы многофакторные, зависимости потребления электроэнергии от внешних факторов, а также предыдущих значений нелинейные. В результате определено, что модель прогнозирования электропотребления фабрики окускования должна строиться на методе искусственных нейронных сетей, как наиболее перспективном методе нелинейного моделирования.

2. В результате проведенного анализа погрешности прогнозирования для известных видов нейронных сетей установлено, что для фабрики окускования нейронные сети должны описывать соответствующие технологические комплексы производства отдельных компонентов готовой продукции. Поэтому модель имеет модульную структуру, каждый модуль - нейронная сеть цеха фабрики.

3. Определена оптимальная для решения задачи прогнозирования электропотребления архитектура нейронной сети — классическая многослойная нейронная сеть с прямым распространением сигнала без обратных связей.

4. Определен набор статистических методов, позволяющих установить значимость входных факторов на величину электропотребления. Такими методами являются метод аналитической группировки, в том числе многофакторной аналитической группировки, оценки надежности установления корреляционных связей между переменными, анализа трехмерной диаграммы рассеяния, экспериментов с обобщенно-регрессионными сетями. В результате применения данных методов был определен алгоритм отбора входных факторов в обучающее множество для синтеза нейронных сетей цехов фабрики окускования, а также получены следующие научные результаты:

- наибольшая плотность связи потребления электроэнергии наблюдается с производительностью и временем работы основного технологического оборудования рассматриваемого объекта прогнозирования, с другими переменными связь слабая;

- наименьшая плотность связи потребления электроэнергии наблюдается с атмосферным давлением, статусом дня (обычный рабочий, сокращенный, выходной день) и номером смены, в результате чего данные предикторы были исключены из обучающего множества;

- при удалении предикторов, более сильно коррелированных с прогнозируемой величиной, наблюдается большее снижение точности прогноза, при удалении малозначимых переменных наблюдается повышение точности;

- совокупность переменных Q (производительность) и Т (время работы основного технологического оборудования) несет в себе существенную информацию, которая не содержится ни в переменной Q, ни в переменной Т, поэтому удаление одной из этих переменных снижает точность прогноза;

- при уменьшении количества учитываемых предыдущих значений ряда наблюдается снижение точности прогноза;

- точность прогноза можно повысить, имея большее количество обучающих примеров, что позволит создать более сложную нейронную сеть, избежав при этом ее переобучения;

- в результате работы алгоритма отбора входных факторов были отобраны предикторы для синтеза нейронных сетей фабрики;

- определено, что вероятность ошибочного установления связи между отобранными для обучающего множества предикторами и прогнозируемой величиной составляет менее 1 %.

5. В результате моделирования с учетом требуемых параметров точности прогноза синтезированы нейронные сети цехов фабрики окускования. Разработан алгоритм синтеза нейронной сети для горнопромышленного объекта. Определены оптимальные структуры (количество слоев и нейронов в слое, функций активации нейронов) синтезированных нейронных сетей наилучшим образом аппроксимирующие зависимость потребления электроэнергии от рассматриваемых факторов. Нейронная сеть включает в себя: для цеха агломерации - первый скрытый слой 12 нейронов с логистическими функциями активации, второй скрытый слой 10 нейронов с логистическими функциями активации, единственный нейрон выходного слоя имеет линейную функцию активации, размерность входного сигнала — 15 ед., размерность выходного сигнала - 1 ед., общее число синаптических связей -310; для цеха окатышей - первый скрытый слой 11 нейронов с логистическими функциями активации, второй скрытый слой 10 нейронов с логистическими функциями активации, единственный нейрон выходного слоя имеет линейную функцию активации, размерность входного сигнала - 17 ед., размерность выходного сигнала - 1 ед., общее число синаптических связей - 307; для технологической линии по подготовке шихты для агломерации (цех шихтоподготовки) - первый скрытый слой 11 нейронов с логистическими функциями активации, второй скрытый слой - 9 нейронов с гиперболическим тангенсом, нейрон выходного слоя имеет линейную функцию активации, размерность входного сигнала — 17 ед., размерность выходного сигнала - 1 ед., общее число синаптических связей - 295; для технологической линии по подготовке шихты для обжига (цех шихтоподготовки) - первый скрытый слой 12 нейронов с логистическими функциями активации, второй скрытый слой 10 нейронов с гиперболическим тангенсом, нейрон выходного слоя имеет линейную функцию активации, размерность входного сигнала — 16 ед., размерность выходного сигнала - 1 ед., общее число синаптических связей -322.

6. В результате исследования зависимости выхода нейронных сетей цехов фабрики от каждого входного фактора в отдельности при закрепленных прочих факторах, были получены квазистатические зависимости прогноза потребления электроэнергии от рассматриваемой входной переменной при закрепленных прочих переменных, анализ которых показал:

- характер квазистатических зависимостей - нелинейный, что доказывает правильность выбора нелинейного метода прогнозирования, основанного на нейросетевом моделировании;

- наибольшее влияние на точность прогнозирования электропотребления оказывает точность задания количества продукции, которое планируется произвести за смену;

- наибольшая сила связи присутствует между параметрами потребление электроэнергии и количество произведенной продукции рассматриваемого объекта электропотребления (данный результат подтвердил анализ трехмерной диаграммы рассеяния);

- входной фактор суммарное время работы основного технологического оборудования оказывает влияние на потребление электроэнергии через количество произведенной продукции, чистое же влияние этой переменной на потребление электроэнергии мало.

7. Установлены показатели точности решения задачи прогнозирования электропотребления фабрикой окускования, при погрешности задания входных переменных ±15%, математическое ожидание среднего квадратического отклонения прогноза на 30 суток вперед на тестовом множестве не превышало 3,37% от среднего значения потребления электрической энергии фабрикой окускования за расчетный период, при упреждении прогноза на одни сутки эта величина не превышала 3 Д5%, данный показатель для существующей на ГОКе системы - 5,22%. Также установлено, что математическое ожидание среднего квадратического отклонения разработанной системы нелинейно растет с уменьшением точности задания входных переменных. В целом разработанная система имеет высокие показатели точности прогноза.

8. Проведена оценка экономического эффекта от внедрения разработанной системы прогнозирования электропотребления на основе метода искусственных нейронных сетей при погрешности задания входных переменных ±15%, условии постоянства цен на электроэнергию (эффект рассчитан за 2007 г. по фабрике окускования при годовом электропотреблении -393 млн. кВт-ч.). Снижение платы за электроэнергию по данным за 2007 г. составляет при упреждении прогноза 1 сутки - 3,3 млн.руб. с НДС, при упреждении прогноза 30 суток — 2,8 млн.руб. с НДС.

9. Анализ влияния упреждения прогноза и точности задания независимых переменных на точность прогнозирования электропотребления показал, что увеличение упреждения прогноза до 30 суток незначительно сказывается на точности прогнозирования, однако система показывает наилучшие результаты при наименьшем упреждении. Было установлено, что математическое ожидание среднего квадратического отклонения нелинейно растет с уменьшением точности задания независимых переменных. Поэтому с целью получения высокой точности прогнозирования следует уделять большое внимание планированию независимых переменных. В наибольшей степени это касается планирования производства продукции цехами, т.к. этот фактор имеет наибольшее влияние на прогноз.

10. Выполненный сравнительный анализ эффективности использования разработанной системы прогнозирования с существующей на предприятии системой, основанной на традиционных вероятностно-статистических методах, показал целесообразность применения метода искусственных нейронных сетей в задачах прогнозирования электропотребления крупных горных предприятий в новых рыночных условиях.

11. Разработаны программы, предназначенные для прогнозирования электропотребления в условиях действующего горного предприятия с требуемым набором характеристик.

ЗАКЛЮЧЕНИЕ

Диссертационная работа посвящена решению задачи краткосрочного и среднесрочного прогнозирования электропотребления на примере фабрики окускования крупного горного предприятия-потребителя ОАО «Качканарский ГОК «Ванадий» посредством разработанной системы прогнозирования, основанной на методе искусственных нейронных сетей, с целью решения задачи составления достоверной заявки на потребление электроэнергии на срок до 30 суток. При этом достигается максимальное снижение финансовых и материальных потерь, связанных с отклонениями фактического электропотребления от заявленного.

Список литературы диссертационного исследования кандидат технических наук Белов, Константин Дмитриевич, 2008 год

1. Deductor:Electra ~ прогноз потребления электроэнергии / Научно-производственное предприятие «Ижинформпроект» /Под ред. С.А.Канторович. — М.: Энергоатомиздат, 1995.-248 с.

2. Leber J.-F., Matthews М.В. Neurale Netzerke:eine Ueber-sicht//Bull.SEV/VSE 80(1989).

3. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики / В.П. Дьяконов, В.П. Круглов. М.: СОЛОН-ПРЕСС, 2006. - 456 с.

4. Rummelhart D.E., Hinton G.E. and Williams R.J. Learning Representations by Back-propagating Errors, Nature 323 (1986).P.533-536.

5. Айвазян С.А. и др. Прикладная статистика: Классификация и снижение размерности. -М.: Финансы и статистика, 1989. — 607 с.

6. Анчарова Т.В., Гамазин С.И. Экономия электроэнергии на промышленных предприятиях. М: Высшая школа, 1990. - 140 с.

7. Афифи А., Эйзен С. Статистический анализ: Подход к использованию ЭВМ. М.: Мир, 1982. - 480 с.

8. Ахлюстин В.К. Электроснабжение и электрооборудование обогатительных фабрик. Свердловск: СГИ, 1988. - 420 с.

9. Багаутинов Г.А., Белов К.Д., Багаутинов Г.Г. Методика определения рациональных координат береговых блоков на базе компьютерной техники. // Вестник энергосбережения, 1999. №2. С.6-8.

10. Батищев В.Е., Мартыненко Б.Г., Сысков СЛ., Щелоков Я.М. Энергосбережение. Екатеринбург: РИА «Энерго-Пресс», 1999.- 304 с.

11. Беллман Р. Динамическое программирование. М.: Изд. иностр. лит., 1980.- 400 е.

12. Белов К.Д., Плотников М.А. Применение гидропневмоаккумулято-ров для снижения удельных расходов электроэнергии / Сб. докл. Первая молодежная научно-практич. конф. Верхняя Пышма: ООО «УГМК-Холдинг», Филантроп, 2003. - С. 167-168.

13. Бендат Д., Пирсол А. Прикладной анализ случайных данных. М.: Мир, 1989.-450 с.

14. Браверман Э.М., Мучник И.Б. Структурные методы обработки эмпирических данных. — М.: Наука, 1983. 464 с.

15. Бузинов Р.А.Обеспечение безопасности АСУТП при использовании Интернет-технологий // Приборы и системы. 2001. № 6.- С.3-4.

16. Бусленко В.Н. Автоматизация имитационного моделирования сложных систем. М.: Наука, 1977. - 240 с.

17. Бусленко Н.П. Моделирование сложных систем. М.: Наука, 1978.399 с.

18. Бэнн Д., Фармер Е. Сравнительные модели прогнозирования электрической нагрузки: Пер. с англ. М.: Энергоатомиздат, 1987. — 197 с.

19. Веников В.А., Архипцев Ю.Ф., Головицын Б.И. Применение вычислительных методов в энергетике. М: Энергия, 1980.- 207 с.

20. Вероятностные методы в вычислительной технике / Под ред. А.Н. Лебедева и Е.А. Чернявского. М.: Высшая школа, 1986. - 312 с.

21. Волконский В.А., Кузовкин А.И. Оптимальные тарифы на электроэнергию инструмент энергосбережения. — М: Энергоатомиздат, 1991 .-154 с.

22. Воронцов К.В., Егорова Е.В. Динамически адаптируемые композиции алгоритмов прогнозирования // М.: Искусственный Интеллект, 2006. — С. 277-280.

23. Гихман И.И., Скорохов А.В. Теория вероятностей и математическая статистика. — Киев: Высшая школа, 1978.- 420 с.

24. Гладилин JL В. Основы электроснабжения горных предприятий М.: Недра, 1980.- 327 с.

25. Гнатюк В.И. Методика параметрической оптимизации электротехнических средств: Техноценологическнй подход. Калининград: КВИ ФПС РФ, 1998.-80 с.

26. Гнатюк В.И. Оптимизация электропотребления инфраструктурного объекта на системном уровне // Информационно-аналитический сборник «Ян-тарьгосэнергонадзор». — № 3. Калининград: Янтарьгосэнергонадзор, 2001. -С.31 -33.

27. Гнатюк В.И., Северин А.Е. Ранговый анализ и энергосбережение. -Калининград: ЗНЦ НТ РАЕН КВИ ФПС РФ, 2003. - 120 с.

28. Голушко И.М., Варламов Н.В. Основы моделирования и автоматизации управления. М.: Воениздат, 1982. - 237 с.

29. Горбань А.Н. Обучение нейронных сетей. М.: СП ПараГраф, 1990.160 с.

30. Гордеев В.И. Регулирование максимума нагрузки промышленных электрических сетей. М.: Энергоатомиздат, 1986. - 182 с.

31. Горелова B.JL, Мельникова Е.Н. Основы прогнозирования систем. -М.: Высшая школа, 1986. 267 с.

32. Данилов Д.Л., Жиглявский А.А. Главные компоненты временных рядов: Метод «Гусеница». СПб.: СПбГУ, 1997. - 308 с.

33. Демура А.В. Использование искусственных нейронных сетей в качестве многофакторной модели при планировании электропотребления предприятий //Изв. вузов. Сев.-Кавк. регион. Технические науки. 1996. №3. -С.90-100.

34. Дрейпер Н., Смит Г. Прикладной регрессионный анализ. — М.: Финансы и статистика, 1986. — 365 с.

35. Ермаков С.М., Михайлов Г.А. Статистическое моделирование. М.: Издательство «Наука», 1982. - 296 с.

36. Жежеленко И.В., Саенко Ю.Л., Степанов В.П. Методы вероятностного моделирования в расчетах характеристик электрических нагрузок потребителей. -М.: Энергоатомиздат, 1990.-125 с.

37. Золотарев В.М. Современная теория суммирования независимых случайных величин. — М.: Наука, 1986. 416 с.

38. Иванов B.C., Соколов В.И. Режимы потребления и качество электроэнергии систем электроснабжения промышленных предприятий. М: Энергоатомиздат, 1987.- 334 с.

39. Иванютин Л.А., Рубцов Ю.Ф., Кириленко А.Г. Ресурсоэнергосбере-жение основа возрождения народного хозяйства России // Приборы и системы. - 2000. № 11.- С.68-72.

40. Искусственные нейронные сети. Теория и практика / Круглов. В.В., Борисов В.В. М.: Горячая линия - Телеком, 2001. — 382 с.

41. Искусственные нейронные сети: учебное пособие / В.А. Лукас, Уральский государственный горный университет. Екатеринбург: УГГУ, 2005. -54 с.

42. Исрапилов Р.Б. Хронусов Г.С. Экономическая эффективность прогнозов заявляемой мощности и электропотребления промышленных предприятий. М., 1986.- 12 с.

43. Исследование электропотребления и режимов работы основного электрооборудования на обогатительной фабрике Кировградского медеплавильного комбината. Отчет о научно-исследовательской работе / Г.А. Багаути-нов, В.В. Старков Свердловск: СГИ, 1982.- 115 с.

44. Карелин А.Н. Автоматизированная система контроля, учета и управления электропотреблением на базе микропроцессорного комплекса технических средств "Энергия-микро+" // Приборы и системы. 2001. № 1.- С.23-27.

45. Карелин А.Н. Повышение эффективности микропроцессорных систем измерений с учетом новых требований в области стандартизации и качества продукции// Приборы и системы.- 2002. № 12.- С.43-53.

46. Карелин А.Н., Карелин Е.Н.Применение автоматизированных систем контроля и учета энергоносителей на базе комплекса технических средств "Энергия" и новых экономических подходов в элетроэнергетике // Приборы и системы. 2001. № 3. - С.21-30.

47. Карякин A.JL, Белов К.Д., Дегтярев Е.А. Исследование метода прогнозирования потребления электроэнергии на примере горного предприятия. // Рукопись деп. в депозит. МГГУ 12.11.2008., № 673/01-09. 9 с.

48. Карякин A.JL, Белов К.Д., Дегтярев Е.А. Прогнозирование потребления электроэнергии цехом агломерации на основе метода искусственных нейронных сетей. //Изв.вузов. Горный журнал, 2008. №8.- С.80-82.

49. Кендалл М. Ранговые корреляции. -М.: Статистика, 1975. 216 с.

50. Кендалл М.Дж. Временные ряды. М.: Финансы и статистика, 1981.199 с.

51. Корнеева А. И., Матвейкин В. Г., Фролов С. В. Программно-технические комплексы, контроллеры и SCADA-системы: М.: ЦНИИТЭнеф-техим, 1996.-220 с.

52. Кудрин Б.И. Электроснабжение промышленных предприятий.- М: Интермет Инжиниринг, 2005. 672 с.

53. Кудрин Б.И., Жилин Б.В. и др. Ценологическое определение параметров электропотребления многономенклатурных производств. — Тула: При-окск. кн. изд-во, 1994. — 122 с.

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

55. Кудрин Б.И., Федяев Д.М. Техническая реальность в XXI веке. Материалы к круглому столу Всероссийской научной конференции (Омск, 21 22 января 1999 г.). - Омск: Изд-во ОмГПУ, 1999. - 68 с.

56. Кудряшов С.А. Классификация в системных исследованиях. М.: Электрика, 1995. - 38 с.

57. Макарова В.А., Шевченко J1.A. Некоторые вопросы совершенствования методологии нормирования топливно-энергетических ресурсов: Сб. научн. тр. Нормирование расхода топливно-энергетических ресурсов. М: 1986.- С.4-9.

58. Модели и методы системного анализа: принятие решений и оптимизация : учебное пособие / Московский государственный институт стали и сплавов. М.: МИСИС: Издательский дом "Руда и металлы", 2005. - 352 с.

59. Моделирование и прогнозирование на основе искусственных нейронных сетей / Демура А. В. // Известия вузов. Электромеханика.- 2005.-№5. -С.29-32.

60. Надтока И.И., Седов А.В. Системы контроля, распознавания Рх прогнозирования электропотребления: модели, методы, алгоритмы и средства. -Ростов-на-Дону: Рост, ун-т, 2002. 320 с.

61. Новые технологии и пути экономии затрат на предприятиях горнометаллургического и машиностроительного комплексов: Сб. докл. Первая молодежная научно-практич. конф. Верхняя Пышма: ООО «УГМК-Холдинг», Филантроп, 2003. - 272с.

62. Нормирование топливно-энергетических ресурсов и регулирование режимов электропотребления (сборник инструкций) / Под ред. В.В. Дегтярева. -М.: Недра, 1983.-. 140 с.

63. ПК / РЭК Свердловской области. Екатеринбург: РЭК Свердловской области, 2006. - 6 с.

64. Общая теория статистики: Учебник / под ред. И.И. Елисеевой. 5-е изд., перераб. и доп. - М.: Финансы и статистика, 2008. - 656 с.

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

66. Основы статистического анализа. Практикум по статистическим методам и исследованию операций с использованием пакетов Statistica и Excel : учебное пособие / Э. А.Вуколов М. : ФОРУМ: ИНФРА-М, 2004. - 464 с.

67. Основы электроснабжения горных предприятий: учебное пособие / JI. А. Плащанский; Московский государственный горный университет. М.: Изд-во МГГУ, 2006. - 116 с.

68. Основы энергосбережения: учеб. пособие / Г.А.Багаутинов; Уральская гос. горно-геологическая академия. Ч.1.- Екатеринбург: УГГГА, 1999.- 44 с.

69. Подготовка и дозировка шихтовых материалов для окускования концентрата: Технологическая инструкция ТИ 127-ОА. П-7-03 / ОАО «Качканар-ский ГОК «Ванадий»; разраб. О.А. Мезенин. Качканар:б.и., 2007. - 17 с.

70. Праховник А.В. Методы и средства управления электропотреблени ем. Киев: РДНТП, 1981. - 26 с.

71. Применение метода сингулярного спектрального анализа в задачах краткосрочного прогнозирования электропотребления / Сухомлинова О. А. // Известия вузов. Электромеханика. 2005. - N 5. - С. 65-68.

72. Прогнозирование электропотребления фабрикой окускования методом искусственных нейронных сетей / Карякин А.Л., Белов К.Д., Дегтярев Е.А. // Рукопись деп. в депозит. МГГУ 12.11.2008., № 674/01-09. 6 с.

73. Производство агломерата: Технологическая инструкция ТИ-А-8-2006 / ОАО «Качканарский ГОК «Ванадий»; разраб. С.Ф. Токарев. Взамен ТИ 127-ОА.А-8-00 ; введ. 01.01.2006. - Качканар: б.и., 2006. - 22 с.

74. Производство окатышей: Технологическая инструкция ТИ 127-ОА. ОК-5-2006 / ОАО «Качканарский ГОК «Ванадий» ; разраб. В. А. Глухих. Качканар: б.и., 2006. - 20 с.

75. Рабочая книга по прогнозированию / Под ред. И.В. Бестужева-Лады. М.: Мысль, 1992. - 430 с.

76. Румшинский Л.З. Математическая обработка результатов эксперимента. — М.: Радио и связь, 1983. 193 с.

77. Сальников А.Х., Шевченко JI.A. Нормирование потребления и экономия топливно-энергетических ресурсов. М: Энергоатомиздат, 1986.- 240с.

78. Северин А.Е. Применение рангового анализа при прогнозировании электропотребления инфраструктуры // Вестник БНЦ РАЕН. № 5. - 2001. - С. 62-63.

79. Статистика по гарантирующим поставщикам и энергоснабжающим организациям / ОАО «АТС». М.: ОАО «АТС», 2008. - 18 с.

80. Стогней В.Г. Крук А.Г. Экономия теплоэнергетических ресурсов па промышленных предприятиях. — М: Энергоатомиздат, 1991, 280 с.

81. Теория вероятностей: Учебник /Е.С. Вентцель. 4-е изд. - М.: Наука, 1969.-576 с.

82. Хайкин С. Нейронные сети: Полный курс. Пер. с англ. Н. Н. Куссуль, А. Ю. Шелестова. 2-е изд., испр. М.: Издательский дом Вильяме, 2008. -1103 с.

83. Хронусов Г.С. Формирование эффективных режимов электропотребления промышленных предприятий. Часть 1. — Екатеринбург: УГГГА, 1998. 340 с.

84. Хронусов Г.С. Формирование эффективных режимов электропотребления промышленных предприятий. Часть 2. Екатеринбург: УГГГА, 1999. -. 284 с.

85. Четыркин Е.М., Калихман И.Л. Вероятность и статистика. М.: Финансы и статистика, 1982. — 319 с.

86. Шумилова Г.П., Готман Н.Э., Старцева Т.Б. Прогнозирование нагрузки ЭЭС на базе новых информационных технологий. УРО РАН, 2002,-С.127-156.

87. Экономико-математические методы и моделирование: учеб. пособие / Н. Б.Кузьминых Екатеринбург: УГГГА, 2000. - 104 с.

88. Листинг программы в системе MatLab создания нейронной сети цеха агломерации, вычисления средних квадратических отклонений и относительной ошибки прогноза

89. Net=newff(0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1;0 1.,[12 101.,.logsig' 'logsig' 'purelin'l/trainlm'/learngdmVsse'); % Создание нейроннойсети

90. Среднее квадратическое отклонение на контрольном множестве:',п^аке(2,1),.

91. Среднее квадратическое отклонение на тестовом множестве:' ,mistake(3,1),.

92. Относительная ошибка прогноза на обучающем множестве:', mistake(l, 2),.

93. Относительная ошибка прогноза на контрольном множестве:', mistake(2,2),.

94. Относительная ошибка прогноза на тестовом множестве:',mistake(3,2)) % Вывод результатов

95. Матрицы входных векторов тестового множества1.pA=TestInpA;1.pO=TestInpO;1.pShA=TestInpShA;1.pShOTestlnpShO;

96. Фактическое потребление электроэнергии фабрикой окускования,кВт*ч

97. Wfact=TestOutA*300000+TestOutO*500000+Test6utShA*35000+TestOutShO*2 5000;for Index=l:200 % Формирование выборочных совокупностей объемом 200 единицindex=0;for Range=0:0.01:0.5 % Задание размаха вариации факторов index=index+l;

98. DeflectT=l-Range+2*Range*rand(l,length(TestInpA)); % Отклонение температуры

99. Sign=randsrc(l,length(TestInpA),-l 1.); % Создание вектора случайных знаков (+/-)

100. Sign=nncopy(Sign,3,l); % Копирование строк вектора Sign DeflectA=l+Sign.*Range.*rand(3,length(TestInpA)); % Отклонения по аглоцеху

101. Sign=randsrc(l,length(TestInpO),-1 1.); % Создание вектора случайных знаков (+/-)

102. Sign=nncopy(Sign,5,l); % Копирование строк-вектора Sign DeflectO=l+Sign.*Range.*rand(5,length(TestInpO)); % Отклонения по цеху окатышей

103. Sign=randsrc(l,length(TestInpShA),-l 1.); % Создание вектора случайных знаков (+/-)

104. Sign=nncopy(Sign,3,l); % Копирование строк вектора Sign DeflectShA=l+Sign.*Range.*rand(3,length(TestInpO)); % Отклонения по аглошихте

105. DeflectVag=l-Range+2*Range*rand(l,length(TestInpO)); % Отклонение количества вагонов

106. Sign=randsrc(l,length(TestInpShO),-l 1.); % Создание вектора случайных знаков (+/-)

107. Sign=nncopy(Sign,2,l); % Копирование строк вектора Sign DeflectShO=l+Sign.*Range.*rand(2,length(TestInpO)); % Отклонения побентопорошку

108. DeflectBvl=l-Range+2*Range*rand(l,length(TestInpO)); % Отклонение расхода вл. бентонита

109. Внесение вариации факторов для аглоцеха1.pA(l l,:)=TestInpA(l l,:).*DeflectA(l,:); % Производство агломерата,о.е.1.pA(8,:)=TestInpA(8,:).*DeflectA(2,:); % Время работы а/машины №1,о.е.1.pA(4,:)=TestInpA(4,:).*DeflectA(3,:); % Время работы а/машины №2,I

110. Прогноз потребления электроэнергии на текущую смену, о.е.1. Wa=sim(AgloW,InpA);1. Wo=sim(BurnW,InpO);

111. Wsha=sim( AgloShW,InpShA); Wsho=sim(BurnShW,InpShO);

112. Вектор прогноза потребления электроэнергии фабрикой окускования,кВт*ч

113. Листинг программы в системе MatLab вычисления экономического эффекта от использования разработанной системы прогнозирования электропотребления на базе нейронных сетей

114. Формирование матрицы почасового потребления электрической энергииfor k=l :length(W)

115. Wt(:,k* 12-11 :k* 12)=nncopy(W(:,k)/12,1,12); end

116. Смещение векторов на 4 элемента для соответствия значений Wt(:,l:4)=.;

117. Определение знака отклонения Signdef=sign(deflect);

118. Выбор цены отклонения: если запланированный объем ниже подлежащегопоставке по регулируемым ценам, то цена записана в строке 1вектора

119. Pdef, в противном случае во второй1.dex=1.5+0.5.*Signdef;clear Signdef;

120. Вычисление стоимости э/энергии, за период, представленный тестовым множествомfor к=1:3for t=l :length(Wt)

121. Cotkl(k,t)=abs(deflect(k,t)).*Pdef(Index(k,t),t); % Изменение стоимости для часа t end

122. Вычисление стоимости электроэнергии с разбивкой по месяцам Cmonth(k,l)=sum(0.737*Wt(3,l:744)+Cotkl(k,1:744)); % Стоимость за октябрь

123. Cmonth(k,2)=sum(0.73 7* Wt(3,745:1464)+Cotkl(k,745:1464)); %1. Стоимость за ноябрь

124. Cmonth(k,3 )=sum(0.737* Wt(3,1465 :length(Cotkl(k,:)))+. Cotkl(k, 1465:length(Cotkl(k,:)))); % декабрь

125. Изменение стоимости электроэнергии, связанное с отклонениями от прогноза

126. Cotklmonth(k,l)=sum(Cotkl(k, 1:744)); % За октябрь Cotklmonth(k,2)=sum(Cotkl(k,745:1464)); % За ноябрь Cotklmonth(k,3)=sum(Cotkl(k, 1465 :length(Cotkl(k,:)))); % За декабрь % Вычисление стоимости электроэнергии за период тестового множества (IV квартал)

127. C(k, 1 )=sum(Cmonth(k,:));

128. Вычисление средней цены приобретения 1 кВт*ч за IV квартал

129. Pav(k, 1 )=C(k, 1 )/sum(Wt(3,:));end

130. Вычисление экономии, эффекта за период, представленный тестовым множествомeffect(2,l)=1.18*(C(l,l)-C(2,l)); % при прогнозе на 30 суток вперед effect(3,l)=1.18*(C(l,l)-C(3,l)); % при прогнозе на сутки вперед

131. Вычисление снижения средней цены 1 кВт*ч за IV квартал без учета1. НДС

132. Снижение средней цены приобретения эл. энергии, руб/кВт*ч:',0,Рау(2,2), Pav(3,2),.

133. Снижение стоимости эл. энергии за квартал, py6.:',0,effect(2,l),effect(3,l),.

134. Ожидаемое снижение стоимости эл. энергии за год, руб.:', 0,effect(2,2),effect(3,2))

135. КАЧ КЛН АР С КИ Й ГО F Н О О Б О ГАТИТ ЕЛ Ь Н Ы И КОМБИНАТ "ВАНАДИЙ-»и;!;ИрШ10Жёние;4зу/ 2т№ 4оо5- //°--2/9на №отгорный университет j

136. Проректору по научной работе i1. Н.Г.Валиеву s

137. Об одобрении результатов работы1. Главный инженер КГОК

138. Главный энергетик комбината

139. СПРАВКА О ВНЕДРЕНИИ результатов работы Белова К.Д.

140. Исполнитель: Мозгалев А В. тел. 6-46-33