Разработка и исследование нейросетевых алгоритмов краткосрочного прогнозирования нагрузки центральной электроэнергетической системы Монголии тема диссертации и автореферата по ВАК РФ 05.14.02, кандидат технических наук Сухбаатарын Мунхжаргал

• Сухбаатарын Мунхжаргал
• кандидат технических наук
• 2004

Оглавление диссертации кандидат технических наук Сухбаатарын Мунхжаргал

ВВЕДЕНИЕ

СОДЕРЖАНИЕ

1. СОВРЕМЕННОЕ СОСТОЯНИЕ ПРОБЛЕМЫ

1.1. Электроэнергетические системы как область применения прогнозирования

1.2. Анализ и систематизация методов прогнозирования нагрузки и электропотребления

1.3. Обоснование применения искусственных нейронных сетей в электроэнергетике

2. ОСНОВНЫЕ ПОЛОЖЕНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

2.1. Общая характеристика искусственных нейронных сетей.

2.2. Структура и свойства нейронных сетей

2.3. Обучение нейронных сетей

2.3.1. Способность к обучению и накоплению информации.

2.3.2. Способы адаптации и методы обучения

2.3.3. Алгоритмы наблюдаемого обучения

2.3.4. Алгоритмы ненаблюдаемого обучения

3. РАЗРАБОТКА И ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВОГО АЛГОРИТМА ОПЕРАТИВНОГО ПРОГНОЗИРОВАНИЯ НАГРУЗКИ ЭЭС

3.1. Структура управления и рыночные отношения в электроэнергетике Монголии

3.2. Задачи и особенности оперативного прогнозирования нагрузки

3.2. 1. Постановка задачи

3.2.2. Математическая модель и алгоритм решения.

3.3. Применение нейронных сетей в задачах прогнозирования.

3.4. Разработка и выбор нейросетевого алгоритма для решения задачи оперативного прогнозирования

3.5. Предлагаемая методология оперативного прогнозирования нагрузки ЭЭС

3.6. Анализ результатов

3.7. Выбранная методика формирования обучающих множеств, для решения задачи прогнозирования нагрузки на основе ИНС

3.8. Выбор прикладного программного обеспечения для решения задачи прогнозирования нагрузки ЭЭС на основе нейросетевого алгоритма.

3.8.1. Общая характеристика среды Statistica

3.8.2. Технология решения задачи прогнозирования нагрузки с применением ИНС в среде Statistica

4. ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВОГО АЛГОРИТМА КРАТКОСРЧОНОГО ПРОГНОЗИРОВАНИЯ НАГРУЗКИ ЭЭС

4.1. Задачи прогнозирования нагрузки при планировании нормальных электрических режимов

4.1.1. Прогноз электрических нагрузок

4.1.2. Прогнозирование графика нагрузки

4.1.3. Математическая модель и алгоритм решения краткосрочного прогнозирования нагрузки ЭЭС

4.2. Предлагаемая методология краткосрочного прогнозирования электрической нагрузки

4.3.Математическая модель и нейросетевой алгоритм решения.

4.4. Систематизация вероятностных методов прогнозирования нагрузки

4.5. Построение модели авторегрессии и проинтегрированного скользящего среднего при краткосрочном прогнозировании нагрузки ЭЭС

4.6. Сравнительный анализ и обсуждение результатов расчетов

4.7. Сходство и различие нейронных сетей и математической статистики в анализе данных

4.8. Общие рекомендации по построению оптимальной нейронной сети для решения задачи краткосрочного прогнозирования нагрузки ЭЭС

Введение диссертации (часть автореферата) на тему «Разработка и исследование нейросетевых алгоритмов краткосрочного прогнозирования нагрузки центральной электроэнергетической системы Монголии»

Актуальность темы. Прогнозирование нагрузки электроснабжения стало одним из главных областей исследования в электротехнике и является сложной задачей. Во-первых, потому что последовательность нагрузки сложна и проявляет несколько ступеней сезонности: нагрузка заданного часа зависит не только от нагрузки предыдущего часа, но и от нагрузки этих часов предыдущих суток с одинаковым названием дней предыдущих недель. Во-вторых, многие внешние (внесистемные) переменные, которые должны рассматриваться, исключительно сезонно-зависимые.

Разработанные в настоящее время методы и модели для предсказания нагрузки энергосистем можно разделить на традиционные и модели, основанные на искусственном интеллекте. Традиционные статистические модели и методы формулируют математические или экономико-статистические модели нагрузки, исследуя качественные отношения между нагрузкой и воздействующими факторами (коэффициенты). Большинство традиционных моделей и методов прогнозирования привлекательны тем, что некоторые физические интерпретации (объяснения) компонентов располагают к себе, позволяя инженерам и операторам понять их сущность. Однако они по существу линейные методы и последовательность нагрузки поясняют известными точно нелинейными функциями внешних переменных.

С развитием теории искусственного интеллекта в последнее десятилетие было предложено решение задачи прогнозирования нагрузки с использованием искусственных нейронных сетей (ИНС). Предпочтение их традиционным моделям обусловлено тем, что при этом не требуется построения модели объекта, не теряется работоспособность при неполной входной информации. Нейросети обладают устойчивостью к помехам, имеют высокое быстродействие.

Нейронные сети нелинейны по своей природе и представляют собой мощный метод моделирования, позволяющий воспроизводить сложные зависимости. С математической точки зрения нейросетевые алгоритмы — это мощный метод моделирования, аппроксимирующие любые непрерывные функции.

Нейронные сети в различных модификациях в настоящее время находят большое число разнообразных приложений во многих научных и технических проблемах. В электроэнергетике с их помощью решается ряд задач, в основном связанных с управлением, оптимизацией и планированием режимов электроэнергетических систем. Среди таких задач можно отметить:

• предсказание нагрузки; прогнозирование температуры окружающей среды с целью прогнозирования нагрузки; управление потоками электроэнергии в сетях; обеспечение максимальной мощности; регулирование напряжения и реактивной мощности; прогнозирование потерь электроэнергии; оптимизация размещения датчиков для контроля безопасности энергосистем; мониторинг безопасности энергосистем; обеспечение защиты трансформаторов; обеспечение устойчивости, оценка динамического состояния и диагностика генераторов; управление турбогенераторами; управление сетью генераторов; ф управление мощными переключательными системами и др.

Целесообразность применения нейросетевых алгоритмов для решения задач прогнозирования проистекает вследствие следующих причин: реализации простой, но достаточно эффективной схемы вычислений; возможности применения, как при непрерывном, так и при дискретном характере переменных; принципиальной возможности учета ограничений. Существенной особенностью рассматриваемого подхода является то, что он применим не только как основополагающий метод. Поэтому одной из возможных тенденций использования нейросетевых алгоритмов является их сочетание с классическими методами.

Проблемам изучения закономерностей и изменения электрической нагрузки во времени, прогнозированию электрических нагрузок в процессе планирования электрических режимов и для принятия решений при управлении режимами электроэнергетических систем (ЭЭС) посвящено большое количество работ. Большой вклад в изучение этих вопросов внесли Арзамасцев Д.А., Бесчинский А.А., Виленский A.M., Гамм А.З., Головкин П.И., Долгополов П.Н., Коган Ю.М., Меламед A.M., Мелентьев Л.А., Некрасов А.С., Руденко Ю.Н., Тимченко В.Ф., Совалов С.А., Скрипко О.А., Шидловский А.К., и др.

Задача прогнозирования электрической нагрузки сводится к прогнозированию ее значений на различные интервалы времени (час, сутки, неделя, месяц, квартал, год). Иными словами, она заключается в осуществлении различных типов прогнозирования (оперативное, краткосрочное, среднесрочное, долгосрочное), Каждый вид имеет свои особенности, соответственно различны цели и условия прогнозирования, исходные данные, на которых строятся прогнозные модели, а к моделям предъявляются различные требования.

Значение краткосрочного прогнозирования, в особенности, возрастает по мере увеличения конкуренции на электроэнергетическом рынке. В Монголии после преобразования структуры электроснабжения в электроэнергетической системе в 2001 году электроэнергия стала товаром, продаваемым и покупаемым по маркетинговым ценам. Поскольку прогнозирование нагрузки играет решающую роль в составлении этих цен, они становятся насущным для снабжения промышленности.

Цель и задачи работы. Целью диссертационной работы является оценка возможности применения методов искусственного интеллекта, в частности нейросетевых алгоритмов, для прогнозирования электрической нагрузки для принятия решений в планировании эффективного функционирования и развития электроэнергетической системы Монголии.

При проведении теоретических и экспериментальных исследований, направленных на разработку нейросетевых алгоритмов прогнозирования нагрузки для анализа режимов ЭЭС, решаются следующие задачи:

1. Систематизация и теоретический анализ существующих моделей и методов прогнозирования нагрузки в электроэнергетике.

2. Анализ области применения нейросетевых алгоритмов в задачах управления, оптимизации и планирования режимов электроэнергетических систем.

3. Разработка и развитие новых научных моделей и методов прогнозирования электрической нагрузки систем, основанных на механизмах нейронных сетей.

4. Сравнительный анализ методов математической статистики и нейросетевых алгоритмов в задачах прогнозирования электрической нагрузки для принятия решений при планировании нормальных режимов, эффективного функционирования и развития электрических систем.

Методы исследований. Разработанные в диссертации научные положения основываются на системном подходе к планированию нормальными режимами и развитием электроэнергетических систем. При проведении исследований использовались положения теории исследования операций, теории вероятностей и математической статистики, экспертных систем, компьютерного анализа данных, теории нейронных сетей, а также нейросетевые алгоритмы решения задач прогнозирования нагрузки электроэнергетических систем.

Научная новизна, основные положения, выносимые на защиту, заключаются в следующем:

1. Проведен теоретический анализ основных положений методов нейросетевых вычислений.

2. Выполнена оценка принципиальной возможности применения нейронных сетей в электроэнергетике. Определены задачи управления и планирования нормальных режимов, которые могут быть эффективно решены на основе искусственных нейронных сетей.

3. Разработаны нейросетевые алгоритмы краткосрочного прогнозирования нагрузки электрических систем. Сформирована методика подготовки исходных данных при применении данных алгоритмов.

4. Выполнен сравнительный анализ эффективности использования методов математической статистики и нейросетевых алгоритмов. Показана целесообразность применения последних в задачах краткосрочного прогнозирования электрической нагрузки при планировании нормальных режимов и развития ЭЭС.

Достоверность результатов, полученных в диссертации, определяется адекватностью математических моделей применяемых для решения поставленных задач; использованием реальных данных почасового интервала нагрузки ЭЭС Монголии и значений отпуска электроэнергии с шин ТЭЦ-4 города Улан-Батора за период с 1998 по 2002 годы в качестве исходной информации при проведении исследований; апробацией результатов на сравнительном анализе с реальными значениями нагрузки и со значениями, определенными с помощью традиционных методов.

Практическая ценность. Выполненные исследования, а также разработанные методики и алгоритмы могут использоваться в АО-энерго, городских электрических сетях, проектных и исследовательских организациях для решения задач прогнозирования нагрузки при планировании нормальных режимов электроэнергетических систем.

В настоящее время нейросетевые алгоритмы краткосрочного прогнозирования в составе методики опережающего управления и программная реализация подготовки исходных данных для обучения нейросетей внедрены в диспетчерской службе Национального диспетчерского центра Монголии, о чем свидетельствуют Акты о внедрении (приложение 3).

Основное практическое значение работы заключается в повышении эффективности используемых алгоритмов прогнозирования нагрузки при принятии решений для управления режимами и развитием энергосистем, что приводит к улучшению технико-экономических показателей энергосистем, снижению технологического расхода электроэнергии, связанного с ее ♦ передачей, улучшению качества функционирования ЭЭС, повышению оперативности и обоснованности принятия решений.

Новые достижения в области моделирования и оптимизации режимов ЭЭС могут быть использованы в учебных дисциплинах «Математическое моделирование», «Физико-математические основы электроэнергетики».

Апробация работы. Основные положения и научные результаты диссертационной работы докладывались и обсуждались на 10-й ежегодной международной научно-технической конференции студентов и аспирантов ^ "Радиотехника, электротехника и энергетика" (г. Москва, 2004 г.); на региональной научно-технической конференции студентов, аспирантов и молодых ученых "Наука. Техника. Инновации" (г. Новосибирск, 2003 г.); на II всероссийской научно-технической конференции "Энергосистема: управление, качество, конкуренция" (г. Екатеринбург, 2004 г.); на VIII международном Российско-корейском симпозиуме по науке и технологии KORUS-2004 (г. Томск, 2004 г.); на IY региональной научно-практической £ конференции молодых ученых и аспирантов (г. Новокузнецк, 2004 г.); на II международной конференции "Технические и физические вопросы электроэнергетики ТРЕ-2004" (г. Табриз Иран, 2004 г.); на всероссийской научно-технической конференции "Проблемы электротехники, электроэнергетики и электротехнологии" (г. Тольятти, 2004); на семинарах кафедры "Системы электроснабжения" факультета Энергетики НГТУ, а также на совещаниях с представителями Национального диспетчерского центра Монголии.

Публикации. По теме диссертации опубликовано 8 печатных работ.

Структура и объем работы. Диссертация состоит из введения, 4 глав, заключения, списка использованных литературных источников и приложений. Общий объем 177 страниц текста. Основной материал изложен на 145 страницах текста, иллюстрирован 36 рисунком, содержит 16 таблиц. Список литературы включает 118 наименований.

Заключение диссертации по теме «Электростанции и электроэнергетические системы», Сухбаатарын Мунхжаргал

ЗАКЛЮЧЕНИЕ

Основная направленность диссертационной работы связана с теоретическим обоснованием, разработкой и исследованием новых научных моделей и методов краткосрочного прогнозирования нагрузки электроэнергетических систем, основанных на моделировании искусственных нейронных сетей прямого типа.

К наиболее ценным и существенным полученным результатам следует отнести:

1. Проведено исследование теоретических основ и дана общая характеристика нейросетевых алгоритмов. Рассмотрены различные типы нейронных сетей, показана их математическая основа и принцип действия.

2. Выполнен анализ области применения нейросетевых алгоритмов в задачах планирования нормальных режимов, управления и оптимизации электроэнергетических систем. Обоснована целесообразность применения в электроэнергетике методов нейронных сетей и предложены способы решения задач планирования нормальных режимов, в частности задачи краткосрочного прогнозирования нагрузки на основе ИНС.

3. На основании проведенных исследований разработаны нейросетевые алгоритмы решения задач краткосрочного и оперативного прогнозирования нагрузки центральной электроэнергетической системы Монголии. Практическая реализация полученных алгоритмов выполнена с использованием статистических данных для часовых интервалов электрической нагрузки за период с 1998 по 2002 годы включительно.

4. Реализованы разные методики формирования входных и выходных множеств для ИНС при решении задачи краткосрочного и оперативного прогнозирования с использованием нейросетевого алгоритма. Разработаны программные средства в системе Delphi для формирования обучающих, тестирующих и контрольных множеств входных и выходных узлов нейронной сети.

5. Установлено, что при решении задачи краткосрочного прогнозирования электрической нагрузки с помощью нейросетевого алгоритма погрешность прогнозирования в среднем не превышала 2,56 % в течение года. Для оперативного прогнозирования наибольшая погрешность в течение года не превышала 2,32 %, а среднее значение не превышала 1,9 %.

6. Выполнен сравнительный анализ вероятностно-статистических методов и нейросетевых алгоритмов в задачах краткосрочного прогнозирования нагрузки электроэнергетических систем. Показано, что ошибка прогнозирования нейросетевого алгоритма прогнозирования меньше, чем при решении данной задачи традиционными методами.

7. По результатам исследований решения задачи краткосрочного прогнозирования нагрузки составлен ряд рекомендаций, которые могут быть использованы прогнозистом электрической нагрузки при построении оптимальной нейронной сети для решения данной задачи.

8. Выполнен теоретический обзор области применения ИНС в задачах прогнозирования нагрузки электроэнергетики. Среди таких задач можно выделить следующие: оперативное и краткосрочное прогнозирование нагрузки электроэнергетической системы, максимальных, минимальных и среднесуточных значений нагрузки, суточной выработки электроэнергии ТЭЦ, краткосрочного прогнозирования обменной мощности между электроэнергетическими системами.

Список литературы диссертационного исследования кандидат технических наук Сухбаатарын Мунхжаргал, 2004 год

1. Автоматизация управления энергообъединениями / Под ред. Совалова С.А. -М.: Энергия, 1979. 432 с.

2. Арзамасцев Д.А., Бартоломей П.И., Холян A.M. АСУ и оптимизация режимов энергосистем М.: Высшая школа, 1983, 208 с.

3. Арзамасцев Д.А., Ананычева С.С., Мардер Л.И., Мызин А.Л. Разработка методических положений по прогнозированию электропотребления и составлению балансов мощности энергосистем и энергоузлов / Отчет о НИР 12004 ТМ, т. 1, Свердловск, УрЭСП, 1986, 137 с.

4. Баринов В.А., Гамм А.З., Кучеров Ю.Н. и др. / Под общ. ред. Руденко Ю.Н. и Семенова В.А. Автоматизация диспетчерского управления в электроэнергетике М.: изд-во МЭИ, 2000, 647 с.

5. Баринов В.А., Совалов С.А. Режимы энергосистем: методы анализа и управления-М.: Энергоатомиздат, 1990, 439 с.

6. Боровиков В. Statistica. Искусство анализа данных на компьютере: Для профессионалов. 2-е изд. СПб.: Питер, 2003, 688 с.

7. Боровиков В.П., Ивченко Г.И. Прогнозирование в среде Statistica в среде Windows, Основы теории и интенсивная практика на компьютере М.: Финансы и статистика, 2000, 384 с.

8. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирования электрической нагрузки / Пер. с англ. Меламеда A.M.: под ред. Тимченко В.Ф. -М.: Энергоатомиздат, 1987, 196 с.

9. Васильев В.И. Распознающие системы / Справочник Киев: Наукова думка, 1983,422 с.

10. Ю.Веников В.А., Журавлев В.Г., Филиппова Т.А. Оптимизация режимов электростанций и энергосистем М.: Энергоатомиздат, 1990, 350 с.

11. И. Владимирова Л.П. Прогнозирование и планирование в условиях рынка М.: изд. дом "Дашков и К0", 2000, 307, с.

12. Волков Э.П. Проблемы и перспективы развития электроэнергетики России -М.: Энергоатомиздат, 2001, 432 с.

13. Гаврилов А.В. Гибридные интеллектуальные системы Новосибирск, 2003, 163 с.

14. Гаврилов А.В. Системы искусственного интеллекта / Учеб. пос. Ч. I-Новосибирск, 2002, 78 с.

15. Галушкин А.И. Нейрокомпьютеры М.: Радиотехника, 2000, 524 с.

16. Гелиг А.Х. Динамика импульсных систем и нейронных сетей Ленинград, изд-во ЛГУ, 1982, 191 с.

17. Гмошинский В.Г. Инженерное прогнозирование М.: Энергоатомиздат, 1982, 208 с.

18. Головкин П.И. Энергосистема и потребители электрической энергии М.: Энергоатомиздат, 1984, 359 с.

19. Головко В.А. Нейронные сети: обучение, организация и применение. Кн.4: учеб. пособие для вузов /Общая ред. Галушкина А.И. ИПРЖР, 2001, 256 с.

20. Горбань А.Н., Бунин-Барковский В.Л., Кидрин А.Н. Нейроинформатика / Отв. Ред. Новиков Е.А. Новосибирск, Наука, Сибирское предприятие РАН, 1998,296 с.

21. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере -Новосибирск, Наука, Сибирское предприятие РАН, 1996, 275 с.

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

23. Гужов Н.П. Статистическое прогнозирование режимов электропотребления -Новосибирск, 1992, 106 с.

24. Драймз Ф. Распределенные лаги / пер. с англ. Конакова В.Д., Певцова Д.В. под ред. Ершова Э.Б.- М.: Финансы и статистика, 1982, 383 с.

25. Дьяконов В., Круглов В. Математические программы расширения Matlab. Специальный справочник Питер, 2001, 475 с.

26. Ежов А.А., Шумский С.А. Нейрокомпьютинг и его приложения в экономике и бизнесе М.: Мифи, 1998, 222 с.

27. Ивахненко А.Г., Мюллер И.А. Самоорганизация прогнозирующих моделей -Киев: Технпса, 1985, Берлин: Феб Ферлаг Техник, 1984, 223 с.

28. Каллан Р. Основные концепции нейронных сетей / Перевод с англ. М.: Изд-й дом "Вилъямс", 2001, 287 с.

29. Кильдишев Г.С., Френкель А.А. Анализ временных рядов и прогнозирования -М.: Статистика, 1973, 103 с.

30. Корнеев В.В., Гареев А.Ф., Васютин С.В. и др. Базы данных М.: Издатель Молгачева С.В., 2001, 494 с.

31. Кравецкий А.С., Каневский М.Ф., Савельева Е.А. и др. Прогнозирование электропотребления при помощи многослойного персептрона. Препринт № IBRAE-2000-07. М.: Институт проблем безопасного развития атомной энергетики РАН, 2000, 22 с.

32. Кричевский M.JI. Введение в искусственные нейронные сети / Учеб.пос. ч.П -СПб,. 1999. 140 с/

33. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика М.:

34. Куравский JI.C., Баранов С.Н., Малых С.Б. Нейронные сети в задачах прогнозирования, диагностики и анализа данных М.: Русавиа, 2003, 99 с.

35. Левин В.М., Мошкин Б.Н. Управление электропотреблением энергетической системы / учеб. пос. Новосибирск, НГТУ, . .с.

36. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования М.: Статистика, 1978, 243 с.

37. Манусов В.З., С. Мунхжаргал. Краткосрочное прогнозирование нагрузки с применением искусственных нейронных сетей // Сборник научных трудов НГТУ Новосибирск: Изд-во НГТУ, 2004. - Вып. 2(36). - с. 107- 113.

38. Манусов В.З., С. Мунхжаргал. Оперативное прогнозирование нагрузки с использованием нейросетевого алгоритма // Сборник научных трудов -Новосибирск: Изд-во НГТУ, 2004. Вып. 3(37). - с.

39. Медведев B.C., Потемкин В.Г. Нейронные сети. Matlab 6 М.: Диалог. Мифи, 2002,489 с.

40. Меламед A.M. Современные методы анализа и прогнозирования электропотребления в электроэнергетических системах / Итоги науки и техники. Энергетические системы и их автоматизация М.: ВИНИТИ, Т. 4, 1988, с. 4-111.

41. Мельников Н.А. Электрические сети и системы М.: Энергия, 1975, 463 с.

42. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес, Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе М.: Горячая линия - Телеком, 2003, 206 с.

43. Миркес Е.М. Нейрокомпьютер. Проект стандарта Новосибирск: Наука, 1998,337 с.

44. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем СПб.: Наука и Техника, 2003, 384 с.

45. Нейрокомпьютеры. Кн.1. Галушкин А. И. Теория нейронных сетей М.: Радиотехника, 2000, 524 с.

46. Нейрокомпьютеры. Кн.5. Цыпкин Я.З. Нейронные сети: история развития теории М.: Радиотехника, 2000, 256 с.

47. Нейрокомпьютеры. Кн.8. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления М.: Радиотехника, 2001,479 с.

48. Нейронные сети Statistica neural networks М.: Горячая линия - Телеком, 2001,182 с.

49. Осовский С. Нейронные сети для обработки информации М.: Финансы и статистика, 2002, 343 с.

50. Оперативно-диспетчерское управление при эксплуатации высоковольтных распределительных сетей / Авт. Кол. Фишов А.Г., Фишов В.А., Чекмазов Э.М., Шойко В.П., Лизалек Н.Н. Новосибирск: НГТУ, 2003, 139 с.

51. Петросов А.А. Стратегическое планирование и прогнозирование / уч.пос. -М.: изд-во МГТУ, 2001, 464 с.

52. Рабочая книга по прогнозированию / Авт. кол. Бестужев-Лада И.В., Саркисян С.А., Минаев Э.С., Мельникова Е.Н-М.: Мысль, 1982, 429 с.

53. Редкозубов С.А. Статистические методы прогнозирования в АСУ М.: Энергоатомиздат, 1981, 151 с.

54. Семенов В.А. Оптовые электроэнергии за рубежом М.: ЭНАС, 1998, 189 с.

55. Суровцев И.С., Клюкин В.И., Пивоварова Р.Н. Нейронные сети: введение в современную информационную технологию Воронеж, 1994, 103 с.

56. Теория прогнозирования и принятия решений / Под ред. Саркисяна С.А. М.: Высшая школа, 1977, 351 с.

57. Тимченко В.Ф. Колебания нагрузки и обменной мощности энергосистем / под ред. ВениковаВ.А. -М.: Энергия, 1975, 209 с.

58. Тимченко В.Ф., Меламед A.M., Скрипко О.А. Прогнозирование режимов электропотребления нерегулярных дней / «Электрические станции», 1987, № 5, 52-57.

59. Уоссерман Ф. Нейрокомпьютерная техника. Теория и практика М.: Мир, 1990, 240с.

60. Уотшем Т. Дж., Паррамоу К. Количественные методы в финансах М.: Юнити, 1999, 527 с.

61. Хачатурова С.М., Русин Г.Л., Сарычева О.М. Идентификация и моделирование систем Новосибирск, 1985, 79 с.

62. Черныш Е.А., Молчанова Н.П. и др. Прогнозирование и планирование М.: Экспертное бюро, 1999, 172 с.

63. Четыркин Е.М. Статистические методы прогнозирования М.: Статистика, 1977, 200 с.

64. Чокин Ш.Ч., Лойтер Э.Э Управление нагрузкой электроэнергосистем изд-во «Наука» Казахской ССР, Алма-Ата, 1985, 286 с.

65. Электрические системы. Автоматизированные системы управления режимами энергосистем / Под ред. Веникова В.А. кн. 7. М.: Высшая школа, 1979,448 с.

66. Alexandre P. Alves da Silva, Luciano S. Moulin. Confidence intervals for neural network based short-term load forecasting. IEEE Transactions on Power Systems, vol. 15, No. 4, November 2000, p. 1191-1196.

67. Alfuid A.S., El-Sayed M.A., Mahmoud M.S. Cascaded artificial neural networks for short-term load forecasting. IEEE Transactions on Power Systems, vol. 12, No. 4, November 1997, p. 1524-1530.

68. Alizera Khotanzad, Reza Afkhami-Rohani, Dominic Maratukulam. ANNSTLF -artificial neural networks short-term load forecaster generation three. IEEE Transactions on Power Systems, vol. 13, No. 4, November 1998, p. 1413-1422.

69. Alves da Silva A.P., Ferreira C., Zambroni de Souza, Lambert-Torres G. A new constructive ANN and its application to electric load representation. IEEE Transactions on Power Systems, vol. 12, No. 4, November 1997, p. 1569-1576.

70. Benjamin F. Hobbs, Suradet Zitprapaikulsarn, Sreenivas Konda and others. Analysis of the value for the unit commitment of improved load forecasting. IEEE Transactions on Power Systems, vol. 14, No. 4, November 1999, p. 1342-1348.

71. Bostanci M., Koplowitz J., Taylor C.W. Identification of power system load dynamics using artificial neural networks. IEEE Transactions on Power Systems, vol. 12, No. 4, November 1997, p. 1468-1473.

72. Charytoniuk W., Chen M.S., P. Van Olinda. Nonparametric based short-term load forecasting IEEE Transactions on Power Systems, vol. 13, No. 3, August 1998, p. 725-730.

73. Dash P.K., Liew A.C., Rahman S. A real-time short-term load forecasting system using functional link network. IEEE Transactions on Power Systems, vol. 12, No. 2, May 1997, p. 675-680.

74. Doveh E., Feigin P., Hyams L. Experience with FNN models for medium term power demand predictions. IEEE Transactions on Power Systems, vol. 14, No. 2, May 1999, p. 538-546.

75. Drezga I., Rahman S. Input variable selection for ANN-based short-term load forecasting. IEEE Transactions on Power Systems, vol. 13, No. 4, November 1998, p. 1238-1244.

76. Drezga I., Rahman S., Short-term load forecasting with local ANN predictions. IEEE Transactions on Power Systems, vol. 14, No. 3, August 1999, p. 844-858.

77. Henrique Steinherz Hippert, Carlos Eduardo Pedreira, Reinaldo Castro Souza. Neural networks for short-term load forecasting: a review and evaluation. IEEE Transactions on Power Systems, vol. 16, No. 1, February 2001, p. 44-55.

78. Hiroyuki Mori, Atsushi Yuihara. Deterministic annealing clustering for ANN-based short-term load forecasting. IEEE Transactions on Power Systems, vol. 16, No. 3, August 2001, p. 545-551.

79. Hisham Choueiki M., Clark A. Mount-Campbell, Stanley C. Ahart. Building a 'quasi optimal' neural network to solve the short-term load forecasting problem. IEEE Transactions on Power Systems, vol. 12, No. 4, November 1997, p. 14321439.

80. Hyeonjoong Yoo, Russell L. Pimmel. Short-term load forecasting using self-supervised adaptive neural network. IEEE Transactions on Power Systems, vol. 14, No. 2, May 1999, p. 779-784.

81. James W. Taylor, Roberto Buizza. Neural network load forecasting with weather ensemble predictions. IEEE Transactions on Power Systems, vol. 17, No. 3, August 2002, p. 626-632.

82. Kandil M.S., El-Debeiky S.M., Hasanien N.E. Long-term load forecasting for fast developing utility using knowledge-based expert system. IEEE Transactions on Power Systems, vol. 17, No. 2, May 2002, p. 491-496.

83. Kassaei H.R., Keuhani A., Woung Т., Rahman M., A hybrid fuzzy neural network load modeling and predication. IEEE Transactions on Power Systems, vol. 14, No.24, May 1999, p. 718-724.

84. Kwang Y Lee, Arthit Sode-Yome, June Ho Park. Adaptive Hopfield neural networks for economic load dispatch. IEEE Transactions on Power Systems, vol. 13, No. 2, May 1998, p. 519-526.

85. Kwang-Ho Kim, Hyoung-Sun Yuon, Yong-Cheol Kang. Short-term load # forecasting for special days in anomalous load conditions using neural networksand fuzzy inference methods. IEEE Transactions on Power Systems, vol. 15, No. 2, May 2000, p. 559-565.

86. Lalit Mohan Saini, Mahender Kumar Soni. Artificial neural network-based peak load forecasting using conjugate gradient methods. IEEE Transactions on Power Systems, vol. 17, No. 3, August 2002, p. 907-912.

87. Nima Amjady. Short-term load forecasting using time-series modeling with peak load estimation capability. IEEE Transactions on Power Systems, vol. 16, No. 6,m August 2001, p. 498-505.

88. Okubo H., Otsuko Т., Kato K., Hayakawa N., Nikita M. Electric field optimization of high voltage electrode based neural network IEEE Transactions on Power Systems, vol. 12, No. 4, November 1997, p. 1413-1418.

89. Padhy N.P. Unit commitment hybrid models a comparative study for dynamic programming, expert system, fuzzy system and genetic algorithms. Electrical Power and Energy Systems 23 (2000) 827-326.

90. Ъ 90. Yuan-Yih Hsu, Feng-Chang Lu. A combined artificial neural network-fuzzydynamic programming approach to reactive power/voltage control in distributionsubstation. IEEE Transactions on Power Systems, vol. 13, No. 4, November 1998, p. 1265-1271.

91. Zhang Li, Peter B. Luh, Krishnan Kasiviswanathan. Energy clearing price prediction and confidence interval estimation with cascaded neural networks. IEEE Transactions on Power Systems, vol. 18, No. 1, February 2003, p. 99-105.

92. Zhihong Chen, Jean-Claud Maun. Artificial neural network approach to single-ended fault locator for transmission lines. IEEE Transactions on Power Systems, vol. 15, No. 1, February 2000, p. 370-375.

93. Khotanzad A. and oth. An adaptive modular artificial neural network hourly forecaster and its implementation at electric utilities. IEEE Trans, on Power System, vol.1, No3, August 1996.

94. Srinivasan D. and oth. Demand forecasting using fuzzy neural computation with special emphasis on weekend and public holiday forecasting. IEEE Trans, on Power Systems, vol.10, No 4, November, 1995 p.

95. Nishimura K. and oth. Methods to Build Neural networks for Evaluation of state Variable Patterns. IEEE trans. Power Deliver, 1989, 4 N 2, pp. 978-985.

96. Aggoune M. and oth. Preliminary results on using artificial neural networks for ф security assessment. IEEE Trans. On power system, 1989 4 (252-258).

97. El-Keib A.A., Ma X. Application of artificial neural networks in voltage stability assessment. IEEE Trans, on Power Systems, vol.10, No 4, November, 1995, p.

98. La Scala M, Trovato M., Torelli F. A neural network based method for voltage security monitoring. IEEE Trans, on Power Systems, vol.11, No3, August, 1996, p.

99. Kolla S.R. Digital protection of power transformers using artificial neural networks. 1995.

100. Scheduling of hydroelectric generation using artificial neural networks. R.H.Liang, Y.-Y.Hsu (Dept. of Electr. Eng., Nat. Taiwan Univ., Taipei, Taiwan). IEE Proc., Gener. Transm. Distrib. (UK), vol.141, no.5, p.452-8 (Sept. 1994).

101. A neural network controlled unity power factor three phase current source PWM front-end rectifier for adjustable speed drives. A.Losleay, N.R. Zargari, G.Joost (Concordia Univ., Montreal, Que., Canada). Fifth International Conference on

102. Power Electronics and Variable-Speed Drives (Conf. Pudl. No.399), London, UK, 26-28 Oct. 1994 (London, UK: IEE 1994), p.251-5.

103. Tahan S.A. A Two-factor Saturation Model for synchronous Machines with multiple motor circuits. IEEE Power Engineering Review, Dec. 1995.

104. Tsai H. and oth. Development of a neural network based saturation model for synchronous generator analysis. IEEE Trans, on Energy Conversion, vol.10, N 4, December, 1995.

105. A practical method based on structured neural networks to optimize power system operation / Sakural Kyoko, Nishimura Kazuo, Hayashi Hideki // Proc. Int. Jt Conf. Neural Networks, nagoya, Oct. 25-29, 1993: IJCNN'93 Nagoya. Vol.1.1. Nagoya, 1993, p.873.

106. Zhang Y and oth. Artificial neural network power system stabilizers in multi-machine power system environment. IEEE Trans, on Energy Conversion, vol.10, N1, March, 1995.

107. M.A.El-Sharkawi and oth. Localization of winding shorts using fuzzified neural networks. IEEE Trans, on Energy Conversion, vol.10, N1, March, 1995.

108. Chaudhry S.R. and oth. An artificial neural network methodfor the identification of saturated turbogenerator parameters based on a coupled finite-element/state4 space computational algorinhm. IEEE Trans, on Energy Conversion, vol.10, N4,1. Dec. 1995.

109. Jeng L.H. and oth. Damping of torsion oscillations in a parallel AC/DC System using an artificial neural network tuned supplemental sub synchronous damping controller. Proc. Natl. Sci. Connc. Roc(A), vol.20, N2,1996 (174-184).

110. Harashima F. and oth. Application of neural network to power Converter Control JNNC-91, Syngapoure, 1991.

111. Hiyyama T. and oth. Identification of optimal Operating Point of PV Modules using neural network for real time maximum power tracking control. IEEE Trans, on Energy Conversion, v. 10, N2, June, 1995.

112. Djukanovic M. and oth. Neural-net based coordinated stabilizing control for the exciter and governor loops of low head hydropower plants. IEEE Trans, on Energy Conversion, vol.10, No 4, December, 1995.

113. Trzynadlowski A.M. and oth. Application of neural networks to the optimal control of three-phase voltage-controlled inverters. IEEE Trans, on Power Electronics, vol.9, No 4, July, 1994.

114. Expert system for power systems. Matsumoto Keinosuke, "Mitsubishi electric advance", 1986, 34, 23-26.

115. Fuzzy expert systems an application to short-term load forecasting. Hsu Y-Y, Ho K.L. IEE Proc. 1992 -139, No 6, p. 471-477.