Разработка методики краткосрочного прогнозирования электропотребления системы собственных нужд ТЭЦ тема диссертации и автореферата по ВАК РФ 05.14.02, кандидат наук Ярыгина Екатерина Александровна

• Ярыгина Екатерина Александровна
• кандидат наук
• 2022

Оглавление диссертации кандидат наук Ярыгина Екатерина Александровна

ВВЕДЕНИЕ

1 СИСТЕМА СОБСТВЕННЫХ НУЖД ТЕПЛОВЫХ

ЭЛЕКТРИЧЕСКИХ СТАНЦИЙ

1.1 Общие сведения об исследуемом объекте

1.2 Собственные нужды тепловых электрических станций

1.3 Система электроснабжения собственных нужд тепловых электрических станций

1.4 Необходимость прогнозирования электропотребления

собственных нужд тепловых электрических станций

1.5 Выводы по первому разделу

2 МЕТОДЫ ПРОГНОЗИРОВАНИЯ СОБСТВЕННЫХ НУЖД

ТЕПЛОВЫХ ЭЛЕКТРИЧЕСКИХ СТАНЦИЙ

2.1 Расчет затрат электроэнергии на собственные нужды теплоэлектроцентралей на базе нормативно-технической документации по топливоиспользованию

2.2 Методы краткосрочного прогнозирования для решения

задач в электроэнергетике

2.3 Статистические методы

2.3.1 Методы регрессии

2.3.2 Методы временных рядов

2.4 Методы искусственного интеллекта

2.4.1 Методы, основанные на моделях нейронных сетей

2.4.2 Методы, основанные на нечеткой логике

2.5 Применение искусственных нейронных сетей для

краткосрочного прогнозирования электропотребления

2.5.1 Линейная сеть

2.5.2 Вероятностная нейронная сеть

2.5.3 Обобщенно-регрессионная нейронная сеть

2.5.4 Многослойный персептрон

2.5.5 Радиально базисная функция

2.6 Сравнение методов прогнозирования электропотребления

в электроэнергетике

2.7 Выводы по второму разделу

3 ОПРЕДЕЛЕНИЕ ВЛИЯЮЩИХ ФАКТОРОВ

НА ЭЛЕКТРОПОТРЕБЛЕНИЕ СОБСТВЕННЫХ НУЖД

ТЕПЛОВЫХ ЭЛЕКТРИЧЕСКИХ СТАНЦИЙ

3.1 Выявление зависимости между генерацией активной мощности

на электростанции и электропотреблением собственных нужд

3.2 Выявление связи между отпуском тепловой энергии и электропотреблением собственных нужд электростанции

3.3 Определение зависимости между расходом топлива и электроэнергией, расходуемой на систему

собственных нужд электростанции

3.4 Определение взаимосвязи между электропотреблением собственных нужд электростанции, коэффициентом

установленной мощности и количеством работающих генераторов

3.5 Влияние температуры наружного воздуха на величину электропотребления собственных нужд теплоэлектроцентралей

3.6 Выводы по третьему разделу

4 РАЗРАБОТКА МОДЕЛЕЙ КРАТКОСТРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ И МЕТОДОВ ЧИСЛЕННОЙ ОПТИМИЗАЦИИ

4.1 Практический выбор оптимальной структуры нейронной сети

для всех годовых периодов

4.2 Разработка архитектуры модели электропотребления собственных нужд тепловой электростанции на основе нейронной сети

4.2.1 Предварительная обработка входных параметров сети

4.2.2 Количество слоев и число нейронов в каждом слое

нейронной сети

4.2.3 Функции активации нейронов сети

4.3 Обучение нейронной сети

4.4 Анализ значимости включенных в модель факторов

4.5 Апробация построенных моделей на основе искусственных нейронных сетей и на реальных данных теплоэлектроцентралей

4.6 Выводы по четвертому разделу

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ 1 - Описание свидетельства о регистрации

электронного ресурса

ПРИЛОЖЕНИЕ 2 - Акты об использовании результатов

диссертационной работы

Введение диссертации (часть автореферата) на тему «Разработка методики краткосрочного прогнозирования электропотребления системы собственных нужд ТЭЦ»

ВВЕДЕНИЕ

Актуальность темы исследования. Для отрасли электроэнергетики задача эффективного планирования электропотребления в настоящее время является актуальной. Электропотребление системой собственных нужд (СН) теплоэлектроцентралей (ТЭЦ) более устойчиво во времени и для многих электрических станций является определяющим ресурсом производства электрической и тепловой энергии.

Динамика электропотребления в условиях выработки тепловой и электрической энергии на тепловых электростанциях (ТЭС) нарушается действием различных случайных факторов, но отклонения от основного технологического процесса могут иметь свои закономерности.

Прогнозирование электропотребления системы собственных нужд является основой для принятия решений при управлении электрическими станциями в процессе планирования их нормальных электрических режимов. На основе прогнозирования электрических нагрузок планируются оптимальные режимы работы энергообъектов, оценивается надежность их функционирования и энергоэффективность. Для сокращения затрат на генерацию тепловой и электрической энергии, поставляемой на оптовый рынок электрической энергии и мощности (ОРЭМ) и отпускаемой с него составляется сводный прогнозный баланс, который включает расходы на собственные нужды электростанции. Согласно правилам ОРЭМ потребители электрической энергии обязаны корректно спланировать свое электропотребление. Участники ОРЭМ берут на себя ответственность за потребление электроэнергии, объем которого вышел за рамки установленного в соответствии с прогнозом. Отклонение в потреблении на 2% и более от установленного значения влечет к дополнительным расходам.

Точность прогнозирования непосредственно связана с методом расчета. Статистические методы и методы искусственного интеллекта в настоящее время являются наиболее перспективными при прогнозировании электрической нагрузки, поскольку имеют ряд преимуществ (в части обеспечения точности

прогноза при минимизации затрат ресурсов на решение задачи) в сравнении с традиционными методами, основанными на использовании детерминированных моделей объекта.

Степень разработанности темы исследования.

Большой вклад в развитие методов прогнозирования электрической нагрузки на основе теории искусственных нейронных сетей (ИНС) отмечен в работах следующих авторов: Готмана Н.Э., Кругловой В.В., Кудрина Б.И., Курбацкого В.Г., Манусова В.З., Надтоки И.И., Осовского С., Старцевой Т.Б., Шумиловой Г.П., Baker A.B., Bunn D.W., Gupta P.C. и других. Задачи краткосрочного прогнозирования электропотребления ранее решались на уровне электроэнергетических систем и промышленных предприятий. Прогнозирование электропотребления собственных нужд электростанций осуществляется с использованием ретроспективных данных по активной мощности, при этом ошибка прогноза часто не соответствует требованиям ОРЭМ. Широкое распространение прогнозирования расхода электроэнергии на собственные нужд ТЭЦ получил метод на основе нормативно-технической документации по топливоиспользованию: энергетических характеристик оборудования и макета расчета номинальных показателей, разрабатываемых индивидуально для каждой тепловой электрической станции установленной электрической мощностью 10 МВт и более. Однако такой подход имеет недостатки: требуется сравнительно большой набор исходных данных, которые часто не известны для прогнозируемого периода; точность прогнозирования зависит от качества разработанной для конкретной электростанции нормативно-технической документации по топливоиспользованию, что делает подход не универсальным.

Цель работы и задачи исследования

Целью работы является разработка методики для повышения точности краткосрочного прогнозирования электропотребления системы собственных нужд ТЭЦ с учетом прогнозного диспетчерского графика и загруженности генерирующего оборудования.

Для достижения поставленной цели в данной работе ставятся задачи:

1. Анализ современных методов, применяемых для краткосрочного прогнозирования электропотребления;

2. Анализ факторов, влияющих на величину электропотребления собственных нужд ТЭЦ;

3. Разработка математической модели прогнозирования электропотребления системой собственных нужд ТЭЦ на основе искусственной нейронной сети;

4. Построение модели прогнозирования электропотребления системой собственных нужд ТЭЦ в пакете ST Neural Networks;

5. Анализ и практическое применение методов обучения, основанных на искусственных нейронных сетях и выбор наиболее подходящего алгоритма для целей прогнозирования электропотребления системы собственных нужд ТЭЦ;

6. Тестирование разработанной модели прогнозирования на реальных данных нескольких ТЭЦ и анализ полученных результатов.

Основные положения, выносимые на защиту.

1. Результаты анализа факторов, влияющих на электропотребление собственных нужд ТЭЦ: выработки активной мощности, отпуска тепловой энергии, тонны условного топлива (ТУТ), числа работающих генераторов, коэффициента использования установленной мощности (КИУМ) ТЭЦ, ретроспективных данных по расходу электрической энергии системой собственных нужд ТЭЦ;

2. Математические модели краткосрочного прогнозирования электропотребления на основе ИНС;

3. Результаты апробации построенных моделей на основе ИНС численным методом оптимизации с фактическими данными, полученными на различных ТЭЦ.

Научная новизна

1. Предложен основанный на статистическом анализе способ определения влияющих на затраты электроэнергии на собственные нужды ТЭЦ факторов, включаемых в разработанную математическую модель.

2. На основе искусственной нейронной сети с применением для её обучения алгоритма обучения Бройдена-Флетчера-Гольдфарба-Шанно (БФГШ), разработана математическая модель, обеспечивающая определение прогнозных затрат электроэнергии на собственные нужды ТЭЦ с точностью, соответствующей требованиям действующих нормативных документов оптового рынка электроэнергии и мощности (или соответствующей требования системного оператора).

3. Установлено, что для повышения точности прогнозирования значений активной мощности, расходуемой на систему СН ТЭЦ с использованием разработанной математической модели, необходимо различать четыре периода года (отопительный, неотопительный, а также периоды подключения и отключения тепловой нагрузки систем отопления) и для каждого из них использовать специфичные структуры модели и набор включенных в неё факторов.

Соответствие паспорту специальности. Диссертация соответствует паспорту специальности 05.14.02 - Электрические станции и электроэнергетические системы (технические науки).

В части формулы специальности: «...В рамках специальности проводятся исследования по развитию теоретической и технической базы электроэнергетики с целью . снабжения потребителей электроэнергией в необходимом для потребителей количестве.». Результаты диссертационного исследования позволяют более точно прогнозировать электропотребление системой собственных нужд, что, в свою очередь, уменьшит вероятность получения штрафных санкций на ТЭЦ.

В части области исследования:

П. 2 «Разработка методов анализа режимных параметров ... оборудования электростанций» соответствует: произведен анализ параметров, влияющих на величину СН и требующих учета при прогнозировании электропотребления СН; определены зависимости, путем построения графиков и

расчета коэффициента детерминации между влияющими факторами и значениями электропотребления собственных нужд ТЭЦ.

П. 6 «Разработка методов математического и физического моделирования в электроэнергетике» соответствует: произведен практический выбор типа и архитектуры искусственной нейронной сети; выбран метод главных компонентов для предварительной обработки входных параметров сети; разработана математическая модель для более точного прогнозирования электропотребления системой собственных нужд ТЭЦ.

П. 13 «Разработка методов использования ЭВМ для решения задач в электроэнергетике» соответствует: разработана программа для прогнозирования электропотребления собственных нужд ТЭЦ на основе нейронной сети в программном комплексе STATISTICA c использованием пакета Neural Networks.

Теоретическая значимость работы обусловлена следующим. Доказаны преимущества применения метода, основанного на ИНС, для повышения точности краткосрочного прогнозирования электропотребления системой СН ТЭЦ с учетом установленных системным оператором ограничений. Изложены способ определения факторов, влияющих на потребление активной мощности системой СН ТЭЦ, основанный на применении статистического анализа, и метод нейросетевого моделирования, базирующийся на применении алгоритма численной оптимизации. Изучены преимущества предложенного способа построения моделей прогнозирования, по сравнению с применяемыми методами краткосрочного прогнозирования для решения задач в электроэнергетике. Проведена модернизация существующих методик краткосрочного прогнозирования электропотребления СН ТЭЦ в программном комплексе STATISTICA c использованием пакета Neural Networks. Раскрыты основные недостатки существующих методов краткосрочного прогнозирования электропотребления в связи с отсутствием в них универсального подхода для решения задач.

Практическая значимость работы

1. Разработана методика краткосрочного прогнозирования электропотребления системой СН ТЭЦ на основе ИНС, включающая математическую модель, способ отбора включенных в неё факторов и алгоритм обучения модели по ретроспективным экспериментальным данным, получаемых на конкретной ТЭЦ.

2. Разработана компьютерная программа для расчета прогнозных значений потребления электроэнергии в программном комплексе STATISTICA c использованием пакета Neural Networks с помощью ИНС.

Реализация результатов работы

1. В Филиале акционерного общества «Системный оператор Единой энергетической системы» оперативно-диспетчерское управление Средней Волги протестирована методика краткосрочного прогнозирования электропотребления СН ТЭЦ и утверждена для оценки прогнозных значений электропотребления электростанций при планировании баланса электроэнергии.

2. Методика краткосрочного прогнозирования электропотребления внедрена в практику проектирования в группе компаний «ИНФОПРО» при разработке автоматизированного планирования режимов генерирующих компаний для обеспечения более точного и надежного управления режимами работы оборудования станции и уменьшения отклонения режимов работы от расчетного диспетчерского графика.

3. Полученные результаты диссертационной работы используются в федеральном государственном бюджетном образовательном учреждении высшего образования «Самарский государственный технический университет» при проведении лекционных, практических и семинарских занятий для подготовки бакалавров и магистров по направлению подготовки «Электроэнергетика и электротехника».

Методология и методы исследования. При решении поставленных задач использовались статистические методы и методы искусственного интеллекта, а именно методы нейронных сетей с использованием алгоритма Бройдена -Флетчера - Гольдфарба - Шанно . Экспериментальные исследования и

тестирование модели на основе нейронной сети осуществлялись с помощью программного пакета ST Neural Networks в программном комплексе STATISTICA 12. Обучение ИНС проводилось с использованием экспериментальных данных, полученных из архива автоматизированной информационно-измерительной системы коммерческого учёта электроэнергии (АИИСКУЭ) за 2014-2016 гг. на действующих ТЭЦ.

Достоверность полученных результатов подтверждается совпадением результатов работы, полученных на разработанных математических моделях с реальными фактическими данными, полученными на тепловых электрических станциях из систем АИИСКУЭ.

Апробация полученных результатов. Основные положения диссертации докладывались и обсуждались на VI международной конференции «Энергетика глазами молодежи» (г. Иваново, 2015 г.); на VII международной конференции «Энергетика глазами молодежи» (г. Казань, 2016 г.); на XI Международной научно-практической конференции АШИРОВСКИЕ ЧТЕНИЯ (г. Самара, 2015 г.); на VIII межрегиональной научно-практической конференции «Будущее города - в профессионализме молодых» (г. Новокуйбышевск, 2016 г.); на научно-практических семинарах «Электрические станции и электроэнергетические системы» (г. Самара 2014-2018 гг.).

Публикации. Результаты исследований опубликованы в 12 печатных работах, в том числе 4-х научных статьях в рецензируемых научных журналах, входящих в перечень рекомендуемых изданий ВАК РФ, 1 тезисе и 6 статьях в материалах конференций различного уровня, получено 1 свидетельство о государственной регистрации программы для ЭВМ.

Структура и объём диссертации. Диссертационная работа состоит из введения, четырех разделов и заключения. Работа содержит 125 страниц, 53 рисунка, 13 таблиц и 2 приложения. Список использованных источников включает 107 наименований.

1 СИСТЕМА СОБСТВЕННЫХ НУЖД ТЕПЛОВЫХ ЭЛЕКТРИЧЕСКИХ СТАНЦИЙ

1.1 Общие сведения об исследуемом объекте

Теплоэнергетика является основой энергетического комплекса и производит большую часть электроэнергии страны. Тепловые электрические станции обладают массой недостатков, таких как загрязнение окружающей среды и высокая себестоимость электроэнергии. Несмотря на это, больший процент от общего количества различных видов электростанций приходится именно на тепловые электрические станции (рисунок 1.1). Причина распространенности данного вида электростанций - универсальность ТЭС. Топливом на тепловых электростанциях является: природный газ, уголь, мазут, торф и горячие сланцы. При проектировании данного типа электростанции необходимо учитывать какие энергоресурсы преобладают в данном регионе [1].

ГЭС 17,0%

АЭС 18,7%

■ ВЭС 0,000%

СЭС 0,007%

ТЭС 64,3%

Структура установленной мощности электростанций по видам генерирующего оборудования на 01.01.2018 г.

Рисунок 1.1 - Структура установленных мощностей и выработки электроэнергии

электростанций России на 01.01.2018 г.

Работа ТЭС может осуществляться как на твердом, жидком, так и на газовом топливе. В настоящее время на тепловых электростанциях РФ, странах СНГ и за

Структура выработки электроэнергии на 01.01.2018 г.

рубежом наряду с твердым топливом применяют жидкое и газовое. В европейской части России большая часть ТЭС работают на газу, а угольные ТЭС преобладают в южной Сибири и Дальнем Востоке (рисунок 1.2). Самым редким видом основного топлива на тепловых электростанциях является мазут. Переход на жидкое и газовое топливо значительно упрощает и удешевляет топливное хозяйство электростанции. Использование природного газа способствует также чистоте воздушного бассейна [2-4].

Рисунок 1.2 - Преобладающее топливо на ТЭС в России

Тепловые электростанции в России разделяются на теплофикационные и конденсационные. Принципиальная технологическая схема ТЭЦ отличается от конденсационных электростанций наличием отбора пара из турбины для технологических нужд и для подогрева сетевой воды.

На сегодняшний день в Российской Федерации функционирует около 370 тепловых электростанций. Из них 7 имеют мощность свыше 2 500 МВт [4].

В данной диссертационной работе будут подвергаться исследованиям и анализам полученных результатов ТЭЦ, расположенные в Самарской области (таблица 1.1).

Таблица 1.1 - Основная информация о ТЭЦ расположенных в Самарской области

Название ТЭЦ Установленная электрическая/ тепловая мощность Тип основного/ резервного топлива Состав основного оборудования Энергоснабжение и горячее водоснабжение Тепловая схема

Самарска я ТЭЦ 440 МВт/1954 Гкал/ч Газ/мазут 5хБКЗ-420-140 1хПТ-60-130/13 3хТ-100/120-130-3 1хР-50-130/13 Население и промышленные предприятия С поперечными связями

Новокуй-бышевск ая ТЭЦ-2 340 МВт/ 867 Гкал/ч Газ/мазут 11хТГМ-84 2хПТ-50-130/13 2хПТ-60-130/13 2хР-35-130/21 1хТ-50-130 Промышленные предприятия С поперечными связями

Безымян ская ТЭЦ 94,70 МВт/ 1445 Гкал/ч Газ/мазут 3хТП-230 1хБКЗ-220-100 1хТ-46-90 1хПТ-25-90 1хПР-23,7-90/10-0,9 Население и промышленные предприятия С поперечными связями

В большинстве случаев на ТЭЦ с промышленной и отопительной нагрузкой устанавливают теплофикационные турбоагрегаты двух или трех различных типов (ПТ, Р, Т), технологически связанные между собой. Тепловая схема у таких ТЭЦ, как правило, с поперечными связями [5].

Промышленные предприятия являются круглогодовыми потребителями технологического пара и горячей воды и сезонными потребителями теплоты с горячей водой для отопления и вентиляции.

Температура начала отопительного сезона +8°С при условии ее поддержания в течение пяти суток подряд, а выключение отопления определяется повышением среднесуточной температуры более +8°С в течение трех суток подряд. Для различных климатических районов (рисунок 1.3) установлены расчетные температуры наружного воздуха и продолжительность отопительного сезона. Самарская область расположена во II климатическом поясе [6].

Рисунок 1.3 - Карта климатических поясов России

1.2 Собственные нужды тепловых электрических станций

Под собственными нуждами ТЭЦ подразумевается комплекс, в который входят механизмы для обслуживания и автоматизации работ основного и вспомогательного оборудования электростанции, приводные двигатели этих механизмов, источники питания, внутристанционная электросеть и распределительные устройства, отопление, освещение и бытовые нужды [7].

«Механизмы, установки и аппараты собственных нужд подразделяются:

- на индивидуальные: котлов и турбоагрегатов;

- подгрупповые;

- общегрупповые;

- общестанционные» [8, с.85]

К электрическим собственным нуждам котлов относятся следующие потребители электроэнергии:

• механизмы систем топливоподачи, топливоприготовления:

- механизмы устройств приема и хранения топлива;

- механизмы, обеспечивающие регулирование и подачу газа в котел (компрессоры);

• механизмы систем золоулавливания, золо- и шлакоудаления;

• механизмы, обеспечивающие тягу и дутье:

- Дутьевые вентиляторы подают из воздухозабора воздух необходимый для горения топлива;

- дымососы отсасывают газообразные продукты сгорания котла для их удаления через дымовую трубу;

- вентиляторы рециркуляции горячего воздуха;

- дымососы рециркуляции дымовых газов;

• механизмы, обеспечивающие работу водопарового тракта:

- бустерные насосы обеспечивают требуемый кавитационный запас для высокооборотных насосов;

- питательные насосы подают питательную воду в котел;

- насосы рециркуляции среды прямоточных котлов;

- насосы циркуляции среды котлов с принудительной циркуляцией;

• механизмы установок по химической очистке и обессоливанию воды (пропорционально добавку воды, восполняющему внутристанционные потери пара и конденсата);

• механизмы установок для очистки отмывочных сточных вод, конденсата подогревателей мазута и других загрязненных вод (исключая очистку конденсата, возвращаемого внешними потребителями);

• механизмы, обеспечивающие поддержание котлов в консервации и резерве;

• механизмы, обеспечивающие пуск котла;

• механизмы, используемые для текущего и среднего ремонта котельного оборудования;

• механизмы системы отопления, вентиляции и кондиционирования котельного оборудования;

• механизмы системы отопления, вентиляции, кондиционирования и другие механизмы теплофикационной установки, работа которых не зависит от времени работы последней;

• установки для освещения котлов и теплофикационной установки;

• средства измерения, электроприводы арматуры, система управления и защиты;

• прочие система собственных нужд котла: дренажные насосы, насосы технического и пожарного водоснабжения; приводы топочных механизмов, регенеративных вращающихся воздухоподогревателей, обдувочных аппаратов и др.» [8, с.87-88].

«Механизмы электрических собственных нужд турбоагрегатов.

К электрическим собственным нуждам турбоагрегатов относятся следующие потребители электроэнергии:

• механизмы циркуляционной системы:

- циркуляционные насосы служат для подачи холодной воды в конденсатор;

- вентиляторы градирен;

- насосы подкачки воды в систему циркуляционного водоснабжения;

• механизмы конденсационной установки, системы регенерации низкого давления:

- конденсатные насосы служат для подачи конденсата отработанного пара;

- подъемные насосы водоструйных эжекторов;

- механические вакуумные насосы;

- дренажные и сливные насосы регенеративных подогревателей;

- насосы установок по очистке основного конденсата турбин;

• механизмы установок, обеспечивающих работу маслосистем смазки и регулирования турбоагрегатов:

- рабочие маслонасосы систем смазки и регулирования;

- механизмы очистки и регенерации масла;

- механизмы центральной маслоаппаратной;

- механизмы системы предотвращения попадания загрязненных и замасленных вод в почву и открытые водоемы;

- маслонасосы уплотнения генератора;

• прочие механизмы турбоагрегатов: перекачивающие и дренажные насосы, насосы охлаждения газоохладителей и др.;

• механизмы электрического цеха:

- механизмы, обеспечивающие охлаждение генераторов и трансформаторов;

- компрессоры воздушных выключателей;

- мотор-генераторы аккумуляторных батарей;

- механизмы измерительной и ремонтной мастерских.

• механизмы, работа которых связана с охраной окружающей среды, выполнением требований рыбоводства, ирригации;

• механизмы, обеспечивающие поддержание турбоагрегатов в консервации и резерве;

• механизмы, обеспечивающие пуск турбоагрегата;

• механизмы, используемые для текущего и среднего ремонта турбинного оборудования;

• механизмы системы отопления, вентиляции и кондиционирования турбинного оборудования;

• система освещения турбоагрегатов и относящегося к ним оборудования;

• средства измерения, авторегуляторы, электроприводы арматуры, система управления и защиты» [8, с.88-89]

«Механизмы теплофикационной установки.

В затраты электроэнергии на нужды теплофикационной установки входят следующие потребители:

• механизмы установок, обеспечивающих подготовку подпиточной воды тепловой сети:

- механизмы химводоотчистки приготовления подпиточной воды тепловой сети (пропорционально добавку воды, восполняющему потери сетевой воды);

- насосы подпитки теплосети, расположенные на территории электростанции;

• механизмы схем обвязки сетевых подогревателей:

- сетевые и перекачивающие насосы, расположенные на территории электростанции;

- конденсатные насосы сетевых подогревателей, в том числе если последние установлены индивидуально с турбоагрегатами;

• механизмы собственных нужд пиковых водогрейных котлов:

- индивидуальные механизмы собственных нужд пиковых водогрейных котлов (тягодутьевые механизмы, насосы рециркуляции среды и др.);

- механизмы мазутного хозяйства (пропорционально количеству мазута, сожженного пиковыми водогрейными котлами)» [8, с.89].

Механизмы электрических собственных нужд, связанных с отпуском тепловой энергии внешним потребителям с паром

«В затраты электроэнергии на собственные нужды, связанные с отпуском тепловой энергии внешним потребителям с паром, входят:

• механизмы схем обвязки паропреобразовательных и испарительных установок, обеспечивающих отпуск тепловой энергии внешним потребителям с паром:

- питательные насосы паропреобразователей и испарителей;

- конденсатные насосы паропреобразователей и испарителей;

• механизмы установок по химической очистке и обессоливанию воды (пропорционально добавку воды, восполняющему невозврат конденсата пара, отпущенного внешним потребителям);

• механизмы установок для очистки возвращаемого внешними потребителями загрязненного конденсата отпущенного им пара» [8, с.89].

«К подгрупповым, общегрупповым и общестанционным относятся следующие механизмы и установки собственных нужд котлов:

- механизмы для разгрузки, обработки и подачи к котлам мазута;

- механизмы центрального пылезавода;

- компрессоры и воздуходувки, обеспечивающие сжатым воздухом систему очистки котлов и пневмоинструмента;

- механизмы для пневматической подачи пыли;

- механизмы для золоулавливания, золо- и шлакоудаления;

- механизмы для очистки дымовых газов от вредных примесей (кроме установленных индивидуально с котлом);

- установки для очистки отмывочных сточных вод, конденсата подогревателей мазута и других загрязненных вод;

- питательные насосы для оборудования с поперечными связями;

- установки для химической очистки и химического обессоливания воды, подаваемой для восполнения внутристанционных потерь пара и конденсата;

- дренажные насосы, насосы технической воды и пожарного водоснабжения;

- дренажные насосы, механизмы системы отопления, вентиляции, кондиционирования и другие механизмы теплофикационной установки, работа которых не зависит от времени работы последней;

- механизмы, используемые для текущего и среднего ремонта котельного оборудования;

- механизмы системы отопления, вентиляции и кондиционирования котельного оборудования;

- установки для освещения котлов и теплофикационной установки;

- средства измерения, электроприводы арматуры, система управления и защиты» [8, с. 87-88].

Список литературы диссертационного исследования кандидат наук Ярыгина Екатерина Александровна, 2022 год

СПИСОК ЛИТЕРАТУРЫ

1. Рыжкин, В. Я. Тепловые электрические станции: Учебник для теплоэнерг. спец. вузов / В. Я. Рыжкин. - М.-Л.: Энергия, 1967. - 400 с.

2. Стерман, Л. С. Тепловые и атомные электрические станции. Учебник для вузов / Л. С. Стерман [и др.]. - М.: Энергоатомиздат, 1995. - 416 с.

3. Экономика России, цифры и факты. Часть 7 Энергетика // Портал трейдеров. - Режим доступа: https://utmagazine.ru/posts/10560-ekonomika-rossii-cifry-i-fakty-chast-7-energetika (Дата обращения: 30.06.2015).

4. Энергетика. ТЭС и АЭС. Все о тепловой и атомной энергетике. - Режим доступа: http://tesiaes.ru/?page_id=4525 (Дата обращения: 24.04.2017).

5. Мотыгина, С. А. Эксплуатация электрической части тепловых электростанций / С. А. Мотыгина. М.: Энергия, 1968. - 568 с.

6. Никифоров, Г. В. Совершенствование нормирования и планирования электропотребления в промышленном производстве / Г. В. Никифоров // Промышленная энергетика. - 1999. - № 3. - С. 27-29.

7. Рожкова, Л. Д. Электрооборудование электрических станций и подстанций: Учебник для сред. проф. образования / Л. Д. Рожкова, Л. К. Карнеева, Т. В. Чиркова. - М.: Издательский центр «Академия», 2004. - 448 с.

8. Методические указания по составлению и содержанию энергетических характеристик оборудования тепловых электростанций (РД 34.09.155-93).

9. Методические указания по составлению отчета электростанций и акционерного общества энергетики и электрификации о тепловой экономичности оборудования (РД 34.08.552-95).

10. Аббасова, Э. М. Собственные нужды тепловых электростанций / Э. М. Аббасова [и др.]; под ред. Ю. М. Голоднова. - М.: Энергоатомиздат, 1991. -272 с., ил.

11. Малафеев, А. В. Влияние высоковольтных двигателей собственных нужд на надежность системы электроснабжения собственных нужд ТЭЦ ОАО «ММК»

[Текст] / А.В. Малафеев, О.И. Карандаева, Ю.Н. Ротанова, О. В. Буланова // Электротехнические системы и комплексы. - 2009. - № 17. - С. 96-104.

12. Черновец, А. К. Электрические станции / А. К. Черновец, Изд-во Политехник, 2012. - 149 с.

13. Карелин, В. Я. Насосы и насосные станции: Учебник для вузов / В.Я. Карелин, А.В.Минаев. - 2-е изд.,перераб. и доп. - М.: Стройиздат, 1986. - 320 с.

14. Слесаренко, В. В. Насосы и тягодутьевые машины тепловых электростанций: Учебное пособие / В. В. Слесаренко. - Владивосток: Издательство ДВГТУ, 2002. - 84 с.

15. Рихтер, Л. А. Вспомогательное оборудование тепловых электростанций: Учебное пособие для вузов / Л. А. Рихтер, Д. П. Елизаров, В. М. Лавыгин. - М.: Энергоатомиздат, 1987. - 216 с.

16. Гук, Ю. Б. Устройство, проектирование и эксплуатация схем электроснабжения собственных нужд АЭС / Ю. Б. Гук, В. М. Кобжув, А. К. Черновец. - М.: Энергоатомиз-дат, 1991. - 295 с.

17. Васильев, А. А. Электрическая часть станций и подстанций / А. А. Васильев, И. П. Крючков, Е. Ф. Наяшкова, М. Н. Околович. - М.: Энергоатомиздат, 1990. - 576 с.

18. Козлов, А. Н. Собственные нужды тепловых, атомных и гидравлических станций и подстанций: учебное пособие / А. Н. Козлов, В. А. Козлов, А. Г. Ротачева. - Изд. 2-е, испр. и доп. - Благовещенск: Изд-во АмГУ, 2013. - 315 с.

19. Башмаков, И. А. Интегрированное планирование энергетических ресурсов в электроэнергетике / И.А. Башмаков // Энергосбережение. - 2009. -№ 7. - С. 20-30.

20. Прокопчик, В. В. Повышение качества электроснабжения и эффективности электрооборудования предприятий с непрерывными технологическими процессами / В. В. Прокопчик. - Гомель: Гом. гос. техн. ун-т, 2002. - 283 с.

21. Балаков, Ю. Н. Коммутационные узлы энергосистем / Ю. Н. Балаков, А. И. Васильчиков, В. М. Лаврентьев и др. - М.: Энергоатомиздат, 1997. - 228с.

22. СТО 70238424.27.100.004-2008 Системы питания собственных нужд ТЭС. Организация эксплуатации и технического обслуживания. Нормы и требования.

23. Об утверждении правил оптового рынка электрической энергии и мощности и о внесении изменений в некоторые акты правительства российской федерации по вопросам организации функционирования оптового рынка электрической энергии и мощности: Постановление от 27 декабря 2010 г. № 1172 // Собрание законодательства РФ-2011.

24. Белан, А. В. Пути и результаты совершенствования методов прогнозирования электропотребления / А. В. Белан, В. И. Гордеев, А. В. Демура, И.И. Надтока // Промышленная энергетика. - 1993. - № 9-10. - С. 23-26.

25. РД 34.09.154-95 «Положения о разработке, согласовании и утверждении нормативно-технических документов по топливоиспользованию» - М.: СПО ОРГРЭС, 1995.

26. Льюис, К. Д. Методы прогнозирования экономических показателей / К. Д. Льюис; пер. с англ.: Е. З. Демиденко. - М.:Финансы и статистика, 1986. - 132 с.

27. Ведерников А.С. Разработка методики краткосрочного электропотребления системы собственных нужд ТЭЦ// А.С. Ведерников, Е.А. Ярыгина // Кибернетика энергетических систем: сборник материалов XLI междунар. научно-технич.конф - Новочеркасск: Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова, 2020.-С.52-58.

28. Пустыльник, Е. И. Статистические методы анализа и обработки наблюдений. - М.: Наука, 1968. - 288 с.

29. Дрейпер, Н. Прикладной регрессионный анализ / Н. Драйпер, Г. Смит. -М.: Финансы и статистика, 1986. - 366 с.

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

31. Андерсон, Т. Статистический анализ временных рядов / Т. Андерсон; Пер с англ. - М.: Мир, 1976. - 760 с.

32. Болн Б., Хуань К. Дж. Многомерные статистические методы для экономики. - М.: Наука, 1979. - 348 с.

33. Вороновский, Г. К. Генетические алгоритмы, нейронные сети и проблемы виртуальной реальности / Г. К. Вороновский. - Харьков: Основа, 1997. - 112 с.

34. Торопов, А. С. Прогнозирование почасового электропотребления региональной энергосистемы с использованием искусственных нейронных сетей /

A. С. Торопов, А. Н. Туликов // Вестник Иркутского государственного технического университета. - 2017. - Т. 21, № 5. - С. 143-151.

35. Мак-Каллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности // В сб.: «Автоматы» под ред. К.Э. Шеннона и Дж. Маккарти. - М.: Изд-во иностр. лит., 1956. - с.363-384.

36. Калан, Роберт. Основные концепции нейронных сетей: Пер. с англ. - М.: Издательский дом «Вильямс», 2001. - 288 с.

37. Горбачевская, Е. Н. История развития нейронных сетей / Е. Н. Горбачевская, С. С. Краснов // Вестник Волжского университета имени В.Н. Татищева. - 2015. - №1 (23). - С. 52-56.

38. Потемкин, В. Г. Нейронные сети. MATLAB 6 / Под общ. ред. к.т.н.

B. Г. Потемкина. - М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

39. Розенблат, Ф. Принципы нейродинамики: Персептрон и теория механизмов мозга. Пер. с англ. - М.: Мир, 1965. - 175 с.

40. Гофман, А. В. Повышение точности краткосрочного и оперативного прогнозирования электропотребления энергосистемы с применением искусственной нейронной сети / А. В. Гофман, А. С. Ведерников, Е. С. Ведерникова // Электрические станции. - 2012. - № 7. - С. 36-41.

41. Papalexopoulos, A. D. An implementation of a neural network based load forecasting model for the EMS/ A. D. Papalexopoulos, S. Hao, T. M. Peng // IEEE Transactions on Power Systems. - 1994. - Vol. 9. - PP. 1956-1962.

42. Еремин, Д. М. Система управления с применением нейронных сетей // Приборы и системы. Управление, контроль, диагностика. - 2001. -№ 9. - С. 8-11.

43. Курбацкий, В. Г. Прогнозирование электрической нагрузки с использованием искусственных нейронных сетей / В. Г. Курбацкий, Н. В. Томин // Электрика. - 2006. - № 7. - С. 26-32.

44. Chen, C. S. The application of artificial neural networks to substation load forecasting Electric Power Systems Research / C. S. Chen, Y. M. Tzeng, J. C. Hwang. -1996. - Vol. 38. - Issue 2. - PP. 153-160.

45. Егупов, Н. Д. Методы робастного, нейро - нечеткого и адаптивного управления: учебник / под ред. Н.Д. Егупова. - М: Изд-во МГТУ им. Н.Э. Баумана, 2002. - 743 c.

46. Деменков, Н. П. Язык нечеткого управления // Промышленные АСУ и контроллеры. - 2005. - № 5. - С. 30-36.

47. Тэрано, Т. Прикладные нечеткие системы / пер. с японского Ю.Н. Чернышова. - М.: Мир, 1993. - 368 c.

48. Ho, K. L. Short-term load forecasting of Taiwan power system using a knowledge based expert system / K. L. Ho, Y. Y. Hsu, C. F. Chen // IEEE Transactions on Power Systems. - 1990. - Vol. 5. - PP. 1214-1221.

49. Rahman, S. Load forecasting for multiple sites: development of an expert system-based technique / S. Rahman, O. Hazim // Electric Power Systems Research. -1996. - Vol. 39. - PP. 161-169.

50. Heng, E. T. Short term load forecasting using genetic algorithm and neural networks / E.T. Heng, D. Srinivasan // International Conference on power delivery, March 1998. - Vol. 2. - PP. 576-581.

51. Data Mining: классификация и регрессия. Машинное обучение // Научно -популярный портал. - Режим доступа: http: //bukvi.ru/computer/datami-ning-klassifikaciya-i-regressiya-mashinnoe-obuchenie.html (Дата обращения: 15.11.2017).

52. Маслобоев, Ю. П. Введение в Neural Network Toolbox / Ю. П. Маслобоев. -Режим доступа: www.exponenta.ru (Дата обращения: 4.01.2018).

53. StatSoft, Inc. (2001). Электронный учебник по промышленной статистике. Москва, StatSoft. - Режим доступа: www.statsoft.ru (Дата обращения: 25.02.2018).

54. Howard Demuth, Mark Beale. Neural Network Toolbox For Use with MATLAB.

55. Червяков, Н. И. Применение нейронных сетей для задач прогнозирования и проблемы идентификации моделей прогнозирования / Н. И. Червяков, Э. И. Тихонов // Нейрокомпьютеры: разработка, применение. - 2003. - № 10. - С. 25-31.

56. Тихонов, Э. Е. Сравнительный анализ традиционных методов прогнозирования с методами прогнозирования на нейронных сетях / Э. Е. Тихонов // Компьютерная техника и технологии: Сб. трудов регион. НТК. Ставрополь: СевКав ГТУ, 2003. - С.179-183.

57. Курбацкий, В. Г. О нейросетевом подходе к прогнозированию нестационарных временных рядов на основе преобразования Гильберта-Хуанга / В. Г. Курбацкий [и др.] // Автоматика и телемеханика. - 2011. - № 7. - С. 58-68.

58. Тихонов, Э. Е. Сравнительный анализ радиально базисной нейронной сети и сети типа - многослойный персептрон на примере прогнозирования объема экспорта / Э. Е. Тихонов //Компьютерная техника и технологии: Сб. трудов регион. НТК. Ставрополь: СевКав ГТУ, 2003. - С.184-186.

59. Хайкин, С. Нейронные сети / С. Хайкин. - М.: Издат. дом «Вильяме», 2006.

60. Манусов, В. З. Краткосрочное прогнозирование электрической нагрузки на основе нечеткой нейронной сети и ее сравнение с другими методами / В. З. Манусов, Е. В. Бирюков // Известия Томского политехнического университета. -2006. - T. 309. - № 6.

61. Бэнн, Д. В. Сравнительные модели прогнозирования электрической нагрузки [Текст] / Д. В. Бэнн, Е. Д. Фармер. - М.: Энергоатомиздат, 1987. - 200 с.

62. Ведерников А.С., Ярыгина Е.А., Хамитов Р.Н. Прогнозирование электропотребления собственных нужд ТЭЦ на основе нейронной сети // Хроники объединенного фонда электронных ресурсов Наука и образование. 2018. № 5 (108). С. 24.

63. Кирпичникова, И. М. Исследование методов прогнозирования электропотребления сбытового предприятия / И. М. Кириичникова,

К. Л. Соломахо // Электротехнические системы и комплексы г. Магнитогорск. -2014. - № 3(24). - С. 39-43.

64. Политов, Е. А. Выбор модели для долгосрочного прогнозирования электропотребления промышленного предприятия / Е. А. Политов, И. В. Воронов, В. М. Ефременко // Вестн. КузГТУ. - 2006. -№ 6. - С. 71-73.

65. Макоклюев, Б. И. Анализ и планирование электропотребления / Б. И. Макоклюев. - М.: Энергоатомиздат, 2008. - 296 с.

66. Ведерников А.С. Определение корреляционных зависимостей между факторами, влияющими на электропотребление собственных нужд ТЭЦ / Ведерников А.С., Балукова Е.А. (Ярыгина) // Известия высших учебных заведений. Электромеханика. 2016. - №6. С.110-113.

67. Сазанов, Б. В. Промышленные тепловые электростанции: учебник для энерг. вузов и фак. / Б. В. Сазанов, В. Н. Юренев, М. И. Баженов, А. С. Богородский; Под общ. ред. проф. д-ра техн. наук Е. Я. Соколова. - М.: Энергия, 1967. - 344 с.

68. Методика расчета расхода электроэнергии на собственные нужды и потерь электроэнергии при производстве и поставке электроэнергии электрическими станциями на оптовый рынок электроэнергии. - М., 2007. - 156 с.

69. Р.А. Клименков Изменение величины электропотребления собственных нужд ТЭЦ под воздействием основополагающих факторов / Р.А. Клименков, А.С. Ведерников, А.С. Гнеушев, Е.А. Балукова (Ярыгина) // Электроэнергетика глазами молодежи: труды V междунар. научно-технич. конф. - Томск: ТПУ, 2014. -Т.2. С. 300-303.

70. Рыжкин, В. Я. Тепловые электрические станции / В. Я. Рыжкин // Учебник для теплоэнерг. спец. вузов. - М., Л.: Энергия, 1967. - 400с.

71. Балукова Е.А. (Ярыгина) Выявление корреляционной связи между выработкой активной мощности, отпуском тепловой энергии и электропотреблением на собственные нужды ТЭЦ / Балукова Е.А. (Ярыгина), Ведерников А.С. // Тинчуринские чтения: материалы докл. XI междунар. молодеж. науч. конф. - Казань: КГЭУ, 2016. - Т1. С.58-59.

72. Ведерников, А. С. Определение корреляционной зависимости между генерацией тепловой и электрической энергии и электропотреблением собственных нужд ТЭЦ / А. С. Ведерников, Е. А. Балукова (Ярыгина), В. М. Сальникова, А. С. Гнеушев // Электроэнергетика глазами молодежи: материалы VI Международной научно-технической конференции, 09 - 13 ноября 2015, Иваново. - В 2 т. Т 2. - Иваново: ФГБОУВПО «Ивановский государственный энергетический университет им. В.И. Ленина», 2015. - С.228-231.

73. Об утверждении порядка создания и использования тепловыми электростанциями запасов топлива, в том числе в отопительный сезон: Приказ от 22 августа 2013г. № 469 // Собрание законодательства РФ-2014.

74. А.С. Ведерников. Выявление корреляционной связи между условным расходом топлива и электропотреблением собственных нужд ТЭЦ / А.С. Ведерников, Е.А. Балукова (Ярыгина) // Электроэнергетика глазами молодежи: труды VII междунар. научно-технич. конф. - Казань: КГЭУ, 2016. -Т.3. С.173-175.

75. Тауд, Р. Перспективы развития тепловых электростанций на органическом топливе / Р. Тауд // Теплоэнергетика. - 2000. - № 2. - С. 68-72.

76. Стерман, Л. С. Тепловые и атомные электростанции / Л. С. Стерман, В. М Лавыгин, С. Г. Тишин. // Учебник для вузов. - 2-е изд. - М.: Изд-во МЭИ, 2004. -424 с.

77. Ведерников, А. С. Выявление зависимостей между количеством генераторов, находящихся в работе, коэффициентом использования установленной мощности электростанции и расходом электроэнергии на собственные нужды ТЭЦ / А. С. Ведерников, Е. А. Ярыгина // Вестник СамГТУ. -2017. - № 1 (53). - С. 61-67.

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

79. Васильев, А. А. Электрическая часть станций и подстанций: Учеб. для вузов / А. А. Васильев, И. П. Крючков, Е. Ф. Наяшкова и др.; Под ред. А. А. Васильева. - 2-е изд., перераб. и доп. - М.: Энергоатомиздат, 1990. - 576 с.

80. Надтока, И. И. Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений / И. И. Надтока, А. В. Демура, С. О. Губский, А. Я. Ваколюк, В. В. Горбачев // Вестн. СамГТУ. Серия «Технические науки». -2012. -№ 1 (33). - С. 163-168.

81. Нормы технологического проектирования тепловых электрических станций [Электронный ресурс]: ВНТП-81 / Теплоэлектропроект: утв. Минэнерго СССР 17.08.1981: ввод в действие с 08.10.1981: взамен норм технологического проектирования тепловых электростанций и тепловых сетей, утвержденных 08.05.1973. - М.: Типография МО ТЭП, 1981.

82. Ковальчук, В. В. Анализ влияния различных факторов на электрическую выработку ТЭЦ / В. В. Ковальчук, С. В. Бейден // Новости теплоснабжения. -2004. - № 11. - С. 16-20.

83. Крисилов, В. А. Представление исходных данных в задачах нейросетевого прогнозирования / В. А. Крисилов, К.В. Чумичкин, А. В. Кондратюк // Конференция "Нейроинформатика 2003". - М.: Научная Сессия МИФИ, 2003. - С. 184-191.

84. Староверов, Б. А. Комплексное применение нейронных сетей для автоматизации прогнозирования электропотребления на региональном уровне / Б. А. Староверов, М. А. Мормылов // Вестник ИГЭУ. 2009. Вып. 4.

85. Халафян, А. А. STATISTICA 6. Статистический анализ данных. 3-е изд. учеб. / А. А. Халафян. - М.: Бином-Пресс, 2007. - 512 с.

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

87. Ведерников А.С. Разработка программы для решения задач краткосрочного прогнозирования электропотребления на основе искусственных нейронных сетей / А.С. Ведерников, Е.А. Ярыгина // Журнал «Энергетик». - 2019. - № 2. - С.32-35.

88. Ведерников, А. С. Построение нейронных сетей для прогнозирования электропотребления собственных нужд ТЭЦ/А. С.Ведерников, Е. А. Балукова, Е. А. Комасова // Электроэнергетика глазами молодежи: материалы VIII Международной научно-технической конференции, 02-06 октября 2017, Самара. - В 3 т. Т 3. - Самара: Самар. гос. техн. ун -т, 2017. - С. 72-77.

89. Cybenko, G. (1989). Approximations by superpositions of a sigmoidal function.Mathematics of Control, Signals, and Systems, 2. PP. 303-314.

90. Jolliffe, I. T. Principal Component Analysis, Second Edition. Springer, 2002. -518 c.

91. Barron, A. R. (1989). Statistical properties of artificial neural networks. Proceedings of the IEEE International Conference on Decision and Control, (pp. 280285). New York: IEEE.

92. Померанцев, А. Метод Главных Компонент (PCA) / А. Померанцев. -Режим доступа: http://rcs.chph.ras.ru/Tutorials/pca.htm (Дата обращения: 11.07.2019).

93. Barron, A. R. (1990). Complexity regularization with applications to artificial neural networks. In G. Roussas (ed.) Nonparametric Functional Estimation, (pp. 561576). Boston, MA and Dordrecht, the Netherlands: Kluwer Academic Publishers.

94. Hyvarinen, A. Independent Component Analysis / А. Hyvarinen [et al.]. -N.Y.: John Wiley & Sons, Inc., 1998. - 481 р.

95. Girolami, M. An Extended Exploratory Projection Pursuit Network with Linear and Nonlinear Anti-hebbian Connections Applied to the Cocktail Party Problem / M. Girolami, C. Fyfe // Neural Networks. 1997. - PP. 1607-1618.

96. Осовский, С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2002. - 344 с.

97. Комашинский, В. И. Нейронные сети и их применение в системах управления и связи / В. И. Комашинский, Д. А Смирнов. - М: Горячая линия Телеком 2003. - 94 с.

98. Галушкин, А. И. Нейронные сети: основы теории. / А. И. Галушкин. - М.: РиС, 2014. - 496 с.

99. Watanabe, E. Relationships between internal representation and generalization ability in multi layered neural network for binary pattern classification problem. / E. Watanabe, H. Shimizu // Proc. IJCNN'1993, Nagoya, Japan, 1993.

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

101. Галушкин, А. И. Нейроматематика (проблемы развития) / А. И. Галушкин. - М.: Радиотехника, 2003. - 40 с.

102. Ben, J. A. An introduction to neural networks. / J. A. Ben. 1993.pp.135.

103. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / пер. с польск. И. Д. Рудинского. - М.: Горячая линия - Телеком, 2006. -452 с.

104. Горбань, A. H. Размытые эталоны в обучении нейронных сетей // Тезисы докладов II Всероссийского рабочего семинара "Нейроинформатика и ее приложения" (Красноярск, 7-ю октября 1994 Г.) / Красноярск: ИЗД-ВО КГТУ, 1994. - С. 6-9.

105. Пшеничный. Б. Н. Численные методы в экстремальных задачах. / Б. Н. Пшеничный, Ю. M. Данилин. - M.: Наука, 1975. - 319 с.

106. Позин, И. В. Моделирование нейронных структур / И. В. Позин. - М.: Наука, 1970.- 264 с.

107. Ведерников, А. С. Выбор метода для задач краткосрочного прогнозирования электропотребления собственных нужд ТЭЦ / А. С. Ведерников, А. В. Гофман, Е. А. Ярыгина // Вестник ИГЭУ. - 2018. - № 6. - С. 32-38.

Приложение 1 - Описание свидетельства о регистрации электронного ресурса

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

федеральное государственное бюджетное научное учреждение

ИНСТИТУТ УПРАВЛЕНИЯ ОБРАЗОВАНИЕМ РОССИЙСКОЙ АКАДЕМИИ

ОБРАЗОВАНИЯ

ОБЪЕДИНЕННЫЙ ФОНД ЭЛЕКТРОННЫХ РЕСУРСОВ "НАУКА И ОБРАЗОВАНИЕ"

(основан в 1991 году)

СВИДЕТЕЛЬСТВО О РЕГИСТРАЦИИ ЭЛЕКТРОННОГО РЕСУРСА

№23603

Настоящее свидетельство выдано на электронный ресурс, отвечаю: требованиям новизны и приоритетности:

Прогнозирование электропотребления собственных нужд ТЭЦ на основе нейронной сети

Дата регистрации: 15 мая 2018 года

Авторы: Ведерников A.C., Ярыгина Е.А., Хамитов Р.Н.

Организация-разработчик: ФГБОУ ВО «Омский государственный

технический университет»

Директор ФГБНУ ИУО РАО, доктор экономических наук

Л/,

Руководитель ОФЭРНиО, тки работник науки и техники Росвии

С.С. Неустроев

Tlf. Галкина

V

1. Функциональное назначение программы

Искусственные нейронные сети в программном пакете STATISTICA Neural Networks являются уникальным средством исследования нелинейных зависимостей в сфере энергетики для краткосрочного прогнозирования потребления электрической энергии.

Задачи прогнозирования делятся на две группы: классификация и регрессия. При построении модели ИНС будут решаться задачи регрессии, так как необходимо предсказать значение переменной, принимающей непрерывные числовые значения. В данном случае необходимо планировать расход активной мощности на систему собственных нужд ТЭЦ, что и будет являться единственной выходной переменной.

Для прогнозирования электропотребления СН ТЭЦ с помощью ИНС, необходимо иметь набор определенных данных для обучения. Обучающаяся конфигурация данных представляет собой наблюдения, которые выступают в качестве входных в выходных переменных. Для того, чтобы минимизировать ошибку обучения сети, входные данные необходимо предварительно обработать. В программном пакете ST Neural Networks имеются инструменты, один из которых «Метод главных компонент», с помощью данного метода числовые данные масштабируются в подходящий для сети диапазон, а пропущенные значения заменяются на среднее значение этой переменной по всем имеющимся обучающим примерам.

Предлагается модель ИНС многослойный персептрон для прогнозирования электропотребления СН ТЭЦ, которая состоит из трех слоев, выполняющих различные функции. Входной слой состоит из 6 элементов, которые связывают сеть с внешней средой. Второй слой является единственным скрытым слоем сети. Скрытый слой состоит из 7 нейронов. Он выполняет нелинейное преобразование входного пространства в скрытое, за которым следует линейное отображение скрытого пространства в выходное.

2. Интерфейс

I. Открываем программу STATISTICA 64 и загружаем входные данные (рисунок 1): file -open-файл Excel, содержащий набор входных данных;

Рисунок 1 - Загрузка входных данных

II. Выбираем рабочий инструмент Statistics - Neural Networks проводимого анализа «Regression» (рисунок 2);

- тип

Рисунок 2 - Выбор типа анализа нейронной сети

III. В открывшемся окне в первой вкладке выбираем стратегию для создания будущей модели (strategy for creating predictive models), а именно пользовательскую нейронную сеть (custom neural networks) (рисунок 3);

Рисунок 3 - Выбор стратегии для создания модели

«Custom neural networks» - пользовательская нейронная сеть позволяет создать собственную архитектуру искусственной нейронной сети, задавая более точные параметры и выбирать наиболее подходящие решения для поставленной задачи.

IV. Выбор переменных (Variables). Выбираем непрерывно целевую переменную (Continuous targets), которой является активная мощность, расходуемая на СН ТЭЦ. Выбираем непрерывно входные переменные (Continuous inputs), которыми являются: значения генерации активной мощности; отпуск тепловой энергии; расход условного топлива; ретроспективные значения активной мощности, расходуемые на СН ТЭЦ; коэффициент установленной мощности ТЭЦ; процент генераторов, находящихся в работе. (рисунок 4);

[Л] Select variables for analysis ? X

1 - выработка эл.эн л л

2 - отпуск, тепла, Q,

3-расход топлива,

4 - СН ТЭЦ ретроспЕ 5 - Число работагащ! lip

7 - СН ТЭЦ, тыс,кВт

8 -Var8 8 -Var8

9 -Var9 9 -Var9

10-VarlO 10-VarlO

11 - toril 11 -Var11

< > í >

1 - выработка эл.эн, л

2-отпуск тепла, Q,

3-расход топлива,

4 - СН ТЭЦ ретроспЕ

5 - Число работают

6 - Коэффициент иен

7-СНТЭЦ, тыс,кВт

8 -Var8

9 -Var9

Ю-VarlO

11 - Varl 1

< >

OK

Cancel

[ Budes ],

Spread Zoom Spread Zoom Spread Zoom

Continuous targets Continuous inputs Categorical inputs

7 11.3-6

Use the "Яви qnpiate v = ri= bls5- onl/ option to рГЕ-ЕСГЕЕП v г.геЫе e ^ and show c=ts::r and continuous узгвЫее. Ргебе. Fl for more information.

П Show appropriate variables only

Рисунок 4 - Выбор непрерывно целевой и непрерывно входных переменных

V. Во второй вкладке Подвыборки (Sampling method) следует задать желаемое разбиение данных на подвыборки: обучающую (Train), контрольную (Test) и тестовую (Validation) (рисунок 5).

J SANN - Data selection: отопительный сезон 2014-2015 Quick Sampling (CNN and ANS) | Subsampling |

Sampling method Random sampling <§) Random sample sizes: Train {%): Test {%): Validation (%):

1 SD Ш

и

h di M

Seed for sampling:

Subset variable (^Sampling variable:

Training sample

|ВШ Testing sample

none none

Validation sample none

щ

Options

Set the test and/or validation sample f ields to Oto exclude these samples from the analysis.

MD handling inputs) (•0 Case wise Q Mean substitution

A

Case weights

Рисунок 5 - Установка размеров обучающей, контрольной и тестовой подвыборок

Разбиение можно задавать случайным образом, а можно фиксировать с помощью дополнительной переменной кодов. В данном случае будем использовать случайное разбиение соответственно вышеуказанным подвыборкам 80-10-10 (Random sample sizes).

Нажимаем ОК и переходим к шагу задания параметров архитектуры.

VI. На вкладке быстрый (Quick) диалогового окна Пользовательские нейронные сети (Custom neural networks) необходимо указать:

- тип сети (Network type);

- тип используемых функций ошибок (Error function);

- типы функций активаций (Activation functions), которые мы хотим использовать в различных нейросетевых моделях на разных слоях многослойных персептронов:

"Hidden units" - на скрытых нейронах,

"Output units" - на выходных нейронах;

- количество скрытых нейронов (No. of neurons);

- количество обучаемых сетей (Network to train).

В данном случае (рисунок 6) будем использовать тип нейронной сети многослойный персептрон.

Рисунок 6 - Установка основных параметров для построения нейронной сети

В качестве функции ошибок выбираем сумму квадратов ошибок (Sum of squares) -когда все ошибки выходных элементов для всех наблюдений возводятся в квадрат и затем суммируются.

В качестве функций активации на скрытых нейронах выбрана функция тангенс, на выходных нейронах - тангенс.

"Activation functions" - функция активации нейрона, которая используется для преобразования уровня активации нейрона в выходной сигнал.

Задаем число обучаемых сетей - 5. Задаем число нейронов в скрытом слое -

7.

VII. Далее на вкладке Персептрон (рисунок 7) необходимо задать более глубокие настройки для обучения выбранной сети:

- алгоритм обучения (Training algorithm);

- количество эпох (Cycles);

- условие остановки (Stopping conditions);

- инициализация сети (Network randomization).

5 SANN - Custom Neuiral Network: отопительный сез-он 2014-2015 Active neural networks

Net. ID Net. name Training perf. Test perf. Validation perf. Algorithm Error fun ct.

< »

Quick MLP | Weight decay ] Initialization ] Real time training graph |

Training algorithi Algorithm:

Cycles:

Learning rate: M omentum:

■1

S

Network randomization (•) Normal randomization О Uniform randomization Mean\Min:

eVMax: | .1

m

Variai

m

Stopping conditions

Enable stopping conditions Change in error: | .QODQDQI |[j§

|2Q

Л

га

Train

| Goto results

ISI Save networks-»'

Data statistics

Summary

EE

Рисунок 7 - Выбор более глубоких настроек для выбранной нейронной сети

В данном случае используемый алгоритм БФГШ.

Алгоритм обучения действует итеративно, и его шаги принято называть эпохами. На каждой эпохе на вход сети последовательно подаются все обучающие наблюдения, выходные значения сети сравниваются с фактическими значениями и вычисляется ошибка прогноза. Начальная конфигурация сети выбирается случайным образом, и процесс обучения прекращается, когда пройдено заданное число эпох или, когда ошибка достигнет минимального порогового значения и перестанет уменьшаться. Пользователь может сам выбрать нужное условие остановки - значение ошибки «Change in error» -0.0000001 при количестве эпох «window» - 20.

Инициализация сети выбирается для получения наиболее точного результата обучения. На результат обучения существенное влияние оказывает подбор начальных весовых коэффициентов сети. Не существует общего метода подбора весов, который бы гарантировал нахождение наилучшей начальной точки для любой решаемой задачи. Поэтому необходимо применять метод случайного подбора весов с нормальным распределением значений (Normal randomization) в заданном интервале [0; 1].

VIII. Переходим к следующей вкладке «Затухающая регуляризация весов» (Weight decay). Можно включить опцию регуляризации весов, которая будет регулировать сложность обучаемых сетей на скрытом слое (Use hidden weight decay) и выходном слое (Use output weight decay). Это имеет смысл, когда задача

содержит большое число входных переменных, а также если задано большое число нейронов на скрытом слое. В данном случае затухающую регуляризацию весов использовать не целесообразно (рисунок 8).

Рисунок 8 - Затухающая регуляризация весов

IX. Следующая вкладка в данном окне (рисунок 9) Интерактивное обучение (Real time training graph). Используется для отображения графиков ошибок обучения (Train error) и контрольных ошибок (Test error) в процессе непосредственного обучения ИНС.

Рисунок 9 - Отображение графиков обучения

X. Запустите процедуру обучения нейронных сетей, нажав кнопку «Train». В диалоговом окне, приведенном на рисунке 10, отображается информация о текущей обучаемой искусственной нейронной сети. Мы можем анализировать архитектуру сети, наблюдать за ходом итераций алгоритма и

фиксировать ошибки моделей. Для регрессии используется абсолютная среднеквадратичная ошибка.

Рисунок 10 - Обучение нейронной сети

Программа автоматически переходит к следующему шагу.

XI. В окне результатов вы можете проанализировать полученные решения (рисунок 11). Программа отберет лучшие сети и покажет качество решения. В данном случает выбираем первую нейронную сеть «1.MLP-6-7-1», так как ее производительность на контрольной выборке (Test perf.) имеет самое большое значение «0,816592» из всех имеющихся сетей. Для оценки производительности нейронных сетей, необходимо тестировать их на независимых данных, которые не использовались во время обучения сети.

Рисунок 11 - Анализ полученных нейронных сетей

XII. Проведем анализ полученной модели на тестовой выборке.Обратимся к рисунку 12:

Рисунок 12 - Анализ полученной модели на тестовой выборке

Отметим только тестовую выборку (Samples - Validation) и добавим в таблицу результатов абсолютные остатки ( Include - Absolute res.). Нажав кнопку «Предсказанные» (Predictions) переходим в следующее всплывающее окно (рисунок 13).

Рисунок 13 - Расчет средней абсолютной ошибки сети

XIII. Далее создаем дополнительный четвертый столбец с названием переменной средняя абсолютная процентная ошибка и указываем формулу, с помощью которой вычисляется средняя абсолютная ошибка сети «=v3/Abs(v1)». Выделяем полученный столбец с расчитанными ошибками и вычисляем

абсолютную среднюю ошибку построенной нейронной сети (рисунок 14) следующим образом:

-правый щелчок мышки

-блоковые статистики (Statistics of Block Data) -по столбцам (Block Columns) -среднее значение (Means)

Рисунок 14 - Вывод средней абсолютной ошибки сети

Получаем среднюю абсолютную ошибку построенной нейронной сети MAPE=0,558399239%

XIV. Далее можно вывести всевозможные результаты и проанализировать их для выбранной сети:

- Построить график предсказанных и фактических значений активной мощности, расходуемой на СН ТЭЦ (Predictions spreadsheet for СН ТЭЦ) (рисунок 15) На данном графике видны отклонения прогнозных значений от фактических в виду ошибки прогноза;

Рисунок 15 - График фактических и прогнозных значений СН ТЭЦ

- Коэффициенты детерминации (Determination coefficients) на обучающей (Train), контрольной (Test) и тестовой (Validation) подвыборках показывают значения превышающие «0,7», что говорит о высоком качестве обучения сети (рисунок 16);

Рисунок 16 - Коэффициенты детерминации на обучающей, контрольной и тестовой подвыборках

XV. Апробация построенной нейронной сети (рисунок 17):

- в окне «Результаты» (SANN:Results) выберем вкладку «Наблюдения пользователя» (Custom predictions);

- В окне «Количество наблюдений для прогноза» (Number of cases to predict) поставим 49 наблюдений (прогноз на неделю);

[ SANN - Results: отопительный сезон 2014-2015 Active neural networks

Net. ID Net. name Training perf. Test perf. Validation perf. Z4gorithm Error funct. 1

1 MLP 6-7-1 0.877414 0.733271 0.639808 BFGS 54 SOS 1

< >

SelectX Deselect activ

I

Delete networks

Build models with CNN Build models with ANS Build models with Subsampling

Predictions | Graphs | Details Custom predictions | Number of cases to predict: ¡49

Custom inputs HS Custom predictions

[■^1 Gear previous predictions

1.CH T... 16835.0...

1вЭ4а.з...

1761 5.0... 17652.6... 17693. В...

Еырабо... Э7113.6.. 96662.4.. 9651 S.4.. 96163.2.. 9601Э.2..

отпуск ... 410.790.. 410.50D.. 4Q8.23D.. 411.660.. 412.В50..

расход .. 74.920D. 74.2200. 78.7800. 78.8800. 79.1900.

СН ТЭ... 13115.2. 1736S.2. 14331.6. 14001.6. 13972.2.

KtittJ Summary

ES

Save networks

is

Optio

Samples I I Train □ Test PI Validation

Missing

Рисунок 17 - Апробация нейронной сети

- Активируем кнопку «Значения пользователя» (Custom inputs) и добавляем 49 значений каждого из шести входных параметров нейронной сети;

- Получаем предсказанныез начения (Custom predictions) для целевой переменной значения активной мощности, потербляемой СН ТЭЦ (рисунок 18).

Рисунок 18 - Прогнозные значения СН ТЭЦ на основе заданных входных параметров

XVI. По полученным значениям строиться диаграмма , отображающая прогнозное и фактическое электропотребление СН на сутки вперед с помощью искусственой нейронной сети многослойный персептрон (рисунок 19).

21000,00

I 18000,00

20000,00

16000,00

19000,00

17000,00

15000,00

00 - 02 - 04 - 06 - 08 - 10 - 12 - 14 - 16 - 18 - 20 - 22 - 00 -

01 03 05 07 09 11 13 15 17 19 21 23 01

Час

СН ТЭЦ,тыс.кВтч

-Прогнозные СН ТЭЦ, тыс.кВтч

Рисунок 19 - Прогнозное и фактическое электропотребление СН на сутки вперед на основе MLP

3. Используемые технические средства

Прогнозирование электропотребления СН ТЭЦ выполнено в программе STATISTICA 64. Данная программа предоставляет собой многофункциональные и удобные в использовании инструменты для: статистического и графического анализа; задач прогнозирования; интеллектуального анализа данных; создания собственных пользовательских приложений, интеграции, совместной работы, web-доступа и многого другого. STATISTICA 64 включает графический модуль, содержащий удобные инструменты для эффективной и наглядной визуализации данных, проведения графического анализа. В данной работе использовался инструмент Automated Neural Networks (Автоматизированные нейронные сети), который предоставляет собой разнообразные функциональные возможности для работы со сложными задачами. Данный инструмент отличается не только способностью создавать новейшие архитектуры нейронных сетей и алгоритмы их обучения, но и предпринимать новые подходы к созданию архитектуры нейронных сетей с возможностью использования различных функций активаций и способов вычисления функций ошибок, что позволяет наиболее углубленно изучить полученные результаты.

4. Условия передачи программной документации

• Вы вправе распространять и использовать данное программное обеспечение в некоммерческих целях, использование программы для коммерческих целей, без согласия разработчика запрещено.

• Запрещается вскрывать технологию, декомпилировать программу или другим способом изменять программу и сопровождающую документацию.

• Программа поставляется на условиях «как есть». Разработчик программы не предоставляет относительно программы никаких гарантий, явных или подразумеваемых, и не несет ответственности за какой-либо явный, случайный, косвенный или иной ущерб, возникший в результате использования или обладания программой.

• Если вы не согласны с данным лицензионным соглашением или имеются пункты соглашения, которые противоречат вашим местным законами, вы обязаны удалить данный программный продукт с вашего компьютера и завершить использование программы.

Приложение 2 - Акты об использовании результатов диссертационной работы

САМАРСКИИ ПОЛИТЕХ

Опорный университет

МИНОБРНАУКИ РОССИИ федеральное государственное бюджетное образовательное учреждение высшего образования «Самарский государственный технический университет» (ФГБОУ ВО «СамПГУ»)

Г®

SM

m.

"ФЛ^ооЛ

!ЕРЖДАЮ» ю УР ФБГОУ ВО "ТУ, д.п.н.

Юсупова О,В.

££2018 г.

АКТ

об использовании результатов диссертационной работы Ярыгиной Екатерины Александровны

Настоящим актом подтверждается, что результаты диссертационной работы Ярыгиной Екатерины Александровны на тему «Разработка методики краткосрочного прогнозирования электропотребления системы собственных нужд ТЭЦ» внедрены и используются в учебном процессе Самарского государственного технического университета при подготовке магистров по направлению 13.04.02 -«Электроэнергетика и электротехника» и бакалавров по направлению 13.03.02 -«Электроэнергетика и электротехника» на Электротехническом факультете на кафедрах «Электрические станции» и «Автоматизированные электроэнергетические системы».

Результаты диссертационной работы Ярыгиной Е.А использованы в учебном процессе по курсам:

1. ФТД.В.01 «Рынок электроэнергии и мощности»

2. Б1 .В.ДВ. 11.1 «Производство и распределение электроэнергии»

Заведующий кафедрой

«Автоматизированные электроэнергетические системы» д.т.н., проф. Степанов В.П.

Заведующий кафедрой «Электрические станции» к.т.н., доцент Ведерников A.C.

«УТВЕРЖДАЮ»

АКТ

об использовании результатов диссертационной работы Ярыгиной

Екатерины Александровны на тему «Разработка методики краткосрочного

прогнозирования электропотребления системы собственных нужд ТЭЦ» в ООО «ГК ИФОПРО».

Комиссия в составе:

-Заместителя Генерального директора-Директора по производству, Соловья И. В.,

- Руководителя направления оптимизации производства ГП, Фролова И. А.,

- Главного специалиста по внедрению, Панкратова И. Г.

провела анализ метода прогнозирования электропотребления системы СН тепловых электростанций, методов выявления основных факторов, влияющих на расход электроэнергии системы СН, рассмотренных в диссертационной работе Ярыгиной ЕА. на предмет их использования в ООО «ГК ИФОПРО» и утвердила следующее заключение.

Считать целесообразным использование метода краткосрочного прогнозирования электропотребления в практике проектирования ООО «ГК ИФОПРО» в разработке автоматизированного планирования режимов генерирующих компаний для решения следующих практических задач.

1. Обеспечение более точного и надежного управления режимами работы оборудования станции и уменьшение отклонения режимов работы от расчетного диспетчерского графика.

2. Получение возможности планирования оптимальных составов оборудования и режимов работы ТЭС.

3. Сокращение затрат на производство тепловой и электрической энергии за счет качественного планирования оптимальных режимов и составов работающего оборудования станции по критерию минимизации удельных расходов топлива либо максимизации маржинальной прибыли.

ЗАКЛЮЧЕНИЕ

г.Самара 2018г.

И. Г. Панкратов

«УТВЕРЖДАЮ»

Директор по управлению режимами -главный диспетчер Филиала АО «СО

АКТ

об использовании результатов диссертационной работы Ярыгиной Екатерины Александровны на тему «Разработка методики краткосрочного прогнозирования электропотребления системы собственных нужд ТЭЦ» в Филиале АО «СО ЕЭС» ОДУ Средней Волги.

Комиссия Филиала АО «СО ЕЭС» ОДУ Средней Волги провела анализ диссертационной работы Ярыгиной Е.А. на тему «Разработка методики краткосрочного прогнозирования электропотребления системы собственных нужд ТЭЦ» на предмет внедрения результатов работы в Филиале АО «СО ЕЭС» ОДУ Средней Волги и утвердила следующее заключение.

В Филиале АО «СО ЕЭС» ОДУ Средней Волги протестирована методика краткосрочного прогнозирования электропотребления СН ТЭЦ (свидетельство о регистрации электронного ресурса № 23603 от 15.05.2018) и утверждена для решения следующих практических задач.

1. Оценка прогнозных значений электропотребления электростанций для планирования баланса электроэнергии;

2. Планирование оптимальных электроэнергетических режимов и режимов работы генерирующих и энергопотребляющих объектов.

ЗАКЛЮЧЕНИЕ

г. Самара 2018 г. /То*