Система краткосрочного прогнозирования электрической нагрузки тема диссертации и автореферата по ВАК РФ 05.09.03, кандидат технических наук Анушина, Екатерина Сергеевна

• Анушина, Екатерина Сергеевна
• кандидат технических наук
• 2009

Оглавление диссертации кандидат технических наук Анушина, Екатерина Сергеевна

СПИСОК СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ СИСТЕМ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ И ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ.

1.1. Современное состояние вопроса построения систем прогнозирования электрической нагрузки.

1.1.1. Российские системы прогнозирования электрической нагрузки.

1.1.2. Зарубежные системы прогнозирования электропотребления.

1.2. Современные методы прогнозирования электропотребления.

1.3. Построение перспективной системы прогнозирования электропотребления и постановка задачи исследования.

1.4. Математическая постановка задачи прогнозирования потребления электрической нагрузки 30 ВЫВОДЫ ПО ГЛАВЕ 1.

ГЛАВА 2. РАЗРАБОТКА МЕТОДИКИ ПОСТРОЕНИЯ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ

2.1. Модель представления динамики временного ряда электропотребления.

2.2. Выбор метода прогнозирования разночастотных компонент временного ряда потребления электрической нагрузки.

2.2.1. Низкочастотная составляющая.

2.2.2. Среднечастотная составляющая.

2.2.3. Высокочастотная составляющая.

2.3. Методика построения системы прогнозирования потребления электрической нагрузки

ВЫВОДЫ ПО ГЛАВЕ

ГЛАВА 3. РАЗРАБОТКА СИСТЕМЫ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ.

3.1. Процедура прогнозирования электрической нагрузки.

3.2. Алгоритм формирования структуры нейронечетких сетей.

3.3. Алгоритм поиска оптимальной глубины вейвлет-разложения временного ряда электропотребления с использованием метода нормированного размаха.

3.4.Алгоритм поиска наилучшей архитектуры нейронечеткой системы при помощи генетического алгоритма.

3.5. Алгоритм формирования обучающей выборки и входных переменных. 80 ВЫВОДЫ ПО ГЛАВЕ 3.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ СИСТЕМЫ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ.

4.1. Планирование эксперимента.

4.2. Результаты оценки точности системы прогнозирования электропотребления.

4.3 Проверка адекватности разработанной модели.

4.4. Результаты сравнительного анализа с регрессионными моделями и нейронечеткими моделями без предварительной вейвлет-фильтрации.

4.5. Пользовательский интерфейс системы прогнозирования электропотребления.

ВЫВОДЫ ПО ГЛАВЕ 4.

Введение диссертации (часть автореферата) на тему «Система краткосрочного прогнозирования электрической нагрузки»

Прогнозирование составляет неотъемлемую часть любой сферы деятельности человека. И энергетика не является исключением. Для повышения эффективности и устойчивости процесса автоматизированного управления электроэнергетическими системами (ЭЭС) система управления должна содержать в себе подсистему прогнозирования временных рядов [25], в частности, прогнозирования потребления электроэнергии. Прогнозы потребления составляют основную исходную информацию для принятия решений в процессе планирования оптимальных режимов работы и развития ЭЭС. При этом наиболее высокие требования предъявляются к точности краткосрочных (сутки-неделя-месяц) и оперативных (в пределах текущих суток) прогнозов, поскольку именно они определяют управление текущим режимом работы ЭЭС. В качестве основных задач, решаемых на основе полученных прогнозов электропотребления (ЭП), можно выделить следующие: 1) планирование развития генерирующих мощностей и электрических сетей ЭЭС; 2) планирование тарифов; 3) планирование ремонтов основного оборудования электрических станций и сетей, выработки энергии и мощности, потребности в топливе. В федеральном законе «Об электроэнергетике» [1], принятом в марте 2003 г., обеспечение долгосрочного и краткосрочного прогнозирования объема производства и потребления электроэнергии рассматривается как необходимое условие надежности функционирования ЭЭС.

Реформирование рынка электроэнергетики в России вносит свои коррективы в задачи планирования балансов электроэнергии и мощности. С переходом с 1 сентября 2006 года к новой модели оптового рынка электроэнергии и мощности (НОРЭМ) требования к точности производимых субъектами рынка прогнозов значительно возросли. Так, при отклонении заявленного потребления от реального выше определенного процента, на участников энергорынка администратором торговой системы накладываются штрафные санкции, а покупка недостающей электроэнергии производится с балансирующего рынка по более высоким ценам. В случае отклонений заявок от фактического потребления в меньшую сторону, субъекты НОРЭМ несут убытки за недопоставленную электроэнергию. Оценочные расчеты, проводимые ОАО «ВНИИЭ» для энергообъединений России с уровнем месячного потребления около 1500 млн. КВтч показали, что улучшение качества прогнозирования только месячного потребления на 0,1% способно в настоящих условиях снизить затрать, „а оплату отклонений от плана по поставкам электроэнергии на 3-5 млн. рублей в год.

Требованию высокой точности прогноза электропотребления противостоит сложное нестационарное поведения временного ряда, описывающего потребление. Большое количество факторов, влияющих на уровень потребления как систематического, так и случайного характера, непрерывное изменение энергорынка, а также развитие самих ЭЭС делают задачу повышения точности прогнозирования потребления еще более сложной. Однако эта задача требует решения.

Вопросами разработки прогнозирующий систем потребления электрической энергии занимаются во Всероссийском научно-исследовательском институте электроэнергетики ОАО (ВНИИЭ), Московском энергетическом институте (МЭИ (ТУ)), Институте систем энергетики им. Мелентьева СО РАН (ИСЭМ СО

РАН), Отделе энергетики Института социально-экономических и энергетиче-скии проблем Севера Коми и др.

Решению различных аспектов этой задачи посвящены работы Берлина

А.С., Воропая Н.И., Гамма А.З., Глазуновой A.M., Готман Н.Э., Колосок И.Н.,

Манова Н.А., Манусова В.З., Старцевой Т.Б., Чукреева Ю.Я., Шумиловой Г.П. И др.

Прогнозирование ЭП при помощи таких вычислительных технологий как искусственные нейронные сети (ИНС), нечеткая логика Л. Заде и их композиции составляют один из наиболее активно развивающихся предметов исследования в энергетике. Прежде всего, это связано с тем, что данные структуры являются универсальными аппроксиматорами и способны моделировать сложные нелинейные зависимости, что гарантирует возможность успешного прогнозирования. В условиях где классические методы теряют свою эффективность, возможно получить решение, опираясь на нейросетевой и нечеткий подходы [52, 76]. Комбинирование и модификации интеллектуальных вычислительных технологий дают широкие возможности для эффективного решения задачи повышения точности краткосрочных и оперативных прогнозов электропотребления.

Цели и задачи диссертационной работы.

Целью диссертационной работы является разработка системы прогнозирования электропотребления на основе интеллектуальных вычислительных технологий, позволяющей эффективно решить задачу повышения точности краткосрочных и оперативных прогнозов. Исследование данной системы в среде Matlab на реальных данных по ЭП, а также сравнительная оценка качества прогнозирования, выполненного предложенной системой с классическими методами прогнозирования.

Поставленная цель диссертации достигается на основе решения следующих задач:

• Анализ современных подходов к прогнозированию потребления электрической нагрузки и выявление наиболее перспективных направлений улучшения качества и надежности прогнозов;

• Разработка методики построения системы прогнозирования потребления электрической нагрузки;

• Построение системы прогнозирования электропотребления по результатам исследований;

• Экспериментальное исследование разработанной системы в среде Matlab;

• Сравнительный анализ качества и надежности прогнозирования построенной системы с классическими методами прогнозирования;

• Разработка программного комплекса предложенной системы прогнозирования электропотребления.

Методы исследования.

При решении поставленных задач были использованы: методы математического моделирования и прогнозирования временных рядов, статистический и регрессионный анализ, теория нечетких множеств, теория искусственных нейронных и гибридных сетей, основы вейвлет-теории, методы эволюционного моделирования, математический пакет MatLab.

Основные научные результаты, выносимые на защиту.

1. Модель представления ретроспективных данных о нагрузке ЭЭС.

2. Процедура краткосрочного прогнозирования нагрузки ЭЭС.

3. Методика построения системы прогнозирования электрической нагрузки.

4. Программный комплекс краткосрочного прогнозирования электропотребления, включающий пользовательский интерфейс.

Новизна научных результатов.

1. Модель представления ретроспективных данных о нагрузке ЭЭС отличается выделением и описанием аддитивных составляющих временного ряда, обладающих различными свойствами.

2. Процедура краткосрочного прогнозирования нагрузки ЭЭС отличается предварительным этапом разделения временного ряда на составляющие с различном динамикой и осуществлением прогнозирования для каждой составляющей в отдельности, а также совместным использованием интеллектуальных вычислительных технологий для прогнозирования.

3. Методика построения системы прогнозирования электрической нагрузки отличается использованием вейвлег-фильтрадии и комитета нейронечетких сеf тей, отражающих свойства временного ряда в высокочастотной, низкочастотной и среднечастотной областях.

4. Программный комплекс краткосрочного прогнозирования электропотребления, включающий пользовательский интерфейс отличается тем, что охватывает полный цикл построения прогноза - формирование обучающей выборки, проектирования, формирования структуры системы прогнозирования, оптимизации, обучения, моделирования, оценки и корректировки результатов прогнозирования электропотребления.

Достоверность научных положений, результатов и выводов.

Достоверность научных положений и результатов, сформулированных в диссертации, подтверждается корректным использованием методов математического моделирования и прогнозирования временных рядов, статистического и регрессионного анализа, теории нечетких множеств, теории искусственных нейронных и гибридных сетей, основ вейвлет-теории, методов эволюционного моделирования и результатами компьютерного моделирования.

Практическая ценность работы.

1. Модель представления ретроспективных данных о нагрузке ЭЭС позволяет повысить точность краткосрочного прогнозирования в 1,5 раза в среднем за сутки по сравнению с классическими регрессионными моделями.

2. Разработанная процедура краткосрочного прогнозирования нагрузки может быть использована для построения краткосрочных и оперативных прогнозов электропотребления ЭЭС.

3. Предложенная методика построения системы прогнозирования электрической нагрузки обеспечивает простой и надежный способ синтеза модели временного ряда электрической нагрузки, позволяет автоматизировать процедуру поиска оптимальной структуры системы прогнозирования.

4. Программный комплекс краткосрочного прогнозирования электропотребления, включающий пользовательский интерфейс может быть использован для синтеза, модификации и исследования перспективных интеллектуальных систем прогнозирования электропотребления.

Публикации. По теме диссертации опубликовано 14 научных работ, из них 5 статей [5, 17, 33, 54, 72], 4 из которых опубликованы в ведущих рецензируемых изданиях, рекомендованных в действующем перечне ВАК, методические указания [34] и 8 [6-10, 69, 75, 113] докладов на международных и межрегиональных научных конференциях.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав с выводами, заключения, списка литературы и четырех приложений. Основная часть работы изложена на 111 страницах машинописного текста. Работа содержит 39 рисунков и 9 таблиц, список литературы содержит 119 наименований.

Заключение диссертации по теме «Электротехнические комплексы и системы», Анушина, Екатерина Сергеевна

ВЫВОДЫ ПО ГЛАВЕ 4

1. Разработана система прогнозирования ЭП, объединяющая теорию нечетких множеств, вейвлет-теорию и генетические алгоритмы. Система включает 4 ННС различной структуры, построенные на алгоритме нечеткого логического вывода Такаги-Сугено первого порядка. Подбор оптимальной архитектуры каждой ННС осуществляется при помощи генетического алгоритма. Прогноз осуществляется на час вперед по данным из предыстории (данные по нагрузке за прошедшие 9 часов), а также по номеру часа, для которого осуществляется прогноз. Причем поступающие на вход системы данные предварительно подвергаются вейвлет-преобразованию для выделения раз-ночастотных компонент временного ряда.

2. Проведена оценка качества реализуемого системой прогноза. В результате, использование вейвлет-разложения позволило повысить точность прогнозирования в 1,3 раза по сравнению с прогнозом, выполненным нейронечеткой моделью и в 1,5 раза по сравнению с прогнозом модели авторегрессии - скользящего среднего с параметрами ARMA(20; 10).

3. Анализ остатков модели электропотребления показал, что предъявляемые к ним требования выполняются: 1) у стандартизированных остатков отсутствуют ярко выраженные выбросы, и они распределены по нормальному закону с однородной дисперсией; 2) отсутствуют сериальные корреляции остатков, которые являются белым шумом, а дисперсия, обусловленная регрессией, значимо больше дисперсии остатков, что является подтверждением адекватности разработанной модели.

4. Исследование данной системы на устойчивость к возможным неточностям входной информации показало, что при искажении входных данных до 5-6% точность прогнозирования сохраняется в пределах 5%. Таким образом, можно говорить о том, использование вейвлст-преобразования для уточнения прогноза существенно не снижает фильтрующих свойств модели.

5. Для разработанной системы прогнозирования реализован программный комплекс, включающий программы подбора оптимальной структуры сети при помощи ГА, формирования данных, подаваемых на вход системы, реализующий саму систему прогнозирования, а также пользовательский интерфейс в пакете MatLab v.7.0.1 Release 14.

6. Возможности пакета MatLab позволяют осуществлять полный цикл построения и исследования системы прогнозирования ЭП, а также построение программных продуктов и интерфейса пользователя не выходя за рамки предлагаемых им средств. В частности, для решения поставленных задан были использованы Neural Networks Toolbox, Fuzzy Logic Toolbox, Statistics Toolbox, Genetic Algorithm and Direct Search Toolbox, GUI и др. Встроенный компилятор MatLab позволяет конвертировать созданные в нем программы прямо из среды MatLab в код С или С++ для создания автономных приложений. Г

110

ЗАКЛЮЧЕНИЕ

1. В результате анализа принципов построения основных существующих на сегодняшний день отечественных и зарубежных систем краткосрочного прогнозирования электропотребления, а также современных подходов к прогнозированию потребления электрической нагрузки, выявлены наиболее перспективные направления улучшения качества прогнозов - это совместное использование нескольких интеллектуальных подходов.

2. В работе выполнено построение и исследование системы краткосрочного прогнозирования электрической нагрузки на основе нейро-нечеткого подхода и вейвлет-теории, обеспечивающей увеличения точности предсказания потребления электроэнергии.

3. Основной трудностью в задаче прогнозирования электропотребления является одновременное отслеживание разпочастотных компонент временного ряда с целью повышения качества предсказания. Разработана методика построения системы прогнозирования электрической нагрузки, использующая вейвлет-фильтрацию с целью разделения разно-частотных составляющих и прогнозирования каждой из них в отдельности при помощи нейро-нечетких сетей.

4. Разработана система прогнозирования, объединяющая теорию нечетких множеств, вейвлет-теорию и генетические алгоритмы. Система включает 4 нейро-нечеткие сети различной структуры, построенные на алгоритме Такаги-Сугэно. Подбор оптимальной архитектуры каждой нейро-нечеткой сети осуществляется при помощи генетического алгоритма. Прогноз осуществляется на час вперед по данным из предыстории (данные по нагрузке на прошедшие девять часов), а также по номеру часа, для которого осуществляется прогноз.

5. Экспериментальное исследование разработанной системы в пакете Matlab показало высокую точность прогнозирования - 1,6 %. Исследование данной системы на устойчивость к возможным неточностям входной информации показало, что при искажении входных данных до 6% точность прогнозирования сохраняется в пределах до 5%.

6. Сравнительный анализ качества и надежности прогнозирования построенной системы с классическими регрессионными моделями показал, что использование вейвлет-разложения позволило повысить точность прогнозирования в 1,3 раза по сравнению с прогнозом, выполненным нейронечеткой моделью ив 1,7 раза по сравнению с прогнозом модели авторегрессии - скользящего среднего.

7. Для разработанной системы прогнозирования электропотребления реализован программный модуль системы, программа подбора оптимальной структуры сети на основе генетических алгоритмов, программа формирования обучающей выборки для различного числа входов и выходов системы, а также пользовательский интерфейс в пакете MATLAB v.7.0.1 Release 14.

В основе полученных в диссертации решений лежат следующие результаты, выносимые на защиту:

1. Модель представления ретроспективных данных о нагрузке ЭЭС.

2. Процедура краткосрочного прогнозирования нагрузки ЭЭС.

3. Методика построения системы прогнозирования электрической нагрузки.

4. Программный комплекс краткосрочного прогнозирования электропотребления, включающий пользовательский интерфейс.

Поставленные задачи диссертационного исследования успешно решены и цель достигнута. Разработанная методика построения системы прогнозирования электрической нагрузки на основе нейронечеткого подхода и вейвлет-теории с моделью представления статистических данных о потреблении в виде разночастотных компонент вейвлет-преобразования включена в план технического развития ООО «Иркутская Электросетевая компания», что подтверждает актом о практическом использовании результатов (П. 4).

Список литературы диссертационного исследования кандидат технических наук Анушина, Екатерина Сергеевна, 2009 год

1. Об электроэнергетике: Федеральный закон РФ от 26.03.2003 № 35-Ф3 Текст. // Российская газета. 2003. - 1 апреля. - С. 1.

2. Автоматизация диспетчерского управления в электроэнергетике Текст. / под общ. ред. Ю.Н.Руденко и В.А.Семенова. М.: Издательство МЭИ, 2000. -648 с.

3. Анализ временных рядов Электронный ресурс. Электронный учебник.2007. Режим доступа: http://stat.city.tomsk.net/modules/sttimser.html Проверено 03.04.2008.

4. Анушина, Е.С. Использование интеллектуальных вычислительных технологий для решения задач прогнозирования Текст. / Е.С. Анушина // Естественные и технические науки.- 2006. №5. - С. 184-186

5. Анушина, Е.С. Использование современных подходов при решении задач прогнозирования Текст. / Е.С. Анушина // Сб. тр. 4-й Всероссийской науч. конф. УИТ. Санкт-Петербург, 10-12 октября. 2006. - С. 181-184

6. Анушина, Е.С. Повышение точности прогнозирования электропотребления сиспользованием вейвлет-теории Текст. / Е.С. Анушина // Одиннадцатая Санкт

7. Петербургская Ассамблея молодых ученых и специалистов. Санкт-Петербург. -2006.-С. 39

8. Анушина, Е.С. Применение методов нелинейной динамики для совершенствования систем прогнозирования электропотребления Текст. / Е.С. Анушина // Двенадцатая Санкт-Петербургская Ассамблея молодых ученых и специалистов. Санкт-Петербург. 2006. - С. 49

9. Афанасьев, В.Н. Анализ временных рядов и прогнозирование Текст. / В.Н. Афанасьев, М.М. Юзбашев. М.: Финансы и статистика, 2001. - 226 с.

10. Беляков С.С. Выявление фрактальных характеристик для процесса прогнозирования временных рядов налоговых поступлений Текст. / С.С. Беляков, Н.Ф. Овчаренко, Ф.Б. Тебуева // Успехи современного естествознания. -2005.-№2.-С. 54-55.

11. Бэнн, Д.В. Сравнительные модели прогнозирования электрической нагрузки Текст. / Д.В. Бэнн, Е.Д. Фармер; пер. с англ. М.: Энергоатомиздат, 1987. -200 с.

12. Вейвлет-теория в задачах прогнозирования Текст. / Н.Д. Поляхов [и др.] // Изв. СПб ТЭТУ «ЛЭТИ». 2008. - Вып. 4. - С. 50-54

13. Галушкин, А.И. Применение нейрокомпьютеров в энергетических системах Электронный ресурс. / А.И. Галушкин. 2001. - Режим доступа: http://neurnews.iu4. bmstu.ru/ primer/energy.htm.

14. Гамм, А.З. Робастные методы оценивания состояния электроэнергетических систем и их реализация с помощью генетических алгоритмов Текст. / А.З. Гамм, И.Н. Колосок, Р.А. Заика // Электричество. 2005. - №10. - С. 2-8.

15. Глебов, А.А. Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем Текст. / А.А. Глебов // Южно-Российский вестник геологии, географии и глобальной энергии. 2006. - №7(20). - С. 142146.

16. Глазунова, A.M. Краткосрочное прогнозирование нагрузок с использование ИНС в составе подсистемы ОУР Электронный ресурс. / A.M. Глазунова. -2007. Режим доступа: http://wvvw.anares.ru/seminar2.html.

17. Гнатюк, В. И. Закон оптимального построения техноценозов -Компьютерная версия, перераб. и доп. М.: Изд-во ТГУ - Центр системных исследований, 2005 - 2009. Электронный ресурс. / В. И. Гнатюк . - 2009. -Режим доступа: http://gnatukvi.ru/ind.html.

18. Головченко, В.Б. Прогнозирование временных рядов по разнородной информации Текст. / В.Б. Головченко. Новосибирск: Наука, 1999. - 86 с.

19. Гурский, С.К. Адаптивное прогнозирование временных рядов в электроэнергетике Текст. / С.К. Гурский. Минск: Наука и техника, 1983. -271 с.

20. Дремин, И.М. Вейвлеты и их использование Текст. / И.М. Дремин, О.В. Иванов, В.А. Нечитайло // Успехи физических наук. 2001. - Т. 171. - №5. - С. 465-501.

21. Дьяконов В.П. Вейвлеты. От теории к практике Текст. / В.П. Дьяконов. -М.: СОЛОН-Р, 2002. 448 с.

22. Дьяконов В. MATLAB. Обработка сигналов и изображений. Специальный справочник Текст. / В. Дьяконов, И. Абраменкова. СПб.: Питер, 2002. -608 с.

23. Жичкин, С.В. Краткосрочное прогнозирование суточного электропотребления нижнетагильского металлургического комбината Текст. / С.В. Жичкин, А.В. Мозгалин // Электрификация металлургических предприятий Сибири. 2004. - Вып. 12. - С. 222-238.

24. Зульпукаров, М.-Г.М. Метод русел и джокеров на примере исследования системы Розенцвейга-Макартура Электронный ресурс. / М.-Г.М. Зульпукаров, Г.Г. Малинецкий, А.В. Подлазов // Препринт ИПМ. 2006. - № 21. - 32 с.

25. Информационно-аналитическая программная платформа Deductor компании BaseGroup Labs Электронный ресурс. 2003. - Режим доступа: http://www.basegroup.ru/deductor/description/.

26. Использование искусственных нейронных сетей для краткосрочного прогнозирования нагрузки и расхода топлива в энергосистеме Текст. / Н.Р. Рахманов [и др.] // Проблемы энергетики. 2003. - №3. - С. 134-135.

27. Использование современных подходов и методов для прогнозирования электропотребления Текст. / Ю.А. Борцов [и др.] // Электротехника.- 2006. — №8. С. 30-35.

28. Исследование нечетких и нейросетевых систем Текст. / Н.Д. Поляхов [и др.]. СПб.: Изд-во СПбГЭТУ «ЛЭТИ», 2005. - 28 с.

29. Кириенко, Е.И. Прогнозирование электропотребления основа надежного функционирования ЕЭС России Электронный ресурс. / Е.И. Кириенко. - 2003. - Режим доступа: http://www.energostat.ru/seminar/seminar2003/materials.

30. Колосок, И.Н. Исследование эффективности применения генетических алгоритмов для достоверизации телеизмерений при оценивании состояния ЭЭС Текст. / И.Н. Колосок, Р.А. Заика // Энергетика. 2003. - №6. - С. 39-^6.

31. Краткосрочное предсказание электропотребления для крупного жилого массива города Текст. / Г.К. Вороновский [и др.] // Procs. of the 3rd Int. Sc. and Techn. Conf. UEES'97, Szczecin. 1997. - Vol.3. - P. 1073-1078.

32. Крисилов, В.А. Представление исходных данных в задачах нейросетевого прогнозирования Текст. / В.А. Крисилов, К.В. Чумичкин, А.В. Кондратюк //

33. Научная сессия МИФИ 2005. Сборник научных трудов. - М : МИФИ, 2003. -4.1: V Всероссийская научно-техническая конференция "Нейроинформатика-2003".-С. 184-191.

34. Кроновер, P.M. Фракталы и хаос в динамических системах Текст. / P.M. Кроновер. М.: Техносфера, 2006. - 484 с.

35. Круглов, В.В. Искусственный нейронные сети. Теория и практика Текст. / В.В. Круглов, В.В. Борисов. М.: Горячая линия-Телеком, 2002. - 382 с.

36. Кудрин Б.И. Методика обеспечения почасового прогнозирования электропотребления предприятий с учетом погодных факторов Текст. / Б.И. Кудрин, А.В. Мозгалин // Вестник МЭИ. 2007. - № 2. - С. 45-47.

37. Локтаев, С.В. Методы прогнозирования Текст. / С.В. Локтаев, А.Н. Веригин. СПб.: Изд-во СПбГУ, 1999. - 94 с.

38. Любченко, В.Я. Генетический алгоритм оптимизации режимов энергосистем по активной мощности Текст. / В.Я. Любченко // Электро. 2003. - №3. - С. 25.

39. Макоклюев Б.И. Влияние метеорологических факторов на электропотребление Электронный ресурс. / Б.И. Макоклюев, А.В. Антонов, В.Ф. Ёч . 2004. - Режим доступа: http://www.energostat.ru/seminar/ /seminar2004/materials,

40. Макоклюев, Б.И. Прогнозирование потребления в АО Мосэнерго Текст. / Б.И. Макоклюев, А.И. Владимиров, Г.И. Фефелова // ТЭК. 2001. - №4. - С. 2632.

41. Малинецкий Г.Г. Русла и джокеры: о новых методах прогноза поведения сложных систем Текст. / Г.Г. Малинецкий, А.Б. Потапов // Препринт ИПМ. -1998.- №32.

42. Малинецкий, Г.Г. Современные проблемы нелинейной динамики Текст. / Г.Г. Малинецкий, А.Б. Потапов. М.: Эдиториал УРСС, 2000. - 336 с.

43. Модель прогнозирования нагрузки электроэнергетической системы на основе нейронечеткого подхода Текст. / Н.Д. Поляхов [и др.] // Изв. СПб ГЭТУ «ЛЭТИ», Сер. Автоматизация и управление. 2004. - Вып. 1. - С. 42-47.

44. Нейросетевая модель связного потребления тепловой и электрической мощности крупным жилым массивом Текст. / Г.К. Вороновский [и др.] // Вести. Харьк. гос. политех, ун-та. 2000. - Вып.113. - С. 363-366.

45. НПЦ «ФИЗТЕХ». Система прогнозирования AR CONTROL Электронный ресурс. - 2007. - Режим доступа: http://www.fiztex.ru/arcontrol/arcontrol.html.

46. Олешко, Д.Н. Повышение качества и скорости обучения нейронных сетей в задачах прогнозирования поведения временных рядов Текст. / Д.Н. Олешко, В.А. Крисилов // Сб. науч. тр. / Одес. политехи, ун-т. 1999. - Вып. 2(8). - С. 134-140.

47. ООО НПП «ВНИКО». Программа краткосрочного и оперативного прогнозирования электропотребления Электронный ресурс. — 2008. Режим доступа: http://www.vniko.novoch.ru/prog.htm.

48. Осовский С. Нейронные сети для обработки информации Текст. / С. Оссовский; пер. с польского И. Д. Рудинского. М.: Финансы и статистика, 2004.

49. Осьминушкин, А.В. Анализ неравномерности и колеблемости электропотребления для целей прогнозирования Электронный ресурс. / А.В. Осьминушкин. 2003. - Режим доступа: http://www.energostat.ru/seminar/ /seminar2003/materials.

50. Петере, Э. Э. Фрактальный анализ финансовых рынков. Применение теории хаоса в инвестициях и экономике Текст. / Э.Э. Петере; пер. с англ. М.: Интернет-терйдинг, 2004. - 304 с.

51. Петере, Э. Э. Хаос и порядок на рынке капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка Текст. / Э.Э. Петере; пер. с англ. -М.: Мир, 2000.-333 с.

52. Петрова, И.Ю. Прогнозирование электропотребления с помощью нейро-нечеткой системы ANFIS / И.Ю. Петрова, А.А. Глебов Электронный ресурс. // Инженерное образование. Наука в образовании: электронное научное издание

53. Москва: МГТУ им. Н. Э. Баумана. 2006. - №7. - Режим доступа: http://www.techno.edu.ru: 1600 l/db/msg/29594.html.

54. Плескунин, В.И. Теоретические основы организации и анализа выборочных данных в эксперименте Текст. / В.И. Плескунин, Е.Д. Воронина. СПб.: Изд-во Ленингр. Ун-та. 1979.-232 с.

55. Поляхов, Н. Д. Нечеткие системы управления; учеб. Пособие Текст. / Н.Д. Поляхов, И.А. Приходько. СПб.: Изд-во СПбГЭТУ "ЛЭТИ", 2003. - 48 с.

56. Попов Л.А. Анализ временных рядов' и прогнозирование Текст. / Л.А. Попов. М.: Изд-во Российской экономической академии, 2005. - 116 с.

57. Почечуев С.В. Опыт прогнозирования потребления смоленской энергосистемы Электронный ресурс. / С.В. Почечуев. 2003. - Режим доступа: http://www.energostat.ru/seminar/seminar2003/materials.

58. Приходько И. А. Современные подходы и методы прогнозирования электропотребления Текст. / И. А. Приходько, Е. С. Анушина // Изв СПб ГЭТУ «ЛЭТИ», Сер. Автоматизация и управление. 2005. - Вып. 1. - С. Ъ1-М.

59. Прогноз электропотребления: анализ временных рядов, геостатистика, искусственные нейронные сети Текст. / Р.В. Арутонян [и др.]. М.: Институт проблем безопасного развития атомной энергетики РАН, 1999. - 45 с.

60. Прогнозирование энергопотребления: современные подходы и пример исследования Текст. / Л.А. Болыиов [и др.] // Известия Академии Наук: Энергетика. 2004. - №6. - С. 74 - 93.

61. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы Текст. / Д. Рутковская, М. Пилиньский, JI Рутковский; пер. с польск. И. Д. РудинскогоГ М.: Горячая линия~Телеком, 2004. 452 с.

62. Система прогнозирования «Энерго-Прогноз» компании StatSoft Russia Электронный ресурс. 2007. - Режим доступа: http://www.statsofit.ru/ statportal/tabID39/MId293/ModeID0/PageID200/DesktopDefault.aspx.

63. Тараканов А. А. Краткосрочное прогнозирование нагрузок на основе информации комплекса РСДУ2 Электронный ресурс. / А. А. Тараканов. 2007. -Режим доступа: http://www.ema.ru/view/articles/202.

64. Тарасенко, Р.А. Предварительная оценка качества обучающей выборки для нейронных сетей в задачах прогнозирования временных рядов Текст. / Р.А. Тарасенко, В.А. Крисилов // Сб. науч. тр. / Одес. политехи, ун-т. 2001. - Вып. 1.-С. 90-93.

65. Цой, Ю.Р. Эволюционный подход к настройке и обучения искусственный нейронных сетей Текст. / Ю.Р. Цой, В.Г. Спицын // Нейроинформатика. 2006. -Т1,№1.-С. 34-61.

66. Цукерман Е.В. Прогнозирование временных рядов Текст. / Е.В Цукерман. -Казань: Магариф, 1997. -123 с.

67. Шумилова, Г.П., Готман Н.Э., Старцева Т.Б. Прогнозирование электрических нагрузок ЭЭС с использованием методов искусственного интеллекта Текст. // РНСЭ, 10-14 сентября 2001: Материалы докладов. Казань: Казан. Гос. Энерг. ун-т, 2001 Т. II.

68. Шумилова, Г.П. Краткосрочное прогнозирование электрических нагрузок с использование искусственных нейронных сетей Текст. / Г.П. Шумилова, Н.Э. Готман, Т.Б. Старцева // Электричество. 1999. -№10. - С.4- 15.

69. Шумилова, Г.П. Модель суточного прогнозирования нагрузок ЭЭС с использованием нечетких нейронных сетей Текст. / Г.П. Шумилова, Н.Э. Готман, Т.Б. Старцева // Изв. АН. Энергетика. 2001. - №4. - С.52- 63.

70. Электронный учебник StatSoft Электронный ресурс. 2007. - Режим доступа: http://www.statsoft.ru/home/textbook/.

71. Advanced Solution in Energy Forecasting Электронный ресурс. / 2008. -Режим доступа: http://www.aleasoft.com/?gclid=COulg8-xIwCFShHEAodgn3 lwQ.

72. AGORA Load Forecast Электронный ресурс. / 2008. - Режим доступа: http://www.elequant.com/products/agora/loadforecast.html.

73. A hybrid Fuzzy, Neural Network Bus Load Modeling and Predication Текст. / H.R. Kassaei [et. al.] // IEEE Transactions on power system. 1999. - May. - Vol. 13, №2.-P. 718-724.

74. ALFA: Automated Load Forecasting Assistant Текст. / К. Jabbour [et al.] // IEEE Transactions on Power System. 1988. - Vol. 3, № 3. - P. 908-914.

75. Chaiytoniuk, W. Nonparametric regression based short-term load forecasting Текст. / W. Chaiytoniuk, M.S. Chen, P. Olinda Van // IEEE Trans. PAS. 1998. -Vol. 13, №3.-P. 762-771.

76. Daneshdoost, M. Neural network with fuzzy set-based classification for short-term load forecasting Текст. / M.Daneshdoost, M. Lotfalian, G. Bumroonggit // IEEE Transactions on power system. 1998. - November. - Vol. 13,№4.-P. 152-161.

77. Energy Forecastig by MetrixIDR™ System Operations ABB Электронный ресурс. / 2008. - Режим доступа: http://www.itron.com/pages/productsdetail.asp?id=itr000483.xml.

78. Fomitchev, M. An introduction to wavelets and wavelet transforms Текст. / M. Fomitchev // Математическая морфология. 1998. - Т. 3. - Вып. 1. - С. 3-20.

79. Gupta, Р.С. A stochastic approach to peak power demand forecasting in electric utility system Текст. / Р.С. Gupta // IEEE Trans. PAS-90. 1971. - P. 824-832.

80. Hagan, M.T. The time series approach to short term load forecasting Текст. /

81. M.T. Hagan, S.M. Behr // IEEE Trans. PAS. 1987. - Vol. PWRS-2, № 3. - P. 631642.

82. Huang, S.R. Short-term load forecasting using threshold autoregressive models

83. Текст. / S.R. Huang // IEE Proc.-Gener. Trans. Distrib. 1997. - Vol.144, № 5. - P. 96-112.

84. Hurst, H.E. Long-term Storage of Reservoirs Текст. / H.E. Hurst// Transactions of the American Society of Engineers 88. 1991.

85. Infield, D.G. Optimal smoothing for trend removal in short term electricity demand forecasting Текст. / D.G. Infield, D.C. Hill // IEEE Trans. PAS. 1998. -Vol.13, №3.- P. 724-736.

86. Liu, C.C. Intelligent System Application to Power Systems Текст. / C.C. Liu, D. A. Pierce, H. Song // IEEE Computer Application in Power. 1997. - October.1. Vol. №2.-P.21-24.

87. Long-Range Spatial Load Forecasting System from ABB Электронный ресурс. / 2008. - Режим доступа: http://www.abb.ru/industries/seitp408/3592252937767с0ес1257013003858ff.aspx.

88. Matteewman, P.D. Techniques for load prediction in the electricity supply industry Текст. / P.D. Matteewman, H. Nicholson // Proc. IEE. 1968. - V. 115. -P. 1451-1457.

89. Mbamalu, G.A.N. Load forecasting suboptimal seasonal autoregressive models and iteratively reweighted least squares estimation Текст. / G.A.N. Mbamalu, M.E. El-Hawary // IEEE Trans. PAS. 1993. - Vol.8, № 1. - P. 319-325.

90. Murtagh, F. On Neuro-Wavelet Modeling Текст. / F. Murtagh, J.-L. Starck and O. Renaud // Decision Support Systems Journal. 2004. - March. - № 37. - P. 475484.

91. Nazarko, J. The Fuzzy Regression Approach to Peak load Estimation in Power Distribution Systems Текст. / J. Nazarko, W. Zalewski // IEEE Trans. Power. Syst. -1999. August. - Vol.14, №3. - P. 147-156.

92. Nikola, K. DENFIS: Dynamic Evolving Neural-Fuzzy Inference System and Its Application for Time-Series Prediction Текст. / К. Nikola // IEEE Transactions on fuzzy systems.-2002.-April.-Vol. 10, №2.-P. 144-154.

93. Otto, P. Fuzzy based time series forecasting of electric load Текст. / P. Otto, T. Schunk // Радюэлектрошка, шформатика, управлшня. 1999. - №2. - С. 15-25.

94. Papalexopoulos, A.D. A regression-based approach to short-term system load forecasting Текст. / A.D. Papalexopoulos, T.C. Hesterberg // IEEE Trans. PAS. -1990. Vol. 5, № 4. - P. 326-342.

95. Park, J.H. Composite modeling for adaptive short-term load forecasting Текст. / J.H. Park, Y.M. Park, K.Y. Lee //IEEE Trans. PAS. 1991. - Vol. 6, № 2. - P. 118124.

96. Sadownik, R. Short-term forecasting of industrial electricity consumption in Brazil Текст. IR. Sadownik, E.P. Barbora // J. Forecast. 1999. - Vol. 18., № 3. - P. 245-250.

97. The impact of temperature forecast uncertainty on bayesian load forecasting

98. Текст. / A.P. Douglas et al.] // IEEE Trans. PAS. 1998. - Vol. 13, № 4. - P. 118124.

99. Tomonobu, S. One-hour-ahead load forecasting using neural network Текст. / S. Tomonobu, T. Hitoshi // IEEE Transactions on power system. 2002. - February. - Vol. 17, № 1.- P.21-24.

100. Yang, H.T. A new short-term load forecasting approach using self-organizing fuzzy ARMAX models Текст. / H.T. Yang, C.M. Huang // Trans. PAS. 1998. -Vol. 13, № l.-p. 1Ю-119.

101. Yu, Z. A temperature match based optimization method for daily load prediction considering DLC effect Текст. / Z. Yu // IEEE Trans. PAS. 1996. - Vol.11, № 2. -P. 361-368.

102. Vemuri, S. Load forecasting using stochastic models Текст. / S. Vemuri, E.F.

103. Hill, R. Balasubramanian // Proc. 8th PICA Conf. 91973, IEEE, New York. P. 3137.