автореферат диссертации по энергетике, 05.14.02, диссертация на тему:Анализ и прогнозирование режимных параметров и характеристик в системах электроэнергетики на базе технологий искусственного интеллекта

На права кописи

ТОМИН Никита Викторович

АНАЛИЗ И ПРОГНОЗИРОВАНИЕ РЕЖИМНЫХ ПАРАМЕТРОВ И

ХАРАКТЕРИСТИК ДЛЯ СУБЪЕКТОВ РОЗНИЧНОГО РЫНКА ЭЛЕКТРОЭНЕРГИИ НА БАЗЕ ТЕХНОЛОГИЙ ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

Специальность 05 14.02 - Электростанции и

электроэнергетические системы

АВТОРЕФЕРАТ диссертации на соискание учёной степени кандидата технических наук

Иркутск - 2007

003062721

Работа выполнена в ГОУ ВПО «Братский государственный университет» на кафедре Систем электроснабжения

Научный руководитель: доктор технических наук, профессор

Курбацкий Виктор Григорьевич

Официальные оппоненты доктор технических наук

Колосок Ирина Николаевна

кандидат технических наук Каштанов Юрий Борисович

Ведущая организация Новосибирский государственный

технический университет (НГТУ) г. Новосибирск

Защита диссертации состоится 22 мая 2007 г в 14-00 часов на заседании диссертационного совета Д.003 017.01 при Институте систем энергетики им. Мелентьева (ИСЭМ) СО РАН по адресу. 664033, Иркутск-33, ул. Лермонтова, 130

С диссертацией можно ознакомиться в библиотеке Института систем энергетики им. Мелентьева СО РАН

Отзывы на автореферат в двух экземплярах, заверенные печатью учреждения, просим направлять по адресу. 664033, Иркутск-33, ул Лермонтова, 130, ИСЭМ СО РАН

Автореферат разослан «20» апреля 2007 г. Ученый секретарь

диссертационного совета Д 003 017.01 доктор технических наук

А.М. Клер

ОБЩАЯ ХАРАКТЕРИСТИКА ДИССЕРТАЦИОННОЙ РАБОТЫ

Актуальность проблемы. В современных условиях реформирования электроэнергетики России и перехода оптового рынка электроэнергии (ЭЭ) к розничному, первоочередной задачей является формирование новых отношений между субъектами рынка при обеспечении четко отлаженных взаимоотношений между потребителем и энергоснабжающей организацией

В соответствии с Федеральным законом «Об электроэнергетике» на розничных рынках электроэнергии (РРЭ) основными участниками являются оптовые покупатели-перепродавцы (энергосбытовые организации - ЭСО) и потребители Взаимоотношения на рынке полностью контролирует государство в лице региональных энергетических комиссий (РЭК), которые устанавливают экономически обоснованные тарифы, как на отпуск, так и на покупку ЭЭ Купля-продажа ЭЭ осуществляется по строго установленным тарифам При превышении заявленного объёма потребления ЭЭ РЭК взимает штрафы, размер которых компенсирует расходы на дополнительную выработку ЭЭ

Оптовый рынок ЭЭ состоит из двух частей

• регулируемый сектор,

• сектор свободной торговли и балансирующий рынок

Тарифы в регулируемом секторе определяет Федеральная служба по тарифам (ФСТ) Сектор свободной торговли предусматривает свободное ценообразование, когда тариф на ЭЭ является равновесной ценой спроса и предложения Так, с 1-го ноября 2003 года в России введена продажа ЭЭ на федеральном оптовом рынке электроэнергии в размере до 15% от общей выработки по свободно формируемым ценам Отклонения фактического графика нагрузок субъекта оптового рынка от заявленных значений больше определенного процента приводит к покупке электроэнергии с балансирующего рынка по более высокой цене Отклонение в меньшую сторону также «карается» оплатой за недопоставленную электроэнергию, определяемую разницей между заявленным и фактическим потреблением ЭЭ по установленным расценкам

Следует подчеркнуть, что изменение принципов функционирования отечественного рынка ЭЭ, приводит к повышению требований, предъявляемым к показателям качества прогнозных расчётов (точности, достоверности, информативности, быстродействию и т д) К сожалению, на сегодняшний момент далеко не все отечественные электрические сети и энергорайоны в должной степени обеспечены современными средствами учета ЭЭ, что приводит к значительному дефициту исходной информации для задач анализа и прогнозирования, а, следовательно, затрудняет их решение

Введение новых принципов функционирования рынков ЭЭ повлекло за собой и существенное изменение договоров энергоснабжения и купли-продажи Энергоснабжающие организации и потребители (субъекты РРЭ) в сложившихся на данный момент условиях заинтересованы в достоверном планировании (прогнозировании) потребностей в ЭЭ и проведении эффективного анализа по её использованию Вследствие этого существенно возрастает ответственность в решении задач анализа и прогнозирования режимных параметров* (в первую очередь, электрической нагрузки потребителей, перетоков мощности и т д) и характеристик (потерь электроэнергии, температуры наружного воздуха и т д) для каждого

* в зарубежных публикациях используется термин «кёип уаг» - режимная переменная

конкретного ЭСО

Одним из путей повышения качества решения указанных задач, с учетом выделенных проблем, является использование современных технологий искусственного интеллекта (ТИИ), в частности наиболее популярных и эффективных структур ТИИ - искусственных нейронных сетей (ИНС) Необходимо подчеркнуть, что ТИИ не связаны с алгоритмическими вычислениями, и, следовательно, не требуют построения сложных вычислительных моделей объекта В нашей стране вопросами применения методов искусственного интеллекта для решения электроэнергетических задач занимаются в Институте систем энергетики им Ме-лентьева СО РАН (ИСЭМ СО РАН), Отделе энергетики Института социально-экономических и энергетических проблем Севера Коми, Новосибирском государственном техническом университете (НГТУ), Уральском государственном техническом университете (УГТУ УПИ) и ряде других организаций Решению отдельных аспектов этой многогранной проблемы посвящены работы Богатырева Л Л, Воропая Н И, Гамма А 3 , Глазуновой А М, Колосок И Н , Курбацкого В Г, Ма-нова Н А, Манусова В 3 , Михайлова М Ю, Успенского М И, Хохлова М В, Чукреева Ю Я, Этингова П В и других

В данной работе представлены результаты исследований и практические методы решения задач анализа и прогнозирования режимных параметров и характеристик (РПХ) на базе современных ТИИ в системах электроэнергетики низшего иерархического уровня* Предложенные подходы ориентированы для применения в расчетах энергосбытовых и других сетевых организаций — субъектов РРЭ** с учетом современных условий

Целью работы является разработка подходов на базе современных ТИИ для низшего уровня электроэнергетической системы, позволяющих эффективно решать задачи анализа и прогнозирования РПХ в рамках субъектов РРЭ

Для достижения этой цели в работе были поставлены и решены следующие задачи

1 Исследование известных методов и алгоритмов анализа данных, используемых при решении электроэнергетических задач

2 Анализ существующих методов и подходов по прогнозированию РПХ

3 Анализ современных ТИИ, применяемых в электроэнергетике

4 Изучение алгоритмов и процедур предварительной обработки исходных данных и возможности их практического использования в задачах анализа и прогнозирования РПХ в электрических сетях

5 Разработка нейросетевой процедуры визуализации РПХ для анализа основных технических и экономических показателей ЭСО

6 Разработка нейросетевого метода кластерного анализа потерь электроэнергии в распределительных электрических сетях субъектов РРЭ

7 Разработка подходов к прогнозированию РПХ на базе современных методов искусственного интеллекта (ПМИИ***)

* к ним относят структурные подразделения энергосистемы, являющиеся частью РРЭ (ЭСО, электросетевые и энергоснабжакмцие организации, потребители ЭЭ и т д)

** под субъектами РРЭ понимаются следующие потребители ЭЭ, гарантирующие поставщики, ЭСО, исполнители коммунальных услуг, сетевые организации и иные владельцы объектов электросетевых хозяйств, а также производители (поставщики) ЭЭ

*** в работе под сокращением ПМИИ будем понимать предложенный подход к прогнозированию РПХ методами искусственного интеллекта

Методы исследования. Для решения поставленных задач в работе использовались методы математической статистики, современные техно тогии искусственного интеллекта, алгоритмы и процедуры нелинейного анализа данных Для выполнения экспериментальных исследований и практических расчётов были использованы современные программные пакеты по искусственному интеллекту

Научная новизна

1 На базе современных методов искусственного интеллекта предложены оригинальные подходы к прогнозированию РПХ для субъектов РРЭ, использующие специализированные процедуры предварительной обработки информации, что позволяет значительно упростить решение задачи прогнозирования и существенно повысить точность прогноза

2 Разработана нейросетевая процедура адаптивного анализа и визуализации РПХ, позволяющая эффективно выделить особенности и различия в режимах работы электрической сети

3 Разработан нейросетевой метод кластерного анализа потерь электроэнергии на базе самоорганизующихся карт Кохонена, позволяющий в электрических сетях субъектов РРЭ эффективно выявлять «очаги» потерь ЭЭ* с выяснением причин их возникновения и осуществлять текущее планирование потерь ЭЭ, даже в условиях дефицита исходной информации

4 Выполнен сравнительный анализ эффективности использования предложенных «интеллектуальных» подходов анализа и прогнозированию РПХ с традиционными вероятностно-статистическими методами Показана целесообразность применения методов искусственного интеллекта в задачах анализа и прогнозирования РПХ в новых рыночных условиях

Практическая ценность. Разработанные методы и подходы и результаты выполненных исследований могут использоваться в ЭСО, электросетевых и энер-госнабжающих организациях для решения практических задач анализа и прогнозирования различных РПХ Один из предложенных в работе методов прогнозирования в настоящее время применяется в Братском муниципальном теплоэнергетическом предприятии (МБ ТЭП) ЖКХ МО г Братска при формировании тарифов на ЭЭ и тепловую энергию (ТЭ)

Основное практическое значение работы заключается в повышении эффективности используемых методов анализа и прогнозирования РПХ, что продиктовано новыми рыночными условиями функционирования российской электроэнергетики

Реализация работы. Исследования, представленные в диссертационной работе, выполнены в рамках хоздоговорных работ с ЭСО (организациями электрических сетей и теплоэнергетическими предприятиями) При использовании предложенного подхода по прогнозированию РПХ в задаче определения расхода ТЭ для МБ ТЭП ЖКХ МО г Братска достигнут экономический эффект порядка 644 ООО (Шестьсот сорок четыре тысячи) рублей в год (акт внедрения от 23 марта 2005 г)

Часть полученных в диссертационной работе результатов, в настоящее время, отражена в учебном пособии Курбацкий В Г, Томин НВ АСДУ энергосистем Братск ГОУ ВПО «БрГУ», 2005 - 62 с и используется в дисциплине «АСДУ энергосистем» для специальности 14020565

* в общем случае, под «очагом» потерь ЭЭ будем понимать участок электрической сети с повышенными фактическими потерями ЭЭ

Апробация работы. Материалы работы докладывались и обсуждались на международных, всероссийских, региональных конференциях, в том числе на

1 International Scientific-Practical Conference "Communication-2004" (Киргизия, г. Бишкек, 2004 г )

2 XLII, XLIII Международных студенческих конференциях «Студент и научно-технический прогресс» (НГУ, г Новосибирск, 2004 (диплом П-ой степени), 2005 гг )

3 II Всероссийской научно-технической конференции «Энергосистема управление, качество, конкуренция» (УГТУ-УПИ, г Екатеринбург, 2004 г )

4 Открытом конкурсе Московского энергетического института на лучшую научную работу студентов по разделам №42 «Энергетика, электротехника и энергетическое машиностроение» и №43 «Энергосберегающие технологии» (г Москва, 2005 г, диплом Министерства образования науки России)

5 ХП, XIII Всероссийских семинарах «Нейроинформатика и ее приложения» (ИВМ СО РАН, г Красноярск, 2004, 2005 гг )

6 IV Всероссийской научно-технической конференции с международным участием «Энергетика управление, качество и эффективность использования энергоресурсов» (АмГУ, г Благовещенск, 2005 г )

7 Научно-технических конференциях Братского государственного университета (БрГУ, г Братск 2003-2006 гг )

8 Конференции молодых ученых ИСЭМ СО РАН (г Иркутск, 2006 г, диплом Гран-при)

9. Всероссийской научно-техническая конференции студентов, аспирантов и молодых ученых «Научная сессия ТУСУР-2006» (г Томск, 2006 г )

10 V Международной конференции «Энергетическая кооперации в Азии механизмы, риски, барьеры» (г Якутск, 2006 г )

11 III International workshop «Liberalization and modernization of power systems risk assessment and optimization for asset management» (ИСЭМ CO РАН, г Иркутск, 2006 г )

Публикации. По теме диссертации опубликовано более 30 печатных работ

Объем и структура диссертации. Диссертация состоит из введения, четырёх глав, заключения, списка литературы, 4-х приложений Диссертация содержит 183 страницы основного текста, 50 рисунков, 34 таблицы. Список литературы насчитывает 130 наименований

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность проблемы эффективного решения задач анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ Сформулированы цель и структура работы, показана научная новизна проведённых исследований и их практическая ценность Приведены сведения о внедрении результатов работ, перечислены основные положения, выносимые на защиту

В первой главе дана постановка задач анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ

Актуальность получения «прозрачной картины» по обслуживаемым электрическим сетям энергосбытовых организаций и электросетевых предприятий продиктована новыми условиями, сложившимися на РРЭ Каждый отдельный

субъект РРЭ представляет собой обособленный элемент общей системы покупки и реализации ЭЭ, который для успешной финансовой деятельности должен проводить анализ основных РПХ, чаще всего самостоятельно Сложная система взаимоотношений (ОРЭ, РЭК, ФСТ, потребители) (рис 1) требует от ЭСО* применения эффективных методов оценки и анализа, а также выработки корректных решений

электроэнергии в новых рыночных условиях

Значительные трудности возникают во взаимоотношениях ЭСО с ОРЭ Риски и доходы, при покупке ЭЭ на ОРЭ и реализации ее на РРЭ, полностью берёт на себя ЭСО

Несмотря на многообразие методов и технических средств, которые позволяют в той или иной степени анализировать массивы РПХ, в настоящее время существует ряд моментов, связанных со спецификой отечественных электрических сетей, существенно затрудняющих решение задачи анализа РПХ, а именно

1 Недостаточная наблюдаемость электрической сети, возникающая вследствие низкой обеспеченности отечественных электрических сетей средствами измерения и учета ЭЭ

2 Слабая проработка в современных методах анализа РПХ вопросов визуализации данных, что приводит к недостаточной «наглядности» анализируемых данных

Таким образом, в сложившихся условиях, необходимо создание эффективных методик анализа и визуализации РПХ, применимых к особенностям современного информационного обеспечения в электрических сетях субъектов РРЭ России

* под энергосбытовой организацией (или компанией) подразумевают субъект РРЭ, совмещающий продажу потребителям произведенной или купленной электроэнергии, с деятельностью по ей передачи

В связи с развитием рыночных отношений в России значимость проблемы потерь ЭЭ, тесно связанной с вопросами тарифообразования и выделения в составе отчетных потерь ЭЭ составляющей нормативных потерь, существенно возросла Кроме того, в процессе реформирования отечественной электроэнергетики возникает необходимость в разграничении ответственности за потери ЭЭ между субъектами РРЭ Это требует разработки эффективных методов расчета и анализа потерь ЭЭ, позволяющих получить достоверные оценки потерь ЭЭ для каждого отдельного элемента электрической сети

Особое место в задаче расчета и анализа потерь ЭЭ занимает проблема сверхнормативных потерь электроэнергии (СПЭ)* Несмотря на то, что методика, утвержденная ФСТ, устанавливает порядок расчета нормативов технологических потерь, проблемы СПЭ в ней не рассматриваются В настоящая время прибыль ЭСО существенно снижается из-за наличия СПЭ Как правило, это лишает ЭСО денежных средств, которые могли бы быть направлены на мероприятия по снижению этих потерь Особенно остро эта проблема стоит в коммунальных распределительных сетях, где значительна доля бытового потребления и соответственно велики СПЭ

В главе показано, что основным «индикатором» при наличии негативной ситуации по потреблению ЭЭ в электрических сетях являются «очаги» потерь ЭЭ В силу существенных различий в структуре электрических сетей и их протяженности уровни фактических потерь ЭЭ будут представлять для каждой конкретной ЭСО вполне индивидуальное значение, зависящее от режимов работы электрических сетей и особенностей учёта поступления и отпуска ЭЭ

Таким образом, в настоящий момент при анализе потерь ЭЭ, для субъектов РРЭ крайне важно корректно выявлять «очаги» таких потерь ЭЭ и причину их возникновения, поскольку они в значительной степени предопределяют возможные финансовые убытки предприятия Наряду с этим необходимо отметить, что недостаточный объём режимных данных и разобщенность сетевых участков (су) энергорайонов существенно затрудняет анализ потерь ЭЭ в рамках традиционных методик, вследствие чего не представляется возможным с необходимой точностью выявлять «очаги» потерь ЭЭ

В работе показано, что эффективным решением визуализации и анализа РПХ является использование карт данных, способных достаточно полно отразить особенности исследуемых РПХ в электрических сетях Исследования показали, что наиболее информативным способом представления таких карт являются диаграммы Хилтона, когда на каждом узле сетки изображается квадрат, размер которого пропорционален числу точек данных, ближайших к данному узлу, а оттенок отражает значение соответствующего признака Так, к примеру, в задаче анализа потребления ЭЭ можно в достаточно удобной и понятной форме визуализировать информацию о дебиторской задолженности по ЭЭ с отображением на диаграмме Хилтона всей необходимой информации (рис 2)

С переходом на РРЭ и формированием новых отношений между субъектами этого рынка на первый план выходит проблема тарифообразования, которая играет существенную роль в экономической деятельности ЭСО и тесно связана с задачей прогнозирования РПХ

* под сверхнормативными (коммерческими) потерями ЭЭ понимаются потери ЭЭ, обусловленные несоответствием показаний счетчиков ЭЭ у бытовых потребителей, хищениями ЭЭ и другими причинами в сфере организации контроля за потреблением ЭЭ

- Высокие значения

- ¥¥=240 +460 МВт'ч

- Месяцы;

декабрь, январь

- Низкие значения

- Месяцы: август

1

иг

Рис. 2. Пример визуализации составляющей дебиторской задолженности в виде

диаграммы Хилтона

Так важность задачи прогнозирования электрической нагрузки предопределяется. прежде всего, возможным ущербом от ошибок прогноза, оказывающих существенное влияние на нормальную работу ЭСО. При сложившейся системе взаимоотношений как ЭСО, так и конечные потребители несут дополнительные затраты, связанные с отклонением фактического потребления ЭЭ от утвержденного, а следовательно они крайне заинтересованы а точных прогнозах потребления ЭЭ и электрической нагрузки па различны« временные интервалы.

Стоимость потерь ЭЭ является одной из составляющих тарифов на ЭЭ, поэтому ЭСО крайне важно знать ожидаемый процент потерь ЭЭ, в первую очередь СПЭ в обслуживаемых ей электрических сетях. Прогноз СГ1Э необходим, прежде всего, для субъекта РРЭ, поскольку именно корректное обоснование предприятием для РЭК норматива потерь ЭЭ с учетом СПЭ позволит установить «разумный» тариф и значительно сократить возможные убытки ЭСО. В свою очередь, в соответствии с действующими нормативами каждое ТЭП обязано до 1 а шуста текущего года предоставлять прогнозные расчёты, обосновывающие тариф на ТЭ на предстоящий календарный год. На их основе РЭК формирует окончательный тариф па ТЭ для каждого отдельного ТЭП.

Из вышесказанного, очевидно, что одним из основных мероприятий, позволяющих минимизировать издержки субъектов РРЭ, вызванных нов и мл правилами рынка является эффективное прогнозирование реализаций различных Р] IX.

В главе проанализированы традиционные подходы (ЛРПСС, экспоненциальное сглаживание, анализ Фурье и т.д.) и представлены современные технологии искусственного интеллекта (ИНС, генетические алгоритмы (ГА)) для прогнозирования РПХ на уровне субъектов РРЭ. Проведённые прогнозные расчеты, в рамках моделей АРПСС, показывают, что ошибки прогноза выше в случае, когда реализация процесса нестационарна и, как следствие, принятая модель АПРСС неадекватна анализируемой реализации. К сожалению, именно на уровне распределительных сетей - основной уровень субъектов РРЭ, реализации основных РПХ (электрическая нагрузка и эяектропотребление, потери ЭЭ и т.д.) нестационарны и содержат значительную величину нерегулярной оставляющей. Исследования показали, что для этих случаев, целесообразно применение методов искусственного интеллекта, в первую очередь ИНС и ГА.

Во второй главе рассмотрены и выделены основные особенности современных ТИИ, а именно структуры ИНС и ГА, позволяющие эффективно решать задачи по анализу и прогнозированию РПХ, и тем самым «выйти» из «замкнутого круга» новых рыночных требований и современных российских реалий, получив значительно лучшие решения по сравнению с традиционными методиками Главными из выделенных особенностей являются

• «интеллектуальные» алгоритмы не требуют построения сложных вычислительных моделей изучаемого объекта,

• такие подходы «копируют» отдельные функции творческой деятельности человеческого мозга или эволюционных процессов, что позволяет при наличии большого числа возможных состояний в кратчайшие сроки находить оптимальные решения

Проанализированы практические разработки по использованию ИНС при решении задач анализа и прогнозирования РПХ, что, в конечном итоге, позволяет говорить о более высокой эффективности «интеллектуальных» методов по сравнению с традиционными алгоритмическими подходами

Представлен сравнительный анализ современных программных продуктов по ИНС, используемых в электроэнергетике, и приведена характеристика основного программного продукта STATISTICA Neural Networks Отмечено, что до сих пор практически нет программных пакетов по ИНС и ГА, специализированных для задач электроэнергетики Основную часть программ искусственного интеллекта, используемых в электроэнергетических расчетах, составляют пакеты, предназначение которых носит либо общий, либо экономический характер

Среди множества существующих видов ИНС в качестве важнейших для электроэнергетики следует выделить структуру типа многослойный персептрон MLP*, сети с самоорганизацией в результате конкуренции нейронов (в первую очередь, сети Кохонена), радиальные сети RBF**, обобщенно-регрессионные сети GRNN***, а также рекуррентные нейронные сети

Исследования показали, что применение различных архитектур и оригинальных способов обучения структур ИНС позволяют эффективно решать многочисленные электроэнергетические задачи даже при наличии значительных нелинейных зависимостей и присутствии «плохих данных» в исходных выборках Кроме того, в работе отмечено, что использование ГА позволяет решать сложные нелинейные задачи вне зависимости от вида целевой функции

В главе показано, что использование алгоритмов и процедур предварительной обработки информации на базе ТИИ, таких как нелинейный анализ главных компонент (NPCA****), нейрогенетический отбор (NGIS*****) и метод имитации отжига (SA******), позволяют свести к минимуму ряд негативных особенностей связанных с представительными массивами информации, свойственных задачам анализа и прогнозирования РПХ для энергопредприятий низшего уровня иерархии

В третьей главе рассмотрены предложенные подходы на основе методов

* Multilayer Perccptrons - многослойный персептрон

** Radial Basis Functions - радиально-базисная функция

*** Generalized Regression Neural Network - обобщённо-регрессионная нейронная сеть

**** Nonlinear Principal Component Analysis - нелинейный анализ главных компонент

***** Neuro-Genetic Input Selection - нейрогенетический входной отбор ****** Simulated Annealing - имитация отжига

искусственного интеллекта, позволяющие эффективно решать задачи анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ

В работе предложен нейросетевой подход анализа и визуализации РПХ на базе карт Кохонена (БОМ*) В основе такого анализа лежит адаптивная кластеризация исходных данных, позволяющая эффективно выделить особенности и различия в режимах работы электрической сети и своевременно выявить ненормальные режимы Данный подход включает следующие основные этапы

1 Формирование обучающей выборки и нормирование данных

2 Кластеризация полученного массива РПХ на базе БОМ - базовая модель

3 Визуализация результатов анализа РПХ

4 Системное прогнозирование РПХ и выработка решений

В общем случае, состав входной выборки, в зависимости от располагаемой информации и поставленной задачи анализа РПХ, может быть различным Но следует отметить, что чем полнее во входном векторе будут представлены все зависимые РПХ, тем более полным и объективным будет конечный результат кластерного анализа

Процедура кластеризации предполагает разделение полученных данных на компактные группы с близкими (идентичными) свойствами, причем, количественные и качественные параметры этих кластеров априори неизвестны В предлагаемом подходе, кластеризация данных осуществляется в рамках критерия соседства гауссовского типа

G(i, х) = ехр

d2(i,w)

2 А2

(1)

где А, - уровень соседства, - весовой коэффициент, с!(1,\у) - эвклидово расстояние между векторами весов «нейрона-победителя» и 1-го нейрона

Для снижения размерности входного пространства и выделения наиболее информативных переменных, перед началом кластеризации входные данные анализируются алгоритмом ОТСА

На основании рассмотренного алгоритма кластеризации строятся карты ЭОМ в виде диаграмм Хилтона Таким образом происходит отображение всего многомерного массива РПХ в виде компактных групп, позволяющих визуализировать интересующие характеристики этих групп Необходимо отметить, что каждый кластер интерактивен, и при обращении к нему выводится количественная и содержательная информация, характеризующая этот кластер Полученная нейро-сетевая модель БОМ является базовой моделью и в дальнейшем может быть использована для вновь поступающих данных

Динамические свойства кластерных структур позволяют выявлять тенденции и временные изменения исследуемого параметра Это даёт возможность осуществлять системное прогнозирование, даже в условиях серьезного дефицита исходной информации, поскольку в этом случае изучаются свойства не каждого отдельного элемента электрической сети, а всей группы в целом Анализ динамических изменений и тенденций позволяет наряду с прогнозированием осуществить и определенное управление ситуацией в исследуемом энергорайоне Совместная

' Self-Organizing Maps - самоорганизующиеся карты

визуализация результатов прогнозирования и анализа динамических изменений, полученных кластерных структур, позволяет определить возможные стратегии по управлению, которые, в конечном итоге, приведут к желаемому изменению тренда того или иного РПХ

В зависимости от выбора для анализа конкретного РПХ предложенный общий алгоритм нейросетевого подхода будет конкретизироваться Так в работе разработан кластерный анализ потерь ЭЭ на базе самоорганизующейся сети 5РМ Суть данного подхода состоит в анализе потерь ЭЭ в рамках групп-кластеров, полученных в результате объединения определенных участков и объектов электрической сети по признаку идентичного распределения потерь ЭЭ в течение заданного периода времени (как правило, годового интервала) Предложенный алгоритм базируется содержит следующие основные этапы

1 Формирование обучающей выборки на базе архива потерь ЭЭ

2 Первичная кластеризация данных о потерях ЭЭ на базе вОМ - формирование базовой модели

3 Детальная кластеризация выявленных групп, отнесённых ЭОМ к «очагам» потерь ЭЭ

4 Поиск конкретных мест и объектов электрической сети, приводящих к высоким потерям ЭЭ внутри кластера.

5 Оценка «очагов» потерь ЭЭ на наличие СПЭ

6 Использование полученной базовой модели для анализа изменения потерь ЭЭ в рамках системного прогнозирования уровня потерь ЭЭ

В зависимости от состава исходных данных определяется общая постановка задачи анализа потерь ЭЭ При использовании в качестве исходных данных как годового архива потерь ЭЭ, так и реализаций дополнительных РПХ (коэффициент загрузки, мощность трансформатора, длина ЛЭП) в задаче анализа появляется возможность оценить степень влияния «технических причин» на общий уровень потерь ЭЭ для каждого отдельного объекта электрической сети К примеру, соотнести степень влияния коэффициента загрузки трансформаторов на выявленные «очаги» потерь ЭЭ Если в качестве исходных данных используется лишь годовой архив потерь ЭЭ, то задача анализа будет носить характер мониторинга, позволяющего визуализировать представительный массив информации в виде компактных групп-кластеров

Необходимо подчеркнуть, что во всех представленных случаях достигается конечная цель анализа - выделение «очагов» потерь ЭЭ с выявлением причин их возникновения

На этапе первичной кластеризации, для выявления «очагов» потерь ЭЭ, вся информация о потерях ЭЭ исследуемого энергорайона визуализируется в виде компактных кластеров на базе диаграмм Хилтона Если такие «очаги» обнаружены, то проводится детальная кластеризация исследуемых данных

После выделения по результатам кластерного анализа, «очагов» потерь ЭЭ можно именно на этих участках энергорайона с помощью оценки несоответствия А оценить влияние составляющей СПЭ

А = -Д\УХ -Д\Укл -\УПС) Д/\УI (2)

где - отпуск ЭЭ в сеть для собственных потребителей, \упо - полезный отпуск ЭЭ потребителям, - потери холостого хода, ДУУ^ - климатические потери ЭЭ,

У/пс - расход ЭЭ на собственные нужды подстанции, Д - количество дней в месяце

Использование предложенного кластерного подхода для анализа потерь ЭЭ может быть осуществлено и совместно с применением традиционных методов анализа (оценка небаланса ЭЭ, определение долевого участия ЭЭ и т д )

Для повышения качества прогнозных расчётов в работе предложен оригинальный подход ПМИИ, состоящий из следующих этапов

1 Выбор обучающих данных

2 Использование при выборе оптимальной архитектуры прогнозной ИНС для каждого конкретного ЭСО

3 Применение специализированных алгоритмов предварительной обработки ретроспективных данных, таких как ЖЖ и ЫРСА, что обеспечивает существенное повышение качества прогнозирования в условиях дефицита исходной информации

4 Прогнозирование на базе полученной нейросетевой модели режимных параметров и характеристик ЭСО на заданный интервал упреждения

5 Возможная адаптация ИНС при изменении схемно-режимных параметров электрической сети

В ходе исследований выявлены минимальные объёмы ретроспективных выборок при использовании нейросетевого прогнозирования для получения достоверных прогнозов, а именно

• Годовой прогноз - среднемесячные значения Минимальная глубина ретроспективы в этом случае составляет порядка пяти лет (электрическая нагрузка, потери ЭЭ) В случае сложного, комплексного изменения параметра (к примеру, температуры наружного воздуха) минимальный объем выборки составляет порядка десяти лет

• Суточный прогноз - среднечасовые значения Минимальный объём ретроспективной выборки включает данные по исследуемому месяцу двух предыдущих лет (тек примеру, апрель 2004 и апрель 2005 гг )

Так как особенности выборки могут быть различны, то указанные минимальные объёмы ретроспективы могут оказаться недостаточны В работе показано, что использование специализированных алгоритмов анализа данных позволяет определить необходимый объем выборки

«Соревновательный» принцип алгоритма БА может работать в рамках двух критериев

1) баланс между производительностью и сложностью ИНС,

2) выбор структуры ИНС с наилучшей производительностью

После этого задается количество итераций алгоритма БА, соответствующее числу анализируемых ИНС Как правило, достаточно до 15 итераций, чтобы найти оптимальный тип и архитектуру ИНС

Несмотря на то, что представленный подход ПМИИ имеет значительное количество этапов и включает определенное количество процедур нелинейной оптимизации, он существенно облегчает процедуру прогнозирования с одновременным повышением качества прогноза Представленные этапы работают, как правило, одновременно и параллельно, при этом оператор лишь задаёт обучающую выборку и необходимый выходной параметр Всё остальное «берет» на себя процедуры искусственного интеллекта, что значительно сокращает время расчёта

Предложенный подход является универсальным для прогнозирования различных РПХ

В работе рассмотрены и проанализированы современные отечественные программные комплексы «РАП-95» и «ПРОГНОЗ», предназначенные для решения задач анализа и прогнозирования РПХ в электрических сетях Сопоставление предложенных подходов на базе ТИИ с методиками, реализованными в приведенных комплексах, свидетельствует о том, что «интеллектуальные» подходы, в отличие от традиционных методик, в большей степени удовлетворяют основным требованиям, предъявляемые к задачам анализа и прогнозирования РПХ

В четвёртой главе на основе результатов проведенных исследований и выполненных практических работ с различными организациями электрических сетей и теплоэнергетическими предприятиями сформирована определенная взаимосвязанная структура первостепенных задач ЭСО с позиции современных реалий (рис 3)

Рис 3 Взаимосвязанная структура первостепенных задач ЭСО

С этих позиций в работе, в рамках предложенных «интеллектуальных» подходов, были проведены экспериментальные расчёты для реальных электрических сетей Братского энергорайона и г Иркутска

Предложенный кластерный подход на базе самоорганизующейся сети Ко-хонена применялся для анализа

1) расчетных потерь активной ЭЭ, в распределительных сетях 0 4-10 кВ МБ ТЭП ЖКХ г Братска,

2) величины СПЭ в районных электрических сетях (РЭС) Братского энергорайона ОАО «Северные электрические сети» (Иркутскэнерго).

Анализ потерь Э'Э в распределительных еетях МБ ТЭП ЖКХ г. Братска. В приставленной задаче входной набор данных включал:

1) месячные расчетные значения величины Д\\'а * для 41 трансформаторной подстанций (ТП) 6/0,4 кИ пяти сетевых участков Братского оперто района за 2003 год;

2) дополнительные РПХ - коэффициент загрузки трансформаторов, мощность трансформаторе® и протяжённость распределительных сетей.

В процессе обучения иейросетевая модель Кохонеш, согласно критерию (1), осуществила разделение ТП исследуемого энергорайона па четыре кластерные группы. С целью выявления «очагов» потерь ЭЭ на различных с.у. вся информация по исследуемому Энергорайону была визуализирована в виде диаграмм Хилтона (рис 4). Наряду с кластеризацией, нейросеть Кохонена выполнила сравнительную оценку потерь активной ЭЭ но ТП для каждой из полученных групп. В рамках каждого месяца Сравнивались потери по группам, что и позволило выде-

Рие. 4. Выявление очагов потерь ЭЭ с использованием диаграммы Хилтона

Использование в качестве входных данных дополнительных РПХ позволило оценить степень влияния ((технических причин» на уровни потерь ЭЭ в различных кластерах. Так, кластеру В1, который характеризуется «очагами» потерь ЭЭ, соответствует ряд «технических причин», приводящих к высокому уровню потерь ЭЭ: в первую очередь, высокие значения для этого энергорайона коэффициентов загрузки трансформаторов, к.< = 0,79-5-0.86 и значительная протяжённость распределительных сетей, Ь = 1850+ 2460 м.

С группами, которым в определённые месяцы была присвоена метка** «очаги потерь ЭЭ», на азе карт Кохонена проводилась детальная кластеризация. В результате, для сетевых участков Братского энергорайона, были выделены ТП е аномально высоким уровнем потерь ЭЭ в ряде (рис. 5, табл. 1).

* расчетные значения д\уа были получены с использованием сертифицированного отечественною ПВК «0!!Э-1», разработанный в ИСЭМ СО РАН (г. Иркугск) ** динамические информационные окля карт данник

Рис. S. Схема электроснабжения 6 kB сетевого участка Порожский

Таблица 1

Выявление «очагов» потерь ЭЭ на базе сети Кохонена

Подстанции, с повышенным уровнем потерь ЭЭ Месяц наибольших потерь ЭЭ Причины возникновения «очагов» потерь ЭЭ

ТП 2 (с у Порожский) Январь, апрель, май-сентябрь, ноябрь, декабрь Сверхнормативные потери ЭЭ

ТП 7 (с у Порожский) Октябрь

ТП 203, 250 (с у Чекановский), ТП 196 (с у Стениха) Февраль, апрель, май, июль-сентябрь, ноябрь

ТП 5, 6, 9 (с у Порожский) ТП 178/1, 175 (с у Южный Падун) Все месяцы кроме октября

Анализ полученных данных показал, что высокие среднегодовые потери ЭЭ в с у Порожский, Южный Падун, Стениха и Чекановский обусловлены «активностью» отдельных ТП в разные месяцы года Таким образом, ЭСО при проведении мероприятий по снижению потерь ЭЭ на предстоящий период может сосредоточить усилия лишь на отдельных ТП в определенные месяцы года «Очаги» расчетных значений потерь ЭЭ в анализируемых случаях объясняются значительным содержанием составляющей СПЭ в структуре потерь ЭЭ

Анализ сверхнормативных потерь ЭЭ в электрических сетях ОАО «Северные электрические сети» (Иркутскэнерго). Для анализа использовалась выборка ретроспективных значений СПЭ за период 2004 г (базовый период) -первой половины 2005 г по различным участкам и объектам Братского энергорайона, которые обслуживает ОАО «СЭС Иркутскэнерго»

Кластерный анализ, проведенный на базе сети Кохонена, позволил разделить все исследуемые участки и объекты энергорайона на четыре группы В данном случае на каждый входной нейрон карт Кохонена подавались значения СПЭ для отдельного участка (объекта) энергорайона за 2004 г Нейросетевая модель, полученная на основе ретроспективных данных 2004 г, была принята в качестве базовой и в дальнейшем использовалась при анализе данных за первое полугодие 2005 г

При поступлении новых данных за 2005 год сформировались новые кластеры В отличие от 2004 г уровень СПЭ в районных электрических сетях (РЭС) 1, 2 и главной понизительных подстанциях 1, 2 снизился для периода «февраль-апрель» 2005 г Появились новые значения уже не «вписывающиеся» в «старые» кластеры, и модель сформировала новые кластеры К примеру, участки «РЭС-1,2» «перешли» из группы В1 (Д=18-30%) в другую группу А2, для которой характерны минимальные из всех групп потери ЭЭ (Д"№а =0-8%) Другими словами, уровень СПЭ для «РЭС 1, 2» значительно снизился по сравнению с 2004 г

В ходе исследований выявлены различные типы изменений кластерной структуры. Их анализ позволил сделать следующие ни йоды

I Отнесение отдельных участков электрической сети к группе «очагов потерь ЭЭ» и анализ изменений количественных значений кластеров позволяют выработать стратегические решения по снижению уровня СИЗ, сосредоточив усилия лишь на конкретных кластерах.

2. Технические и экономические мероприятия, проводимые ОАО «Северные электрические сети» в обслуживаемых им электрических сетях, привели к снижению СПЭ на первое полугодие 2005 г., по сравнению с 2004 г., причём снижения достаточно ощутимы с 20-30% до уровня 2-8%.

Анализ потребления ЭЭ битовым сектором. Такой анализ представляет типичную производственную задачу, выполняемую и последнее время знерго-снабжающими и энергосбытовыми организациями. Дли эффективного решения этой задачи в распределительных Электрических сетях Братского эйергорайона был использован кластерный подход па базе S0M. Входной набор данных представлял собой следующие параметры и характеристики: закуп ЭЭ; технологические потери ЭЭ; расход ЭЭ субабонентами; плановая реализация ЭЭ; фактическая реализация ЭЭ; дебиторская задолженность и значения СПЭ.

В процессе кластерного анализа весь исследуемый энергорайон был разделён на четыре группу каждая ич которых характеризуется СВОИМИ специфическими особенностями в пределах заданного месяца. В этом случае появляется возможность работать не с каждым отдельным с.у, энергорайона, а с группой, которой присущи определённые особенности. Это значительно упрощает анализ РПХ, поскольку имеется достаточное количество входных параметров, что позволяет достаточно эффективно и быстро проводить общий мониторинг Р[ [X исследуемого эп ер го района.

- Средние значения

-^ = 662,0-^1240,0 МВт'ч

- Сетевые участки;

Га лам и не кий, Город

- Высокие значения

- Wp = 1240,0+1820,1) МВт-ч

- Сэдевые.участки. Порожский, Южный Падун

- Низкие значения ■ Wp * 83,7+662,0 МВт'ч

Гидростроитель. Падун Курчатовский залив, Котеджи, Сосновый Бор, Cíeника Энергетик

- Низкие значении

- Wp = 03,7 662,0 МВт'ч

- П&тед^е участки: Сухой. Чека но вс кий

Рис. 6. Диаграмма Хилтона для плановой реализации ЭЭ в Братском э не pío районе для 2005 г.

В качестве базовой модели была принята нейросетевая модель, сформированная для января 2005 г. На рисунке 6 представлены примеры полученной кластерной структуры для плановой реализации ЭЭ с нанесёнными метками. Как явствует из рис. 6, кластер А2 соответствует самым низким показателям потребления ЭЭ и охватывает значительную часть с.у. Братского энергорайона.

- значения

- Юр *28,Э-г132 МВТ*ч I '

* Гидростроитель*, «Падуи». «Коттедж». «Курчатовский залив», »Сосновый Бор», I «Бикей», «Стенихэ», «Энергетик»

■ даа^

- Средние значения

= 828-И 510 МВТч

- Участки знедгсрвйт.

«Чвкановский», «Сухой»,

.¡I ..,

• Лг ^ I ■: -

Исследуемого энергарайона г. Братска

}

в) сверхнормативные потери ЭЭ

Рис. 7. Анализ потребления ЭЭ бытовым сектором в исследуемом энергорайоне г. Братска

В отличие от этой группы кластер В1 характеризуется максимальными показателями потребления ЭЭ, в том числе и высоким уровнем СПЭ В свою очередь, кластер AI, включающий су «Галачинский» и «Город», выделяется высокими значениями фактической реализации ЭЭ в сравнении со средними значениями закупа и плановой реализацией ЭЭ (рис 7) Важной особенностью этого кластера является достаточно низкий уровень СПЭ

Полученная базовая модель может быть использована для обработки новых данных С этой целью были проанализированы показатели потребления ЭЭ населением за март 2005 г по Братскому энергорайону Так, с у «Южный Падун» из группы высоких значений В1 «перешел» в группу, для которой характерны более низкие значения показателей потребления ЭЭ Особенно важно, что в этом с у для данного месяца значительно снизились значения СПЭ В другом с у «Бикей» повысились раходы субабонентов и он «перешел» в соответствующую группу В2, для которой характерна именно данная особенность Ряд показателей потребления ЭЭ снизился для с у «Галачинский», что обусловило его переход в кластер А2, для которого характерны низкие значения для всех исследуемых параметров и характеристик ЭЭ

Таким образом, полученная нейросетевая модель SOM по сути представляет интеллектуальную динамическую базу данных по потреблению ЭЭ, которая по принципу своего действия осуществляет анализ ситуации в энергорайоне, тесно связанной с потреблением ЭЭ бытовым сектором «Интеллектуальность» такой базы данных проявляется в её гибкой адаптации к изменениям значений входных параметров и их составу Появляется возможность в удобной и достаточно простой форме отслеживать изменения особенностей каждого конкретного сетевого участка и на их основании вырабатывать те или иные перспективные мероприятия

Суточное прогнозирование электрической нагрузки в энергорайонах г. Иркутска Для решения данной задачи использовался предложенный в работе подход ПМИИ Чтобы определить наиболее эффективную «прогнозную» структуру ИНС, для каждого конкретного энергорайона с помощью «соревновательного принципа» на базе метода SA автоматически выбиралась оптимальная архитектура ИНС К примеру, для шестого энергорайона алгоритмом SA, выполнено 15 итераций, и с учетом априори заданных условий, выбрана оптимальная прогнозная модель на базе нейросети RBF (рис 8 а) Во втором энергорайоне SA выбрана оптимальная архитектура ИНС типа GRNN (рис 8, б) При этом сеть MLP ещё на начальных итерациях была исключена и в дальнейшем, как менее эффективная, не участвовала в «соревновании», хотя во многих публикациях именно сеть MLP выделяют как наиболее эффективную «прогнозную» ИНС

В дальнейшем из соревнования алгоритмом SA были исключены сети GRNN и RBF, что позволило выполнить сравнительный анализ ошибок при прогнозе электрической нагрузки с помощью сети MLP с ошибками суточных прогнозов, полученных при использовании сетей RBF и GRNN, а также с прогнозами на базе модели АРПСС (табл 2)

Прогнозирование СПЭ в распределительных электрических сетях Братского энергорайона. Для повышения точности прогноза СПЭ в распределительных электрических сетях 0 4-10 кВ МБ ТЭП ЖКХ г Братска также был использован предложенный подход ПМИИ (aicr внедрения от 23 марта 2005 г )

В процессе работы алгоритма SA в рамках «соревновательного» принципа

1 3 5 7 S 11 13 15 17 (9 21 23 t, час 1 3 5 7 в 11 13 15 17 19 21 23 l'4'

а) б)

Рис 8 Прогноз электрической нагрузки различными архитектурами ИНС а - нейросеть RBF, б - нейросеть GENN

Таблица 2

Сравнительный анализ ошибок прогнозирования электрической нагрузки в энергорайонах г Иркутска различными подходами

Энер го-район День Прогноз ПМИИ, % Прогноз MLP, % Прогноз АРПСС, %

средняя среднеквадратичная средняя среднеквадратичная средняя среднеквадратичная

2 22 04 99 1,43 1,89 4,48 5 36 1,61 2,00

23 04 99 1,58 1,86 2,71 3 41 5,71 6,77

6 23 04 99 1,07 1,53 1,45 1 99 4,11 4,67

24 04 99 1,25 1,89 2,41 3 03 5,01 6,12

были выбраны две архитектуры нейросетей типа MLP и RBF (табл 3) Средние ошибки прогноза СПЭ соответственно составили для сети MLP - 21%, для архитектуры RBF -15% (табл 3).

Кроме того, для прогнозирования СПЭ, одновременно с подходом ПМИИ применялась модель АРПСС с интервенцией (табл 3), ввиду того, что исходная реализация СПЭ содержит множество «всплесков» и реализация процесса нестационарна Как видно из таблицы, прогнозирование СПЭ в рамках модели АРПСС дает значительные ошибки прогноза, порядка 50%, что говорит о несостоятельности принятой модели для прогнозирования таких сложных реализаций

Результаты расчётов позволили определить ожидаемый убыток на 2005 г от величины СПЭ для МБ ТЭП ЖКХ МО г Братска Для с у Порожский он составил 2 973 700 (Два миллиона девятисот семьдесят три тысячи семьсот) рублей Прогнозирование температуры наружного воздуха для тепловых сетей Братского энергорайона В МБ ТЭП ЖКХ г Братска для прогнозирования вели-

Таблица 3

Сравнительный анализ ошибок прогнозирования СПЭ различными подходами для распределительных сетей 0,4-6 кВ с у Порожский

Модели прогнозирования Ошибки прогнозирования, %

средняя среднеквадратичная

Подход ПМИИ (RBF) 15,52 17,69

Подход ПМИИ (MLP) 20,98 21,65

Модель АРПСС с интервенцией 50,98 52,94

личины температуры наружного воздуха использовался метод наименьших квадратов (МНК) Результаты расчетов показали, что при использовании МНК ошибка прогноза температуры изменяется в диапазоне от 2 до 4 °С при относительной стабильности изменения температуры

При прогнозировании на отопительный период 2004 г для котельной исследуемого энергорайона была использована подход ПМИИ с применением особой структуры сети MLP, обеспечивающей регулирования процесса обучения ИНС Это позволило в условиях относительно малой предыстории (1994-2003 г г) получить достаточно достоверные прогнозы (табл 4)

Таблица 4

Результаты прогнозирования температуры на отопительный период 2004 г в тепловых сетях МБ ТЭП ЖКХ г Братска

Показатели Месяцы отопительного периода Ошибки прогнозирования, %

январь февраль март апрель май сентябрь октябрь | ноябрь декабрь средняя средне-квад-ратич-II а я

Фактическая температура, °С -16,3 -13,0 -8,9 0,4 8,6 8,4 2,4 -5,7 -20,6

Прогноз ПМИИ, °С -16,8 -12,8 -9,7 0,4 8,5 7,9 1,7 -7,9 -20,8 9,63 11,54

Прогноз МНК, "С -19,8 -13,4 -8,1 0,7 8,8 9,1 -1,6 -10,9 -18,4 22,95 28,93

Результаты исследований свидетельствуют о том, что использование подхода ПМИИ при прогнозировании температуры наружного воздуха привело к существенному снижению издержек ТЭП в условиях реальной эксплуатации

Данные анализа, проведённого для котельной исследуемого энергорайона, показали, что экономический эффект, составляет порядка 644 ООО (Шестьсот сорок четыре тысячи) руб./год. (акт внедрения от 23 марта 2005 г )

В заключении представлены основные результаты исследований, достигнутые в ходе выполнения работы

1. Детальный анализ современного электроэнергетического рынка России и методов анализа и прогнозирования РПХ позволил выделить ряд особенностей, а именно

• сложная система взаимоотношений (ОРЭ, РЭК, ФСТ, потребители) и необходимость получения «прозрачной картины» по обслуживаемым электрическим сетям требуют от ЭСО применения эффективных методов оценки и анализа РПХ,

• сложившаяся в новых рыночных условиях система взаимоотношений ЭСО и конечных потребителей нередко приводит к дополнительным финансовым затратам, связанных с отклонением фактического потребления ЭЭ от утверждённого объема ЭЭ, что, в значительной степени, предопределяет актуальность задачи прогнозирования РПХ для ЭСО,

• вследствие слабой наблюдаемости отечественных электрических сетей и недостаточной проработки вопросов анализа и визуализации данных, эффективным решением отмеченных трудностей является использование карт данных При этом наиболее популярным способом представления карт данных являются диаграммы Хилтона,

• для уровня субъектов РРЭ при прогнозировании нестационарных реализаций РПХ со значительным содержанием нерегулярной составляющей, целесообразно использование современных структур ИНС и ГА,

2 Проанализированы практические разработки по использованию ИНС при решении задач анализа и прогнозирования РПХ, что, в конечном итоге, позволяет говорить о более высокой эффективности «интеллектуальных» методов по сравнению с традиционными математическими моделями На основании этого выделены основные структуры ИНС и ГА, позволяющие эффективно решать указанные задачи, и тем самым «выйти» из «замкнутого круга» новых рыночных требований и современных российских реалий, получив значительно лучшие решения по сравнению с традиционными методиками

3 Установлено, что использование алгоритмов и процедур предварительной обработки информации на базе ТИИ, таких как нелинейный анализ главных компонент, нейрогенетический отбор и метод имитации отжига, позволяют свести к минимуму ряд негативных особенностей, связанных с представительными массивами информации, свойственных задачам анализа и прогнозирования РПХ для энергопредприятий низшего уровня иерархии

4 Разработан нейросетевой подход адаптивного анализа и визуализации РПХ, позволяющий эффективно выделить особенности и различия в режимах работы электрической сети и своевременно выявить ненормальные режимы

5 Использование кластерного подхода при анализе потребления ЭЭ населением в электрических сетях Братского энергорайона позволило

• выделить ряд общих особенностей электропотребления в рамках полученных групп, что значительно упрощает задачу анализа составляющих потребления ЭЭ и позволяет достаточно эффективно проводить общий мониторинг энергорайона,

• используя динамические свойства кластерных структур, в удобной и простой форме отслеживать изменения особенностей каждого конкретного сетевого участка и на их основании вырабатывать те или иные действенные мероприятия,

• получить «интеллектуальную» динамическую базу данных по потреблению ЭЭ, которая ввиду оригинальных свойств нейросетевой модели БОМ осуществляет анализ ситуации в энергорайоне, связанной с потреблением ЭЭ бытовым сектором

6 Разработан нейросетевой метод кластерного анализа потерь электроэнергии на базе карт Кохонена, позволяющий эффективно выявлять «очаги» потерь ЭЭ и осуществлять системное прогнозирование, даже в условиях серьёзного дефицита исходной информации

7 Применение предложенного кластерного подхода в электрических сетях Братского энергорайона при анализе потребления ЭЭ населением, позволило

• визуализировать с помощью диаграмм Хилтона весь массив информации о потерях ЭЭ в виде компактных групп-кластеров и эффективно выявить конкретные объекты и участки с «очагами» потерь ЭЭ, а также определить причины возникновения этих «очагов»

• осуществить перспективную оценку уровня потерь ЭЭ с мобилизацией усилий участков энергосбыта указанных ЭП лишь на тех участках и объектах энергорайона, которые вносят наиболее существенное влияние на среднегодовой уровень потерь ЭЭ

8 На базе современных методов искусственного интеллекта предложен оригинальный подход к прогнозированию РПХ - ПМИИ, использующий специализированные процедуры (8А, N018, №8А) предварительной обработки информации, что позволяет значительно упростить решение задачи прогнозирования и существенно повысить точность прогноза

9 Применение предложенного подхода ПМИИ, позволило

• получить высокую точность прогноза электрической нагрузки в ряде энергорайонов г Иркутска порядка 11-1 5% в сравнении с традиционными регрессионными (модель АПРСС) - 2 5-9,5 % и нейросетевыми прогнозами (модель МЬР) - 2 5-4 0%

• обеспечить низкие ошибки (не превышающие 15%) при прогнозировании величины СПЭ в распределительных электрических сетях 0 4-10 кВ МБ ТЭП ЖКХ г Братска, по сравнению с невысокой точностью (порядка 50%) традиционных подходов на базе модели АРПСС

• в задаче распределения ТЭ для тепловых сетей МБ ТЭП ЖКХ г Братска обеспечить высокую точность прогнозов ^ порядка 1-2'С, по сравнению с прогнозами МНК - 4-5'С и получить экономический эффект порядка 644 ООО руб /год

10 Сопоставление предложенных подходов на базе ТИИ с методиками, реализованными в современных отечественных программных комплексах «РАП-95» и «ПРОГНОЗ», свидетельствует о том, что «интеллектуальные» подходы, в отличие от традиционных методик, в большей степени удовлетворяют основным требованиям, предъявляемые к задачам анализа и прогнозирования РПХ

В приложениях представлены экспериментальные расчеты электрической нагрузки на базе моделей АРПСС Приведены данные по электрическим и тепло-

вым сетям МБ ТЭП ЖКХ МО г Братска, а также по двум энергорайонам г и акт внедрения от 23 марта 2005 г, где отражено внедрение на конкретном энергопредприятии предложенных в работе методик на базе ТИИ

Основное содержание диссертационной работы отражено в следующих публикациях: Рекомендуемых ВАК:

1 Курбацкий В Г Прогнозирование электрической нагрузки на базе нечётких нейронных сетей / В Г Курбацкий, Н В Томин / В 38 Вестник УГТУ-УПИ Энергосистема управление, качество, конкуренция Сб докл II Всероссийской науч-техн конф , Екатеринбург ГОУ ВПО УГТУ-УПИ, 2004, №12 (42) - С 222 -226

2 Курбацкий В Г Искусственные нейронные сети в задачах управления энергосистемами / В Г Курбацкий, Н В Томин // Вестник УГТУ УПИ Проблемы управления электроэнергетикой в условиях конкурентного рынка, Екатеринбург ГОУ ВПО «УГТУ УПИ», 2005 - №12(64) - С 222-229

3 Курбацкий В Г Практика использования новых информационных технологий для прогнозирования и анализа отдельных характеристик сетевых энергопредприятий / В Г Курбацкий, Н В Томин // Проблемы энергетики - №3-4 -2006 - С 84-91

4 Курбацкий, В Г Применение искусственных нейронных сетей при формировании тарифов на тепловую и электрическую энергию / В Г Курбацкий, Н В Томин// Промышленная энергетика -2006 -№7 - С 7-11

5 Курбацкий В Г Анализ потерь электрической энергии на базе современных алгоритмов искусственного интеллекта / В Г Курбацкий, Н В Томин // Электричество -№4 -2007-С 12-18

Прочих публикациях:

6 Kyrbatsky V G The employment of new information technology on the problems of power network control / V G Kurbatsky, N V Tomin // International Scientific-Practical Conference "Commumcation-2004", Kirgizkaya republic, Bishkek, 2004 Pp 81-86

7. Курбацкий В Г Применение технологий искусственного интеллекта в электроэнергетике / В Г Курбацкий, Н В Томин // Естественные и инженерные науки - развитию регионов Материалы межрегиональной научно-технической конференции - Том 2, Братск ГОУ ВПО «БрГУ», 2004 г - С 68-73

8 Курбацкий В Г Краткосрочное прогнозирование электрической нагрузки с использованием новых информационных технологий / В Г Курбацкий, Н В Томин // Вестник Амурского государственного университета, Благовещенск Изд-во АмГУ, Выпуск 27 -2004 - С 48-51

9 Курбацкий В Г Управление в электроэнергетике с использованием методов искусственного интеллекта / В Г Курбацкий, Н В Томин // Электрика. - 2005 -№9 - С 20-28

10 Курбацкий В Г Применение нейросетевых моделей в задаче формирования тарифов на тепловую и электрическую энергию / В Г Курбацкий, Н В Томин, В Б Шуманский // Энергетика управление, качество и эффективность использо-

вания энергоресурсов С б труд. IV Всероссийской научно-технической конференции В2т -Благовещенск Изд-во АмГУ, 2005 -С 307-312

11 Томин Н В Характеристика программных продуктов по искусственному интеллекту в решении электроэнергетических задач / Томин Н В // Энергетика управление, качество и эффективность использования энергоресурсов сб труд IV Всерос науч-техн конф Благовещенск АмГУ, 2005 г Благовещенск Изд-во АмГУ - С 41-47

12 Курбацкий В Г Анализ потерь электрической энергии на базе карт Кохо-нена / В Г Курбацкий, Н В Томин // Энергетика управление, качество и эффективность использования энергоресурсов Сб труд IV Всероссийской науч -техн конф В 2 т Благовещенск АмГУ, 2005 г - С 289-292

13 Курбацкий В Г Прогнозирование температуры наружного воздуха на базе модели искусственной нейронной сети У В Г. Курбацкий, Н В Томин, В Б Шу-манский // Естественные и инженерные науки - развитию регионов Материалы Межрегиональной науч - техн конф - Братск Изд-во ГОУ ВПО «БрГУ», 2005 -С 84-85

14 Курбацкий В Г Применение сети Кохонена в анализе потерь электрической энергии / В Г Курбацкий, Н В Томин // Нейроинформатика и ее приложения Материалы XIII Всероссийского семинара, 7-9 октября 2005 г - Красноярск Изд-во ИВМ СО РАН, 2005 - С 52-53

15 Томин Н В Кластеризация телеметрической информации с помощью самоорганизующихся карт Кохонена / Н В Томин // Материалы XLIII Межд студ конф «Студент и научно-технический прогресс» Информационные технологии, Новосибирск НГТУ, 2005 - С 49-51

16 Курбацкий В Г Анализ потерь электроэнергии в распределительных сетях / В Г Курбацкий, Н В Томин, И С Овсянникова // Интеллектуальные и материальные ресурсы Сибири Сб науч тр - Иркутск Изд-во БГУЭП, 2006 - С 120127

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

18 Томин Н В Использование программных продуктов по искусственным нейронным сетям при решении задач энергетики / Н В Томин // Вестник Иркутского отделения АН ВШ, 2006, №2 С 110-120

19 Курбацкий В Г Перспективное планирование сверхнормативных потерь электроэнергии в электрических сетях на базе искусственных нейронных сетей / В Г Курбацкий, Н В Томин // Вестник Иркутского отделения АН ВШ, 2006, №2 -С 157-165

20 Курбацкий В Г Применение самоорганизующихся карт Кохонена в решении электроэнергетических задач / В Г Курбацкий, Н В Томин // Вестник Иркутского отделения АН ВШ, 2006, №2 -С 101-110

21 Курбацкий В Г Прогнозирование режимных параметров и характеристик в энергетике с помощью искусственных нейронных сетей / В Г Курбацкий, Н В Томин // Интеллектуальные и материальные ресурсы Сибири Сб науч тр - Иркутск Изд-во БГУЭП, 2006 - С 165-173

22 Курбацкий В Г Новые информационные технологии в задаче прогнозирования режимных параметров и характеристик в энергосистемах / В Г Курбацкий, Н В Томин // Материалы докл Всероссийской науч -техн конф студентов,

аспирантов и молодых учёных, Томск Издательство «В-Спектр», 2006 Ч 2, С 40-42

23 Kurbatsky V G Methods of artificial intelligence in electric power systems / V G Kurbatsky, N V Tomin // Liberalization and modernization of power systems nsk assessment and optimization for asset management The 3 rd International workshop -Irkutsk Energy Systems Institute, 2006 -Pp 179-186

24 Курбацкий В Г Прогнозирование характеристик потерь энергии при формировании тарифов на основе нейросетевых моделей / В Г Курбацкий, H В То-мин//Энергетик -2007 -№3 -С 2-5

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ.........................................................................................5

Глава 1 ПОСТАНОВКА ЗАДАЧ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ РЕЖИМНЫХ ПАРАМЕТРОВ И ХАРАКТЕРИСТИК ДЛЯ СУБЪЕКТОВ РОЗНИЧНОГО

РЫНКА ЭЛЕКТРОЭНЕРГИИ..................................................................12

1 1 Задача анализа режимных параметров и характеристик для субъектов

розничного рынка электроэнергии...............................................12

1 1 1 Анализ режимных параметров и характеристик для электрических сетей субъектов розничного рынка. ...........................12

1 1 2 Анализ потерь электроэнергии для электрических сетей субъектов розничного рынка....................................................16

1 2 Общая характеристика методов анализа и визуализации данных и возможности их применения в задачах электроэнергетики...................22

1 3 Задача прогнозирования режимных параметров и характеристик в

электрических сетях субъектов розничного рынка........................31

1 4 Обзор существующих методов прогнозирования и их практическая реализация в задачах электроэнергетики..................................39

1 5 Выводы к главе 1...................................................................54

Глава 2 ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ ЭЛЕКТРОЭНЕРГЕТИКИ.......................................................................55

2 1 Характеристика программных продуктов по искусственным нейронным

сетям и генетическим алгоритмам...............................................55

2 2 Обзор практического применения искусственных нейронных сетей в

электроэнергетических задачах..................................................59

2 3 Структура искусственных нейронных сетей....................................65

2 4 Генетические алгоритмы..........................................................74

2 5 Процедуры предварительной обработки информации на базе нелинейного анализа данных и структур искусственных нейронных сетей и генетических алгоритмов............................................................76

2 6 Выводы к главе 2.....................................................................79

Глава 3 ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ РЕЖИМНЫХ ПАРАМЕТРОВ И ХАРАКТЕРИСТИК В ЭЛЕКТРИЧЕСКИХ СЕТЯХ СУБЪЕКТОВ РОЗНИЧНОГО РЫНКА..............................................................................................80

3 1 Кластерный анализ и визуализация режимных параметров и характери-

стик в электрических сетях на базе карт Кохонена.........................80

3 2 Кластерный анализ потерь электрической энергии на базе карт Кохоне-

на.......................................................................................92

3 3 Прогнозирование режимных параметров и характеристик в электрических сетях с использованием методов искусственного интеллекта....102 3 4 Сравнительный анализ предложенных подходов с существующими программными реализациями методов анализа и прогнозирования режимных параметров и характеристик.........................................114

3 4 1 Программный комплекс «РАП-95».....................................114

3 4 2 Программный комплекс по прогнозированию процессов электропотребления «ПРОГНОЗ»..................................................119

3 5 Выводы к главе 3...................................................................123

Глава 4 РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ...............................................124

4 1 Анализ расчётных и сверхнормативных потерь электроэнергии в элек-

трических сетях Братского энергорайона....................................125

4 2 Анализ потребления электрической энергии бытовым сектором в электрических сетях Братского энергорайона....................................140

4 3 Суточное прогнозирование электрической нагрузки в энергорайонах г

Иркутска............................................................................148

4 4 Прогнозирование сверхнормативных потерь в распределительных

электрических сетях Братского энергорайона..............................154

4 5 Прогнозирование температуры наружного воздуха для тепловых сетей

Братского энергорайона...........................................................159

4 6 Выводы к главе 4..................................................................164

ЗАКЛЮЧЕНИЕ..................................................................................168

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ.........................................170

ПРИЛОЖЕНИЯ...................................................................................184

Приложение 1 Прогнозирование электрической нагрузки на базе моделей

АРПСС......................................................................................186

Приложение 2 Данные по электрическим и тепловым сетям МБ ТЭП ЖКХ

МО г Братска.................................................................................201

Приложение 3 Данные по электрической нагрузке энергорайонов г Иркутска....................................................................................................205

Приложение 4 Акт внедрения нейросетевых технологий для формирования тарифов на электрическую и тепловую энергию..................................211

Подписано в печать 17 04 2007 Формат 60 х 84 ^ Печать трафаретная Уч-изд л 1,75 Уел печ л 1,75 Тираж 130 экз Заказ 5>ог

Отпечатано в РИО ГОУ ВПО «БрГУ» 665709, Братск, ул Макаренко, 40

ВВЕДЕНИЕ.

Глава 1. ПОСТАНОВКА ЗАДАЧ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ РЕЖИМ-I НЫХ ПАРАМЕТРОВ И ХАРАКТЕРИСТИК ДЛЯ СУБЪЕКТОВ РОЗНИЧНОГО ' РЫНКА ЭЛЕКТРОЭНЕРГИИ.

1.1. Задача анализа режимных параметров и характеристик для субъектов розничного рынка электроэнергии.

1.1.1. Анализ режимных параметров и характеристик для электрических сетей субъектов розничного рынка.

1.1.2. Анализ потерь электрической энергии в электрических сетях субъектов розничного рынка.

1.2. Общая характеристика методов анализа данных и визуализации Бозмож-{ ности их применения в задачах электроэнергетики.

1.3. Задача прогнозирования режимных параметров и характеристик в электрических сетях субъектов розничного рынка.

1.4. Обзор существующих методов прогнозирования и их практическая реализация в задачах электроэнергетики.

1.5. Выводы к главе 1.

Глава 2. ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ ЭЛЕКТРОЭНЕРГЕТИКИ.

2.1. Характеристика программных продуктов по искусственным нейронным сетям и генетическим алгоритмам.

2.2. Обзор практического использования искусственных нейронных сетей в электроэнергетических задачах.

2.3. Структура искусственных нейронных сетей.

2.4. Генетические алгоритмы.

2.5. Процедуры предварительной обработки информации на базе нелинейного анализа данных и структур искусственных нейронных сетей и генетических алгоритмов.

2.6. Выводы к главе 2.

Глава 3. ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ РЕЖИМНЫХ ПАРАМЕТРОВ И ХАРАКТЕРИСТИК В ЭЛЕКТРИЧЕСКИХ СЕТЯХ СУБЪЕКТОВ РОЗНИЧНОГО РЫНКА.

3.1. Кластерный анализ и визуализация режимных параметров и характеристик в электрических сетях на базе карт Кохонена.

3.2. Кластерный анализ потерь электрической энергии на базе карт Кохонена.

3.3. Прогнозирование режимных параметров и характеристик в электрических сетях с использованием методов искусственного интеллекта.

3.4. Сравнительный анализ предложенных подходов с существующими программными реализациями методов анализа и прогнозирования режимных параметров и характеристик.

3.4.1. Программный комплекс «РАП-95».

3.4.2. Программный комплекс по прогнозированию процессов электропотребления «ПРОГНОЗ».

3.5. Выводы к главе 3.

Глава 4. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ.

4.1. Анализ расчётных и сверхнормативных потерь электроэнергии в электрических сетях Братского энергорайона.

4.2. Анализ потребления электрической энергии бытовым сектором в электрических сетях Братского энергорайона.

4.3. Суточное прогнозирование электрической нагрузки в энергорайонах г. Ир-, кутска.

4.4. Прогнозирование сверхнормативных потерь в распределительных электрических сетях Братского энергорайона.

4.5. Прогнозирование температуры наружного воздуха для тепловых сетей Братского энергорайона.

4.6. Выводы к главе 4.

Актуальность проблемы. В современных условиях реформирования электроэнергетики России и перехода оптового рынка электроэнергии (ЭЭ) к розничному [1], первоочередной задачей является формирование новых отношений между субъектами рынка при обеспечении чётко отлаженных взаимоотношений между потребителем и энергоснабжающей организацией.

В соответствии с Федеральным законом «Об электроэнергетике» [2] на розничных рынках электроэнергии (РРЭ) основными участниками являются оптовые покупатели-перепродавцы (энергосбытовые организации - ЭСО) и потребители (рис. В.1). Взаимоотношения на рынке полностью контролирует государство в лице региональных энергетических комиссий (РЭК) [3], кото

Предприятие-потребитель (энергоснабжающая организация)

Конечные потребители

О—ООО ь

Розничный рынок электроэнергии

Рис. В.1. Общая структура взаимоотношений на отечественном рынке электроэнергии рые устанавливают экономически обоснованные тарифы, как на отпуск, так и на покупку ЭЭ. Купля-продажа ЭЭ осуществляется по строго установленным тарифам. При превышении заявленного объёма потребления ЭЭ РЭК взимает штрафы, размер которых компенсирует расходы на дополнительную выработку ЭЭ.

Оптовый рынок ЭЭ состоит из двух частей:

• регулируемый сектор;

• сектор свободной торговли и балансирующий рынок.

Тарифы в регулируемом секторе определяет Федеральная служба по тарифам (ФСТ). Сектор свободной торговли предусматривает свободное ценообразование, когда тариф на ЭЭ является равновесной ценой спроса и предложения. Так, с 1-го ноября 2003 года в России введена продажа ЭЭ на федеральном оптовом рынке электроэнергии в размере до 15% от общей выработки по свободно формируемым ценам. Отклонения фактического графика нагрузок субъекта оптового рынка от заявленных значений больше определенного процента приводит к покупке электроэнергии с балансирующего рынка по более высокой цене. Отклонение в меньшую сторону также «карается» оплатой за недопоставленную электроэнергию, определяемую разницей между заявленным и фактическим потреблением ЭЭ по установленным расценкам.

Следует подчеркнуть, что изменение принципов функционирования отечественного рынка ЭЭ [3], приводит к повышению требований, предъявляемым к показателям качества прогнозных расчётов (точности, достоверности, информативности, быстродействию и т.д.). К сожалению, на сегодняшний момент далеко не все отечественные электрические сети и энергорайоны в должной степени обеспечены современными средствами учёта ЭЭ, что приводит к значительному дефициту исходной информации для задач анализа и прогнозирования, а, следовательно, затрудняет их решение.

Введение новых принципов функционирования рынков ЭЭ повлекло за собой и существенное изменение договоров энергоснабжения и куплипродажи. Энергоснабжающие организации и потребители (субъекты РРЭ) в сложившихся на данный момент условиях заинтересованы в достоверном планировании (прогнозировании) потребностей в ЭЭ и проведении эффективного анализа по её использованию. Вследствие этого существенно возрастает ответственность в достоверном решении задач анализа и прогнозирования режимных параметров* [4, 5] (в первую очередь, электрической нагрузки потребителей, перетоков мощности и т.д.) и характеристик (потерь электроэнергии, температуры наружного воздуха и т.д.) для каждого конкретного ЭСО.

Одним из путей повышения качества решения указанных задач, с учётом выделенных проблем, является использование современных технологий искусственного интеллекта (ТИИ), в частности наиболее популярных и эффективных структур ТИИ - искусственных нейронных сетей (ИНС). Необходимо подчеркнуть, что ТИИ не связаны с алгоритмическими вычислениями, и, следовательно, не требуют построения сложных вычислительных моделей объекта. В нашей стране вопросами применения методов искусственного интеллекта для решения электроэнергетических задач занимаются в Институте систем энергетики им. Мелентьева СО РАН (ИСЭМ СО РАН), Отделе энергетики Института социально-экономических и энергетических проблем Севера Коми, Новосибирском государственном техническом университете (НГТУ), Уральском государственном техническом университете (УГТУ УПИ) и ряде других организаций. Решению отдельных аспектов этой многогранной проблемы посвящены работы Богатырёва JI.JL, Воропая Н.И., Гамма А.З., Глазуновой A.M., Колосок И.Н., Курбацкого В.Г., Манова H.A., Манусова В.З., Михайлова М.Ю., Успенского М.И., Хохлова М.В., Чукреева Ю.Я., Этингова П.В. и других.

В данной работе представлены результаты исследований и практические методы решения задач анализа и прогнозирования режимных параметров и характеристик (РПХ) на базе современных ТИИ в системах электро в зарубежных публикациях используется термин «regim var» - режимная переменная энергетики низшего иерархического уровня* [1; 6]. Предложенные подходы ориентированы для применения в расчётах энергосбытовых и других сетевых организаций - субъектов РРЭ** с учётом современных условий.

Целью работы является разработка подходов на базе современных ТИИ для низшего уровня электроэнергетической системы; позволяющих, в рамках субъектов РРЭ, эффективно решать задачи анализа и прогнозирования РПХ. /

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

1. Исследование известных методов и алгоритмов анализа данных, используемых при решении электроэнергетических задач.

2. Анализ существующих методов и подходов по прогнозированию

РПХ.

3. Анализ современных ТИИ, применяемых в электроэнергетике.

4. Изучение алгоритмов и процедур предварительной обработки исходных данных и возможности их практического использования в задачах анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ.

5. Разработка нейросетевой процедуры визуализации РПХ для анализа основных технических и экономических показателей ЭСО.

6. Разработка нейросетевого метода кластерного анализа потерь электроэнергии в распределительных электрических сетях субъектов РРЭ.

7. Разработка подходов к прогнозированию РПХ на базе современных методов искусственного интеллекта (ПМИИ***)

Методы исследования. Для решения поставленных задач в работе использовались методы математической статистики, современные технологии согласно [1; 6] к ним относят структурные подразделения энергосистемы, являющиеся частью РРЭ (ЭСО, электросетевые и энергоснабжающие организации, потребители ЭЭ и т.д.) согласно [7], под субъектами РРЭ понимаются следующие: потребители ЭЭ, гарантирующие поставщики, энергосбытовые организации, исполнйтели коммунальных услуг, сетевые организации и иные владельцы объектов электросетевых хозяйств, а также производители (поставщики) ЭЭ в работе под сокращением ПМИИ будем понимать подход к прогнозированию РПХ методами искусственного интеллекта искусственного интеллекта, алгоритмы и процедуры нелинейного анализа данных. Для выполнения экспериментальных исследований и практических расчётов были использованы современные программные пакеты по искусственному интеллекту.

Научная новизна

1. На базе современных методов искусственного интеллекта предложены оригинальные подходы к прогнозированию РПХ для субъектов РРЭ, использующие специализированные процедуры предварительной обработки информации, что позволяет значительно упростить решение задачи прогнозирования и существенно повысить точность прогноза.

2. Разработана нейросетевая процедура адаптивного анализа и визуализации РПХ, позволяющая эффективно выделить особенности и различия в режимах работы электрической сети.

3. Разработан нейросетевой метод кластерного анализа потерь электроэнергии на базе самоорганизующихся карт Кохонена, позволяющий в электрических сетях субъектов РРЭ эффективно выявлять «очаги» потерь ЭЭ* с выяснением причин их возникновения и осуществлять текущее планирование потерь ЭЭ, даже в условиях дефицита исходной информации.

4. Выполнен сравнительный анализ эффективности использования предложенных «интеллектуальных» подходов анализа и прогнозированию РПХ с традиционными вероятностно-статистическими методами. Показана целесообразность применения методов искусственного интеллекта в задачах анализа и прогнозирования РПХ в новых рыночных условиях.

Практическая ценность. Результаты проведённых исследований свидетельствуют о том, что разработанные методы и подходы на базе современных ТИИ целесообразно использовать в ЭСО, электросетевых и энергоснаб-жающих организациях для решения задач анализа и прогнозирования различных РПХ. в общем случае, под «очагом» потерь ЭЭ будем понимать участок электрической сети с повышенными фактическими потерями ЭЭ.

Один из предложенных в работе методов прогнозирования в настоящее время применяется в Братском муниципальном теплоэнергетическом предприятии (МБ ТЭП) ЖКХ МО г. Братска при формировании тарифов на ЭЭ и тепловую энергию (ТЭ).

Основное практическое значение работы заключается в повышении эффективности используемых методов анализа и прогнозирования РПХ, что продиктовано новыми рыночными условиями функционирования российской электроэнергетики.

Реализация работы. Исследования, представленные в диссертационной работе, выполнены в рамках хоздоговорных работ с ЭСО (организациями электрических сетей и теплоэнергетическими предприятиями). При использовании предложенного подхода по прогнозированию РПХ в задаче определения расхода тепловой энергии (ТЭ) для МБ ТЭП ЖКХ МО г. Братска достигнут экономический эффект порядка 644 ООО (Шестьсот сорок четыре тысячи) рублей в год. (акт внедрения от 23 марта 2005 г.)

Часть полученных в диссертационной работе результатов, в настоящее время, отражена в учебном пособии Курбацкий В.Г., Томин Н.В. АСДУ энергосистем. Братск: ГОУ ВПО «БрГУ», 2005. -62 с. и используется в дисциплине «АСДУ энергосистем» для специальности 14020565.

Апробация работы. Материалы работы докладывались и обсуждались на международных, всероссийских, региональных конференциях, в том числе на:

1. International Scientific-Practical Conference "Communication-2004" (Киргизия, г. Бишкек, 2004 г.)

2. XLII, XLIII Международных студенческих конференциях «Студент и научно-технический прогресс» (НГУ, г. Новосибирск, 2004 (диплом И-ой степени), 2005 гг.)

3. II Всероссийской научно-тсхничсской конференции «Энергосистема: управление, качество, конкуренция» (УГТУ-УПИ, г. Екатеринбург, 2004 г.)

4. Открытом конкурсе Московского энергетического института на лучшую научную работу студентов по разделам №42 «Энергетика, электротехника и энергетическое машиностроение» и №43 «Энергосберегающие технологии» (г. Москва, 2005 г., диплом Министерства образования науки России)

5. XII, XIII Всероссийских семинарах «Нейроинформатика и её приложения» (ИВМ СО РАН, г. Красноярск, 2004, 2005 гг.)

6. IV Всероссийской научно-технической конференции с международным участием «Энергетика: управление, качество и эффективность использования энергоресурсов» (АмГУ, г. Благовещенск, 2005 г.)

7. Научно-технических конференциях Братского государственного университета (БрГУ, г. Братск 2003-2006 гг.)

8. Конференции молодых ученых ИСЭМ СО РАН (г. Иркутск, 2006 г., диплом Гран-при)

9. Всероссийской научно-техническая конференции студентов, аспирантов и молодых учёных «Научная сессия ТУ СУР -2006» (г. Томск, 2006 г.)

10. V Международной конференции «Энергетическая кооперации в Азии: механизмы, риски, барьеры» (г. Якутск, 2006 г.).

11. III International workshop «Liberalization and modernization of power systems: risk assessment and optimization for asset management» (ИСЭМ СО РАН, г. Иркутск, 2006 г.)

Публикации. По теме диссертации опубликовано более 30 печатных работ

Основные результаты, представленные в данной работе, можно сформулировать следующим образом:

1. Детальный анализ современного электроэнергетического рынка России и методов анализа и прогнозирования РПХ позволил выделить ряд особенностей, а именно:

• сложная система взаимоотношений (ОРЭ, РЭК, ФСТ, потребители) и необходимость получения «прозрачной картины» по обслуживаемым электрическим сетям требуют от ЭСО применения эффективных методов оценки и анализа РПХ;

• сложившаяся в новых рыночных условиях система взаимоотношений ЭСО и конечных потребителей нередко приводит к дополнительным финансовым затратам, связанных с отклонением фактического потребления ЭЭ от утверждённого объёма ЭЭ, что, в значительной степени, предопределяет актуальность задачи прогнозирования РПХ для ЭСО;

• вследствие слабой наблюдаемости отечественных электрических сетей и недостаточной проработки вопросов анализа и визуализации данных, эффективным решением отмеченных трудностей является использование карт данных. При этом наиболее популярным способом представления карт данных являются диаграммы Хилтона;

• для уровня субъектов РРЭ при прогнозировании нестационарных реализаций РПХ со значительным содержанием нерегулярной составляющей, целесообразно использование современных структур ИНС и ГА;

2. Проанализированы практические разработки по использованию ИНС при решении задач анализа и прогнозирования РПХ, что, в конечном итоге, позволяет говорить о более высокой эффективности «интеллектуальных» методов по сравнению с традиционными алгоритмическими подходами. На основании этого выделены основные структуры ИНС и ГА, позволяющие эффективно решать указанные задачи, и тем самым «выйти» из «замкнутого круга» новых рыночных требований и современных российских реалий, получив значительно лучшие решения по сравнению с традиционными методиками.

3. Установлено, что использование алгоритмов и процедур предварительной обработки информации на базе ТИИ, таких как нелинейный анализ главных компонент, нейрогенетический отбор и метод имитации отжига, позволяют свести к минимуму ряд негативных особенностей, связанных с представительными массивами информации, свойственных задачам анализа и прогнозирования РПХ для энергопредприятий низшего уровня иерархии.

4. Разработан нейросетевой подход адаптивного анализа и визуализации РПХ, позволяющий эффективно выделить особенности и различия в режимах работы электрической сети и своевременно выявить ненормальные режимы.

5. Использование кластерного подхода при анализе потребления ЭЭ населением в электрических сетях Братского энергорайона позволило:

• выделить ряд общих особенностей электропотребления в рамках полученных групп, что значительно упрощает задачу анализа составляющих потребления ЭЭ и позволяет достаточно эффективно проводить общий мониторинг энергорайона;

• используя динамические свойства кластерных структур, в удобной и простой форме отслеживать изменения особенностей каждого конкретного сетевого участка и на их основании вырабатывать те или иные действенные мероприятия;

• получить «интеллектуальную» динамическую базу данных по потреблению ЭЭ, которая ввиду оригинальных свойств нейросетевой модели 80М осуществляет анализ ситуации в энергорайоне, связанной с потреблением ЭЭ бытовым сектором.

6. Разработай нейросетевой метод кластерного анализа потерь электроэнергии на базе карт Кохонена, позволяющий эффективно выявлять «очаги» потерь ЭЭ и осуществлять системное прогнозирование, даже в условиях серьёзного дефицита исходной информации.

7. Применение предложенного кластерного подхода в электрических сетях Братского энергорайона при анализе потребления ЭЭ населением, позволило:

• визуализировать с помощью диаграмм Хилтона весь массив информации о потерях ЭЭ в виде компактных групп и эффективно выявить конкретные объекты и участки с «очагами» потерь ЭЭ, а также определить причины возникновения этих «очагов»;

• осуществить перспективную оценку уровня потерь ЭЭ с мобилизацией усилий участков энергосбыта указанных ЭП лишь на тех участках и объектах энергорайона, которые вносят наиболее существенное влияние на задаваемый среднегодовой уровень потерь ЭЭ.

8. На базе современных методов искусственного интеллекта предложен оригинальный подход к прогнозированию РПХ - ПМИИ, использующий специализированные процедуры (SA, NGIS, NPSA) предварительной обработки информации, что позволяет значительно упростить решение задачи прогнозирования и существенно повысить точность прогноза.

9. Применение предложенного подхода ПМИИ, позволило:

• получить высокую точность прогноза электрической нагрузки в ряде энергорайонов г. Иркутска порядка 1.1-1.5% в сравнении с традиционными регрессионными (модель АПРСС) - 2.5-9,5 % и нейросетевыми прогнозами (модель MLP) - 2.5-4.0%

• обеспечить низкие ошибки не превышающие 15%при прогнозировании величины СПЭ в распределительных электрических сетях 0.4-10 кВ МБ ТЭП ЖКХ г. Братска , по сравнению с невысокой точностью, порядка 50%, традиционных подходов (модель АРПСС).

• в задаче распределения ТЭ для тепловых сетей МБ ТЭП ЖКХ г. Братска обеспечить высокую точность прогнозов tHB порядка 1-2°С, по сравнению с прогнозами МНК - 4-5°С и получить экономический эффект порядка 644 ООО руб./год.

10. Сопоставление предложенных подходов на базе ТИИ с методиками, реализованными в современных программных комплексах «РАП-95» и «ПРОГНОЗ», свидетельствует о том, что «интеллектуальные» подходы, в отличие от традиционных методик, в большей степени удовлетворяют основным требованиям, предъявляемые к задачам анализа и прогнозирования РПХ.

ЗАКЛЮЧЕНИЕ

1. Постановление правительства Российской Федерации «О реформировании электроэнергетики Российской федерации». М.: постановление от 11 июля 2001 г. №526

2. Федеральный закон. Об электроэнергетике. М.: 26 марта 2003 г. №35-Ф3

3. Постановление правительства Российской Федерации «О ценообразовании в отношении электрической и тепловой энергии в Российской Федерации». М.: постановление от 26 февраля 2004 г. №109

4. Электроэнергетические системы в примерах и иллюстрациях: Учебное пособие для вузов / под ред. В.А. Веникова. М.: Энергоатомиздат, 1983. -504 с.

5. Бердин A.C. Формирование параметров модели ЭЭС для управления электрическими режимами / Бердин A.C., Крючков П.А. Екатеринбург: УГ-ТУ: 2000.- 107 с.

6. Энергетика XXI века: Условия развития, технологии, прогнозы / JI.C. Беляев и др.; Отв. ред. Н.И. Воропай. Новосибирск: Изд-во «Наука», 2004. -386 с.

7. Постановление правительства Российской Федерации «Правила функционирования розничных рынков электрической энергии в переходный период реформирования электроэнергетики. М.: постановление от 31 августа 2006 г. №530

8. Аринин С.А. Проблемы энергосбытовой компании потребителя в рыночных условиях / Аринин С.А., Федосеева A.B. // Электрика. 2006. - №9. -С. 8-10.

9. Кудрин Б.И. Реформа электроэнергетики и права потребителей / Кудрин Б.И. // Промышленная энергетика. 2007. - №2. - С. 2-8.

10. Гамм А.З. Наблюдаемость электроэнергетических систем / Гамм А.З., Голуб И.И. М.: Наука, 1990. - 220 с.

11. Гамм А.З. Сенсоры и слабые места в электроэнергетических системах / Гамм А.З., Голуб И.И. Иркутск: СЭИ СО РАН, 1996. - 99 с.

12. Kazi A. Multi-agent environment for Intelligent Diagnosis in Power Systems / A. Kazi и др. // Paper ISAP 2001 Conference, Budapest, Hungary, June 18-21 Budapest, 2001, Pp. 323-330.

13. Sang-Ho Lee. Fuzzy Expert System for Fault Section Diagnosis Considering the Operating Sequences / Sang-Ho Lee и др. // Paper ISAP 2001 Conference, Budapest, Hungaiy, June 18-21 Budapest, 2001, Pp. 56-62

14. Железко Ю.С. Методы расчёта нормативов технологических потерь электроэнергии в электрических сетях / Железко Ю.С. // Электричество. -2006.-№12.-С. 10-17.

15. Методические указания по расчёту регулируемых тарифов и цен на электрическую (тепловую) энергию) на розничном (потребительском) рынке. Приказ Федеральной службы по тарифам от 6 августа 2004 г. №20-э/2.

16. Лисицын Н.В. Анализ динамики потребления электроэнергии в России за 1990 2001 гг. / Лисицын Н.В. // Энергетик. - 2003. -№1. - С. 3-7.

17. Артемьев A.B. Расчёт, анализ и нормирование потерь электроэнергии в электрических сетях: Руководство для практических расчётов / Артемьев A.B., Железко Ю.С., Савченко O.B. М.: Изд-во НЦ ЭНАС, 2003. - 280 с.

18. Нормативы технологического расхода электрической энергии (мощности) на её передачу (потерь), принимаемые для целей расчёта и регулирования тарифов на электрическую энергию Информационный бюллетень ФЭК, 2000. №11

19. Железко Ю.С. Выбор мероприятий по снижению потерь электроэнергии в электрических сетях: Руководство для практических расчётов / Железко Ю.С. М.: Энергоатомиздат, 1989. - 176 с.

20. Войтов О.Н. Алгоритмы оценки потерь электроэнергии в электрической сети и их программная реализация / Войтов О.Н., Семенова Л.В., Чел-панов А.В. // Электричество. 2005. - №10. - С. 20-26

21. Gamm A.Z. A graph approach to determining the contribution factors of electric power supplies and losses / Gamm A.Z., Golub L.L., Grishin Y.A., Voitov O.N. Conference "Modern Electric Power System". - Wroslaw, September 2002.

22. Курбацкий В.Г. Анализ потерь электроэнергии в распределительных сетях. / В.Г. Курбацкий, Н.В. Томин, И.С. Овсянникова // Интеллектуальные и материальные ресурсы Сибири: Сб. науч. тр. Иркутск: Изд-во БГУЭП, 2006.-С. 120-127.

23. Зиновьев А.Ю. Визуализация многомерных данных / Зиновьев А.Ю. Красноярск: ИПЦ КГТУ: 2000. 168 с.

24. Айвазян С.А. Классификация многомерных наблюдений / Айвазян С.А., Бежаева З.И., Староверов О.В. М.: Наука, 1974. - 240 с.

25. Боровиков В.П. Прогнозирование в системе STATISTICA в среде Windows: Основы теории и интенсивная практика на компьютере: Учеб. пособие / В.П. Боровиков, Г.И. Ивченко. 2-е изд., перераб. и доп. - М.: Финансы и статистика, 2006. - 368 с.

26. Горбань А.Н. Нейроинформатика / Горбань А.Н. и др.. Новосибирск: Наука. Сибирское предприятие РАН, 1998. 296 с.

27. Diamantaras К. Principal component neural networks, theory and applications / K. Diamantaras S., Kung . N. Y.: Wiley, 1996.

28. Karhunen К. Uber lineare methoden in der Wahrsceinlichkeitsrechnung / K. Karhunen, Anales Academiae Scientiarum Fennicae, Series AI: Mathematica-Physica, 1947. vol. 37. - p. 3-79, (Transi.: RAND Corp., Santa Monica, CA, Rep.T-131, Aug. 1960)

29. Гамм A.3. Вероятностные методы расчёта режимов электроэнергетических систем / А.З. Гамм, В.Г. Курбацкий. Братск: БрИИ, 1990. - 91 с.

30. Бэнн Д. В. Сравнительные модели прогнозирования электрической нагрузки / Д. В. Бэнн, Е.Д. Фармер: Пер. с англ. М.: Энергоатомиздат, 1987.200 с.

31. Курбацкий В.Г. Управление в электроэнергетике с использованием методов искусственного интеллекта / В.Г. Курбацкий, Н.В. Томин // Электрика. 2005. - №9. - С. 20-28

32. Гамм А.З. Обнаружение грубых ошибок телеизмерений в электроэнергетических системах / А.З. Гамм, H.H. Колосок. Новосибирск: Наука, 2000. -152 с.

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

34. Манов H.A. Новые информационные технологии в задачах оперативного управления электроэнергетическими системами / H.A. Манов и др.. -Екатеринбург, Изд-во УрО РАН, 2002. 205 с.

35. Управление электроэнергетическими системами новые технологии и рынок: сб. ст. / под ред. H.A. Манова. - Сыктывкар.: Коми научный центр УрО РАН, 2004.-298 с.

36. Курбацкий В.Г. Практика использования новых информационных технологий для прогнозирования и анализа отдельных характеристик сетевых энергопредприятий / В.Г. Курбацкий, Н.В. Томин // Проблемы энергетики. -№3-4.-С. 84-91.

37. Демура A.B. Прогнозирование электропотребления в энергосистеме с учётом температуры воздуха и освещённости / A.B. Демура и др. // Электрика.-2005.-№3.-С. 18-21

38. Колосок И.Н. Повышение достоверности телеизмерительной информации в ЭЭС на основе контрольных уравнений: автореф. дисс. на соисканиеучёной степени докт. техн. наук: защищена 27.04.04 / И.Н. Колосок. Иркутск: Изд-во ИСЭМ СО РАН, 2004. 50 с.

39. Воропай Н.И. Методы управления физико-техническими системами энергетики в новых условиях / Н.И. Воропай и др. Новосибирск: Наука, 1995.-335 с.

40. Marusic Ante. Kohonen Neural Network Applied to Distance Protection of a Double-Circuit Line / Ante Marusic, Srdjan Skok // Paper ISAP 2001 Conference, Budapest, Hungary, June 18-21, 2001. Pp. 71-76.

41. Roberto Caldon. Artificial Neural Networks Based Voltage Control in Distribution Systems with Dispersed Generation / Roberto Caldon, Andrea Scala // Paper ISAP 2001 Conference, Budapest, Hungary, June 18-21, 2001. Pp. 95-103.

42. Devaraj D. Performance of neural based contingency ranking with reduced input features / D. Devaraj, B. Yegnanarayana // Paper ISAP 2001 Conference, Budapest, Hungary, June 18-21, 2001. Pp. 95-103.

43. Marks R.J. Automatic Feature Extraction for Neural Network Based Power Systems Dynamic Security Evaluation / R.J. Marks и др. // Paper ISAP 2001 Conference, Budapest, Hungary, June 18-21, 2001 Pp. 111-117.

44. Chi-Li-Ma Hamold. A Free-Model Based Adaptive Neuro-Controller Design for a Boiler-Turbine Plant / Chi-Li-Ma Harnold, Kwang Y. Lcc // Paper ISAP 2001 Conference, Budapest, Hungary, June 18-21, 2001. Pp. 117-123.

45. Алла Э.А. Оперативное управление режимами региональной энергосистемы с использованием технологий искусственных нейронных сетей /

46. Э.А. Алла, Ю.Я. Чукреев, М.В. Хохлов // Электричество. 2000. - №4. - С. 210.

47. Готмаи Н.Э. Применение искусственных нейронных сетей в задачахоперативного управления режимами электроэнергетических систем / Н.Э.

48. Готман, Ю.Я. Чукреев, М.В. Хохлов. Сыктывкар, 2000. Вып. 56. - 24 с. (Мер. препринтов «Новые науч. методики»)

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

50. Hikaru Aoyama. ANN-Based Short-Term Load Forecasting with Considerations of the Error Characteristics / Hikaru Aoyama, Hiroyuki Mori, Kenta Ishi-guro, Torn Kondo // Paper ISAP 2001 Conference, Budapest, Hungary, June 1821, 2001.-Pp. 231-237.

51. Bitzer B.E. Intelligent Forecasting Systems Thematic Network Activities and Achievements / B.E. Bitzer, T.M. Papazoglou, A. Servida // Paper ISAP 2001 Conference, Budapest, Hungary, June 18-21, 2001. Pp. 193-200.

52. A.P. Alves da Silca. Enchancing Neural Network Based Load Forecasting Via Preprocessing / A.P. Alves da Silca, A.J. Rocha Reis, M.A. FJ-Sarkawi, R.J. Marks II // Paper ISAP 2001 Conference, Budapest, Hungary, June 18-21, 2001. -Pp. 76-85.

53. Ossowski S. Selforganizing neural networks for short term load forecasting in power system / S. Ossowski, K. Siwek // Engineering Applications of Neural Networks (EANN), Gibraltar, 1998. Pp. 253-256.

54. Оссовский С. Нейронные сети для обработки информации / С. Оссов-ский. пер. с польского И.Д. Рудинского. - М.: Финансы и статистика, 2004. -344 с.

55. Заика Р.А. Применение генетических алгоритмов для достоверизациителеинформации в ЭЭС: автореф. дисс. на соискание учёной степени канд.1. Г"техн. наук: защищена 18.10.06'/ Р.А. Заика. Иркутск: Изд-во ИСЭМ СО v РАН, 2002. 19 с.

56. Godberg D. Algorytmy genetyczne / D. Godberg. Warszawa: WNT, 1995.

57. Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning / D.E.Goldberg. Reading, MA: Addison-Wesley, 1989

58. Holland J.H. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence / J.H. Holland. London: Bradford book edition, 1994. p. 211.

59. Jarmo T. Alander. An Indexed Bibliography of Genetic Algorithms / T. Alander Jarmo: Years 1957-1993.

60. Zaden L.A. Fuzzy algorithms / L.A. Zaden // Information and control 1968. -Vol. 12. N2.- Pp. 233-238

61. Tatsuya Iizaka. Water Flow Forecasting using Analyzable Structured Neural Network / Tatsuya Iizaka, Tetsuro Matsui, Yoshikazu Fukuyama // Paper ISAP 2001 Conference, Budapest, Hungary, June 18-21, 2001. Pp. 237-243.

62. Goto Y. A prediction of river flow into a dam for hydro-power plant by artificial neural network taking account of accumulated rain fall / Y. Goto K. Ichiya-nagi, et al., Proc. oflPEC, Vol.2, 1995. Pp.702-706

63. Нечёткие множества в моделях управления и искусственного интеллекта / под ред. Д.А. Поспелова. М.: Наука, 1986. - 206 с.

64. Богатырёв JI.JI. Решение электроэнергетических задач в условиях неопределённости / Л.Л. Богатырёв Екатеринбург: УГТУ-УПИ, 1995, - 116 с.

65. Прикладные нечёткие системы / Под ред. Т Тэрано, К. Асан, М. Сучено. -М.: Мир, 1993.

66. Tompkins W. Analysis of hidden units of back propagation model by SVD / W. Tompkins, Xue Q, Hu Y // Proc. IJCNN, Washington, 1990. Pp. 739-742.

67. Sugeno M. Fuzzy identification of systems and its application to modeling and control / M. Sugeno, T.Takagi // IEEE Trans. SMC, 1985. Pp. 116-132.

68. Kasabov N. Foundations of neural networks, fuzzy systems and knowledge engineering / N. Kasabov. London: Bradford Book MIT Press, 1996.

69. Хайкин С. Нейронные сети. / С. Хайкин. Полный курс. 2-е издание. : Пер. с англ. - М.: Издательский дом «Вильяме», 2006. - 1104 с.

70. Rugh W. Nonlinear Systems: a Volterra approach / W. Rugh N.Y.: J. Hopkins Press, 1981.

71. Tran Hoai L. Sieci neuronowe rekurencyjne gradientowe algorytmy uc-zace I zastosowania w identyfikacji nieliniowych obiektow dynamicznych. Praca dyplomowa / L. Tran Hoai- Warszawa: Politechnika Warszawska, 1997.

72. Narendra K.S. Identification and control of dynamical systems using neural networks / K.S. Narendra, K. Parthasarathy // IEEE Trans. Neural Networks, 1990. -Vol. 1.- Pp. 4-27

73. Lippmann R. An indroduction to computing with neural nets / R. Lippmann //IEEE ASSP Magazine, 1987, April. Pp. 4-22.

74. Порядок расчёта нормативных технологических потерь электроэнергии Приказ Минпромэнерго РФ от 4 октября 2005 г. №267

75. Александрова Н.С. Повышение конкурентоспособности энергосбытовых компаний гарантирующих поставщиков на розничном рынке электроэнергии / Н.С. Александрова // Промышленная энергетика. - №2. - 2007. -С.9-12.

76. Воротницкий В.Э. Снижение потерь электроэнергии в электрических сетях. Динамика, структура, методы анализа и мероприятия / В.Э. Воротницкий, M.А. Калинкина, Е.В. Комкова, В.И. Пятигор // Энергосбережение. -2005.-№2.-С. 90-94.

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

78. Манусов В.З. Методы оценивания потерь электроэнергии в условиях неопределённости / В.З. Манусов, А.В. Могиленко // Электричество. 2003. -№3.-С. 2-8

79. Курбацкий В.Г. Анализ потерь электрической энергии на базе современных алгоритмов искусственного интеллекта. / В.Г. Курбацкий, Н.В Томин // Электричество. №4. - 2007 - С. 5-12

80. Воропай Н.И. Развитие методов адаптации нечётких АРВ для повышения динамической устойчивости сложных электроэнергетических систем / Н.И. Воропай, П.В. Этингов // Электричество. -№11.- 2003. С.2-10

81. Томин Н.В. Использование программных продуктов по искусственным нейронным сетям при решении задач энергетики / Н.В. Томин. Там же где и 24. С. 110-120

82. Розенблатт Ф. Принципы нейродинамики. Персептрон и теория механизмов мозга. / Ф. Розенблатт. М.: Мир, 1965. - 480 с.

83. Уоссермен Ф. Нейрокомпьтерная техника: Теория и практика / Ф. Уоссермен. М.: Мир, 1992. - 240 с.

84. Rumelhart D.E. Parallel Distributed Processing: Explorations in the Microstructure of Cognition / D.E. Rumelhart, J.L. McClelland. vol. 1, Cambridge, MA: MIT Press, 1986

85. Kohonen T. Self-organized formation of topologically correct feature maps / T. Kohonen // Biological Cybernetics. 1982. - Vol. 43. - Pp. 59-69

86. Kohonen T. Self-organizing maps. / T. Kohonen. Berlin ets: Spzinger, 1995. XV. 362 p.

87. Riter H. Neural Computation and Self-Organizing Maps: An Introduction, Reading / H. Riter, T. Martinetz, K. Schulten. MA: Addison-Wesley, 1992.

88. Cover T. Geometrical and statistical properties oa systems of linear inequalities with applications in pattern recognition / T. Cover // IEEE Trans. Electronic Computers, 1965. Vol. 14. - Pp. 326-334

89. Leonard J.A., Kramer M.A. Radial basis function networks for classifying process faults // IEEE Control System Magazine, 1991, April. Pp. 598-605

90. Chen D., Cowan C.F., Grant P.M. Orthogonal least squares learning algorithm for radial basis function networks // IEEE Trans. Neural Networks, 1991. -Vol. 2-Pp. 302-309

91. Hopfield J. Simple "neural" optimization networks an A/D converter, signal decision circuit and a linear programming circuit / J. Hopfield, D. Tank // IEEE Trans, on Circuit and Systems, 1986, Vol. CAS-33, N5, Pp. 533-541.

92. Haykin S. Neural networks, a comprehensive foundation / S. Haykin. -N.Y.: Macmillan College Publishing Company, 1994

93. Batzel Kwang Y. Lee. Sensorless Operation of the Permanent Magnet Synchronous Motor Using the Diagonally Recurrent Neural Network. / D. Todd, Batzel Kwang Y. Lee, Fellow. Paper ISAP 2001 Conference, Budapest, Hungary, June 18-21, 2001, Pp. 300-306.

94. Tran Hoai L. Sieci neuronowe rekurencyjne gradientowe algorytmy uc-zace i zastosowania w identyfikacji nieeliniowych obiektow dynamicznych / L. Tran Hoai. - Praca dyplomowa - Warszawa: Politechnika Warszawska, 1997.

95. Bellman R. Adaptive Control Processes: A Guided Tour / R. Bellman. -Princeton, NJ: Princeton University Press, 1961

96. Kramer M.A. Nonlinear principal component analysis using autoassociative neural networks. AIChE Journal. V. 37, No. 2. PP. 233-243.

97. LeBlank M., Tibshorany N. Adaptive principal surfaces. Journal of the American Statistical Association. 1994, Mar. V. 89, No. 425. PP. 53-64.

98. Kikpatrick S., Gelatt C.D. Veccht M. P. Optimization by simulated annealing // Science, 1983. - Vol. 220. Pp. 671-680

99. Johnson D., Aragon C., Schevon C. Optimization by simulated annealing: an experimental evaluation. Part I: graph partitioning // Operations Reasearch, 1989.-Vol.24.-Pp. 1-10.

100. Курбацкий В.Г. Анализ потерь электрической энергии на базе карт Кохонена / В.Г. Курбацкий, Н.В. Томин. Там же где и 34. С. 289-292

101. Курбацкий В.Г. Применение сети Кохонена в анализе потерь электрической энергии / В.Г. Курбацкий, Н.В. Томин // Нейроинформатика и её приложения: Материалы XIII Всероссийского семинара, 7-9 октября 2005 г. -Красноярск: Изд-во ИВМ СО РАН, 2005. С. 52-53

102. Методика расчета нормативов технологических потерь электроэнергии в электрических сетях,- М.: ВНИИЭ, 2004 г.

103. Курбацкий В.Г. Перспективное планирование сверхнормативных потерь электроэнергии в электрических сетях на базе искусственных нейронных сетей / В.Г. Курбацкий, Н.В. Томин // Вестник Иркутского отделения АН ВШ, 2006, №2.-С. 157-165.

104. Курбацкий В.Г. Применение самоорганизующихся карт Кохонена в решении электроэнергетических задач. / В.Г. Курбацкий, Н.В. Томин //Там же где и 34. С. 101-110

105. Kyrbatsky V.G. The employment of new information technology on the problems of power network control / V.G. Kurbatsky, N.V. Tomin // International Scientific-Practical Conference "Communication-2004", Kirgizkaya republic, Bishkek, 2004. Pp. 81-86

106. Курбацкий В.Г., Томин H.B. Краткосрочное прогнозирование электрической нагрузки с использованием новых информационных технологий // В.Г. Курбацкий, Н.В. Томин // Вестник Амурского государственного университета. Выпуск 27, 2004. С. 48-51

107. Глазунова A.M. Достоверизация критических измерений с помощью ИНС / A.M. Глазунова, И.Н. Колосок // Энергосистема: управление, качество, безопасность: Сб. докл. Всероссийской науч.-техн. конф. Екатеринбург: УГТУ-УПИ, 2001 - С. 122-125.

108. Томин Н.В. Анализ и прогнозирование режимных параметров и характеристик в электрических сетях на базе методов искусственного интеллекта / Томин Н.В // Труды XXXVI конференции конкурса научной молодёжи ИСЭМ СО РАН, Иркутск, 2006. - С. 32-39

109. Программно-вычислительный комплекс ОПЭ-1. Свидетельство об официальной регистрации программ для ЭВМ №2003612593 Иркутск: ИСЭМ СО РАН, 2003 г.

110. Курбацкий В.Г. Прогнозирование режимных параметров и характеристик в энергетике с помощью искусственных нейронных сетей / В.Г. Курбацкий, Н.В. Томин // Там же и где 34. С. 165-173.

111. Курбацкий, В.Г. Применение искусственных нейронных сетей при формировании тарифов на тепловую и электрическую энергию / В.Г. Курбацкий, Н.В. Томин // Промышленная энергетика. 2006. - №7. - С. 7-11

112. Курбацкий В.Г. Прогнозирование характеристик потерь энергии при формировании тарифов на основе нейросетевых моделей. / В.Г. Курбацкий, Н.В Томин // Энергетик. №3. - 2007 - С. 2-15

113. Зоркальцев В.И. Метод наименьших квадратов (геометрические свойства, альтернативные подходы, приложения). Новосибирск: Наука. Сиб. Изд. Фирма РАН, 1995.