автореферат диссертации по процессам и машинам агроинженерных систем, 05.20.02, диссертация на тему:Имитационное моделирование динамики нагрузок электропотребителей в условиях сельскохозяйственного производства

Введение.

1 Состояние вопроса и постановка задачи исследования.

1.1 Состояние вопроса. Актуальность задачи прогнозирования ЭН.

1.2 Анализ существующих методов прогнозирования ЭН.

1.2.1 Применение регрессионного анализа к прогнозу ЭН потребителей АПК

1.2.2 Метод коэффициентов темпов роста.

1.2.3 Авторегрессионые модели ЭН.

1.2.4 Выводы.

1.3 Цели и задачи исследования.

2 Нейросетевая модель прогноза электрических нагрузок АПК.

2.1 Определение параметров синтезируемой модели.

2.2 Анализ факторов влияющих на динамику энергопотребления в условиях АПК.

2.2.1 Учет календарного состава месяцев.

2.3 Синтез имитационной модели электроснабжения с применением ИНС

2.3.1 Выбор типа сетевой топологии.

2.3.2 Использование модели на базе многослойного перцепторона.

2.3.3 Сеть Элмана.

2.3.4 Критерии выбора топологии сети.

2.4 Выбор алгоритма обучения.

2.4.1 Принципы обучения нейронных сетей.

2.4.2 Метод обратного распространения ошибки.

2.4.3 Модификации метода обратного распространения ошибки.

-32.4.4 Генетический алгоритм обучения.

2.4.5 Использование алгоритмов, на базе метода имитации отжига.

2.4.6 Критерии выбора алгоритма обучения.

2.4.7 Учет особенностей АПК для повышения точности прогноза.

2.5 Выводы.

3 Численный эксперимент по прогнозированию электрической нагрузки

3.1 Цель и программа экспериментальных исследований.

3.2 Постановка численного эксперимента.

3.2.1 Общие положения.

3.3 Исходные данные для моделирования.

3.4 Подготовка обучающей выборки.

3.4.1 Определение процедуры предобработки.

3.4.2 Определение процедуры интерпретации результатов и оценки.

3.4.3 Фильтрация и сглаживание исходной выборки.

3.4.4 Метод оценки точности прогноза.

3.5 Результаты численных экспериментов по прогнозированию электрических нагрузок на базе И НС.

3.6 Сравнительный анализ результатов прогнозов выполненных традиционными методами и с помощью нейронных сетей.

3.7 Выводы.

4 Внедрение и техническая реализация системы прогнозирования.

4.1 Техническая реализация системы прогнозирования в виде программно-аппаратного комплекса.

4.1.1 Схема нейроимитатора.

4.1.2 Использование программно-аппаратных средств.

4.1.3 Разработка ПО с использованием методологии объектно-ориентированного программирования.

-44.1.4 Сопряжение разработанного ПО с существующими системами

АСКУЭ.

4.2 Методика использования.

4.2.1 Стратегия энергопотребления предприятия.

4.3 Выводы.

Актуальность проблемы.

Анализ тенденций развития сельскохозяйственных предприятий в России за последнее десятилетие выявил значительный рост энергетической составляющей в структуре себестоимости сельскохозяйственной продукции. Изменение пропорций цен привело к заметному снижению рентабельности производства в агропромышленном комплексе. Таким образом, энергосбережение и снижение себестоимости электроэнергии являются, на сегодняшний день, приоритетными направлениями развития сельского электроснабжения.

Практика показала, что эффективное управление энергосбережением, в равной мере, как и организация бесперебойной и экономичной работы электрооборудования, невозможны без точного и своевременного прогноза величины потребления электрической энергии на длительный период. Такой прогноз может быть выполнен с использованием математических методов на базе статистической информации о нагрузках предыдущих периодов, а также дополнительных данных, характеризующих динамику параметров окружающей среды.

Исследования, выполненные в данном направлении отечественными и зарубежными учеными: Будзко И. А, Левиным М. С., Арзамазцевым Д. А., Меламедом А. М., Богдановым В. А., Гордеевым В. И., Васильевым И. Е., Щуцким В. И., Бэни Д. В., Фармером Е. Д. и другими позволили создать как теоретическую базу, так и методики прогнозирования нагрузки, применяемые на практике. Однако, глобальные преобразования, произошедшие в последние годы в структуре экономики страны в целом и в агропромышленном комплексе в частности, привели к значительным изменениям динамики электрических нагрузок. Графики электропотребления современных сельскохозяйственных предприятий отличаются более сложным поведением. Изменились также требования, предъявляемые к системам прогнозирования в целом.

Многообразие факторов, влияющих на величину электрических нагрузок, в совокупности с высокой нелинейностью исследуемых зависимостей существенно затрудняют использование классических методов математики для решения данной задачи.

Все вышеизложенное позволяет заключить, что, по состоянию на сегодняшний день, существующие методы прогнозирования не могут обеспечить высокого качества прогнозов.

Таким образом, создание нового метода прогнозирования электрических нагрузок, учитывающего особенности динамики нагрузок современных сельскохозяйственных предприятий является, на текущий момент, актуальной научно-технической задачей.

Цель диссертационной работы: Разработка методики долгосрочного прогнозирования электропотребления предприятий АПК в современных экономических условиях, а также, программно-аппаратных средств, позволяющих осуществлять весь комплекс расчетов по построению такого прогноза в автоматическом режиме.

Объект исследования.

Объектом исследования является динамика электрических нагрузок потребителей АПК.

Предмет исследования.

Предмет исследования - модели динамики нагрузок сельскохозяйственных электропотребителей.

Задачи исследования:

-7- провести анализ существующих методов и систем прогнозирования электрических нагрузок;

- обосновать необходимость разработки новых методик прогнозирования;

- определить требования к системе прогнозирования электрических нагрузок предприятия АПК;

- исследовать динамику электрических нагрузок сельхозпотребителей, определить совокупность факторов, определяющих величину электропотребления в долгосрочной и краткосрочной перспективе;

- построить математическую модель электропотребления предприятий АПК;

- провести экспериментальную проверку полученной модели на реальных данных;

- разработать и реализовать комплекс программно - аппаратных средств, позволяющих автоматизировать расчеты, необходимые для получения прогнозов по созданной методике;

- реализовать средства сопряжения разработанного комплекса с стандартными системами АСКУЭ, применяющимися на производстве;

- выработать инженерную методику практического использования системы прогнозирования электрических нагрузок;

- обосновать экономическую эффективность использования системы.

Методы исследования:

При выполнении работы использовались методы математического моделирования, математической статистики, численной оптимизации, нейроинформатики и нечеткой логики. Экспериментальная часть исследований выполнена с применением методов компьютерного моделирования (численного эксперимента). При практической реализации системы прогнозирования использовалась методология объектно-ориентированного программирования.

Научную новизну работы определило решение следующих задач:

- систематизация методов построения нейросетевых моделей для прогноза электрических нагрузок;

- усовершенствование алгоритмов оптимизации нейронных сетей;

- построение объектно-ориентированной модели системы прогнозирования;

- разработка методических рекомендаций по организации прогнозирования электрических нагрузок на предприятиях АПК.

На защиту выносятся:

- математические модели динамики электрических нагрузок потребителей АПК на основе искусственных нейронных сетей;

- адаптированные алгоритмы обучения нейронных сетей на выборке ретроспективных данных о поведении временного ряда нагрузок;

- принципы реализации программно-аппаратного комплекса прогнозирования электрических нагрузок, включая объектно-ориентированную модель нейроимитатора.

Практическая ценность:

Полученные математические модели и методика прогнозирования нагрузок позволяют увеличить точность прогнозных расчетов электрических нагрузок и расхода электроэнергии, что в свою очередь, дает возможность повысить показатели надежности электрооборудования и уменьшить потери в сетях.

Разработанная система может быть использована как автономно, так и в составе действующих систем АСКУЭ.

Результаты работы переданы ряду предприятий РЭС Алтайского края для последующего внедрения.

Апробация работы.

Основные положения диссертации представлялись и обсуждались на внутривузовских, региональных и всероссийских конференциях:

- региональная научная конференция «Наука. Техника. Инновации» (НТИ-2001, Новосибирск, 11-13 Декабря 2001 г.);

- IV международная научно-техническая конференция «Математическое моделирование физических, экономических, технических, социальных систем и процессов» (Ульяновск, декабрь 2001 г.);

- 60-я научно-техническая конференция студентов, аспирантов, профессорско-преподавательского состава АлтГТУ(Барнаул,2002) ;

- VI Всероссийская научно-техническая конференция "Информационные технологии в науке, проектировании и производстве" (Нижегородск, Сентябрь 2002 г.).

В полном объеме диссертация докладывалась на заседании кафедры «Электроснабжение промышленных предприятий» Алтайского государственного технического университета.

Публикации.

Автором опубликовано 20 работ. Основные положения диссертации представлены в 11 работах и приведены в списке публикаций.

Структура и объем диссертации.

Диссертационная работа состоит из введения, четырех глав, заключения, выводов, списка литературы включающего 103 наименования и приложений. Объем работы без приложений составляет 139 страниц машинописного текста, содержит 48 рисунков и 9 таблиц.

4.3 Выводы

1) Использование нейронных сетей требует значительных вычислительных ресурсов, превышающих ресурсы необходимые для использования статистических методов

2) Прогнозирование электрических нагрузок целесообразно проводить с помощью программных нейроимитаторов, выполненных на базе цифровых ЭВМ, без использования специализированных нейрокомпьютеров

3) Применение технологий объектно-ориентированного программирования позволяет повысить производительность труда при разработке и внедрении нейроимитатора

4) Определение способа и параметров предобработки и интерпретации данных должно осуществляться с учетом отраслевых особенностей графиков

-126нагрузок, при этом должна быть предусмотрена возможность расширения выборки без изменения параметров предобработки, что необходимо для создания моделей, способных к адаптации.

5) Подавляющее большинство рассматриваемых вариантов нейронных сетей может быть построено с использованием общедоступных коммерческих нейроимитаторов

6) Оптимальная величина электропотребления, указываемая в договоре, должна выбираться с учетом характера договорных отношений и вероятности отклонения от прогнозируемого значения

1. Акиньшин Е. А, Хомутов О. И. Автоматизированный синтез математических моделей электроустановок на базе искусственных нейронных сетей. //Вестник АлтГТУ. - №1. -2001.- с. 121-125.

2. Акиньшин Е. А, Хомутов О. И. Прогнозирование электрических нагрузок в сельском электроснабжении с применением нейронных сетей. // Вестник АлтГТУ. №2. -2001.- с. 111 -115.

3. Акиньшин Е. А, Хомутов О. И. Особенности прогнозирования электрических нагрузок в условиях аграрного хозяйства. // Ползуновский альманах. №1-2. -2002.- с.33-38.

4. Акиньшин Е. А, Хомутов О. И. Перспективы применения искусственных нейронных сетей в электроэнергетике. // Ползуновский альманах. №4. -2001.- с.80-84.

5. Акиньшин Е. А, Попов А. Н., Хомутов С. О. Мониторинг и прогнозирование параметров электрических нагрузок сельских сетей в реальных условиях эксплуатации./ АлтГТУ, Барнаул, 2002.- 9 е.- Деп. в ВИНИТИ №973-В2002.

6. Акиньшин Е. А, Хомутов О. И. Долгосрочное прогнозирование электрических нагрузок с применением нейронных сетей. // Сб. тезисов докладов региональной научной конференции «Наука. Техника. Инновации.». Новосибирск: изд-во НГТУ, 2001. Часть 2.- с. 63 64.

7. Акиньшин Е. А, Ларионов В. Н. Применение современных методов оптимизации для определения параметров математических моделей электроустановок. //Ползуновский альманах. №1. -2002.- с. 17-20.

8. Акиньшин Е. А, Ларионов В. Н. Компьютерное моделирование временных рядов электрических нагрузок потребителей АПК с помощью нейронных сетей. //Ползуновский альманах. №1. -2002.- с. 21-26.

9. Алефельд Г. Херубергер Ю. Введение в интервальные вычисления. М: Мир, 1987. 360с. Ил.

10. Алиев Р. А., Асдикеев И. М, Шахназаров М. М. Производственные системы с искусственным интеллектом. М: Радио и связь, 1990. 264 с.

11. Андерсон Т. Статистический анализ временных рядов М: Мир 1976, 754 с.

12. Аоки М. Введение в методы оптимизации. . М.: Наука, Гл. ред. Физ.-мат. лит., 1977. 344 с.

13. Арзамазцев Д. А., Линес А. В., Мызин А. В. Модели оптимизации развития энергосистем. // М: Высшая школа. 1977. -195 с.

14. Ашманов С. А. Тимохов А. В. Теория оптимизации в задачах и упражнениях. М.: Наука, Гл. ред. Физ.-мат. лит., 1991. 448 с.-13118. Бернас С., Цек 3. Математические модели объектов электроэнергетических систем. М.: Энергоатомиздат, 1982. -312 с.

15. Богданов В. А. Бордюгов В. М. Влияние температуры и освещенности на потребление активной мощности / Электрические станции 1983, №7, с. 55-57.

16. Богданов В. А., Кочкарек В. И. Математическая модель оперативного прогнозирования активных нагрузок энергосистем. // Электрические станции. №4. - 1974.- с.22-24.

17. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление. М: Мир. 1974. - 487 с.

18. Борисов А.Н., Крумберг O.A., Федоров И.П. Принятие решений на основе нечетких моделей. Примеры использования. Рига: "Зинатне", 1990. -275 с.

19. Боэм Б. У. Инженерное проектирование программного обеспечения: Пер. с англ. М.: Радио и связь, 1985. - 301 с.

20. Бриллинджер Д. Р. Временные ряды М: Мир, 1980. 543 с.

21. Бронштейн И. Н. Семердяев К. А. Справочник по математике для инжинеров и учащихся вузов. М.: Наука, Гл. ред. Физ.-мат. лит., 1986. 544 с.

22. Будзко И. А, Зуль И. М. Электроснабжение сельского хозяйства -М: Агропромиздат.-1990. 496 с.

23. Будзко И. А, Левин М. С. Электроснабжение сельскохозяйственных предприятий и населенных пунктов. М: Агропромиздат.-1985. - 320 с.

24. Будзко И. А., Гессен В. Ю. Электроснабжение сельского хозяйства. М: Колос, 1979. 480 е., ил.

25. Бэни Д. В., Фармер Е. Д. Сравнительные модели прогнозирования электрической нагрузки / пер. с анг. -М.: Энергоатомиздат, 1987.-13230. В.Я. Пивкин, Е.П. Бакулин, Д.И. Кореньков Нечеткие множества в системах управления. М.: Мир, 1993,200 с.

26. Вендров А. М. Проектирование программного обеспечения. М.: Финансы и статистика. 2000, 347 с.

27. Воропай А. И. Паламарчук С. И. Подковальников С. В. Современное состояние и проблемы электроэнергетики России. // Проблемы прогнозирования,- №5.-2001.

28. Вычислительная техника и моделирование в энергетике. Сб. науч. Трудов Киев: Наук. Думка, 1984,204 с.

29. Гальперова Е. В., Поменов Ю. Д. Влияние на экономика региона изменения тарифов на электроэнергию // Энергетик.- №6.- 2001. С. 3-4

30. Гилл Ф., Мюррей У., Райт М. Практическая оптимизация. М.: Мир, 1985, 509 с.

31. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука (Сиб. отделение), 1996. 276 с

32. Гордеев В. И., Васильев И. Е., Щуцкий В. И. Управление электропотреблением и его прогнозирование. Ростов-На-Дону: Изд-во Ростовского университета, 1991.-104 с.

33. Грачев Е. Н., Сантбаталова Г. С. Определение расхода электроэнергии на основе математической модели// Промышленная энергетика.- №4. 1999. С. 24-25.

34. Гульд X., Тобочник Я. Компьютерное моделирование в физике: в 2-ч частях. Часть 1: Пер. с англ. М.: Мир, 1990. - 323 с.

35. Гульд Х.„ Тобочник Я. Компьютерное моделирование в физике: в 2-ч частях. Часть 2: Пер. с англ. М.: Мир, 1990. - 337 с.

36. Гунин В. М., Концев Н. А., Никифоров Г. В. Опыт нормирования и прогнозирования электропотребления предприятия на основе математическойобработки статистической отчетности / / Промышлен нал энерге тика.- №2 . -20 00. С. 2-5.

37. Гурский С. К. Адаптивное прогнозирование временных рядов в электроэнергетике. Минск: Наука и техника, 1983. 234 с.

38. Демиденко Е. 3. Линейная и нелинейная регрессия. М.: Финансы и статистика, 1981. 312 с.

39. Дрейнер И., Смит Г. Прикладной регрессионный анализ. М.: Финансы и статистика, 1986. 420 с.

40. Дьяков А. Ф., Платонов В. В. Роль тарифной политики в реализации программы энергосбережения России // Энергетик. №2.- 2001. - с. 4-6.

41. Ершов М. С., Егоров А. В. Сорокотяпин Д. Н. Вероятностные алгоритмы оценки электрических нагрузок// Промышленная энергетика. №7. -1998. С. 16-17.

42. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений, М.:Мир, 1976. 225 с.

43. Задков В. Н., Пономарев Ю. В. Компьютер в эксперименте. Архитектура и программные средства автоматизации. -М: Наука. Гл. ред. физмат, лит., 1988.

44. Ивахненко А. Г. Долгосрочное прогнозирование и управление сложными системами Киев:Техника, 1975. 372 с

45. Ивахненко А. Г. Мюллер Н. А. Самоорганизация прогнозирующих моделей. Киев:Техника, 1984. 350 с

46. Ивахненко А. Г. Юранковский Ю. П. Моделирование сложных систем по экспериментальным данным. М.: Радио и связь, 1987. 120 с, ил.

47. Колосок И. И. Глазунова А. М. Достоверизация телеизмерений в ЭЭС с помощью исскуственных нейронных сетей // Электричество.- №10.2000. С. 18-24.

48. Корн Г., Корн Т. Справочник по математике для научных работников и инженеров. М.: Наука, Гл. ред. Физ.-мат. лит., 1986. 544 с.

49. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.-212 с.

50. Куценко Г. Ф. Проблемы надежности электроснабжения потребителей агропромышленного комплекса в условиях развития рыночных отношений в электроэнергетике. // Электрические ста нции. №9. -2 ООО.- с . 364 0.

51. Ламакин Г. Н. Экономическая эффективность применения для потребителей двухставочных тарифов на электроэнергию и увеличения числа часов использования максимума. // Промышлен ная энергет ика №10. -2000 .с. 8-10.

52. Левин В. И. Структурно-логические методы исследования сложных систем с применением ЭВМ. М.: Гл. ред. физ. - мат. лит., 1987. -304 с.

53. М.: Финансы и статистика, 1987 Макроэкономические аспекты реформирования электроэнергетики России // Проблемы прогнозирования.-№5.-2001.

54. Мелихов А.Н., Бернштейн Л.С., Коровин С .Я. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990.

55. Модели для прогнозирования развития энергосистем. Труды ин-та Энергосельпроект. М: из-во ин-та Энергосельпроект, 1980 105 с.

56. Мостлер Ф. Анализ данных и регрессия. М.: Финансы и статистика, 1982. 453 с.

57. Мурадян А. Е., Коленный В. П. Эбина Г. Д., Черняева Г. В. Статистические оценки расхода электроэнергии и нагрузок потребителей на примере Подмосковья // Техника в сельском хозяйстве.- №4 .- 2001 . с. 23 - 26.

58. Нейроинформатика / А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин, Е.М.Миркес, А.Ю.Новоходько, Д.А.Россиев, С.А.Терехов, М.Ю.Сенашова, В.Г.Царегородцев. Новосибирск: Наука, Сибирская и зда тельска я фирм а РАН, 1998.

59. Нейрокомпьютеры и интеллектуальные роботы/ Под ред. Амосова Н.М.:АНУССР Ин-т кибернетики.-Киев:Наук.думка, 1994.165 с.

60. Некрасов А. С., Сипак Ю. В. Проблемы и перспективы росийской энергетики на пороге XXI века // Проблемы прогнозирования.- №1.-2001.

61. Некрасов А. С., Сипак Ю. В., Узаков М. Н. Электроэнергетика России: Экономика и реформирование. // Проблемы прогнозирования. №5.2001.

62. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д.А. Поспелова. М.: Мир, 1986.

63. Нечеткие множества и теория возможностей. Последние достижения / Под ред. Р.Ягера М.: Радио и связь, 1986.-13673. Никифоров Г. В. Анализ устойчивости регрессионных моделей электропотребления. Промышленная энергетика.- №12. 1999. С. 18-20.

64. О надежности электроснабжения сельских потребителей // Техника в сельском хозяйстве. №6.- 2000.- с. 33-34.

65. Ореик Л. С. Техническая политика в агропромышленном комплексе // Механизация и электрофикация сельского хозяйства. №1. 2001. С 26.

66. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981.

67. Паламарчук С. И., Федоров А. И. Планирование поставок электроэнергии в условиях оптового рынка// Электричество.- №11.- 2000. С. 3139.

68. Пирогов В. И., Парухашвили И. П., Сакен А. Б. К вопросу достовероности учета электрической энергии // Промышленная энергетика. -№5. 2000. С. 50-52.

69. Плотников Э. А. Прогнозирование максимальных летних нагрузок энергосистем. // Электрические станции. -№11.- 1972. с. 70 -73.

70. Повышение надежности и эффективности систем электроснабжения и отимизация режимов электропотребления. Труды МЭИ вып. 668, М.: из-во МЭИ.

71. Поликарпов Е. А. Об определении абонируемой предприятием электрической мощности. // Промышленная энергетика. №9. - 1998. С. 16-17.

72. Прикладные нечеткие системы /Под ред. Тэтано Т., Асаи К., Сугано М: Мир, 1993.

73. Р.Беллман, Л.Заде. Вопросы принятия решений в расплывчатых условиях // Вопросы анализа и процедуры принятия решений. / М.: Мир, 1976.-13784. Pay В. В. Аграрный сектор и пути к обновлению // Проблемы прогнозирования.- №4.-2000.

74. Сантбатанова Р. С, Грачева Е. Н., Хатянов В. А. Оперативное прогнозирование режима электропотребления // Промышленная энергетика.-№6. 2000. С. 27-29.

75. Смородов Е. А., Деев В. Г. Стратегия взаимоотношений между поставщиками и потребителями электроэнергии // Проблемы энергетики. -№11-12.- 2000.- с. 36-48.

76. Ставровский А. Н. Повышение точности оперативного прогноза графиков суммарной нагрузки электропотребления энергообъединений и систем // Электричество. -№11.- 1975.- с. 55- 57.

77. Стребков Д. С., Мурадян А. Е, Конечный В. К. Эффективность сельских сетей при многотарифном учете электроэнергии // Техника в сельском хозяйстве.- №2.- 2000. С. 3-6.

78. Терехов В. М. Алоритмы фази-регуляторов в электротехнических системах // Электричество. №12. - 2001. С 55 - 63.

79. Тимченко В. Ф., Ежиков В. X. Интервальный однофакторный метод краткосрочного прогнозирования суточного потребления электроэнергии энергосистем. // Электричество. №2.- 197 6.- с. 10-15.

80. Тимченко В. Ф., Меламед А. М. Прогнозирование режимов электропотребления нерегулярных дней. // Электрические станции. №5. -1987.- с.53-57.

81. Фаулер М., Скотт К. UML в кратком изложении. Применение стандартного языка объектного моделирования : Пер. с англ. М.: Мир, 1999.

82. Хей Д. Д. Введение в методы байесовского статистического вывода. М.: Финансы и статистика, 1987.

83. Чукреев Ю. Я., Хохлов М. В., Алла Э. А. Оперативное управление режимами региональной энергосистемы с использованием нейронных сетей // Электричество, 2000, № 4. С. 2-10.

84. Шумилова Г. П., Готман Н. Э., Старцева Т. Б. Краткосрочное прогнозирование электрических нагрузок с использованием искусственных нейронных сетей // Электричество, 1999, № 1 0. С. 6-12.

85. Щуцкий В. И., Кузнецов И. М., Токарева Е. А., Фищук С. А. Анализ и прогнозирование электропотребления в Мурманской области. // Промышленная энергетика.- №10. -1998. С. 5-9 .

86. Al-Dabbagh М. Al-Dabbagh L. Neural Networks Based Algorithm for Detecting High Impedance Faults On Power Distribution Lines Forecasting // IJCNN99 (1999 International Joint Conference on Neural Netwo rks ), Was hington, DC -July 10-16, 1999.

87. Costa M. Pasero E. Piglione F. Radasanu D. Short Term Load Forecasting In Using A Synchronously Operated Recurrent Neural Network. // IJCNN99 (1999 International Joint Conference on Neural Networks), Wa sh ingt on, DC -July 10-16, 1999.