автореферат диссертации по электротехнике, 05.09.03, диссертация на тему:Информационно-методическое обеспечение прогнозирования часовых объемов электропотребления при выходе предприятия на оптовый рынок электрической энергии

На правах рукописи

МОЗГ АЛИН Алексей Владимирович

ИНФОРМАЦИОННО-МЕТОДИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ПРОГНОЗИРОВАНИЯ ЧАСОВЫХ ОБЪЕМОВ ЭЛЕКТРОПОТРЕБЛЕНИЯ ПРИ ВЫХОДЕ ПРЕДПРИЯТИЯ НА ОПТОВЫЙ РЫНОК ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ

Специальность 05 09 03 - Электротехнические комплексы и системы

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

ООЗ159437

' У

Москва-2007

003159437

Работа выполнена на кафедре «Электроснабжение промышленных предприятий» Московского энергетического института (Технического университета)

Научный руководитель доктор технических наук,

профессор КУДРИН Борис Иванович

Официальные оппоненты доктор технических наук

ЕРШОВ Михаил Сергеевич,

кандидат технических наук ЗАЙЦЕВ Евгений Зиновьевич

Ведущее предприятие Институт народнохозяйственного

прогнозирования Российской Академии Наук (ИНП РАН)

Защита диссертации состоится «11» мая 2007 г в аудитории М-611 в 16 час 00 мин на заседании диссертационного совета Д 212 157 02 при Московском энергетическом институте (Техническом университете) по адресу Ш250, г Москва, ул Красноказарменная, 13

Отзыв на автореферат (в двух экземплярах, заверенные печатью) просим направлять по адресу 111250, Москва, Красноказарменная ул , д 14, Ученый Совет МЭИ (ТУ)

С диссертацией можно ознакомиться в библиотеке МЭИ (ТУ)

Автореферат разослан » алрелл_2007 г

Ученый секретарь

диссертационного совета Д 212 157 02

кандидат технических наук ^ /У

доцент /^^-У«? Цырук С А

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы диссертации Металлургическое производство отличается высокой электроемкостью, и электрическая энергия в себестоимости продукции крупных предприятий по отрасли составляет 11%, а в отдельных случаях ее доля увеличивается до 30% Одним из основных путей снижения затрат на электрическую энергию является выход предприятий в качестве участников на новый оптовый рынок электрической энергии (ОРЭ) Это позволяет производить закупку энергии по ценам ниже розничных, используя организационно-технические мероприятия, не требующие больших капитальных затрат Другие мероприятия, направленные на уменьшение оплаты за электрическую энергию, носят преимущественно энергосберегающий характер, требуют инвестиций, и имеют, как правило, больший срок окупаемое! и

Выход на оптовый рынок предполагает для каждого предприягия, являющегося участником ОРЭ, подачу Администратору торговой системы (НП «АТС») почасовых заявок относительно каждого часа операционных суток для каждой группы точек поставки участника с упреждением в соответствии с регламентами, несколько различающимися по регионам В течение торговых суток, предшествующих операционным, производится конкурентный отбор заявок на рынке на сутки вперед (PCB) Из факгической мощности, потребленной в операционные сутки, выделяются части, соответствующие двусгороннему договору и заявленным на PCB значениям почасового потребления Остаток потребления приобретается или продается на балансирующем рынке (БР), цены которого значительно превышают цены PCB, что ужесточает требования к точности прогнозирования нагрузок В случае подачи ошибочных заявок все выгоды от участия в ОРЭ могут быть утрачены

График нагрузки каждого предприятия формируется под влиянием большого количества различных факторов, полный учет которых невозможен вследст- ч\г\

вие техноценологических свойств предприятия Кроме того, всегда существуют отклонения от запланированного режима ведения технологического процесса, что заставляет руководствоваться не только планированием, но и прогнозированием электропотребления предприятия

Таким образом, в условиях современного энергорынка для крупных предприятий важное значение имеет создание системы почасового потребления электрической энергии в операционные сутки, позволяющей минимизировать отклонения потребляемой от заявленной на рынке на сутки вперед мощности Цель и задачи диссертации

Целью диссертационной работы является разработка метода прогнозирования потребления электрической энергии крупного металлургического предприятия для работы на оптовом рьюке, обладающего высокой точностью, достоверностью и устойчивостью в условиях изменения режимов работы предприятия и внешних влияющих факторов

В соответствии с целью решен ряд поставленных задач

- создана информационная база ретроспективных данных по электропотреблению двух крупных металлургических предприятий и по значениям температуры окружающего воздуха региона с учетом типа дня и номера рассматриваемого временного интервала в сутках,

- проведен анализ степени влияния погодных условий и типа дня на точность прогнозирования потребления электрической энергии

- выбран и адаптирован прогностический аппарат для обеспечения необходимой точности и устойчивости прогноза,

- произведен статистический, ценологический и нейросетевой анализ потребления электрической энергии с построением математических моделей потребления в зависимости от влияющих факторов,

- определена степень репрезентативности данных, традиционно применяемых для прогнозирования электропотребления, и показана несостоятельность прогнозг'рованр'я на их основе,

- доказана возможность увеличения точности прогноза электропотребления предприятия при введении плановых значений загрузки цехов с учетом ценологичности предприятия,

- даны рекомендации по внедрению методики прогнозирования электропотребления на крупных металлургических предприятиях

Методы исследования

Для решения поставленных задач в работе использовались положения теории вероятности, методы математической статистики и нейросетевого моделирования Теоретические исследования сопровождались разработкой различных математических моделей, компьютерно реализованных в виде программных средств При выполнении работы использованы научные труды российских и зарубежных специалистов, материалы научно-технических конференций и семинаров

Обоснованность и достоверность научных положений и выводов основываются на анализе статистики, полученной по данным автоматизированных систем коммерческого учета электроэнергии двух металлургических комбинатов в течение года с поминутным и получасовым интервалом осреднения и сопоставления полученных результатов прогнозирования с экспериментальными данными

Научная новизна работы

1 Разработана методика исследования электропотребления предприятия с использованием нейросетевого моделирования для цели краткосрочного прогнозирования электропотребления

2 Обосновано применение определенного класса нейросетевых методов для прогнозирования почасового потребления электрической энергии, а также возможность их коррекции для обеспечения более высокой точности прогнозирования

3 Обоснована необходимость применения для прогнозирования электропотребления металлургических предприятий плановых значений загрузки

основных цехов, выбираемых с учетом ценологических свойств предприятия в целом

4 Разработаны программные продукты, предназначенные для прогнозирования электропотребления в условиях действующего предприятия с требуемым набором характеристик Практическая ценность работы заключается в создании системы прогнозирования электропотребления, а также обосновании набора данных, применяемых для прогнозирования Разработанная система позволяет определять перспективные объемы электропотребления для заключения договоров с поставщиками электрической энергии, повышения эффективности использования энергоресурсов и экономии средств предприятия на оплату электрической энергии Защищаемые положения позволяют проводить точное почасовое прогнозирование электропотребления, пересмотреть установленные подходы к прогнозированию электропотребления на металлургических предприятиях, производить текущее уточнение прогнозов для целей регулирования электропотребления Разработанные принципы формирования набора исходных данных, а также предложенная методика прогнозирования могут использоваться для различных промышленных предприятий

Реализация работы Результаты диссертационной работы внедрены на Нижнетагильском и Западно-Сибирском металлургических комбинатах

Апробация работы Основные положения диссертационной работы докладывались и обсуждались на Международной научно-технической конференции «Электроэнергия и будущее цивилизации» (г Томск, 19-21 мая 2004 г), XII Федеральной научно-технической конференции «Электрификация металлургических предприятий Сибири, прогнозирование параметров электропотребления и нормирования, реорганизация электроснабжения и ремонта» (г Новокузнецк, 6-7 октября 2004 г), XII Международной научно-технической конференции студентов и аспирантов «Радиоэлектроника электротехника и энергетика» (г Моек-

ва, 2-3 марта 2006 г), на научных семинарах кафедры «Электроснабжение промышленных предприятий» ИЭТ МЭИ (ТУ) в 2004-2007 гг

Публикации По теме диссертации опубликовано семь печатных работ Структура и объем работы Диссертационная работа изложена на 133 страницах машинописного текста, содержит 34 рисунка и 3 таблицы Работа состоит из введения, четырех глав, заключения и 4 приложений Библиографический список использованной литературы включает 106 наименования работ отечественных и зарубежных авторов

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность проблемы определения параметров электропотребления в условиях реформирования электроэнергетики и важность почасового прогнозирования в условиях сложившегося энергетического рынка, проанализировано состояние вопроса, сформулированы задачи и цели исследования, в виде краткой аннотации изложены основные положения диссертации

В первой главе описаны цели и задачи проводимого исследования и намечены предполагаемые методы их решения Рассмотрено электрическое хозяйство металлургических предприятий как объект прогнозирования Выполнен обзор работ, опубликованных в отечественной и зарубежной технической литературе, посвященных краткосрочному прогнозированию электропотребления Описаны методы прогнозирования нагрузки, проведен их анализ для целей краткосрочного прогнозирования электропотребления Анализ данных материалов показывает сложность задачи почасового прогнозирования для промышленных предприятий Показано, что использование классических параметрических вероятностно-статистические методов обработки информации затруднено вследствие свойств промышленного предприятия, как объекта прогнозирования В качестве методов, обладающих высокой точностью и гибкостью используемых моделей, были

предложены методы прогнозирования, относящиеся к классу методов искусственного интеллекта

Вторая глава посвящена разработке математических моделей для прогнозирования параметров электропотребления предприятия в целом В общем случае прогнозирование может осуществляться с использованием прогнозирования по временному ряду, либо с использованием факторных моделей Прогнозирование по временным рядам может осуществляться либо на основании методов классической статистики, с представлением временного ряда в виде суммы тренда, сезонной, циклической и случайной составляющей, либо с использованием подхода ценологической теории, основанного на устойчивости формы кривой рангового //-распределения по параметру, характеризующейся устойчивостью значений рангового коэффициента ¡5, совершающего флуктуации в диапазоне [0,5, 1,5] При добавлении третьего измерения - времени - происходит переход к поверхности рангового //-распределения по параметру

Однако в современных условиях работы промышленных предприятий прогнозирование по временным рядам дает большую погрешность из-за отсутствия учета влияния ряда факторов, являющихся первостепенными в условиях сложившихся рыночных отношений Жесткая связь электропотребления предприятий с технологическим процессом, большая зависимость от управленческих решений, определяемых конъюнктурой рынка, приводят к необходимости перехода к многофакторным моделям электропотребления Однако введение таких моделей подразумевает наличие гибкого и мощного математического аппарата, способного производить прогнозирование с учетом нестационарности временных рядов электропотребления, нелинейной зависимости между используемыми факторами, а также в условиях ограниченного времени прогнозирования в условиях реальной работы предприятия В качестве такого математического аппарата был применен аппарат нейросетевого моделирования, относящийся к методам искусственного интеллекта Искусственные нейронные сети представляют собой совокупность нейроподобных элементов (формальных нейронов), определенным

образом связанных друг с другом и с внешней средой с помощью связей, величина которых определяется весовыми коэффициентами Формальные нейроны (рис 1) представляют собой адаптивные взвешенные сумматоры, умножающие входные сигналы х1гх2, ,х„ на подстраиваемые в результате обучения сети коэффициенты м>,,-и>2, нп После производится суммирования получающихся значений и вычисляется функция от их суммарного значения

Отличительной особенностью нейронных сетей является их способность быть универсальными аппроксиматорами, при отсутствии характерных для методов классической статистики недостатков, т к не требуется предварительная привязка к той или иной модели процесса Одной из важнейших особенностей нейросегевых моделей является параллельность обработки информации нейро-подобными элементами, что при аппаратной реализации приводит к значительному увеличению быстродействия Модели на основе нейронных сетей способны производить прогнозирование в режиме реального времени, не требуя приведения ряда к стационарному, а также позволяют производить прогнозирование на основе нескольких рядов влияющих факторов, изменяющихся с течением времени, выделяя между ними скрытые зависимости, которые могут ускользнуть от внимания человека-эксперта Одним из достоинств нейронных сетей, как методов искусственного интеллекта, являются их способности к обучению и обобщению на основании накопленных знаний, что позволяет производить прогнози-

рование с малой погрешностью на относительно коротких выборках Основным же недостатком нейронных сетей является сложность интерпретации результатов прогноза обученной сети, что, однако, компенсируется приведенными выше достоинствами

Одной из архитектур нейронных сетей, обеспечивающих наиболее точное прогнозирование, является рекуррентный многослойный персептрон (рис 2)

Рекуррентный многослойный персептрон позволяет улавливать не только связь между уровнями входных сигналов, как в многослойном персептроне, но и между их последовательностью во времени Наличие нескольких скрытых слоев нейронов дает возможность точного моделирования сложных процессов, происходящих в реальности

В третьей главе производится формализация перечня исходных данных для почасового прогнозирования электропотребления ка сутки вперед Это является необходимым, ввиду того, что современное металлургическое предприятие является сложным объектом, на электропотребление которого оказывают влияние различные факторы, число которых не поддается точному определению Каждое предприятие является индивидуальным по составу влияющих факторов и вкладу каждого фактора Кроме того, влияние того или иного фактора может

изменяться во времени и иметь нелинейный характер Все эти причины загруд-няют построение системы прогнозирования электропотребления металлургического предприятия

Для обеспечения правильности прогнозирования были выбраны те факто-

Г'

ры, вклад которых в электропотребление является значительным, а совокупность этих факторов представляет собой репрезентативную выборку Выбор таких факторов для каждого случая является отдельной задачей, требующей предварительного оценивания влияния предполагаемых факторов прогнозирования до начала прогнозирования Полученный в результате проведенного анализа перечень факторов включает в себя температуру воздуха, запланированное значение загрузки агрегатов, а также электропотребление предыдущих периодов

Для обоснования применения выбранного метода прогнозирования был произведен анализ исходных данных, в результате которого были получены следующие выводы

1) связь температуры и часовой потребляемой мощности изменяется нелинейно, что не позволяет однозначно вводить зависимость потребляемой мощности от температуры в виде коэффициента, не зависящего от температуры и потребляемой мощности,

2) выявленная нелинейность требует применения соответствующего математического аппарата, в качестве которого предлагается использование математического аппарата нейросетевого моделирования,

3) наблюдается изменяющееся во времени запаздывание влияния температуры на потребляемую мощность, обусловленное характеристиками, а также режимами работы оборудования

Анализ закона распределения электропотребления показал для обоих исследуемых предприятий его отклонение от нормального, что не позволяет применять классические методы статистики, основанные на нормальности распределения исходных данных (рис 3, 4)

Рис. 3. Гистограмма годового энергопотребления ЗСМК за 2005 год с иитерва

лом осреднения 30 мик.

6900,-I

Рис. 4. Гистограмма годового энергопотребления НТМК за 2005 год с ин терна.:!ом осреднения \ мин.

Проведенный автокорреляционный анализ (рис. 5, 6) показал отсутствие периодичности в исследуемых рядах электропотребления, что делает непригодным использование моделей временных рядов

Рис, 5. Г рафик автокорреляционной функции временного ряда элеюропотребле-

НЙЯ НТМК.

4000 ЙСКЧ- ]№>! НОЖ ЩЮП

Рис. 6. График автокорреляционНОЙ функции временного ряда электропотребления зсмк.

Анализ показал наличие зависимости электролотребления от дня недели и принадлежности прогнозируемого дня к рабочему или выходному, что потребовало введение этих показателей в модель прогнозирования

Структура полученной системы прогнозирования электропотребления предприятия показана на рис 7

Источником данных для прогнозирования служит АСКУЭ предприятия Также в качестве входных данных могут быть использованы данные по температуре окружающего воздуха, получаемые с сервера метеостанции, доступного через сеть Internet Кроме того, возможен ввод данных от пользователя о планируемой загрузке предприятия на сутки вперед

В связи с тем, что для нейросетевого прогнозирования особое значение имеет качество данных, прежде всего, следует провести очистку данных от выбросов и пропусков, обусловленных несовершенством технической части съема и регистрации информации о значении потребляемой мощности Выбросы и пропуски данных способны значительно ухудшить качество прогнозирования, создавая ошибку до 100% и более Таким образом, необходимо проводить очистку данных с привлечением эксперта, хорошо знакомого со спецификой данного производства, что затрудняет обработку исходного временного ряда в автоматическом режиме

Данные вводятся в предиктор при помощи блока считывания, реализованного программно на встроенном языке пакета MATLAB Перенос данных может осуществляться как на съемных носителях, так и по локальной сети, либо по сети Internet

Для выработки наилучшей стратегии прогнозирования необходимо провести анализ данных, который осуществляется в блоке анализа Производится автокорреляционный анализ рядов электропотребления и выявление их периодичности, анализ влияния погодных условий на электропотребление, оценка размаха вариации используемых рядов электропотребления На основании данных этого этапа решается вопрос о необходимости введения в модель дополнительных факторов, оказывающих влияние на электропотребление Это решение принимается пользователем системы и при его принятии осуществляется переход обратно к блоку считывания

Дальнейшая обработка данных происходит в блоке предобработки, где данные масштабируются в соответствии с видом функции активации нейронной сети и видом закона распределения исходных данных после их очистки Подготовленные данные попадают в блок нейросетевой обработки, где используются для обучения нейронных сетей последовательно увеличивающейся сложности Выходные сигналы с блока выводятся на жесткий диск компьютера в файл, пригодный для дальнейшего анализа пользователем с целью выбора архитектуры

нейронной сети, которая будет в дальнейшем использоваться для прогнозирования Выходными сигналами блока будут

1) прогноз электропотребления в относительных единицах на тестируемом промежутке времени при заданном диапазоне изменения количества нейронов в скрытом слое сети,

2) значение ошибки прогнозирования на тестовом множестве, которое представляет собой известные значения электропотребления истекших суток

Для предотвращения переобучения нейронной сети применяется выбор из всех видов архитектуры сетей, прогноз которых удовлетворяет условиям точности сети с наименьшим количеством скрытых нейронов

На основании определенного количества нейронов в скрытом слое сети пользователь производит прогноз, используя данные за текущие сутки, запланированную загрузку цехов на сутки вперед и прогноз погоды Получаемый прогноз может составлять основу для предварительной оценки и планирования недельной загрузки цехов, либо для составления почасовой заявки при выходе на оптовый рынок электрической энергии

Для целей выхода на оптовый рынок необходимо учитывать, что заявленная мощность будет принята за базу оценки отклонения, а погрешности оценки значений каждого часового потребления будут наказаны увеличением стоимости потребленной энергии Данные требования привели к необходимости введения следующей оценки для каждого часового электропотребления

= 100%, (1) ^г

где У, - подученное в результате прогноза значение мощности, отн ед , р - реальное значение мощности на прогнозируемом временном интервале, отн ед, г - номер часа в сутках

Полученные в результате применения описанной системы графики ошибки прогнозирования приведены на рис 8 и 9

% 01-V

Р

I 0 51-

>гч\ \ / Л

11 !

л, А

'V \ А

1 л' V \ /\

I

^ 1 /

\!

\>

Рис 8 График изменения ошибки при прогнозировании электропотребления НТМК на 48 часов вперед с учетом введения модели плановой мощности при 15

нейронах в скрытом слое

Рис 9 График изменения ошибки при прогнозировании электропотребления ЗСМК на 48 часов вперед с учетом введения модели плановой мощности при 12

нейронах в скрытом слое Из анализа графиков видно, что полученная ошибка прогнозирования не превышает 1,5%, что дает возможность предприятию производить покупку электроэнергии практически полностью на рынке на сутки вперед по наиболее выгодным для предприятия тарифам

В четвертой главе описана практическая реализация нейронных сетей для прогнозирования и оперативного управления нагрузкой Был произведен анализ программных средств, реализующих нейросетевое прогнозирование Наиболее удобным для исследовательских целей был признан программный пакет Neural Network toolbox , который входит в систему компьютерной математики MATLAB Это объясняется широкими способностями данной системы к моделированию различных нейросетевых архитектур, включая рекуррентные, доступность системы для изучения как в англоязычном, оригинальном варианте, так и на русском языке Система является фактическим стандартом для изучения среди зарубежных вузов, что является подтверждением его распространенности Кроме того, данная система обладает легкостью расширяемости и открытостью кодов используемых программ, что позволяет максимально адаптировать программные продукты, созданные на ее основе, для нужд конкретного потребителя Практически система прогнозирования была реализована в виде программных модулей, написанных на встроенном языке системы MATLAB

Также были даны практические рекомендации по применению разработанных программных модулей в условиях работы на промышленных предприятиях

В приложениях приведены перечень металлургических предприятий с потребляемой мощностью более 20 МВт, для которых возможен выход на оптовый рынок электрической энергии, характеристики программных пакетов, наиболее часто применяемых для целей эмулирования нейронных сетей, аналитическая таблица перечне факторов, способных влиять на почасовое электропотребление предприятия, фрагменты исходных данных, акт внедрения

Заключение

Основные результаты работы заключаются в следующих положениях

1 Проведен анализ методов краткосрочного прогнозирования электро-ио гребления промышленных предприятий

2 Классифицированы исходные данные, необходимые для прогнозирования потребления электрической энергии крупным промышленным пред-

приятием с учетом возможности их сбора в условиях реально работающего производства, необходимая степень их полноты и точности

3 Разработана методика исследования электропотребления предприятия с использованием нейросетевого моделирования для цели краткосрочного прогнозирования электропотребления

4 Обосновано применение нейросетевых методов для прогнозирования почасового потребления электрической энергии, а также возможность их коррекции для обеспечения более высокой точности прогнозирования

5 Показана необходимость применения для прогнозирования электропотребления металлургических предприятий плановых значений загрузки основных цехов, выбираемых с учетом ценологических свойств предприятия в целом

6 Разработаны методы прогноза электропотребления на базе основных влияющих параметров

7 Адаптированы программные продукты, предназначенные для прогнозирования электропотребления в условиях действующего предприятия с требуемым набором характеристик

Основные положения диссертации отражены в следующих публикациях

1 Жичкин С В , Мозгалин А В Краткосрочное прогнозирование суточного электропотребления Нижнетагильского металлургического комбината // Электрификация металлургических предприятий Сибири Вып 12 - Томск Изд-во Том ун-та 2005 -С 222-228

2 Жичкин С В , Мозгалин А В Место нейросетевых методов в прогнозировании электропогребления промышленных предприятий // Электрификация металлургических предприятий Сибири Вып 12 - Томск Изд-во Том ун-та, 2005 -С 115-118

3 Исаев А С , Мозгалин А В Использование баз данных при эксплуатации СЭС II Труды НИ РХТУ им Д И Менделеева Вып №2 (9) - Новомосковск Изд-во НИ РХТУ, 2004 - С 86-90

4 Лагуткин О Е, Мозгалин А В Анализ временного ряда Тулачермет // Пятая науч -техн конф молодых ученых, аспирантов и студентов Тез докл - Новомосковск Изд-воНИРХТУ -2003 - С 51-52

5 Мозгалин А В Разработка системы прогнозирования электропотребления промышленного предприятия на основе методов искусственного интеллекта П Радиоэлектроника, электротехника и энергетика XII Междунар на>ч -техн конф студентов и аспирантов Тез докл В 3-х т Т 2 - М Изд-во МЭИ -2006 - С 433 - 444

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

7 Мозгалин А В Использование нейросетевого подхода для краткосрочного прогнозирования параметров электропотребления // Электрификация металлургических предприятий Сибири Вып13-М Технетика, 2007 -С 73-75

Подписано в печать к. зак. 99 Тир. №0 п.л.

Полиграфический центр МЭИ (ТУ) Красноказарменная ул., д. 13

ВВЕДЕНИЕ.

1. ЭЛЕКТРООБЕСПЕЧЕНИЕ КРУПНЫХ ПРЕДПРИЯТИЙ ЧЕРНОЙ МЕТАЛЛУРГИИ В УСЛОВИЯХ РЕСТРУКТУРИЗАЦИИ ЭЛЕКТРОЭНЕРГЕТИКИ.

1.1. Электрическое хозяйство металлургических предприятий как объект прогнозирования.

1.2. Параметры промышленного электропотребления и возникновение задачи их прогнозирования.

1.3. Современные методы прогнозирования и границы их применимости.

1.4. Цели и задачи исследования.

2. СОВРЕМЕННЫЙ МАТЕМАТИЧЕСКИЙ АППАРАТ КРАТКОСРОЧНОГО И ОПЕРАТИВНОГО ПРОГНОЗИРОВАНИЯ РАСХОДА ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ (МОЩНОСТИ).

2.1. Ценологические основы прогнозирования электропотребления предприятий.

2.2. Основы нейросетевого прогнозирования с применением обучения методом обратного распространения ошибки.

2.3. Методы построения нейросетевых моделей для целей краткосрочного прогнозирования электропотребления с учетом ценологичности объекта прогнозирования.

2.4. Особенности анализа временных рядов.

3. РАЗРАБОТКА МЕТОДИКИ РАБОТЫ НА ОСНОВЕ ПРЕДЛАГАЕМОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЕМ ПРЕДПРИЯТИЯ.

3.1. Формализация перечня исходных данных для почасового прогнозирования электропотребления на сутки вперед.

3.2. Анализ прогнозных данных и обоснование применимости выбранного метода прогнозирования.

3.3. Структура предлагаемой системы прогнозирования электропотребления металлургического предприятия.

3.4. Определение зависимости точности прогнозирования от параметров используемой модели.

4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРЕДСКАЗАНИЯ (ПРОГНОЗИРОВАНИЯ) И ОПЕРАТИВНОГО УПРАВЛЕНИЯ НАГРУЗКОЙ.

4.1. Выбор и адаптация программного пакета для целей прогнозирования с учетом выбранной методики.

4.2. Практическая реализация системы прогнозирования электропотребления промышленного предприятия.

4.3. Устойчивость и методы достижения требуемой точности почасового прогнозирования на сутки вперед.

4.4. Рекомендации по использованию адаптированных программных средств в условиях промышленного предприятия.

Актуальность работы. В последние годы в связи с производимыми реформами произошло многократное увеличение стоимости топливно-энергетических ресурсов (ТЭР). По данным Росстата [62] из всех естественных монополий лишь рост тарифов на электроэнергию превысил средний показатель по промышленности, при этом цены на электроэнергию в период с 1993 по 2004 г выросли в 677 раз. Для крупных металлургических предприятий до 11% в себестоимости продукции составляет электрическая энергия [34]. Под давлением рынка потребители (промышленные предприятия) начинают осознавать, что им необходимо минимизировать затраты на электроэнергию.

С 2001 г. происходит реформирование электроэнергетики [54], сопровождающееся изменениями правил заказа электрической энергии. В 2003 г. с принятием законов [66, 67] был образован оптовый рынок электрической энергии и начали работать сектора свободной торговли оптового рынка электроэнергии в Европейской части России и Урала. В 2005 г. к торговой системе оптового рынка присоединились участники Сибирской ценовой зоны. С 1 сентября 2006 г. начал работу новый оптовый рынок энергии и мощности (ОРЭ) с измененными правилами работы. При этом участники, потребление которых Федеральной службой по тарифам России включено в сводный прогнозный баланс производства и поставок электрической энергии (мощности) на оптовом рынке, и для которых установлены соответствующие тарифы (покупатели в бывшем регулируемом секторе, а также новые участники оптового рынка, включаемые в пилотные проекты по заключению долгосрочных регулируемых договоров), покупают весь объем своего потребления на ОРЭ.

Для крупных промышленных предприятий одним из основных путей для снижения затрат на покупку электрической энергии в ситуации реформирования электроэнергетики является выход на ОРЭ. Это позволяет значительно снизить стоимость потребленной энергии, так как стоимость электроэнергии, получаемой промышленным предприятием с ОРЭ, будет существенно ниже стоимости электроэнергии, получаемой от гарантирующего поставщика (региональной энергосистемы).

Однако данный путь снижения затрат на электрическую энергию требует от предприятия выполнения условий, необходимых для доступа и полноценной работы на ОРЭ. Для большинства предприятий с многономенклатурным производством основным ограничением является проблема прогнозирования потребления электрической энергии по часам на сутки вперед. Очевидно, что составление грамотных почасовых заявок будет невозможным без использования методик прогнозирования, отражающих внутренние свойства предприятия, как объекта прогнозирования.

Вследствие этого прогнозирование потребления электрической энергии в настоящее время является одной из основных областей исследования в области электроснабжения промышленных предприятий.

Тема прогнозирования электрической нагрузки не нова. Первые публикации по методам прогнозирования электрической нагрузки появились на рубеже десятых-двадцатых годов прошлого века [4]. В настоящее время предъявляются все более высокие требования к показателям качества прогнозных расчетов (точности, достоверности, информативности, степени автоматизации, быстродействию и т.п.) [42], диктуемые требованиями изменяющихся рыночных условий. Однако большинство публикаций в этой области касается не предприятий, а энергосистемы, что не позволяет использовать напрямую, в силу различия свойств объектов прогнозирования, эти методы на промышленных предприятиях. После реформирования электроэнергетики стало уже невозможно использовать старые методы, хорошо работавшие в стабильной экономической ситуации. В настоящее время происходит увеличение влияния на выпуск продукции высшего менеджмента предприятия, что делает потребление еще более неравномерным. Кроме того, долгое время преобладал подход, утверждавший, что потребление электрической энергии предприятием следует не прогнозировать, а планировать, что приводило к недооценке необходимости прогнозирования потребления энергии промышленными предприятиями, неизменно отличающегося от плановых показателей.

Однако реформирование электроэнергетики привело к изменению правил расчета с поставщиком электрической энергии, что потребовало изменения целей и задач прогнозирования. Выход на оптовый рынок электрической энергии предполагает для каждого предприятия, являющегося участником ОРЭ в регулируемом секторе и секторе свободной торговли, составление планового диспетчерского графика объемов почасового потребления на каждые сутки и подачу администратору торговой системы (АТС) ежедневных почасовых заявок «на сутки вперед». При этом отклонение от заявленного почасового потребления может приводить к существенному увеличению цены на электроэнергию, т.к. объемы электроэнергии, равные разнице заказанной на рынке на сутки вперед и фактически потребленной, оплачиваются по ценам балансирующего рынка (БР), что ужесточает требования к точности прогнозирования нагрузок. В случае подачи ошибочных заявок все выгоды от участия в ОРЭ могут быть утрачены, т.к. складывающаяся на БР цена электроэнергии в большинстве случаев значительно превышает цены на РСВ.

Диссертационная работа посвящена разработке методов прогнозирования электропотребления крупных промышленных предприятий с учетом новых ограничений, накладываемых рыночными отношениями в сфере электроэнергетики. Изучено влияние погодных параметров на фактическое электропотребление комбината в целом, а также обоснована возможность ценологической коррекции прогнозов электропотребления, получаемых нейросетевыми методами.

Целью диссертационной работы является разработка методики, позволяющей производить почасовое прогнозирование электропотребления крупного металлургического предприятия для каждого часа операционных суток при закупке электроэнергии на оптовом рынке электроэнергии с учетом временного технологического ряда электропотребления.

В соответствии с целью решен ряд поставленных задач:

1) создана информационная база ретроспективных данных по электропотреблению крупных металлургических предприятий и значениям температуры окружающего воздуха с учетом типа дня и номера рассматриваемого временного интервала в сутках;

2) проведен анализ степени влияния погодных условий и типа дня на точность прогнозирования потребления электрической энергии;

3) выбран и адаптирован прогностический аппарат для обеспечения необходимой точности и устойчивости прогноза;

4) произведен анализ потребления электрической энергии с привлечением методов математической статистики, нейросетевого моделирования и общей ценологии с построением математических моделей потребления в зависимости от влияющих факторов;

5) определена степень репрезентативности данных, традиционно применяемых для прогнозирования электропотребления, и доказана несостоятельность прогнозирования на их основе;

6) доказана возможность увеличения точности прогноза электропотребления предприятия при введении плановых значений загрузки цехов с учетом ценологичности предприятия;

7) даны рекомендации по внедрению методики прогнозирования электропотребления на крупных металлургических предприятиях.

Методы исследования определялись поставленными задачами. Для их решения использовались вероятностно-статистические методы анализа, ценологические и нейросетевые методы прогнозирования. Теоретические исследования сопровождались разработкой математических моделей, реализованных в виде программных средств. При выполнении работы использованы научные труды российских и зарубежных специалистов, материалы научно-технических конференций и семинаров.

Обоснованность и достоверность научных положений, выводов и рекомендаций обеспечивается математической постановкой задачи, анализом накопленных статистических данных, хорошей сходимостью теоретических расчетов с эмпирическими данными, а также корректным использованием методов исследования.

Научная новизна работы заключается в следующем:

1. Формализованы исходные данные, необходимые для прогнозирования часовых объемов электропотребления крупного промышленного предприятия с учетом возможности их сбора в условиях реально работающего производства, определена необходимая степень их полноты и точности.

2. Разработана методика исследования электропотребления предприятия с использованием нейросетевого моделирования для цели краткосрочного прогнозирования электропотребления.

3. Обосновано применение нейросетевых методов для прогнозирования почасового потребления электрической энергии, а также необходимость их коррекции для обеспечения более высокой точности прогнозирования.

4. Обоснована необходимость применения для прогнозирования электропотребления металлургических предприятий плановых значений загрузки основных цехов, выбираемых с учетом ценологических свойств предприятия в целом.

5. Разработаны методы прогноза электропотребления на базе выделенных влияющих параметров.

6. Адаптированы программные продукты, предназначенные для прогнозирования электропотребления в условиях действующего предприятия с требуемым набором характеристик.

Практическая ценность работы заключается в создании программного комплекса прогнозирования электропотребления металлургических заводов для целей выхода предприятия на оптовый рынок электрической энергии. Разработанные методы позволяют определять перспективные объемы электропотребления предприятия для заключения договоров с энергоснабжающей организацией, повышения эффективности использования энергоресурсов и экономии средств предприятия. Защищаемые положения позволяют проводить прогнозирование электропотребления крупного металлургического предприятия, а также оценить наиболее привлекательный для предприятия сектор рынка. Разработанные принципы прогнозирования могут использоваться для различных металлургических предприятий.

Реализация работы. Результаты диссертационной работы использованы для прогнозирования электропотребления Нижнетагильского металлургического комбината и Западно-Сибирского металлургического комбината.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Международной научно-технической конференции «Электроэнергия и будущее цивилизации» (г. Томск, 19-21 мая 2004 г.), XII Федеральной научно-технической конференции «Электрификация металлургических предприятий Сибири, прогнозирование параметров электропотребления и нормирования, реорганизация электроснабжения и ремонта» (г. Новокузнецк, 6-7 октября 2004 г.), XII Международной научно-технической конференции студентов и аспирантов «Радиоэлектроника электротехника и энергетика» (г. Москва, 2-3 марта 2006 г.), на научных семинарах кафедры «Электроснабжение промышленных предприятий» ИЭТ МЭИ (ТУ) в 2004-2007 гг.

Публикации. По теме диссертации опубликовано семь печатных работ [18,22,39, 45,46,47, 48].

Структура и объем работы. Диссертационная работа изложена на 133 страницах машинописного текста, содержит 34 рисунка и 3 таблицы. Работа состоит из введения, четырех глав, заключения и 4 приложений. Библиографический список использованной литературы включает 106 наименования работ отечественных и зарубежных авторов.

Основные результаты работы заключаются в следующих положениях:

1. Выделена группа методов прогнозирования, способная обеспечить необходимую точность прогнозов часовых значений электропотребления при прогнозировании на 48 часов вперед с учетом свойств металлургического комбината как объекта прогнозирования.

2. Обоснован состав исходных данных, требуемых для обеспечения устойчивого прогнозирования.

3. Разработана и обоснована методика, позволяющая добиться невыхода предприятия по потребляемой мощности за заявленные значения часовых объемов электропотребления с применением краткосрочного и оперативного прогнозирования при введении коррекции в технологический процесс на выделенных по ценологическому принципу цехах предприятия.

4. Обоснована величина требуемой погрешности краткосрочных прогнозов при использовании предложенного совместного использования краткосрочного и скользящего оперативного прогнозирования.

5. Разработана методика краткосрочного прогнозирования электропотребления предприятия с использованием нейросетевого моделирования.

6. Разработан комплекс алгоритмов и программных продуктов, предназначенный для прогнозирования электропотребления в условиях действующего предприятия.

ЗАКЛЮЧЕНИЕ

1. Авдеев В.А. Основы проектирования металлургических заводов. Монографическое издание / В.А. Авдеев, В.М. Друян, Б.И. Кудрин. М.: Интермет Инжиниринг, 2002. - 464 с.

2. Арнольд В.И. О представлении непрерывных функций нескольких переменных в виде суперпозиции функций меньшего числа переменных / В.И. Арнольд//Мат. просвещение. 1957. -№19. -С.41 -61.

3. Бокс Дж. Анализ временных рядов. Прогноз и управление. В 2 томах / Дж. Бокс, Г. Дженкинс. М.: Мир, 1974. - 608 с.

4. Бэнн Д.В. Сравнительные модели прогнозирования электрической нагрузки.: Пер. с англ. / Д.В. Бэнн., Е.Д. Фармер. М.: Энергоатомиздат, 1987.- 200 с.

5. Ван Дер Варден Б.Л. Математическая статистика / Б.Л. Ван Дер Варден. Пер. с немецкого Болыиева Л.Н., под ред. Смирнова В. Н. Издательство иностранной литературы, М.: 1960.-435 с.

6. Винер Н. Кибернетика, или управление и связь в животном и машине. 2-е издание / Н. Винер. - М.: Наука; Главная редакция изданий для зарубежных стран, 1983.-344 с.

7. Волобринский С.Д. Электрические нагрузки промышленных предприятий / С.Д. Волобринский, Г.М. Каялов, П.Н. Клейн и др.. Л.: Энергия, 1971. -264 с.

8. Гнатюк В.И. Оптимальное построение техноценозов. Теория и практика/ В.И. Гнатюк Выпуск 9. Ценологические исследования. - М.: Центр системных исследований, 1999.-272 с.

9. Горбань А.Н. Миркес Е.М. Логически прозрачные нейронные сети для производства знаний из данных / ВИНИТИ Красноярск, 1997. - 12 с. деп. в ВИНИТИ 17.07.97; № 2434-В97.

10. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей / А.Н. Горбань // Сибирский журнал вычислительной математики. РАН. Сиб. Отд. Новосибирск, 1998. -т. 1, № 1,-С. 11-24.

11. Горбань А.Н. Обучение нейронных сетей. М.: изд. СССР-США СП "ParaGraph", 1990.- 160 с.

12. Горбань А.Н. Функции многих переменных и нейронные сети / А. Н. Горбань // Соросовский образовательный журнал. №12. - 1998. - С. 105 -112.

13. Горбань, А.Н. Информационная емкость тензорных сетей. 4 Всероссийский рабочий семинар "Нейроинформатика и ее приложения", 5 -7 октября 1996 г., Тезисы докладов / А. Н. Горбань, Е. М. Миркес. -Красноярск: изд. КГТУ, 1996, С. 22-23.

14. Городилин Д. Ю. Методы анализа и прогнозирования в системе управления субъектом экономики / Д. Ю. Городилин. Режим доступа: http://www.seun.ru/oldsea/Win/Joumal/j2003lr/Ekonomy/Gorodilin2.doc. -свободный. - Загл. с экрана.

15. Дьяконов В.П. MATLAB 6.5 SP1/7 + Simulink 5/6Т. Основы применения / В.П. Дьяконов М.: Изд-во "СОЛОН-Пресс", 2005. - 800 с.

16. Дьяконов В.П. Математические пакеты расширения MATLAB. Специальный справочник / В.П. Дьяконов, В.В. Круглов СПб.: Питер, 2001. -480 е.: ил.

17. Ежов А.А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия "Учебники экономико-аналитического института МИФИ" под ред. проф. В.В. Харитонова) / А.А. Ежов, С.А. Шумский. М.: МИФИ, 1998. -222 с.

18. Заде JT.А. Основы нового подхода к анализу сложных систем и процессов принятия решений. В кн. «Математика сегодня» / Л.А. Заде. М.: Знание, 1974.-С.5-49.

19. Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений: Пер. с англ. Математики. Вып. 3 / Л.А. Заде. -М.: Мир, 1976.- 168 с.

20. Исаев А.С., Мозгалин А.В. Использование баз данных при эксплуатации СЭС / А.С. Исаев, А.В. Мозгалин // Труды НИ РХТУ им. Д.И. Менделеева. Вып. №2 (9) Новомосковск: Изд-во НИ РХТУ, 2004. -С. 86- 90.

21. Катайцева Е.С. Исследование и совершенствование режимов электропотребления металлургических производств (на примере предприятий Южного Кузбасса): дис. канд. техн. наук.: 05.09.03 / Катайцева Елена Степановна. Новокузнецк., 2002. - 165 с.

22. Кендалл М.Дж. Временные ряды / М. Дж. Кендалл. М.: Финансы и статистика, 1981, 199 с.

23. Кендалл М.Дж. Многомерный статистический анализ и временные ряды / М. Дж. Кендалл, М. Стьюарт М.: Наука, 1976.

24. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного / А.Н. Колмогоров // Докл. АН СССР. 1957. - T.l 11. -№5. - С. 953-966.

25. Копцев Л.А. Нормирование и прогнозирование электропотребления в зависимости от объемов производства / Л.А. Копцев // Промышленная энергетика. 1996. -№ 3. - С. 5 - 17.

26. Крисилов В.А. Представлние исходных данных в задачах нейросетевого прогнозирования / В.А. Крисилов, К.В. Чумичкин; А.В. Кондратюк // Нейроинформатика-2003. Часть 1. -С. 184- 191.

27. Круглов В.В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. 2-е изд., стереотип. - М.: Горячая линия - Телеком, 2002.-382 с.

28. Круглов В.В. Нечеткая логика и искусственные нейронные сети / В.В. Круглов, М.И. Дли, Р.Ю Голунов. М.: Физматлит, 2001. - 224 с.

29. Кудрин Б.И Ценологическое определение параметров электропотребления многономенклатурных производств / Б.И. Кудрин, Б.В. Жилин, О.Е. Лагуткин, М.Г. Ошурков. Тула: Приокское книжное изд-во, 1994.- 122 с.

30. Кудрин Б.И. Введение в технетику / Б.И. Кудрин Томск: Изд-во Томск, гос. ун-та, 1991.-384 с.

31. Кудрин Б.И. Реструктуризация черной металлургии и план ГОЭЛРО / Б.И. Кудрин // Промышленная энергетика. 2000. - № 12. - С. 8 - 15.

32. Кудрин Б.И. Электроснабжение промышленных предприятий / Б.И. Кудрин. М: Энергоатомиздат, 1995. - 416 с.

33. Кудрин Б.И. Электроснабжение промышленных предприятий: Учебник для студентов высших учебных заведений / Б.И. Кудрин. М: Интермет Инжиниринг, 2005. - 672 с.

34. Кудрин Б.И. Электроэнергетика черной металлургии (передовая статья) / Б.И. Кудрин // Сталь, 1979, № 10. С. 730-734.

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

36. Лагуткин О.Е., Мозгалин А.В. Анализ временного ряда Тулачермет / О.Е. Лагуткин, А.В. Мозгалин // Пятая науч.-техн. конф. молодых ученых, аспирантов и студентов: Тез. докл. Новомосковск: Изд-во НИ РХТУ. -2003.-С. 51-52.

37. Малинецкий Г.Г. Современные проблемы нелинейной динамики. Изд. 2-е, исправл. и доп. / Г.Г. Малинецкий, А.Б. Потапов. М.: Едиториал УРСС, 2002.-360 с.

38. Манов Н.А. Информационные технологии и совершенствование оперативного управления региональными ЭЭС / Н.А Манов, М.В. Хохлов, Г.П. Шумилова, М.И. Успенский, Ю.Я. Чукреев, И.В. Кызродев // Екатеринбург: УрО РАН, 2002. С. 6 - 42.

39. Манов Н.А. Новые информационные технологии в задачах оперативного управления электроэнергетическими системами / Н.А. Манов, Ю.Я. Чукреев, М.И. Успенский и др. Екатеринбург: УрО РАН, 2002. - С. 127-156.

40. Меламед М.А. Современные методы анализа и прогнозирования режимов электропотребления в электроэнергетических системах / М.А. Меламед // Итоги науки и техники. Серия Энергетические системы и их автоматизация. 1988,. Т.4. С.4-111.

41. Миркес Е.М. Нейроинформатика: Учеб. пособие для студентов / Е.М. Миркес. Красноярск: ИПЦ КГТУ, 2002, 347 с.

42. Мозгалин А.В. Использование нейросетевого подхода для краткосрочного прогнозирования параметров электропотребления // Электрификация металлургических предприятий Сибири. Вып. 13 М: Технетика, 2007. - С. 73 - 75.

43. Мозгалин А.В. Место нейросетевых методов в прогнозировании электропотребления промышленных предприятий / А.В. Мозгалин, С.В.

44. Жичкин // Электрификация металлургических предприятий Сибири. Вып. 12- Томск: Изд-во Том. ун-та, 2005. С. 115-118.

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

46. Нейрокомпьютер. Проект стандарта / Е.М. Миркес Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. - 188 с.

47. Никифоров Г.В. Энергосбережение и управление энергопотреблением в металлургическом производстве / Г. В. Никифоров, В. К. Олейников, Б. И. Заславец. М.: Энергоатомиздат, 2003. - 479 с.

48. Носко В.П. Эконометрика. Введение в регрессионный анализ временных рядов / В.П. Носко. М: 2002. - Режим доступа: www.iet.ru/mipt/2/text/curseconometrics.htm. - свободный. - Загл. с экрана.

49. Орлов А.И. Прикладная статистика. Учебник. / А.И.Орлов. М.: Издательство «Экзамен», 2004. - 656 с.

50. Осовский С. Нейронные сети для обработки информации.: Пер. с польского И. Д. Рудинского / С. Осовский. М.: Финансы и статистика, 2004. -344 с.

51. Правительство Российской Федерации. Постановление от 11 июля 2001 г. N 526 "О реформировании электроэнергетики Российской Федерации"

52. Производственный календарь. Режим доступа: http://www.garant.ru/financier/buhpravo.htm. свободный. - Заглавие с экрана.- Язык русский.

53. Рабочая книга по прогнозированию / Редкол.: И.В. Бестужев-Лада (отв. ред.). М.: Мысль, 1982. - 430 с.

54. Розенблатт Ф. Принципы нейродинамики (Перцептроны и теория механизмов мозга) / Ф. Розенблатт. М.: Энергия, 1965. - 480 с.

55. Сенашова М.Ю. Погрешности в нейронных сетях / М.Ю. Сенашова, А.Н.Горбань, В.Л.Дунин-Барковский, А.Н.Кирдин, Е.М.Миркес и др.// Нейроинформатика. Новосибирск: Наука. - 1998.

56. Сервер "Погода России" Архив погоды. Режим доступа: http://meteo. infospace. ru/wcarch/html/rseladmin. sht?country=176. -свободный. - Заглавие с экрана. - Язык русский.

57. Статистика: учебное пособие / Л. П. Харченко, В. Г Долженкова, В. Г. Ионин и др.; под ред. канд. экон. наук В. Г. Ионина. Изд. 2-е, перераб. и доп. - М.: ИНФРА-М, 2002. - 384 с.

58. Темпы роста цен на продукцию основных отраслей экономики в 1994 -2004 гг. Промышленный еженедельник. -2005. -№11(107)

59. Теория статистики: Учебник / Под ред. проф. Г.Л. Громыко. 2-е изд., перераб. и доп. - М: ИНФРА-М, 2006. - 476с. - (Классический университетский учебник).

60. Тюрин Ю.Н. Анализ данных на компьютере / Ю.Н. Тюрин, А.А. Макаров; Под ред. В.Э. Фигурнова. 3-е изд., перераб. и доп. - М.: ИНФРА-М, 2003. -544 е., ил.

61. Уоссерман Ф. Нейрокомпыотерная техника: теория и практика / Ф. Уоссерман. М.: Мир, 1992.

62. Федеральный закон «Об электроэнергетике»: Официальный текст. М.: «НЦ ЭНАС», 2003.-64 с.

63. Фуфаев В.В. Ценологическое влияние на электропотребление предприятия. Вып. 10. "Ценологические исследования" / В.В. Фуфаев. -Абакан: Центр системных исследований, 1999. 124 с.

64. Фуфаев В.В. Основы теории динамики структуры техноценозов / В.В. Фуфаев // Математическое описание ценозов и закономерности технетики. Вып. 1. Ценологические исследования. Абакан: Центр системных исследований, 1996.-С. 156-193.

65. Фуфаев В.В., Лагуткин О.Е., Матюнина Ю.В. Прогнозирование электропотребления и оценка энергосбережения по критериям Н-распределения // Промышленная энергетика. 1996. - № 9. - С. 28 - 32.

66. Хабаров С.П. Экспертные системы. Конспект лекций. Режим доступа: http://firm.trade.spb.ru/serp/maines.htm. свободный. - Заглавие с экрана. -Язык русский.

67. Хайкин С. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. / С. Хайкин. М.: Издательский дом «Вильяме», 2006. - 1104 е.: ил. - Парал. тит. англ.

68. Царегородцев В.Г. Оптимизация предобработки данных для обучаемой нейросети. Критерии оптимальности предобработки / В.Г. Царегородцев // Материалы Международной конференции по нейрокибернетике Ростов-на-Дону, Т 2. С. 64 - 66.

69. Янюшкин М.В. Организация краткосрочного прогнозирования параметров электропотребления крупного промышленного предприятия: дис. канд. техн. наук.: 05.09.03: защищена 23.05.03: утв. 15.07.04 / Янюшкин Максим Владимирович. М., 2004. - 136 с.

70. Ярушкина Н.Г Нечеткие нейронные сети / Н.Г. Ярушкина // Новости искусственного интеллекта. № 2 - 3 01. - М.: МЭИ (ТУ), кафедра прикладной информатики, 2001.-С. 47-51.

71. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. М.: Финансы и статистика, 2004. - 320 с.

72. Charytoniuk W. Nonparametric Regression Based Short-Term Load Forecasting / W. Charytoniuk, M.S. Chen, and P. Van Olinda // IEEE Transactions on Power Systems, Vol. 13, 1998. Pp. 725 - 730.

73. Cho M.Y. Customer Short-Term Load Forecasting by using ARIMA Transfer Function Model / M.Y. Cho, J.C. Hwang, and C.S. Chen // Proceedings of the International Conference on Energy Management and Power Delivery, Vol. 1, 1995.-Pp. 317-322.

74. Elman J.L. Finding structure in time / Elman J.L. Cognitive Sci. 14, 1990. -Pp. 179-211.

75. Engle R.F. Modeling Peak Electricity Demand / R.F. Engle, С Mustafa, and J. Rice// Journal of Forecasting, 11, 1992.-Pp. 241-251.

76. Fan J.Y. A Real-Time Implementation of Short-Term Load Forecasting for Distribution Power Systems / J.Y. Fan and J.D. McDonald // IEEE Transactions on Power Systems, Vol. 9, 1994. Pp. 988 - 994.

77. Gross G. Short term load forecasting / Gross G. and Galiana F.D. // Proc. IEEE, Vol.75, №12, 1987.-Pp. 1558-1573.

78. Hagiwara M. Theoretical derivation of momentum term in back-propagation / M. Hagiwara // International Joint Conference of Neural Networks vol. 1. -Baltimore, 1992. Pp. 682 - 686.

79. Haida T. Regression Based Peak Load Forecasting using a Transformation Technique / T. Haida and S. Muto // IEEE Transactions on Power Systems, Vol. 9, 1994.-Pp. 1788-1794.

80. Haykin S. Neural networks, a comprehensive foundation / S. Haykin. N.Y.: Macmillan College Pablishing Company, 1994.

81. Ho K.L. Short-Term Load Forecasting of Taiwan Power System using a Knowledge Based Expert System / K.L. Ho, Y.Y. Hsu, F.F. Chen, Т.Е. Lee, C.C. Liang, T.S. Lai, and K.K. Chen // IEEE Transactions on Power Systems, Vol. 5, 1990.-Pp. 1214-1221.

82. Hyde O. An Adaptable Automated Procedure for Short-Term Electricity Load Forecasting / O. Hyde and P.F. Hodnett // IEEE Transactions on Power Systems, Vol. 12, 1997-Pp. 84-93.

83. Koskela T. Time Series Prediction with Multilayer Perceptron, FIR and Elman Neural Networks / M. Lehtokangas, J. Saarinen and K. Kaski // Proc. of the World Congress on Neural Networks, 1996. INNS Press, San Diego, USA, Pp. 491— 496.

84. Kosko B. Fuzzy systems as universal approximators / B. Kosko // IEEE Transactions on Computers, vol. 43, No. 11, November 1994. Pp. 1329-1333.

85. Li L. A Fuzzy Elman Neural Network / Ling Li, Zhidong Deng, and Bo Zhang. Режим доступа: http://citeseer.ist.psu.edu/479449.html. свободный. - Заглавие с экрана. - Язык английский.

86. Lilliefors H.W. On the Kolmogorov-Smirnov test for normality with mean and variance unknown / H.W. Lilliefors // Journal of the American Statistical Association. 1967. - Vol.64. - Pp. 399 - 402.

87. Mc Culloch W.S. A logical calculus the ideas imminent in nervous activity / W.S. Mc Culloch, W. Pitts // Bull. Mathematical Biophysics. 1943. - Vol.5. -Pp.115-133.

88. Miranda V. Fuzzy Inference in Spatial Load Fore-casting / V. Miranda and C. Monteiro Proceedings of IEEE Power Engineering Winter Meeting, 2:1063-1068, 2000.

89. Osowski S. Sieci neuronowe w ujeciu algorytmicznym / S. Osowski. -Warszawa: WNT, 1996.

90. Peng M. Advancement in the Application of Neural Networks for Short-Term Load Forecasting / M. Peng, N.F. Hubele, and G.G. Karady // IEEE Transactions on Power Systems, Vol. 7. 1992. - Pp. 250-257.

91. Rahman S. An Expert System Based Algorithm For Short Term Load Forecast / S. Rahman and R. Bhatnagar // IEEE Transactions on Power Systems, Vol. 3, No. 2, May 1988.-Pp. 392-399.

92. Rahman S. Load Forecasting for Multiple Sites: Development of an Expert System Based Technique / S. Rahman and O. Hazim // Electric Power Systems Research, Vol. 39,1996. Pp. 161 - 169.

93. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review. 1958. - Vol.65. -Pp. 386 -408.

94. Rumelhart D.E. Learning Internal Representation by Error Propagation / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Parallel Distributed Processing: Exploration in Microstructure of Cognition. V.l Cambridge (MA) MIT Press, 1986. - Pp. 318-362.

95. Ruzic S. Weather Sensitive Method for Short-Term Load Forecasting in Electric Power Utility of Serbia / S. Ruzic, A. Vuckovic, and N. Nikolic // IEEE Transactions on Power Systems, 18, 2003. Pp. 1581 - 1586

96. Skarman S.E. Short-Term Electrical Load Forecasting using a Fuzzy ARTMAP Neural Network / S.E. Skarman S.E. and M. Georgiopoulous M. // Applications and Science of Computational Intelligence, Proc. SPIE Vol. 3390, 1998, pp. 181-191.

97. Takens F. Detecting strange attractors in turbulence / F. Takens // Lect. Notes in Math. Berlin: Springer. Vol. 898, 1981. - Pp. 336-381.

98. Wang D.L. On temporal generalization of simple recurrent networks / D.L. Wang, X.M. Liu and S.C. Ahalt // Neural Networks 9, 1996. Pp. 1099-1118.

99. Zadeh L.A. Fuzzy Sets / L.A. Zadeh // Information and Control, № 8, 1965. -Pp. 338-353.