автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Исследование методов трансформации, анализа и прогнозирования технологической информации, собираемой информационными системами тепловых электрических станций

На правах рукописи

СОЛОМАХА Илья Викторович

ИССЛЕДОВАНИЕ МЕТОДОВ ТРАНСФОРМАЦИИ, АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ТЕХНОЛОГИЧЕСКОЙ ИНФОРМАЦИИ, СОБИРАЕМОЙ ИНФОРМАЦИОННЫМИ СИСТЕМАМИ ТЕПЛОВЫХ ЭЛЕКТРИЧЕСКИХ СТАНЦИЙ

Специальность 05.13.01 - Системный анализ, управление и обработка информации

Автореферат диссертации на соискание ученой степени кандидата технических наук

2 8 ОНТ

004611965

На правах рукописи

СОЛОМАХА Илья Викторович

ИССЛЕДОВАНИЕ МЕТОДОВ ТРАНСФОРМАЦИИ, АНАЛИЗА И ПРОГНОЗИРОВАНИЯ ТЕХНОЛОГИЧЕСКОЙ ИНФОРМАЦИИ, СОБИРАЕМОЙ ИНФОРМАЦИОННЫМИ СИСТЕМАМИ ТЕПЛОВЫХ ЭЛЕКТРИЧЕСКИХ СТАНЦИЙ

Специальность 05.13.01 - Системный анализ, управление и обработка информации

Автореферат диссертации на соискание ученой степени кандидата технических наук

Работа выполнена на кафедре «Автоматика и информационные технологии» ФГАОУ ВПО «Уральский федеральный университет имени первого Президента России Б.Н. Ельцина».

Научный руководитель: доктор тех. наук, профессор

ПОРШНЕВ Сергей Владимирович

Официальные оппоненты: доктор тех. наук, профессор

ФИОНОВ Андрей Николаевич

кандидат тех. наук, доцент МОШКИН Борис Николаевич

Ведущая организация: Федеральное государственное унитарное

предприятие «Научно-производственное объединение автоматики имени академика Н.А. Семихатова»

Защита состоится 03 ноября 2010г. в 15 часов на заседании Диссертационного совета Д 219.005.03 при ГОУ ВПО «Сибирский государственный университет телекоммуникаций и информатики» по адресу: 630102, г. Новосибирск, ул. Кирова, д. 86, ауд. 625.

С диссертацией можно ознакомиться в библиотеке ГОУ ВПО «СибГУТИ». Автореферат разослан ЗО сентября 2010 г.

Ученый секретарь

диссертационного совета Д 219.005.03

кандидат технических наук доцент

Иван Александрович Бунцев

Общая характеристика работы

Актуальность темы

В современных условиях создание и внедрение на различных промышленных предприятиях информационных систем (ИС), осуществляющих сбор и хранение технологической и экономической информации, в том числе и в реальном режиме времени, не встречает сегодня принципиальных сложностей. Действительно, сегодня на рынке широко представлены информационные датчики, контроллеры, стандартные программные средства для разработки систем сбора информации. В тоже время уровень используемых методов анализа собранных данных и форм представления полученных результатов, как показывает анализ опыта эксплуатации ИС в различных отраслях промышленности, оказывается существенно ниже уровня технических средств разработки. Как следствие, КПД использования собираемой информации оказывается значительно ниже, чем ожидается на этапе разработки проекта ИС. Во многом это обусловлено изначальной установкой заказчика системы на сбор максимально возможного количества информации, которая на этапе эксплуатации оборачивается закономерным вопросом: «Что делать с собираемой информацией, объем которой непрерывно увеличивается, и как ее использовать?» Возможный выход из данной ситуации состоит в оснащении ИС соответствующим инструментарием компьютерного анализа и интерпретации данных, для обоснования выбора которого необходимы целенаправленные исследования особенностей информации, собираемой конкретной системой.

Отмеченные выше проблемы в полной мере относятся и к предприятиям электроэнергетической отрасли, в которой в настоящее время активно внедряются различные ИС, использование которых, как ожидается, позволит увеличить конкуренцию на рынке производства электроэнергии, обеспечить прозрачность и оптимальность принимаемых решений, влияющих на доходы и расходы участников рынка, а также снизить затраты, связанные с незапланированным выходом из строя оборудования электростанций.

В этих условиях весьма актуальными оказываются проблемы трансформации, анализа, визуализации, интерпретации и прогнозирования технологической информации (ТИ), собираемой ИС электроэнергетической отрасли - множества значений большого числа (от нескольких десятков до нескольких тысяч) технологических показателей (ТП), измеряемых в заданные моменты времени. Их сложность во многом обусловлена необходимостью обработки больших объемов ТИ, необходимостью использования для представления и анализа ТИ пространств большой размерности, а также неоднородностью ТИ, обусловленной одновременным использованием при регистрации информации нескольких временных масштабов (данные, измеряемые в реальном времени, данные, усредненные на некотором временном интервале и т.д.).

Для решения перечисленных выше проблем необходим анализ особенностей ТИ, выбор с учетом особенностей ТИ методов обработки, анализа и прогнозирования временных рядов, содержащих значения ТП, а также выполнять их прогнозирование.

Перечисленные выше обстоятельства определяют актуальность темы исследования.

Цель диссертационного исследования

Цель работы - совершенствование методов трансформации, анализа и прогнозирования ТИ, собираемой ИС ТЭС, на основе компьютерных методов обработки информации.

Задачи исследования

1. Анализ современного состояния систем сбора и методов анализа ТИ, используемых в электроэнергетической отрасли.

2. Анализ особенностей базы данных ТП Сургутской ГРЭС-1 в период с 2000 по 2007 гг.

3. Исследование метода уменьшения размерности пространства ТИ и математических моделей, описывающих взаимосвязи между ТП, в пространстве меньшей размерности.

4. Исследование методов анализа и прогнозирования временных рядов, содержащих значения ТП ТЭС.

Положения, выносимые на защиту

1. Результаты анализа базы данных ТП Сургутской ГРЭС-1, собранных в период с 2000 по 2007 гг., которые позволили обосновать выбор массива ТП ТЭС, использованного в дальнейших исследованиях.

2. Результаты факторного анализа ТП, подтверждающие возможность редукции 46-мерного пространства ТП к 4-мерному факторному пространству.

3. Результаты сравнительного анализа качества линейных и нелинейных математических моделей, построенных на основе метода группового учета аргумента (МГУА), свидетельствующие о более высоком качестве аппроксимации изучаемых зависимостей последними моделями, и, следовательно, целесообразности их использования при анализе связей между факторами.

4. Результаты исследования методов анализа и прогнозирования временных рядов, содержащих значения ТП, которые подтверждают целесообразность использования в рассматриваемой задаче метода SSA (Singular Spectrum Analysis).

5. Алгоритмы, позволяющие автоматизировать выбор внутренних параметров метода SSA в задаче прогнозирования временных рядов, содержащих значения ТП ТЭС, без дополнительных исследований структуры прогнозируемого временного ряда.

Научная новизна

1. На основе анализа ТП ТЭС выявлена возможность редукции 46-мерного признакового пространства ТП в 4-мерное факторное пространство, а также проведен сравнительный анализ качества линейных и нелинейных математических моделей, построенных на основе МГУА, для описания связей между ТП в пространстве меньшей размерности.

2. Обоснована целесообразность использования метода SSA для анализа временных рядов, содержащих среднемесячные значения ТП, который, в отличие от классических методов спектрального оценивания показывает лучший результат на нестационарных временных рядах малой длительности.

3. Обоснована целесообразность использования для прогнозирования временных рядов, содержащих значения ТП ТЭС, метода ББА, который в отличие от методов авторегрессии и проинтегрированного скользящего среднего (АРПСС) и экспоненциального сглаживания более точно учитывает локальные особенности изучаемых временных рядов.

4. Разработаны алгоритмы, позволяющие автоматизировать процедуру выбора параметров в задаче прогнозирования методом ББА временных рядов, содержащих значения ТП ТЭС без дополнительных исследований структуры прогнозируемого временного ряда.

Практическая ценность работы

1. Создана компьютерная программа, в которой реализовано построение линейных и нелинейных математических моделей, построенных на основе МГУ А, оценка доверительных интервалов, коэффициентов регрессии и анализ статистических свойств остатков математических моделей.

2. Создана компьютерная программа для прогнозирования, с помощью метода ББА, временных рядов ТП, в которой используются алгоритмы автоматизированного выбора параметров метода прогнозирования.

Достоверность результатов работы подтверждается использованием математического аппарата, соответствующего решаемой задаче (факторный анализ, метод БЗА), результатами анализа ТП, имеющими однозначную трактовку с технологической точки зрения, а также соответствием прогнозируемых и реальных значений ТП, собираемыми на Сургутской ГРЭС-1.

Внедрение результатов диссертационного исследования

Результаты диссертационного исследования используются на Сургутской ГРЭС-1 и Новосвердловской ТЭЦ при анализе среднемесячных ТП, а также в учебных курсах «Моделирование», «Методы и алгоритмы обработки сигналов в информационных системах», изучаемых бакалаврами и магистрами, обучающимися по направлению «Информатика и вычислительная техника».

Результаты диссертационного исследования были включены в инновационный проект, представленный на конкурсе, проводимом в 2008 году Фондом содействия развитию малых форм предприятий в научно-технической сфере. По результатам конкурса представленный проект стал победителем программы «Участник Молодежного Научно-Инновационного Конкурса» («УМНИК»).

Апробация работы

Материалы работы докладывались и обсуждались на следующих семинарах и научных конференциях:

1. Одиннадцатой Всероссийской студенческой научно-технической Интернет-конференции «Информатика и управление в технических системах», Екатеринбург, 09 января 2008 г.;

2. Международной научно-практической конференции «СВЯЗЬ-ПРОМЭКСПО 2008», Екатеринбург, 06-08 мая 2008 г.;

3. Седьмой Российской конференции с международным участием «Новые информационные технологии в исследовании сложных структур», Томск, 02-05 сентября 2008 г.;

4. Международной научно-практической конференции «СВЯЗЬ-ПРОМЭКСПО 2009», Екатеринбург, 17-19 марта 2009 г.

Публикации

По теме диссертации опубликовано 6 работ, в том числе две работы в изданиях, включенных в «Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертации на соискание ученой степени доктора и кандидата наук».

Структура и объем работы

Диссертационная работа состоит из введения, 4 глав, основных выводов и 4 приложений; содержит 207 страниц машинописного текста, 70 таблиц, 131 рисунков, библиографический список из 136 наименований.

Содержание работы

Во введении изложена общая характеристика диссертационной работы: показана ее актуальность, сформулирована цель работы, отражена научная новизна и практическая ценность.

В первой главе проведен анализ современного состояния информационных и информационно-управляющих систем, используемых в электроэнергетической отрасли, а также методов обработки ТП, собираемых данными системами.

Отмечено, что несмотря на активное внедрение на ТЭС ЕИР-систем, единый перечень ТП ТЭС, используемых для комплексного анализа текущего технического и экономического состояний электростанций, а также методик их расчетов, утвержденных на уровне Министерства топлива и энергетики РФ, до настоящего времени не разработан.

Проведен анализ нормативной документации, а также научных публикаций, посвященных методам обработки и анализа ТП ТЭС. Его результаты показали, что в подавляющем большинстве работ под термином «анализ ТП» понимается исключительно экономический анализ. Это было вполне оправдано более 20 лет назад, однако сегодня в результате внедрения ИС ТЭС, осуществляющих регистрацию в реальном режиме времени значений технологических параметров, их обработку и хранение в соответствующих базах данных (БД), с нашей точки зрения, круг методов, используемых для анализа ТП, безусловно, должен быть расширен за счет привлечения методов многомерного статистического анализа и методов анализа временных рядов.

Обоснован выбор источника технологической информации (Сургутская ГРЭС-1) и описана ее структура. Сформулированы основные задачи диссертационного исследования.

Во второй главе проведен анализ технологической информации, собранной по каждому из 16 энергоблоков, в период с 2000 по 2007 гг., хранящейся в БД ИС СГРЭС-1. Обоснован выбор для дальнейшего анализа среднемесячных значений ТП, которые в отличие средних значений, вычисленных на временных интервалах длительностью от 10 до 20 дней, содержатся в БД для каждого ТП. В связи с тем, что все энергоблоки станции одновременно не эксплуатировались, и продолжительность работы энергоблоков станции в рассматриваемый период

существенно различалась, проведено ранжирование энергоблоков по степени информативности технологических данных, хранящихся в БД, в котором были использованы следующие критерии:

1. «длительность простоя» £>:

¡=1

где /' - число различных групп пусков; к - количественная оценка группы (табл. 1); и, - количество простоев; г, - длительность простоев;

2. число часов работы за рассматриваемый период;

3. число часов работы с начала эксплуатации.

Наиболее информативными оказываются технологические данные энергоблоков, имеющих станционные номера № 4, 5, 6 и 7.

Табл. 1

№ группы пуска Тип пуска Время простоя, ч Количественная оценка

1 Количество плановых пусков Количество внеплановых пусков <10 <10 1

2 Количество плановых пусков Количество внеплановых пусков 10-20 10-20 2

3 Количество плановых пусков Количество внеплановых пусков 20-35 20-35 3

4 Количество плановых пусков Количество внеплановых пусков 35-60 35-60 5

5 Количество плановых пусков Количество внеплановых пусков >60 >60 7

Далее из рассмотрения были исключены ТП, значения которых хотя бы у одного из выбранных энергоблоков оставались постоянными (расход воды на подпитку теплосети у энергоблоков №№ 5-7; отпуск тепла внешним потребителям с паром второго отбора и невозврат конденсата от потребителя у энергоблока № 7). В итоге общее число ТП, использованных далее в факторном анализе, составило 46. Анализ значений каждого из ТП во временной области показал, что в БД в отдельные месяцы отсутствуют значения некоторых показателей. В этой связи для дальнейшего анализа были использованы значения ТП не всего периода с 2000 по 2007 г. а только значения за последние 68 месяцев, в течение которых в базе данных имелись значения по каждому из 46 ТП.

Далее выбранная информация была подвергнута факторному анализу [1], результаты которого показали, что для каждого из рассматриваемых энергоблоков существуют некоторые отличия в составе выделенных факторов:

1. Число выделенных факторов для выбранных энергоблоков оказывается различным: у энергоблока № 4 выделено 5 факторов; у энергоблока № 5-7 факторов; у энергоблока № 6-5 факторов; у энергоблока № 7-4 фактора.

2. Существуют отличия между составами каждого из выделенных факторов.

В этой связи был проведен сравнительный анализ состава выделенных факторов и уточнен их состав (табл. 2). В первый фактор вошли показатели, влияющие на выработку электроэнергии энергоблоком, а также показатели, имеющие с ними функциональную связь; во второй фактор - показатели, определяющие отпуск теплоты потребителям; в третий фактор - показатели, зависящие от температуры охлаждающей воды на входе в конденсатор, в четвертый фактор - показатели, зависимые от основного показателя - содержания кислорода в уходящих газах. Дана трактовка состава каждого из выделенных факторов с технологической точки зрения.

Табл. 2

Состав выделенных факторов

Фактор Код Наименование показателя

Фактор 1 ншшоо Расход электроэнергии на собственные нужды котла

^№801 Выработка пара котлом

КА100801 Выработка тепла котлом

КА100802 Выработка тепла котлом (уточненная)

РВ00РВ00 Расход топлива на котел

РВООРВ02 Расход топлива на отпуск электроэнергии, Вэ

1Ш00Р801 Расход воды на впрыск в промперегрев

Ш)1НЮ1 Расход питательной воды

8А00Е001 Выработка электроэнергии блоком

8А01В№)1 Расчетный расход топлива на выработку электроэнергии

8А30ЕШ02 Расход электроэнергии на собственные нужды турбины

8Р44Е001 Отпуск электроэнергии

ЦЕ20В002 Нормативный расход топлива на выработку электроэнергии

Фактор 2 РВ00РВ13 Удельный расход топлива на отпуск тепла (Ь'тэ)

8А02ВШ1 Расчетный расход топлива на выработку тепла

иЕ20ВР03 Нормативный расход топлива на выработку тепла

иР02С>801 Отпуск тепла из второго отбора сверх нужд регенерации

11Р1Ш801 Невозврат конденсата от потребителя

иР1Ю811 Отпуск тепла внешним потребителям с паром второго отбора

№220801 Отпуск тепла внешнему потребителю

иМООЕ8(Ю Расход электроэнергии на тепловую установку

иР220811 Отпуск тепла внешнему потребителю от БО

Фактор 3 Ж09(Ж03 Номинальный относит, расход тепла на собственные нужды котла

УС02Т001 Температура охлажденной воды на входе в конденсатор

Ш10Т801 Температура холодного воздуха на всасе дутьевого вентилятора

N1*111-001 Температура уходящих газов после дымососа

Ш00Т801 Температура воздуха перед регенеративным воздухоподогревателем

Фактор 4 №УЮР801 Содержание кислорода в уходящих газах

КВ01Р001 Давление пара холодного промперегрева

ЯВ04Р001 Давление пара горячего промперегрева

Ш)1Т001 Температура питательной воды факт, за ПВД

Для оценки надежности полученной факторной модели проведено исследование рядов остатков е - разностей между исходными значениями и соответствующими значениями, вычисленными с использованием линейной модели, на соответствие нормальному закону распределения. Полное число возможных со-

четаний переменных (число рассмотренных моделей) оставило 9360. Обобщенные результаты по каждому из выделенных факторов представлены в табл. 3.

Из табл. 3 видно, что, в целом, остатки 76% моделей имеют нормальный закон распределения, что, является, в известной мере, подтверждением, возможности описания связей между выделенными факторами линейных моделей. В тоже время необходимо отметить, что остатки более половины (59%) возможных моделей вида:

Фактор 2 = а0 + а, • Фактор 1 + а2 • Фактор 3 + аъ • Фактор 4 имеют закон распределения, отличный от нормального. Это, вообще говоря, свидетельствует о недостаточно высоком в рассматриваемом случае качестве линейных математических моделей и необходимости использования более сложных математических моделей.

Табл. 3

Результаты исследования законов распределения рядов остатков

Определяющий фактор Соответствие распределения остатков гипотезе о нормальности распределения остатков

Да, шт. (%) Нет, шт. (%)

Фактор 1 1862 (80%) 478 (20%)

Фактор 2 959 (41%) 1381 (59%)

Фактор 3 2218 (95%) 122(5%)

Фактор 4 2088 (89%) 252 (11%)

Итого 7127(76%) 2233 (24%)

В связи с тем, что на сегодняшний день отсутствуют теоретические обоснования и рекомендаций по выбору тех или иных функциональных зависимостей между выделенными факторами в качестве базового метода нами выбран МГУА, разработанный А.Г. Ивахненко [2] для построения математических моделей сложных многофакторных процессов, не имеющих теоретического описания. При реализации многорядного алгоритма МГУА:

1. На первом ряде в соответствие с вычислительной процедурой метода наименьших квадратов (МНК) вычислялись коэффициенты следующих полиномов:

/ = +<%Хг + 4ГЛ + 4Я? +

л = 4+++фгл+«»л?+4*?,

Уз = 4+'<%Хг +,4хг+ а®Х2Хг + а®Х\ + а»*'.

2. В каждой точке (-^¿»Л^Л^), £ = 1,68 вычислялись значения аппрокси-

« « и мирующих ПОЛИНОМОВ •

3. Вычислялись дисперсии остатков каждого из полиномов первого уровня.

X г. г (,) «

4. Выбраны для построения полиномов второго уровня полиномы у2 , У3 , имеющие наименьшую дисперсию.

5. На втором ряде в соответствие с вычислительной процедурой МНК вычислялись коэффициенты полинома:

у?

6. В каждой точке к = 1,68 вычислялись значения аппрокси-

й

мирующего полинома у1к.

7. Вычислялась дисперсия остатков полинома второго уровня, которая сравнивалась с дисперсией полиномов первого уровня. При этом оказалось, что для всех рассмотренных моделей, дисперсия при переходе от полиномов первого уровня к полиномам второго уровня практически не меняется. В этой связи построение полиномов более высоких уровней не проводилось.

Для количественного сравнения качества линейных и нелинейных математических моделей (табл. 4) для каждой из следующих классов моделей, обозначаемых далее для краткости названием зависимого фактора:

Фактор 1 = /-(Фактор 2, Фактор 3, Фактор 4), Фактор 2 = ДФактор 1, Фактор 3, Фактор 4), Фактор 3 = ^(Фактор 1, Фактор 2, Фактор 4), Фактор 4 = ./^Фактор 1, Фактор 2, Фактор 3), где в линейном случае Р - функция вида: Р(х,,х2,х3) = а0 + я,*, + а2х2+а3х3, а в

нелинейном случае Р - полином второго уровня, коэффициенты которого вычисляются в соответствие с описанным выше алгоритмом:

1. Вычислены дисперсии остатков линейных и нелинейных моделей - И^., 7 =1,2,...,2340, соответственно, и проведено их сравнение.

2. Проведены с помощью критериев %2 и Фишера проверки на нормальность распределений остатков.

3. Вычислены коэффициенты детерминации линейных и нелинейных моделей - Л1 , Я2 ,, у = 1,2,...,2340, соответственно, и проведено их сравнение.

Результаты сравнительного анализа свойств остатков линейных и нелинейных моделей представлены в табл. 4, из которой видно, что при использовании нелинейных математических моделей, построенных с помощью МГУ А, качество моделей оказывается лучшим по сравнению с линейными моделями, в том числе:

1. У всех нелинейных математических моделей первого и третьего классов дисперсии рядов остатков О оказываются меньше аналогичных величин у линейных математических моделей, а коэффициенты детерминации К, соответственно, больше.

2. Из 2340 нелинейных математических моделей второго класса у 2330 моделей (99,53%) дисперсии рядов остатков О оказываются меньше аналогичных величин для линейных математических моделей, а коэффициенты детерминации Д, соответственно, больше.

3. Из 2340 нелинейных математических моделей четвертого класса у 2337 моделей (99,86%) дисперсии рядов остатков £) оказываются меньше аналогичных величин для линейных математических моделей, а коэффициенты детерминации К, соответственно, больше.

4. У нелинейных математических моделей в сравнении с линейными математическими моделями оказывается больше количество моделей, остатки которых имеют нормальный закон распределения: на 14%, 39%, 3%, 9% для моделей первого, второго, третьего и четвертого классов, соответственно.

Табл. 4

Результаты сравнительного анализа остатков линейных (М1) не линейных

(М2) моделей

Доля моделей, у Нормальный закон Доля моделей, у

№ класса Зависимый которых васпредедения (%) которых

мат. модели фактор < т] М1 М2 Я 1у > И2/

1 Фактор 1 0 80 94 0

2 Фактор 2 10 41 68 10

3 Фактор 3 0 95 98 0

4 Фактор 4 3 90 99 3

водь* не »ходе в »онденсвтор

уходяилх газах

■Гх-^-Щ

Хрмт.Хя

133913

режвооисихй Щит

# 18722С ' »0- [

"¿[те/] Г а! ¡них) !й[Ю9Х1 Г ,.аЗ[тах1 ["

Г № г

•■•«©'¡вй^Г

] ■

^ «$[п#.1 Г

5 61831

Рис. 1. Главное окно программы

Таким образом, полученные результаты свидетельствуют, что вопреки традиционным рекомендациям использовать для описания связей между факторами линейных математических моделей, в рассматриваемом случае использование нелинейных математических моделей, построенных с помощью МГУА, обеспечивает более высокое качество аппроксимации анализируемых данных.

Далее описана разработанная автором компьютерная программа, в которой реализовано построение линейных математических моделей и нелинейных математических моделей, построенных на основе МГУА, оценка доверительных интервалов коэффициентов регрессии и анализ статистических свойств остатков математических моделей.

Интерфейс главного окна рабочей программы представлен на рис. 1.

Третья глава содержит изложение результатов анализа свойств временных рядов, содержащих значения ТП. Здесь в качестве объекта исследования было выбрано по одному определяющему ТП, вошедшему в каждый из выделенных в предыдущей главе факторов (рис. 2).

Анализ результатов спектрального анализа ТП показал, что в спектрах рассматриваемых временных рядов присутствуют спектральные составляющие, которые с технологической точки зрения являются артефактами. В этой связи проведена экспериментальная проверка возможности использования для анализа временных рядов, содержащих значения ТП, метода ББА [3], который в отличие от классических и параметрических методов спектрального анализа не требует предположения о стационарности анализируемого временного ряда.

Результаты обработки временных рядов ТП методом ББА, представленных на рис. 2, приведены в табл. 5.

а - показатель Б А00Е001; б - показатель иР22(}801; в - показатель УС02Т001; г - показатель Ш00РБ01

Полученные результаты с технологической точки зрения объясняются следующим образом. Для ТП № 1 (табл. 5) существенный вес имеет тренд, определяемый возрастанием выработки электроэнергии на ГРЭС, что характерно в последние годы практически для всех станций России. Стремление тренда к горизонтальной асимптоте можно объяснить исчерпанием возможностей ГРЭС по выработке энергии в части ограничения использования установленных мощностей. Периодические компоненты - квартал, полугодие, год - объясняются стандартным годовым графиком электрических нагрузок энергоблоков.

Для показателя № 2 значительный вес тренда определяется возрастанием отпуска теплоты с паром потребителям, что связано с возобновлением в рассматриваемый период деятельности предприятия, потребляющего пар от ГРЭС. Квартальная и годовая циклические компоненты определяются периодическим характером отопления зданий и помещений ГРЭС, которое (отопление) осуществляется анализируемым энергоблоком. Наличие выделенной при анализе 2-годовой компоненты может быть связано малой длительностью анализируемого периода (68 месяцев) и началом именно в этот период отпуска теплоты с паром от энергоблока потребителю. Необходимо дополнительное обоснование данной компоненты на более длительном временном интервале.

Для показателя № 3 существенным является отсутствие трендовой компоненты. Температура охлаждающей воды на входе в конденсатор соответствует температуре воды в водоеме ГРЭС, которая зависит, естественно, от температуры наружного воздуха. Распределение весов компонент траектории для этого параметра достаточно обосновано и объясняется температурным графиком г. Сургута.

В траектории показателя № 4, характеризующего состояние одного из элементов оборудования энергоблока, вес тренда очень велик (99,816). Периодические составляющие тренда настолько малы, что существование этих особенностей может объясняться как погрешностями определения (измерений, расчетов и обработки) данного показателя, так и другими факторами, влияние которых выделить затруднительно.

Табл. 5

Траектории параметров, выделенных по результатам факторного анализа ТП

№ пп. ТП Компоненты траектории параметров, %

Тренд 3-мес. б мес. 1 год 2 года

1 Выработка электроэнергии блоком 98,342 0,427 0,274 0,139 -

2 Отпуск тепла внешнему потребителю 58,407 9,895 - 2,516 13,172

3 Температура охлаждающей воды на входе в конденсатор — 0,415 0,554 98,767 —

4 Содержание кислорода в уходящих газах 99,816 0,03 0,004 - -

Таким образом, результаты анализа рассматриваемых временных рядов методом ББА, в отличие от классических методов спектрального оценивания, имеют однозначную трактовку и не противоречат экспертному и термодинамическому представлениям о механизмах работы ТЭС.

В четвертой главе изучены особенности прогнозирования временных рядов, содержащих последовательные среднемесячные значения ТП. Здесь, как и в предыдущей главе, в качестве объекта исследования были выбраны по одному определяющему ТП, вошедшему в каждый из выделенных в предыдущей главе факторов (рис. 2).

Анализ результатов прогнозирования рассматриваемых временных рядов (рис. 3) показал, что результаты прогноза, полученные с помощью методов АРПСС и экспоненциального сглаживания, недостаточно точно учитывают осо-

бенности временных рядов, что, с нашей точки зрения, объясняется их нестационарностью.

В этой связи проведено исследование возможности использования для прогнозирования рассматриваемых временных рядов метода ББА [4]. Согласно алгоритму прогнозирования ББА прогнозируемые значения временного ряда оказываются зависящими от следующих параметров: 5 - точки начала прогноза, I -набора собственных троек, М— длины Л-прогноза, Ь - размера окна.

Наличие в алгоритме параметров, от выбора значений которых, как можно полагать априори, будет зависеть качество прогноза, требует дополнительных рекомендаций, которые приводятся в [4]. Однако анализ рекомендаций по вопросам выбора ряда внутренних параметров метода БЗА, влияющих на качество прогноза, степени влияния параметров метода на качество и дальность прогноза показал, что требуются дополнительные исследования, в ходе которых автор провел анализ:

1. влияния параметров метода ББА на качество прогноза;

2. влияния длины временного ряда на состав главных компонент (ГК);

3. связи между длиной интервала прогнозирования и свойствами временного ряда;

4. влияния ГК с максимальной дисперсий на качество прогноза.

В ходе исследования особенностей прогнозирования ТП методом ББА автор разработал:

1. Алгоритм анализа влияния длины временного ряда на устойчивость состава ГК, блок-схема которого представлена на рис. 4.

2. Алгоритм выбора дальности интервала прогнозирования, блок-схема которого представлена на рис. 5.

5. Алгоритм прогнозирования, блок-схема которого представлена на рис. 6.

Результаты проведенного автором анализа влияния длины временного ряда

на устойчивость состава ГК, выбора длины интервала прогнозирования и влияния ГК с максимальной дисперсией на прогноз позволили сделать следующие выводы:

1. Для большинства рассмотренных временных рядов состав ГК оказывается зависимым от длины временного ряда, т.е. неустойчивым.

2. В качестве длительности интервала прогноза следует выбирать максимальную длину, на которой состав ГК опорного временного ряда совпадет с составом ГК ряда Т(к).

3. При прогнозировании следует учитывать, что с увеличением числа прогнозных значений влияние ГК с наибольшей дисперсией возрастает и определяет форму временного ряда.

4. Наилучшее восстановление ряда достигается при выборе всех ГК ряда.

д-з - прогнозирование методом экспоненциального сглаживания; 1 - исходный ряд; 2 - прогноз; 3 - границы доверительного интервала; а,д - показатель 8А00Е001; б,е - показатель ЦР22С>801; в,ж - показатель УС02Т001; г,з - показатель ШООРБО!

I Исходный ряд /•'длимы N I

Рис. 4. Алгоритм анализа влияния длины временного ряда на устойчивость состава ГК

Рис. 5. Алгоритм выбора дальности интервала прогнозирования

Рис. 6. Алгоритм прогнозирования

Рекомендации авторов метода 85А и описанные выше результаты, полученные автором диссертационного исследования, были учтены при разработке компьютерной программы, реализующей прогнозирование методом ББА с автоматическим определением параметров метода. Результаты ее использования для прогнозирования временных рядов, представленных на рис. 2, приведены на рис. 7.

i 1 1 \ /V i .Л Nr.- г ц ----'Ц,- - у. - vl/| Ы V % W

Г; ' ¡1 1 ....l.llJj... .. J V

|!> ; и 1

I

1---Исжэдмый ряд I 1 -------- Прогноа |

7000 вооо

5000 4000 3000, 2000 1000

■ - J-

и,'!:

Е

"глг^п

" Исходный р •■ Прегно»

LU-f.

t i; ,i | ' ,'T

10 20 30 40 60 60

в \ In h

/1 п i\ TV" I \ Л

! 1 1 \ / . _ I II

' ; / /и i ; i 1 \ i.-l- 1 \ 1 fr 1 \ i

1 ' ' -v L - -'-J- 1 - , i \ \ ----Sr 1 4-

j - ИСХОДНОЙ РЯД 1 ] -----------Прогноа '

Л/Ч

лгМ,

- Исходны* ряд Г

- Прогко»_

/1 и-

Рис. 7. Результаты прогнозирования с учетом выявленных особенностей метода

SS А: а - показатель S А00Е001; б - показатель UP22Q801; в - показатель VC02T001; г - показатель NR00FS01

Для количественной оценки качества прогноза был проведен анализ дисперсий ряда остатков прогнозных и исходных значений. Его результаты представлены в табл. 6. Из табл. 6 видно, что метод прогнозирования SSA, с учетом выявленных особенностей, по ряду показателей уступает классическим методам прогнозирования. Однако в отличие от классических методов прогнозирования метод SSA позволяет учитывать локальные особенности временных рядов ТП.

Также следует отметить еще одну важную особенность: при прогнозировании классическими методами от технологов СГРЭС-1 потребовались бы значительные усилия для подбора оптимальных параметров методов. В тоже время для прогнозирования ТП методом SSA с использованием алгоритма представленного на рис. 6 от технологов не требуется никаких знаний о прогнозируемом ряде и оказывается достаточным выбрать ряд и указать число точек прогноза.

Далее все остальные параметры, используемые в методе БвА, разработанной автором программой будут определены автоматически.

Табл. 6

Результаты анализа дисперсий ряда остатков

прогнозных и исходных значений__

Метод прогнозирования 8АО0Е001 №22(2801 УС02Т001 Ш00Е801

АРПСС 118533531 2757666 18 0.02

Эксп. сглаживание 224052473 3252151 6 0.02

ЭЭА 214540381 4946351 9 0.03

В связи с этим использование «автоматизированного» метода прогнозирования 8БА представляется более эффективным для оперативного построения предварительных прогнозов, а для более детальных прогнозов необходимо использовать более сложные методы прогнозирования, требующие знаний о природе прогнозируемого ряда.

Основные результаты диссертационной работы

1. Проведен анализ современного состояния ИС, осуществляющих сбор и обработку ТП ТЭС. Его результаты показали, что в современных условиях задача построения подобных систем не вызывает принципиальных трудностей, в тоже время подходы и методы, применяемые при решении задач обработки собираемой ТИ, визуализации и интерпретации результатов, а также задачи прогнозирования значений ТП, не соответствуют современному состоянию методов обработки информации.

2. Проведен анализ базы данных, содержащей значения ТП Сургутской ГРЭС-1, и обоснован выбор массива ТП, использованного в дальнейших исследованиях.

3. Выполнен факторный анализ выбранного массива ТП, результаты которого показывают возможность редукции 46-мерного признакового пространства в 4-мерное факторное пространство, в котором для описания взаимосвязей между ТП целесообразно использовать нелинейные математические моделей, построенные на основе МГУА.

4. На основе анализа экспериментальных данных обоснована целесообразность использования для анализа временных рядов, содержащих значения ТП, метода Б Б А, который в отличие от классических методов спектрального оценивания показывает лучший результат на нестационарных временных рядах малой длительности. При этом результаты анализа ТП методом ББА, в отличие от классических методов спектрального оценивания, имеют однозначную трактовку и не противоречат экспертным представлениям о механизмах работы ТЭС.

5. На основе анализа экспериментальных данных обоснована целесообразность использования для прогнозирования временных рядов, содержащих значения ТП ТЭС, метода ББА, который в отличие от методов АРПСС и экспоненциального сглаживания позволяет более точно учесть локальные особенности изучаемых временных рядов.

6. Усовершенствован метод SSA за счет разработки алгоритма автоматизированного выбора внутренних параметров метода, при прогнозировании прогнозирования временных рядов, содержащих значения ТП.

7. Созданы следующие компьютерные программы:

- Программа для построения линейных и нелинейных математических моделей, описывающих связи между ТП в 4-х мерном факторном пространстве, анализа статистических свойств остатков математических моделей, оценки доверительных интервалов, коэффициентов регрессии и анализа статистических свойств остатков.

- Программа для прогнозирования временных рядов ТП, реализующая усовершенствованный метод SSA.

Публикации по теме диссертации

Статьи, опубликованные в журналах из списка ВАК

1. Соломаха И.В. Применение метода SSA для анализа технологической информации, собираемой информационным комплексом ТЭЦ [Текст] / И.В. Соломаха, К.Э. Аронсон, C.B. Поршнев // Известия Томского политехнического университета. 2008. - Т. 313, № 5. - С. 161-168.

2. Соломаха И.В. Исследование особенностей прогнозирования временных рядов с помощью метода главных компонент: анализ устойчивости состава главных компонент при изменении длины временного ряда [Текст] / И.В. Соломаха, К.Э. Аронсон, C.B. Поршнев // Естественные и технические науки. 2009. №4(42). - С. 416-425.

Другие публикации

3. Соломаха И.В. Анализ технологической информации собираемой АСУТП теплоэлектростанции / И.В. Соломаха // Одиннадцатая Всероссийская студенческая научно-техническая Интернет-конференция (Информатика и управление в технических системах) [Электронный ресурс]. Режим доступа: http://webconf.rtf.ustu.ru/course/view.php7icH29 - (09.01.08).

4. Соломаха И.В. Опыт анализа технологической информации, собираемой на тепловых электрических станциях [Текст] / И.В. Соломаха, К.Э. Аронсон, C.B. Поршнев // Научные труды международной научно-практической «СВЯЗЬ-ПРОМ 2008» в 5-го Евро-Азиатского форума «СВЯЗЬПРОМЭКСПО 2008». -Екатеринбург : ЗАО «Компания РеалМедиа», 2008. - С. 29-32.

5. Соломаха И.В. Применение метода SSA для анализа технологической информации, собираемой информационным комплексом ТЭЦ [Текст] / И.В. Соломаха, К.Э. Аронсон, C.B. Поршнев // Новые информационные технологии в исследовании сложных структур: Тезисы докладов Седьмой Российской конференции с международным участием. - Томск : Изд-во НТЛ, 2008.-С. 23.

6. Соломаха И.В Прогнозирование методом главных компонент. Проблемы выбора начальных данных для построения прогноза [Текст] / И.В. Соломаха, C.B. Поршнев // Научные труды международной научно-практической конференции «СВЯЗЬ-ПРОМ 2009» в рамках 6-го Международного форума

19

«СВЯЗЬПРОМЭКСПО 2009», посвященного 150-летию со дня рождения изобретателя радио A.C. Попова. - Екатеринбург : УрТИСИ ГОУ ВПО «СибГУТИ», 2009. - С. 75-77.

Свидетельства о регистрации электронного ресурса

7. Соломаха И.В. Компьютерная программа для построения линейных многомерных моделей ТЭТУ/ Свидетельство об отраслевой регистрации № 15102 в отраслевом фонде электронных ресурсов науки и образования (госрегистрация № 50200901208 от 10.12.2009).

8. Соломаха И.В. Компьютерная программа для прогнозирования временных рядов ТЭП// Свидетельство об отраслевой регистрации № 15101 в отраслевом фонде электронных ресурсов науки и образования (госрегистрация № 50200901209 от 10.12.2009).

Цитируемая литература

1. Айвазян С.А. Прикладная статистика: Классификация и снижение размерности [Текст] / С.А. Айвазян [и др.]. - М. : Финансы и статистика, 1989. -608 с.

2. Главные компоненты временных рядов: метод Гусеница [Текст] / под ред. Д.Л. Данилова и A.A. Жиглявского. - СПб.: СПбГУ, 1997. - 307 с.

3. Голяндина Н.Э. Метод «Гусеницал-SSA: анализ временных рядов [Текст] : учеб. пособие. - СПб.: Изд-во СПбГУ, 2004. - 76 с.

4. Голяндина Н.Э. Метод «ryceHHua»-SSA: прогноз временных рядов [Текст] : учеб. пособие / Н.Э. Голяндина. - СПб.: Изд-во СПбГУ, 2004. - 52 с.

Подписано в печать 27.09.2010 Формат 60x84 1/16. Бумага офсетная. Печать офсетная. Усл. печ. л. 1,0. Уч.-изд. л. 1,2. Тираж 100 экз. Заказ № 2651

Отпечатано с готового оригинал-макета в Типографии АМБ

620026, г. Екатеринбург, ул. Розы Люксембург, 59. Тел.: (343) 251-65-91,229-53-94.

Принятые сокращения.

Введение.

Глава 1. Анализ проблемной ситуации, постановка задачи исследования.

1.1 Современное состояние автоматизации управления технологическими процессами в энергетике.

1.2 Методы обработки и анализа ТП ТЭС.

1.3 Описание источника и анализ структуры технологической информации.

1.4 Постановка задач исследования.

Глава 2. Анализ технологической информации о работе энергоблоков СГРЭС-1.

2.1 Описание технологических данных.

2.2 Критерии оценки информативности данных.

2.3 Выделение укрупненных показателей, характеризующих режимы работы энергоблока.

2.4 Выделение латентных показателей энергоблока № 6.

2.5 Анализ состава факторов.

2.6 Анализ состава выделенных факторов с технологической точки зрения.

2.7 Исследование возможности описания связей между факторами в рамках нелинейных математических моделей.

2.8 Компьютерная программа для построения линейных и нелинейных многомерных моделей ТП.

2.8.1 Математические методы, используемые для построения математических моделей и оценки их достоверности.

2.8.2 Описание компьютерной программы.

2.9 Выводы.

Глава 3. Анализ ТП ТЭС во временной области методом

Гусеница».

3.1 Спектральный анализ данных.

3.2 Метод «Гусеница» (Singular Spectrum Analysis - SSA).

3.3 Анализ результатов обработки временных рядов.

3.4 Анализ полученных результатов с технологической точки зрения.

3.5 Выводы.

Глава 4. Прогнозирование ТП ТЭС.

4.1 Прогнозирование методом АРПСС.

4.2 Прогнозирование методом экспоненциального сглаживания.

4.3 Алгоритм прогнозирования SSA.

4.4 О выборе начальной точки построения прогноза S.

4.5 О выборе набора / собственных троек и влиянии длины временного ряда на устойчивость состава ГК.

4.6 О выборе длины интервала прогнозирования М.

4.7 Влияние ГК с максимальной дисперсий на качество прогноза.

4.8 О выборе длины окна!,.

4.9 Прогнозирование временных рядов ТП.

4.10 Выводы.

Актуальность темы

Теория управления, а также практический опыт организации функционирования крупных промышленных предприятий показывают, что с возрастанием их масштабов существенно возрастает роль и значение информационных и информационно-управляющих систем, основной задачей которых является обеспечение учета и управления как предприятием в целом, так и отдельными техническими объектами, эксплуатирующимися на данных предприятиях. Необходимыми условиями решения рассматриваемой задачи являются сбор, обработка и представление информации о фактических показателях производственной и финансовой деятельности предприятия.

Таким образом, осуществление функций оперативного контроля над производственной деятельностью, анализа текущей производственной ситуации, принятия управленческих решений в конечном итоге сводится к работе с информацией. И от того, насколько эта информация своевременна, достоверна и полна, зависит конечный успех деятельности всего предприятия. Таким образом, информация превратилась сегодня в ключевой ресурс повышения эффективности деятельности предприятия. При этом инвестиции в системы сбора и обработки информации не только приносят прибыль, но и напрямую способствуют увеличению капитализации самих предприятий.

Для анализа собираемой информации используются ЕКР-системы, МЕБ-системы, а также другие информационные системы (ИС).

Необходимо отметить, что в то время как создание ИС не составляет сегодня принципиальных сложностей, так как на рынке представлены информационные датчики, контроллеры, стандартные программные средства для разработки систем сбора информации, например ЗСАОА системы, уровень используемых методов анализа собранных данных и форм представления полученных результатов, как показывает анализ опыта эксплуатации подобных систем в различных отраслях промышленности, оказывается существенно ниже уровня технических средств разработки ИС. Как следствие, КПД использования собираемой информации оказывается значительно ниже, чем ожидается на этапе разработки проекта системы. Во многом это обусловлено изначальной установкой заказчика системы на сбор максимально возможного количество информации, которая на этапе эксплуатации оборачивается закономерным вопросом: «Что делать с собираемой информацией, объем которой непрерывно увеличивается, и как ее использовать?» Возможный выход из данной ситуации состоит в оснащении информационных систем соответствующим инструментарием анализа и интерпретации данных, для обоснования выбора которого необходимы целенаправленные системные исследования особенностей собираемой информации.

Отмеченные выше проблемы в полной мере относятся и к предприятиям электроэнергетической отрасли, в которой в настоящее время активно внедряются различные ИС, использование которых, как ожидается, позволит увеличить конкуренцию на рынке производства электроэнергии, обеспечить прозрачность и оптимальность принимаемых решений, влияющих на доходы и расходы участников рынка, а также снизить затраты, связанные с незапланированным выходом из строя оборудования электростанций.

В этих условиях весьма актуальными оказываются проблемы трансформации, анализа, визуализации, интерпретации и прогнозирования технологической информации (ТИ), собираемой ИС электроэнергетической отрасли -множества значений большого числа (от нескольких десятков до нескольких тысяч) технологических показателей (ТП), измеряемых в заданные моменты времени. Их сложность во многом обусловлена необходимостью обработки больших объемов ТИ, необходимостью использования для представления и анализа ТИ пространств большой размерности, а также неоднородностью ТИ, обусловленной одновременным использованием при регистрации информации нескольких временных масштабов (данные, измеряемые в реальном времени, данные усредненные на некотором временном интервале и т.д.).

Для решения перечисленных выше проблем необходим анализ особенностей ТИ, выбор с учетом особенностей ТИ методов обработки, позволяющих строить математические модели, описывающие взаимосвязи между ТП, проводить анализ временных рядов ТП, а также выполнять их прогнозирование.

Перечисленные выше обстоятельства определяют актуальность темы исследования.

Цель диссертационного исследования

Цель работы — совершенствование методов трансформации, анализа и прогнозирования ТИ, собираемой ИС ТЭС, на основе компьютерных методов обработки информации.

Задачи исследования

1. Анализ современного состояния систем сбора и методов анализа ТИ, используемых в электроэнергетической отрасли.

2. Анализ особенностей базы данных ТП Сургутской ГРЭС-1 в период с 2000 по 2007 гг.

3. Исследование метода уменьшения размерности пространства ТИ и математических моделей, описывающих взаимосвязи между ТП, в пространстве меньшей размерности.

4. Исследование методов анализа и прогнозирования временных рядов, содержащих значения ТП ТЭС.

Положения, выносимые на защиту

1. Результаты анализа базы данных ТП Сургутской ГРЭС-1, собранных в период с 2000 по 2007 гг., которые позволили обосновать выбор массива ТП ТЭС, использованного в дальнейших исследованиях.

2. Результаты факторного анализа ТП, подтверждающие возможность редукции 46-мерного пространства ТП к 4-мерному факторному пространству.

3. Результаты сравнительного анализа качества линейных и нелинейных математических моделей, построенных на основе метода группового учета аргумента (МГУА), свидетельствующие о более высоком качестве аппроксимации изучаемых зависимостей последними моделями, и, следовательно, целесообразности их использования при анализе связей между факторами.

4. Результаты исследования методов анализа и прогнозирования временных рядов, содержащих значения ТП, которые подтверждают целесообразность использования в рассматриваемой задаче метода SSA (Singular Spectrum Analysis).

5. Алгоритмы, позволяющие автоматизировать выбор внутренних параметров метода SSA в задаче прогнозирования временных рядов, содержащих значения ТП ТЭС, без дополнительных исследований структуры прогнозируемого временного ряда.

Научная новизна

1. На основе анализа ТП ТЭС выявлена возможность редукции 46-мерного признакового пространства ТП в 4-мерное факторное пространство, а также проведен сравнительный анализ качества линейных и нелинейных математических моделей, построенных на основе МГУА, для описания связей между ТП в пространстве меньшей размерности.

2. Обоснована целесообразность использования метода SSA для анализа временных рядов, содержащих среднемесячные значения ТП, который, в отличие от классических методов спектрального оценивания показывает лучший результат на нестационарных временных рядах малой длительности.

3. Обоснована целесообразность использования для прогнозирования временных рядов, содержащих значения ТП ТЭС, метода SSA, который в отличие от методов авторегрессии и проинтегрированного скользящего среднего (АРПСС) и экспоненциального сглаживания более точно учитывает локальные особенности изучаемых временных рядов.

4. Разработаны алгоритмы, позволяющие автоматизировать процедуру выбора параметров в задаче прогнозирования методом SSA временных рядов, содержащих значения ТП ТЭС без дополнительных исследований структуры прогнозируемого временного ряда.

Практическая ценность работы

1. Создана компьютерная программа, в которой реализовано построение линейных и нелинейных математических моделей, построенных на основе МГУА, оценка доверительных интервалов, коэффициентов регрессии и анализ статистических свойств остатков математических моделей.

2. Создана компьютерная программа для прогнозирования, с помощью метода SSA, временных рядов ТП, в которой используются алгоритмы автоматизированного выбора параметров метода прогнозирования.

Достоверность результатов работы подтверждается использованием математического аппарата, соответствующего решаемой задаче (факторный анализ, метод SSA), результатами анализа ТП, имеющими однозначную трактовку с технологической точки зрения, а также соответствием прогнозируемых и реальных значений ТП, собираемыми на Сургутской ГРЭС-1.

Внедрение результатов диссертационного исследования

Результаты диссертационного исследования используются на Сургутской ГРЭС-1 и Новосвердловской ТЭЦ при анализе среднемесячных ТП, а также в учебных курсах «Моделирование», «Методы и алгоритмы обработки сигналов в информационных системах», изучаемых бакалаврами и магистрами, обучающимися по направлению «Информатика и вычислительная техника».

Результаты диссертационного исследования были включены в инновационный проект, представленный на конкурсе, проводимом в 2008 году Фондом содействия развитию малых форм предприятий в научно-технической сфере. По результатам конкурса представленный проект стал победителем программы «Участник Молодежного Научно-Инновационного Конкурса» («УМНИК»).

Апробация работы

Материалы работы докладывались и обсуждались на следующих семинарах и научных конференциях:

1. Одиннадцатой Всероссийской студенческой научно-технической Интернет-конференции «Информатика и управление в технических системах», Екатеринбург, 09 января 2008 г.;

2. Международной научно-практической конференции «СВЯЗЬ-ПРОМЭКСПО 2008», Екатеринбург, 06-08 мая 2008 г.;

3. Седьмой Российской конференции с международным участием «Новые информационные технологии в исследовании сложных структур», Томск, 0205 сентября 2008 г.;

4. Международной научно-практической конференции «СВЯЗЬ-ПРОМЭКСПО 2009», Екатеринбург, 17-19 марта 2009 г.

Публикации

По теме диссертации опубликовано 6 работ, в том числе две работы в изданиях, включенных в «Перечень ведущих рецензируемых научных журналов и изданий, в которых должны быть опубликованы основные научные результаты диссертации на соискание ученой степени доктора и кандидата наук».

Структура и объем работы

Диссертационная работа состоит из введения, 4 глав, основных выводов и 4 приложений; содержит 207 страниц машинописного текста, 70 таблиц, 131 рисунков, библиографический список из 136 наименований.

4.10. Выводы

1. Проведен анализ возможности прогнозирования временных рядов ТП ТЭС с помощью методов АРПСС и экспоненциального сглаживания. Результаты показывают, что прогнозные значения, полученные с помощью этих методов, не учитывают локальные особенности временных рядов ТП.

2. Изучены особенности прогнозирования временных рядов с помощью метода 88А:

- При различных длинах окна (X) результаты прогноза могут существенно различаться;

- Состав ГК оказывается зависимым от длины временного ряда, поэтому представляется целесообразным использовать для прогнозирования все ГК;

- В качестве длительности интервала прогноза следует выбирать максимальную длину, на которой состав ГК опорного временного ряда совпадет с составом ГК временного ряда тЧ*) — Г /■ НпР) Лпр).

1 ~ J J Л" -М >""»./* '

- При прогнозировании, с увеличением числа прогнозных значений, влияние ГК с наибольшей дисперсией возрастает и определяет форму временного ряда.

3. Показано, что метод 88А позволяет более точно учесть локальные особенности временных рядов ТП при прогнозировании на одно значение;

4. Разработана программа, позволяющая автоматизировать процедуру прогнозирования ТП методом 8 8А.

Заключение

1. Проведен анализ современного состояния ИС, осуществляющих сбор и обработку ТП ТЭС. Его результаты показали, что в современных условиях задача построения подобных систем не вызывает принципиальных трудностей, в тоже время подходы и методы, применяемые при решении задач обработки собираемой ТИ, визуализации и интерпретации результатов, а также задачи прогнозирования значений ТП, не соответствуют современному состоянию методов обработки информации.

2. Проведен анализ базы данных, содержащей значения ТП Сургутской ГРЭС-1, и обоснован выбор массива ТП, использованного в дальнейших исследованиях.

3. Выполнен факторный анализ выбранного массива ТП, результаты которого показывают возможность редукции 46-мерного признакового пространства в 4-мерное факторное пространство, в котором для описания взаимосвязей между ТП целесообразно использовать нелинейные математические моделей, построенные на основе МГУА.

4. На основе анализа экспериментальных данных обоснована целесообразность использования для анализа временных рядов, содержащих значения ТП, метода 8 8А, который в отличие от классических методов спектрального оценивания показывает лучший результат на нестационарных временных рядах малой длительности. При этом результаты анализа ТП методом 8 8А, в отличие от классических методов спектрального оценивания, имеют однозначную трактовку и не противоречат экспертным представлениям о механизмах работы ТЭС.

5. На основе анализа экспериментальных данных обоснована целесообразность использования для прогнозирования временных рядов, содержащих значения ТП ТЭС, метода 88А, который в отличие от методов АРПСС и экспоненциального сглаживания позволяет более точно учесть локальные особенности изучаемых временных рядов.

6. Усовершенствован метод 88А за счет разработки алгоритма автоматизированного выбора внутренних параметров метода, при прогнозировании прогнозирования временных рядов, содержащих значения ТП.

7. Созданы следующие компьютерные программы:

- Программа для построения линейных и нелинейных математических моделей, описывающих связи между ТП в 4-х мерном факторном пространстве, анализа статистических свойств остатков математических моделей, оценки доверительных интервалов, коэффициентов регрессии и анализа статистических свойств остатков.

- Программа для прогнозирования временных рядов ТП, реализующая усовершенствованный метод 8 8А.

1. Плетнев Г.П. Автоматическое управление и защита теплоэнергетических установок электростанций Текст. / Г.П. Плетнев. М. : Энергоатомиздат, 1986. - 344 с.

2. Дуэль М.А. Автоматизированные системы управления энергоблоками с использованием средств вычислительной техники Текст. / М.А. Дуэль. -М. : Энергоатомиздат, 1983. -208 с.

3. Стефани Е.П. Основы построения АСУ ТП Текст. / Е.П. Стефани. М. : Энергия, 1982.-240 с.

4. Правила технической эксплуатации электрических станций и сетей РФ Текст. / Минэнерго России. М. : СПО ОР ГРЭС, 2003. № 229.

5. Ицкович Э.Л. Как выбирать контроллерные средства Электронный ресурс. Режим доступа: archiv.expert.ru

6. Корпорация Honeywell International Электронный ресурс. Режим доступа: http://www51.honeywell.com/ru

7. Invensys Process Systems Электронный ресурс. Режим доступа: http://ips.invensys.com/EN/PRODUCTS/Pages/default.aspx

8. Компания Yokogawa Электронный ресурс. Режим доступа: http://www.yokogawa.ru/

9. Балакирев B.C. Технические средства автоматизации химических производств Текст. : справ, изд. / B.C. Балакирев, JI.A. Барский, A.B. Бугров. М. : Химия, 1991.-272 с.

10. ООО «Научно-производственный комплекс «ЭЛАРА» имени Г. А. Ильенко» Электронный ресурс. Режим доступа: http://www.elara.ru/

11. ЗАО «НВТ-Автоматика» Электронный ресурс. Режим доступа: http://www.nvt.msk.ru/

12. Научно-производственная фирма «КРУГ» Электронный ресурс. Режим доступа: http://www.krug2000.ru/

13. ЗАО «ПИК Зебра» Электронный ресурс. Режим доступа: http ://pikzebra.ru/

14. ОАО «Электромеханика» Электронный ресурс. Режим доступа: http://www.elmeh.ru/

15. НПО «Техноконт» Электронный ресурс. Режим доступа: http://www.technocont.ru/

16. Компания «ДЭП» Электронный ресурс. Режим доступа: http ://www.dep .ru/

17. Родионов В.Д. Технические средства АСУ ТП Текст. / В.Д. Родионов под ред. В.Б. Яковлева. М. : Высшая школа, 1989. - 263 с.

18. Ицкович Э.Л. Классификация микропроцессорных программно-технических комплексов Текст. / Э.Л. Ицкович // Промышленные АСУ и контроллеры. 1999. № 10.

19. Технические средства автоматизации. Программно-технические комплексы и контроллеры: учеб. пособие Текст. / И.А. Елизаров, И.А. Елизаров [и др.]. М. : Машиностроение, 2004. - 180 с.

20. Ицкович Э.Л. Особенности микропроцессорных программно-технических комплексов разных фирм и их выбор для конкретных объектов Текст. / Э.Л. Ицкович // Приборы и системы управления. 1997. № 8.С. 1-5.

21. Общие технические требования к программно-техническим комплексам для АСУ ТП тепловых электростанций Текст. : РД 153-34.1-35.1272002. М. : СПО ОРГРЭС, 2002.

22. Типовые технические требования к средствам автоматизации контроля и учета электроэнергии и мощности для АСКУЭ энергосистем Текст. : утв. РАО «ЕЭС России» 10.11.94 г.

23. Куцевич Н. SCADA-системы, или муки выбора Электронный ресурс. Режим доступа: http://www.mka.ru

24. Ицкович Э.Л. Выбор пакета визуализации измерительной информации (SCADA-программы) для конкретной системы автоматизации производства Текст. / Э.Л. Ицкович // Приборы и системы управления. 1996. № 10. С. 20-23.

25. Кузнецов А. SCADA-системы: программистом можешь ты не быть Текст. / А. Кузнецов // Современные технологии автоматизации. 1996. № 1. С. 32-35.

26. Соболев О.С. Системы визуализации в сравнении Текст. / О.С. Соболев // Приборы и системы управления. 1996. № 10. С. 56-59.

27. Калядин А.Ю. SCADA-системы для энергетиков Текст. / А.Ю. Калядин // Энергетик. 2000. № 9.

28. Теркель Д. OLE for Process Control свобода выбора Текст. / Д. Теркель // Современные технологии автоматизации. 1999. № 3. С. 28-32.

29. Качан А.Д. Режимы работы и эксплуатации тепловых электрических станций Текст. : учеб. пособие для спец. «Тепловые электрич. Станции» / А.Д. Качан. Минск : Выш. школа, 1978.-288 с.

30. TAD VISER центр выбора технологий и поставщиков Электронный ресурс. Режим доступа: http://www.tadviser.ru/articles/46557/

31. О'Лири Д. ERP системы. Современное планирование и управление ресурсами предприятия. Выбор, внедрение, эксплуатация Текст. / Д. О'Лири. М. : Вершина, 2004. - 272 с.

32. Качинская Т. SAP ERP. Построение эффективной системы управления Текст. / Т. Качинская. М. : Альпина Бизнес Букс, 2008. - 346 с.

33. Технико-экономические показатели Текст. : Большая советская энциклопедия. 3-е изд. М., 1976. - Т. 25. - С. 526

34. Промышленные тепловые электростанции Текст. / под общ. ред. Е.Я. Соколова. -М. : Энергия, 1979: 374 с.

35. Типовой алгоритм расчета технико-экономических показателей конденсационных энергоблоков мощностью 300, 500, 800 и 1200 МВт Текст. :РД 34.09.454-1991.-М. : СПО ОРГРЭС, 1991.(4. 1,4. 2)36.