Краткосрочное прогнозирование электропотребления горного предприятия в условиях оптового рынка электроэнергии и мощности

Валь, Пётр Владимирович

Электротехнические комплексы и системы

автореферат диссертации по электротехнике, 05.09.03, диссертация на тему:Краткосрочное прогнозирование электропотребления горного предприятия в условиях оптового рынка электроэнергии и мощности

кандидата технических наук: Валь, Пётр Владимирович
город: Красноярск
год: 2012
специальность ВАК РФ: 05.09.03
цена: 450 рублей

Диссертация по электротехнике на тему «Краткосрочное прогнозирование электропотребления горного предприятия в условиях оптового рынка электроэнергии и мощности»

Автореферат диссертации по теме "Краткосрочное прогнозирование электропотребления горного предприятия в условиях оптового рынка электроэнергии и мощности"

На правах рукописи

Валь Пётр Владимирович

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ ГОРНОГО ПРЕДПРИЯТИЯ В УСЛОВИЯХ ОПТОВОГО РЫНКА ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ

Специальность: 05.09.03 - Электротехнические комплексы и системы

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

1 7 МАЙ 2012

005043850

Красноярск - 2012

005043850

Работа выполнена в ФГАОУ ВПО «Сибирский федеральный университет», г. Красноярск

Научный руководитель: кандидат технических наук, профессор

Попов Юрий Петрович

Официальные оппоненты:

Тимофеев Виктор Николаевич - доктор технических наук, профессор, ФГАОУ ВПО «Сибирский федеральный университет», кафедра «Электротехнология и электротехника», заведующий кафедрой.

Бастрон Татьяна Николаевна - кандидат технических наук, доцент, ФГБОУ ВПО «Красноярский государственный аграрный университет», кафедра «Системоэнергетика», заведующий кафедрой.

Ведущая организация: ФГБОУ ВПО «Новосибирский государственный

Защита состоится 24 мая 2012 г. в 14 часов на заседании диссертационного совета ДМ 212.099.06 при Сибирском федеральном университете по адресу: г. Красноярск, ул. Ак. Киренского, 26, ауд. УЛК 115.

С диссертацией можно ознакомиться в библиотеке Сибирского федерального университета.

Автореферат разослан « 24 » апреля 2012 г.

технический университет» (г. Новосибирск)

Ученый секретарь диссертационного совета

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Необходимость точного определения будущих значений параметров электротехнических систем возникла с момента начала глобальной электрификации отраслей экономики развитых стран. Результаты прогнозирования электропотребления и мощности являются информационной основой процессов планирования оптимальных режимов работы электротехнических систем предприятий. В последние годы необходимость прогнозирования электропотребления обострилась, в том числе и для потребителей электроэнергии, в связи с формированием конкурентных отношений в электроэнергетической отрасли и запуском оптового рынка электроэнергии и мощности (ОРЭМ).

Выход на ОРЭМ крупных предприятий, суммарная присоединенная мощность которых превышает 20 МВА, стал следствием необходимости повышения рентабельности производства в современных условиях рыночной экономики. Высокая энергоемкость производства отечественных предприятий и стабильный рост уровня цен на электроэнергию в современных условиях приводят к значительному увеличению себестоимости продукции, что снижает конкурентоспособность отечественных предприятий на мировом рынке. Выход крупного предприятия на ОРЭМ позволяет существенно оптимизировать затраты на покупку электроэнергии преимущественно за счет организационных мероприятий.

Регламент ОРЭМ выставляет ряд требований к его участникам. Одним из наиболее серьезных требований является организация качественной работы в области подачи ценовых заявок на покупку электроэнергии «рынка на сутки вперед» (PCB). Некачественная подача ценовых заявок вследствие неточного краткосрочного прогнозирования электропотребления может свести к минимуму все выгоды, связанные с выходом предприятия на ОРЭМ, так как приведет к дополнительным издержкам, вызванным выходом на «балансирующий рынок» (БР). В таких условиях для покупателей электроэнергии ОРЭМ актуальной является задача обеспечения качественного краткосрочного прогнозирования электропотребления.

Решению задачи прогнозирования параметров электротехнических систем предприятий посвящены работы многих отечественных и зарубежных исследователей: Б.И. Кудрин, Б.И. Макоклюев, В.И. Гнатюк, А.Н. Митрофанов, В.З. Манусов, И.И. Надотка, Дж. Тейлор и другие.

В настоящее время для обеспечения качественного краткосрочного прогнозирования электропотребления электротехнических систем предприятий требуется система прогнозирования, обеспечивающая эффективное хранение и использование необходимой информации, реализующая все этапы прогнозирования и управляемая посредством графического пользовательского интерфейса. Система прогнозирования должна быть адаптивна, должна использовать современные методы анализа данных и в полной мере использовать вычислительные мощности современных ЭВМ.

Целью диссертационной работы является разработка системы краткосрочного прогнозирования электропотребления электротехнической системы горного предприятия, обеспечивающей прогнозирование заявленных объемов электропотребления на оптовом рынке электроэнергии.

Для достижения указанной цели в диссертации поставлены и решены следующие задачи:

1. Методологический анализ проблемы краткосрочного прогнозирования электропотребления электротехнических систем предприятий в условиях работы на ОРЭМ.

2. Разработка алгоритма построения модели краткосрочного прогнозирования временного ряда электропотребления электротехнической системы на основе интеллектуальных методов анализа данных.

3. Разработка концепции построения системы краткосрочного прогнозирования электропотребления предприятия.

4. Разработка структуры и программного обеспечения системы краткосрочного прогнозирования электропотребления электротехнической системы горного предприятия.

5. Экспериментальные исследования прогнозирующих свойств системы краткосрочного прогнозирования электропотребления горного предприятия.

Методы исследования. При решении поставленных задач были использованы современные методы анализа данных, математическая статистика, корреляционно-регрессионный анализ, теория искусственных нейронных сетей, теория реляционных баз данных, принцип системного подхода. Расчеты и математическое моделирование проводились с использованием программных продуктов MATLAB, Statistica, MySQL.

Основные новые научные результаты, выносимые на защиту:

1. Разработана концепция построения системы краткосрочного прогнозирования электропотребления предприятия, характеризующаяся тем, что ею может быть охвачено большинство современных электротехнических систем предприятий, содержащая полное описание процесса построения системы прогнозирования, последовательно излагающая и полностью описывающая основные этапы с указанием степени участия сторон в выполнении каждого этапа.

2. Предложен и обоснован алгоритм построения модели краткосрочного прогнозирования временного ряда элсктропотребления с суточной цикличностью, отличающийся тем, что для прогнозирования электропотребления каждого часа суток используется индивидуальная часовая модель, которая, в свою очередь, состоит из комбинации искусственных нейронных сетей типа многослойный персептрон, с различной степенью адекватности описывающих разные стороны процесса электропотребления.

3. Разработаны структура и алгоритм работы и обоснована структура программного обеспечения системы краткосрочного прогнозирования электропотребления предприятия, отличающаяся полным охватом всех основных этапов прогнозирования

(обработка данных, пополнение базы данных, поиск информативных признаков, идентификация модели прогнозирования, формирование прогноза) и обладающая пользовательским графическим интерфейсом.

4. Предложен и обоснован алгоритм поиска входных признаков модели прогнозирования электропотребления, позволяющий выявлять комплексные нелинейные зависимости электропотребления от признаков различной природы, отличающийся использованием нейронных сетей с обобщенной регрессией и возможностью применения экспертной оценки и реализованный в виде специальной функции MATLAB.

Теоретическая значимость результатов работы заключается в развитии методов краткосрочного прогнозирования электропотребления электротехнических систем предприятий на основе искусственных нейронных сетей, а также методов построения современных систем прогнозирования электропотребления.

Результаты диссертации, обладающие практической значимостью:

1. Для проведения технико-экономического обоснования принимаемых решений была выведена эмпирическая формула вычисления издержек, вызванных выходом участника ОРЭМ на «балансирующий рынок» вследствие неточного краткосрочного прогнозирования электропотребления.

2. С целью эффективного хранения и использования информации, необходимой для обеспечения краткосрочного прогнозирования электропотребления, создана информационная база параметров электропотребления и метеорологических факторов Сорского производственного комплекса.

3. Система краткосрочного прогнозирования элекгропотребления, спроектированная для горного предприятия с использованием системы MATLAB 7 и СУБД MySQL 5, позволяет снизить погрешность прогнозирования электропотребления в 1,2 раза по сравнению с традиционными методами прогнозирования и в 2,0 раза по сравнению с методами, используемыми в настоящий момент на предприятии.

4. Для повышения качества краткосрочного прогнозирования электропотребления предприятия предложен и обоснован перечень практических мероприятий.

Достоверность научных положений, результатов и выводов подтверждается корректным использованием применяемых методов анализа данных и прогнозирования, обобщающих передовой опыт отечественных и зарубежных исследователей, и экспериментальной проверкой теоретических результатов путем построения модели краткосрочного прогнозирования электропотребления существующего горного предприятия и сопоставления прогнозных значений, полученных с помощью модели, с фактическими значениями электропотребления предприятия.

Реализация работы. Результаты работы использованы на ООО «Сорский горнообогатительный комбинат» и в учебном процессе Политехнического института Сибирского федерального университета.

Апробация работы. Основные положения работы докладывались на научных семинарах и конференциях: всероссийской научно-технической конференции «Элек-

троэнергия: от получения и распределения до эффективного использования» (Томск, 2010), межрегиональной научно-практической конференции «Инновационное развитие, модернизация и реконструкция объектов ЖКХ в современных условиях» (Абакан, 2010), всероссийской научно-практической конференции «Энергоэффективность систем жизнеобеспечения города» (Красноярск, 2010), всероссийской научно-технической конференции «Молодежь и наука» (Красноярск, 2011).

Публикации. По теме диссертационной работы опубликовано 10 научных работ, 2 из которых опубликованы в ведущих рецензируемых изданиях, рекомендованных действующим перечнем ВАК.

Структура и объем работы. Диссертационная работа состоит из введения, пяти разделов с выводами, заключения, списка литературы и приложений. Основная часть работы изложена на 160 страницах машинописного текста. Работа содержит 37 рисунков и 5 таблиц, список литературы содержит 136 наименований.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цели и задачи исследования, обозначены методы исследований, перечислены основные научные результаты, кратко изложено содержание работы.

В первом разделе выполнен методологический анализ проблемы краткосрочного прогнозирования электропотребления электротехнической системы предприятия в современных условиях работы на ОРЭМ. Рассмотрены особенности оборота электроэнергии на ОРЭМ, особенности электрического хозяйства современного крупного предприятия как объекта прогнозирования, особенности выбора метода прогнозирования электропотребления, произведен краткий обзор основных методов краткосрочного прогнозирования электропотребления, а также сформулированы требования к современной системе прогнозирования электропотребления.

Анализ оборота электроэнергии на ОРЭМ показал, что для подачи обоснованных ценовых заявок на покупку электроэнергии на PCB необходимо обеспечение прогнозирования электропотребления с часовой дискретностью и периодом упреждения от 36 часов. С целью минимизации экономических потерь, вызванных выходом участника рынка на БР, была поставлена задача прогнозирования электропотребления в виде Е|И^актчаса( - WnporH034acai| -» min, при этом в роли критерия качества прогнозов обосновано использование среднеабсолютной процентной ошибки (МАРЕ).

Электрическое хозяйство современного крупного предприятия представляет собой сложную электротехническую систему с множеством взаимосвязанных и взаимодействующих между собой элементов, организованных в подсистемы. Электрическое хозяйство имеет структуру, выполняет определенные функции, организовано в пространстве и времени и характеризуется системным качеством, неравным простой сумме свойств составляющих его элементов. С другой стороны, электрическое хозяйство — это сообщество слабосвязанных и слабовзаимодействующих элементов (тех-

ноценоз), свойства которого начинают проявляться с определенного количества элементов и степени сложности.

Электротехническая система предприятия функционирует в условиях значительной неопределенности, обусловленной большим количеством элементов и связей между ними, высокой степенью динамичности процессов, наличием нефункциональных связей между элементами, а также действием субъективных факторов, обусловленных участием человека в принятии решений относительно энергетических параметров системы. Электротехническая система предприятия характеризуется постоянными структурными изменениями, вызванными непрерывной реконструкцией и обновлением электрического хозяйства и особенностями профессиональной деятельности человека. На процесс электропотребления оказывает влияние множество факторов различной природы (производственные, технологические, горно-геологические, климатические, социальные и др.), и при этом, как правило, уровень детализации учета данных об электропотреблении и основных влияющих факторах не отвечает требованиям обеспечения качественного прогнозирования. Таким образом, прогнозирование электропотребления современного крупного предприятия представляет собой сложную ресурсоемкую нетиповую задачу. При этом к каждому конкретному объекту необходим индивидуальный подход с целью разработки средств обеспечения прогнозирования электропотребления.

К настоящему времени разработано большое множество методов и способов прогнозирования электропотребления. Анализ литературных источников позволил сделать вывод о том, что для задач краткосрочного прогнозирования электропотребления наиболее эффективны фактографические экстраполяционные методы прогнозирования, основанные на принципе переноса в будущее тенденций и структурных зависимостей, действовавших в прошлом и настоящем. В класс экстраполяционных входит множество методов, которые могут быть условно разделены на однофактор-ные и многофакторные, линейные и нелинейные, стационарные и нестационарные, традиционные и нетрадиционные и т.п. При этом выбор метода прогнозирования должен определяться особенностями решаемой задачи (спецификой объекта прогнозирования, особенностями используемой информации, способом использования метода на практике, сложностью его реализации и т.п.).

Несмотря на наличие некоторых (достаточно условных) границ использования различных методов прогнозирования, на практике, как правило, необходимо осуществлять выбор из достаточно широкого перечня методов, удовлетворяющих требованиям поставленной задачи. Проблема заключается в том, что для каждого объекта прогнозирования благодаря его системной уникальности оптимальным является какой-то определенный метод прогнозирования, для его идентификации необходим сравнительный анализ большого числа методов; при этом сравнительный анализ необходимо осуществлять на конкретном объекте прогнозирования, так как сравнение различных методов прогнозирования па различных объектах лишено смысла. Оче-

видно, что на практике невозможно опробовать все методы прогнозирования, поэтому необходимо ограничиться некоторым их набором и осуществить выбор (при этом выбранный метод прогнозирования будет субоптимальным для данной задачи).

В качестве основы системы прогнозирования в диссертационной работе принято решение использовать методы прогнозирования на основе искусственных нейронных сетей, которые обладают некоторыми преимуществами перед традиционными методами прогнозирования (способность моделирования зависимостей любой степени сложности, отсутствие ограничений на характер входной информации и др.). При этом выбор в пользу нейронных сетей обосновывается в дальнейшем посредством сравнения с более простыми традиционными методами прогнозирования.

Для последующей разработки системы прогнозирования электропотребления были сформулированы требования, которым она должна соответствовать. Современная система прогнозирования электропотребления должна охватывать все основные этапы прогнозирования, обеспечивать получение прогнозов требуемого качества, основываться на использовании современных методов анализа данных и прогнозирования, быть адаптивной, в полной мере использовать вычислительные мощности современных ЭВМ, обеспечивать возможность использования знаний эксперта-энергетика, обладать графическим пользовательским интерфейсом, средствами визуализации и обладать гибкостью с возможностью своего дальнейшего усовершенствования.

Второй раздел посвящен теоретическим аспектам построения модели краткосрочного прогнозирования электропотребления предприятия.

Любой временной ряд электропотребления (У(с)) может быть разложен на предсказуемую (ию) и непредсказуемую (%)) компоненты: у(С) = и^ + £(С). Предсказуемая компонента и^ представляет собой истинный процесс электропотребления, непредсказуемая компонента еявляется следствием погрешности фиксирования значений электропотребления (например, вследствие несовершенства приборов учета). Если предполагать отсутствие систематической ошибки приборов учета, то компонента £(£) Представляет Собой беЛЫЙ ШуМ. ОпТИМаЛЬНЫМ ПРОГНОЗОМ Переменной У(Г) является оценка (оценка е^ принципиально невозможна). Таким образом, задача прогнозирования заключается в том, чтобы истинный процесс электропотребления Ы(() наиболее адекватно аппроксимировать (и затем экстраполировать) с помощью некоторой функции (модели) /:

«СО = /(*1М.*2(с) -*п(о) + е(0 = + е(0>

где f - функция аппроксимации истинного процесса электропотребления щ(у,

х1(г)>х2(х) ■■■ хп(1) — значения входных признаков; Х^ = [*!([> (с) ••• *п(о] — вектор входных признаков; е^ - ошибка аппроксимации (неопределенная компонента).

В качестве функции аппроксимации / может выступать нейронная сеть. В роли входных признаков может быть использована информация различного характера (электропотребление за предыдущие моменты времени, значения экзогенных факго-

ров и др.). Очевидно, что в реальных условиях невозможно точно оценить истинное значение К([). В таком случае для повышения качества прогнозирования можно воспользоваться комбинированием прогнозов, используя не одну модель /, а группу моделей (иМ = А(Хт) + ет, и{с) = /2(^2(£)) + е2(£), - И(£) = /п(*пвд) + Сп(£)Х которые бы с различной степенью адекватности описывали разные стороны моделируемого явления. При этом результирующий прогноз (й(С+1)) можно получать на основе комбинирования прогнозов индивидуальных моделей по некоторому методу комбинирования (например, линейному):

"1(£+1) = /1(^1^+1)). "2(с+1) = /гО^ги+и). — "л(£+1) = /п(Хп(1+1)), = " йкс+1) + к2 ■ Н-----Ь кп ■ й„(С+1).

Одно из условий достижения положительного эффекта комбинирования прогнозов заключается в том, чтобы используемые модели достаточно адекватно описывали динамику процесса, и при этом их остатки (е1(;{), е2(£), ... еп(с)) не были сильно корре-лированы, то есть модели должны значительно отличаться друг от друга.

В качестве моделей прогнозирования электропотребления было принято решение использовать нейронные сети типа многослойный персептрон, являющиеся универсальным средством решения множества прикладных задач. Проектирование многослойного персептрона представляет собой сложный многоэтапный процесс, сопровождающийся множеством неопределенностей. При этом по многим вопросам, касающимся использования нейронных сетей (например, проблема локальных минимумов обучения, проблема переобучения, проблема определения параметров скрытого слоя и др.), не существует однозначно обоснованных теоретических положений.

Построение модели прогнозирования сопровождается анализом ее качества, который включает два основных этапа: анализ на данных выборки и анализ на тестовых данных. Анализ на данных выборки производится после идентификации модели и направлен на формирование суждений относительно качества будущих прогнозов модели априори. С этой целью производится расчет всевозможных внутренних критериев (критериев, подсчитанных по данным, используемым при обучении) и используются процедуры анализа адекватности. В ходе анализа адекватности модели прогнозирования следует учитывать, что оценка адекватности модели может быть разной: от полной адекватности до частичной адекватности и неадекватности. При разработке модели прогнозирования следует стремиться к компромиссу между сложностью модели и степенью ее адекватности, то есть модель должна иметь достаточную для задачи адекватность и не быть слишком сложной. Неадекватная модель не способна давать качественные прогнозы, однако и адекватная модель не всегда их дает, поэтому дополнительно необходим анализ качества модели на тестовых данных.

Основываясь на изложенных положениях, был разработан алгоритм построения модели краткосрочного прогнозирования временного ряда электропотребления с суточной цикличностью (рис. 1). Для прогнозирования различных часов суток времен-

ного ряда электропотребления принято решение использовать индивидуальные часовые модели прогнозирования. Каждая часовая модель, в свою очередь, состоит из комбинации нейронных сетей типа многослойный персептрон. Для получения Лг-го числа различных моделей прогнозирования электропотребления, которые бы с различной степенью адекватности описывали разные стороны процесса электропотребления, было решено использовать нейронные сети, отличающиеся друг от друга периодом основания про-

Начало

Выбор периода основания прогноза

Ныбор состава входныХч признаков

Выбор алгоритма э^ан!

Оучакнцеи выборки

преобразования обучающей выоо

Выбор архитектуры

Выбор функщш :ашги I-------

актив! О:

нейронов.

:деление структура-, скрытого слоя

Выбор условия инициализации"

Выбо1 обучен

Выбор критерия .....

ос

>р алгоритма дли

1ы6ор критерия .....

становкц обучения

;ыбор с юрмир

іьгоор способа

про! ойтротіьного

юрмИровашія онтрі множества

Выбор критериев' адекватности

абрр імбп]

комбинирования

Выбор тестового множества

Формирование модели часа Ь

/і = 1„ 24 *

Формирование ИНС № п

п = 1 .. N *

Формирование вектора целей Т

гноза, набором входных признаков, параметрами скрытого слоя и начальными условия обучения. При этом данный подход позволяет частично преодолеть некоторые неопределенности проектирования нейронных сетей и прогнозирования параметров электротехнических систем (проблема выбора оптимального периода основания прогноза в условиях постоянных структурных изменений системы, проблема выбора необходимого и достаточного перечня входных признаков модели прогнозирования). Учитывая склонность нейронных сетей к переобучению на данных выборки, было принято решение использовать комбинации с равными коэффициентами комбинирования Рис. 1 (к, = к2 = .. .= кп).

Третий раздел посвящен теоретической и алгоритмической разработке системы краткосрочного прогнозирования электропотребления предприятия. Каждая сложная электротехническая система является индивидуальной, обладает уникальным харак-

Анализ корреляции остатков ИНС модели часа И

Формирование комбинации модели часа

Определение критериев., качества прогнозов

тером электропотребления, набором влияющих факторов и степенью их влияния и функционирует в условиях значительной неопределенности. Следовательно, система прогнозирования электропотребления, разработанная для конкретной электротехнической системы, будет также индивидуальной. Однако при этом может быть сформулирована совокупность идей, принципов и положений построения системы прогнозирования электропотребления, которые будут общими для большинства современных электротехнических систем предприятий. Таким образом, была разработана концепция построения системы прогнозирования предприятия, охватывающая большинство современных объектов прогнозирования.

Разработка современной системы прогнозирования является сложным многоэтапным циклическим процессом, в котором принимают участие минимум две стороны: прогнозист и энергетик. Прогнозист — специалист (группа специалистов) в области теории методов анализа данных, прогнозирования, компьютерного моделирования и программирования. Энергетик - специалист (группа специалистов) в области функционирования конкретной электротехнической системы, обладающий теоретическими и практическими знаниями об объекте прогнозирования для объяснения ситуации, понимания ее динамики и причинно-следственных связей.

1. Постановка задачи

/■2. Первичный анализ проблемы, определение^—| у перечня необходимой информации

)

I-

О ^

СО

О X 1_ О о. с

( 3. Определение источников информации, сбор данных + -

(4.11роектирование базы данных, первичная N обработка данных, заполнение базы данных

( 5. Анализ степени достоверности данных

Сб. Анализ особенностей электропотребления предприятия, определение состава входной информации модели

)

с с с с

Выбор метода прогнозирования

-1

На рис. 2 представлены этапы построения системы прогнозирования. На каждом из этапов решаются специфические нетиповые задачи, при этом степень участия сто-0_ рои в выполнении ш этапов различна. По

1 результатам выпол-СО

нения этапов могут быть приняты решения о переходе к следующему этапу либо о возврате к более ранним этапам рис 2 (обратные связи).

Например, по результатам тестирования модели прогнозирования (этап 9) может быть принято решение о дополнительном поиске неучтенного значимого фактора (этап 3), о чем может свидетельствовать значительный разброс ошибок прогнозирования и значительная смещенность прогнозов.

. Идентификация модели прогнозирования_

9. I вотирование модели на ретроспективных данных

> >-

1и. Создание пользовательского графического интерфейса

11. Тестирование системы прогнозирования в режиме _реального времени_

Ввод в эксплуатацию

Параметры электропотребления, параметры влияющих факторов

_Т_1_I_I_т_.

Графическийпользовательский интерфейс

необработан».«) дамМь»

Х—Я—У Блок обработки] и ввода данных)

| ^ оёрзбота»«« ( Блок запроса •Успо"-

I преобразования Обучающая Удойные данных

--»■< данных I. выеорш. !, м л }

Успеем Ч-данных-».„одаойвеиор - -/

данных „ . 1

проо^^жанныа База данных

я запроса

Прогноз

Выборка для 'хриализа

"*ОБпок поиска

к \ уьлок поиска Л

пипппяния I Прогнозы?* прочая информативных I

'Прогнозирования! ^^^Г признаков ^НДт,»

Параметры * ' Результаты | поиски признак» настройки моделей_^ псяк'ш признаков_J

Графический пользовательский интерфейс

-1-1-*-'

* f т

Пользователь

Рис.3

В соответствии с предложенной концепцией была разработана структура системы прогнозирования электропотребления предприятия, в которой реализуется предложенный алгоритм построения модели краткосрочного прогнозирования. На рис. 3 представлена структурная схема системы прогнозирования. Функционально могут быть выделены следующие основные элементы системы прогнозирования: база данных, блок обработки и ввода данных, блок запроса данных, блок поиска информативных признаков, блок преобразования данных, блок прогнозирования, графический пользовательский интерфейс. База данных реализуется на СУБД MySQL 5, реализация остальных элементов системы осуществляется с помощью MATLAB 7.

База данных, основанная на реляционной модели данных, предназначена для безопасного хранения и эффективного использования информации, необходимой для работы системы прогнозирования. Для устранения избыточности, являющейся источником потенциальных ошибок выборки и изменения данных, необходимо привести базу данных в третью нормальную форму или выше. Проектирование базы данных осуществляется в несколько этапов: концептуальное проектирование (построение семантической модели «сущность-связь»), логическое проектирование и физическое проектирование.

Блок обработки и ввода данных служит для идентификации и устранения ошибочных данных, их восстановления и последующего заполнения соответствующих полей таблиц базы данных с установлением отметки о качестве данных.

Блок запроса данных предназначен для извлечения требуемой информации из базы данных с целью ее последующего анализа, составления обучающей выборки мо-

дели прогнозирования, составления выборки для поиска информативных признаков либо составления входного вектора модели при прогнозировании. Извлечение информации из реляционной базы данных осуществляется посредством специальных SQL запросов (язык структурированных запросов). Для каждого возможного варианта запроса создается шаблон, ключевые элементы которого (дата, время, номер ранга и т.п.) динамически изменяются в среде MATLAB в соответствии с требованиями пользователя (при этом от пользователя не требуется знание основ языка SQL).

Блок поиска информативных признаков предназначен для формирования входных признаков модели прогнозирования. В рамках данного блока была разработана специальная процедура поиска входных признаков модели прогнозирования электропотребления на основе нейронных сетей с обобщенной регрессией (GRNN), позволяющая применять экспертную оценку с целью выявления комплексных нелинейных зависимостей электропотребления от входных признаков различной природы.

Описанная процедура реализует алгоритм последовательного добавления признаков, в рамках которого на каждом шаге к уже отобранному набору признаков добавляется один признак, который приводит к наибольшему улучшению критерия. По сравнению с полным перебором признаков данный алгоритм позволяет значительно ускорить процесс поиска наиболее удачной комбинации, однако при этом существует некоторый риск потери значимой комбинации. В качестве критерия информативности признаков используется среднеквадратичная ошибка (MSE) сети GRNN на контрольном множестве (внешний критерий). Для того, чтобы снизить зависимость конечного результата от состава выбранного контрольного множества (в условиях ограниченных выборок), в ходе выполнения одного шага процедуры производится многократное разбиение на обучающее и контрольное множество и усреднение критерия. Для применения экспертной оценки в рамках процедуры предусмотрена возможность фиксирования входного признака, если по каким-либо причинам он не показывает значимого статистического влияния, но при этом априори является значимым.

Описанная процедура была реализована в виде специальной М-функции MATLAB. Синтаксис записи функции имеет следующий вид:

[ results ] = INPUTSRCH {птах, Р, Т, spread, Pjiames, Pexpjnd), где n_max — количество поисковых входов; Р - матрица входов; Т - вектор целей; spread — параметр сглаживания сети GRNN; P_names - массив наименований входов; P_exp_ind — вектор номеров фиксированных входов; results — массив результатов.

Блок преобразования данных служит для представления данных в удобном для нейросетвого анализа виде. Числовые данные приводятся к единому масштабу по выбранному алгоритму преобразования, а нечисловые данные кодируются и переводятся в числовую форму.

Блок прогнозирования включает модель прогнозирования электропотребления, которая состоит из 24 часовых моделей, каждая из которых, в свою очередь, состоит из некоторого набора нейронных сетей. Идентификация каждой часовой модели про-

гнозирования осуществляется в несколько этапов в соответствии с предложенным алгоритмом (рис. 1). На первом этапе определяются варианты периода основания прогноза и формируются целевые векторы сетей. На втором этапе определяются варианты входных признаков модели, формируются матрицы входов, которые вместе с соответствующими целевыми векторами образуют обучающие выборки нейронных сетей. На третьем этапе для каждой обучающей выборки в зависимости от размерности входа и выхода и количества обучающих примеров нейронной сети формируются параметры ее скрытого слоя. Количество нейронов скрытого слоя определяется согласно формуле для необходимого количества синаптических весов нейронной сети, являющейся следствием теорем Арнольда-Колмогорова-Хехт-Нильсена:

где Ыу - размерность выходного сигнала, (} — число элементов обучающей выборки, Мц, - необходимое число синаптических весов; Ых — размерность входного сигнала.

На четвертая< этапе формируются варианты начальных условий обучения нейронных сетей: условия инициализации сети, алгоритм обучения, критерий остановки обучения, а также условия формирования контрольного множества, по которому осуществляется контроль обучения. После завершения процесса обучения нейронных сетей на пятом этапе производится анализ качества их обучения, анализ корреляционной матрицы остатков различных сетей одной часовой модели с целью оценки степени их отличия между собой, после чего производится их отбор и сохранение.

Графический пользовательский интерфейс, построенный с использованием средств дескрипторной графики системы МАТЬАВ, служит для управления всеми функциями системы прогнозирования, ввода-вывода информации, ее визуализации.

Четвертый раздел посвящен практической реализации системы краткосрочного прогнозирования электропотребления на примере горного предприятия - Сорского производственного комплекса.

Для создания адекватной системы прогнозирования электропотребления необходимы теоретические знания об исследуемой электротехнической системе для объяснения ситуации, понимания ее динамики и причинно-следственных связей. Анализ особенностей электропотребления Сорского производственного комплекса показал, что электропотребление предприятия представляет собой сложный нестационарный процесс, характеризующийся наличием суточной и отсутствием недельной цикличности; на электропотребление оказывает влияние множество факторов различной природы, однако уровень детализации учета по основным влияющим факторам не отвечает необходимым требованиям. По итогам первичного анализа доступной информации было принято решение использовать данные о почасовом электропотреблении предприятия, о почасовых режимах работы обогатительной фабрики (рабочий-ремонтный) и о почасовых значениях температуры окружающего воздуха. После

предварительной обработки данные были занесены в спроектированную реляционную базу данных.

На основе принятой к использованию информации были сформированы возможные входы модели прогнозирования: лаги (задержки) часового электропотребления комплекса («эп -1 ч», ...«эп -48 ч»), лаги суточного электропотребления комплекса («эп -1 с», ...«эп -7 с»), лаги часовой температуры окружающего воздуха («t -0 ч», ...«t -24 ч») и лаги суточной температуры окружающего воздуха («t -0 с», ...«t -2 с»). Для каждого возможного входа модели прогнозирования был сформирован соответствующий SQL запрос, активные элементы которого (дата, время, номер ранга и др.) динамически изменяются в среде MATLAB.

Для каждой часовой модели с помощью разработанной процедуры был произведен поиск информативных признаков. На рис. 4 представлен результат выполнения процедуры поиска

входных признаков часовой модели 00-01 для шести поисковых входов. По мере увеличения количества входных признаков до определенного момента внутренний и внешний критерии улучшаются; после добавления пятого входного признака внешний критерий улучшаться перестает, в то время как внутренний продолжает улучшаться.

На завершающем этапе идентификации модели прогнозирования после обучения нейронных сетей был произведен анализ их качества, включающий вычисление ошибок на обучающем и контрольном множестве, коэффициента детерминации и анализ остатков на степень их соответствия белому шуму (проверка нормальности распределения по критерию Шапиро-Уилка, проверка отсутствия значимых автокорреляций по критерию Льюнга-Бокса), и последующий их отбор в модель прогнозирования. Анализ корреляционных матриц остатков нейронных сетей различных часовых моделей не показал слишком значительного отличия нейронных сетей (коэффициенты корреляции от 0,55 и выше), что обусловлено недостатком информации об основных влияющих факторах.

После завершения идентификации модели прогнозирования Сорского производственного комплекса были определены границы тестового множества с 3.03.2009 по 8.03.2009. На выбранные сутки было осуществлено прогнозирование электропотребления системой прогнозирования, а также традиционными методами: сезонной

MSE —— ошибк «а™» КОНТрО а обучения льная ошиб внутреншп ка (внешнш критерий) критерий)

ШфА ММйё ЫиАл^* тфг

1 вход 2 входа 3 входа 4 входа 5 входов 6 входов Рис. 4

АРПСС (спецификация АЯ1МА(1,0,0)(0,1,1)24) методом Хольта-Винтерса и так называемым «наивным методом» (в качестве прогнозных используются значения электропотребления соответствующих часов предыдущих суток).

Пятый раздел посвящен анализу результатов практического использования системы прогнозирования горного предприятия. На рис. 5 представлены графики фактических и прогнозных значений электропотребления на тестовые сутки. Для выбранных суток показатель МАРЕ прогноза системы прогнозирования равен 1,95 %,

0.875

Щ о.е.

Хольт-Вннтерс

"наивный метод"

АРПСС

0,750

0.625

АРПСС - 2,73 %, метода Хольта-Винтерса

- 3,35 %, «наивного метода» — 4,70 %. По всем тестовым суткам средний показатель МАРЕ прогнозов системы прогнозирования равен 2,34 %, АРПСС - 2,78 %, метода Хольта-Винтерса

- 2,88 %, «наивного метода» — 3,18 %.

14 12 10

Рис. 5

Для оценки эффективности комбинирования прогнозов различных моделей на рис. 6 представлены графики ошибок прогнозирования на тестовые сутки индивидуальных нейронных сетей (54 шт.) и их комбинации для часовой модели 08-09. В отдельные сутки достаточное количество индивидуальных нейронных сетей показывает результат лучше, чем комбинация, однако средняя точность комбинации превышает среднюю точность подавляющего большинства индивидуальных нейронных сетей

этой комбинации; не-

Абсолютная процентная ошибка, %

З мар 4 мар 5 мар 6 мар 7 мар 8 мар 9 мар 10 мар 11 мар 12 мар

Рис. 6

многочисленные нейронные сети часовой модели, которые показали среднюю точность прогнозирования несколько выше средней точности комбинации, как показал анализ, выявить априори не является возможным. Кроме того, использование комбинации моделей

прогнозирования позволяет снизить влияние качества индивидуальных моделей на конечный результат и тем самым снизить цену ошибки за использование неадекватной нейронной сети.

Анализ зависимости средней точности прогнозирования нейронных сетей от критериев качества, рассчитанных на завершающем этапе идентификации (ошибки на обучающем и контрольном множестве, коэффициент детерминации, IV статистика критерия Шапиро-Уилка, Q статистика критерия Льюнга-Бокса), показал очень слабую связь между ними.

Был произведен анализ согласованности во времени прогнозов различных нейронных сетей одной часовой модели. С этой целью было выполнено ранжирование нейронных сетей в порядке увеличения абсолютной ошибки прогнозирования для каждых прогнозных суток и подсчитан коэффициент множественной ранговой корреляции (конкордации) Кенделла. Если бы прогнозы различных нейронных сетей показали высокий коэффициент конкордации и, соответственно, высокую степень согласованности, то это означало бы, что на практике можно делать обоснованные предположения о составе модели прогнозирования для будущих прогнозов, руководствуясь предыдущими результатами. Однако коэффициент конкордации К = 0,08 (для нейронных сетей часовой модели 08-09) свидетельствует о практически полной несогласованности во времени прогнозов, что означает необходимость использования на практике комбинации из всех отобранных нейронных сетей модели прогнозирования.

Разработанная система прогнозирования электропотребления Сорского производственного комплекса осуществляет работу в четырех основных режимах: пополнение базы данных, идентификация модели прогнозирования, корректировка параметров модели прогнозирования, прогнозирование и визуализация. Режим идентификации модели прогнозирования предполагает полную настройку модели (определение используемых входных признаков, количества нейронных сетей, их структуры и параметров для каждой часовой модели) в полуавтоматическом режиме с привлечением прогнозиста. Режим корректировки параметров модели прогнозирования предполагает лишь перенастройку параметров используемых нейронных сетей в автоматическом режиме с применением новых данных, поступивших с момента последней настройки.

Разработанная система прогнозирования обладает гибкостью и возможностью своего дальнейшего усовершенствования. Система прогнозирования позволяет безболезненно ввести в модель прогнозирования дополнительную информацию (как о влияющих факторах, так и об электропотреблении различных подразделений), а также дополнительные методы прогнозирования. При необходимости система прогнозирования может быть переведена на другой язык программирования благодаря встроенным компиляторам МАТЬАВ. Для повышения прогнозирующих качеств системы прогнозирования были предложены и обоснованы следующие практические мероприятия: организация учета по основным производственным и технологическим факторам (с почасовой, посменной или посуточной дискретностью); организация детали-

зированного учета электропотребления по основным подразделениям предприятия и построение моделей прогнозирования каждого подразделения; использование приборов учета электропотребления более высокого класса точности; использование дополнительных методов прогнозирования для построения комбинации моделей.

В заключении сформулированы основные результаты работы:

1. Произведен анализ покупки электроэнергии на оптовом рынке, на основе которого сформулированы условия задачи краткосрочного прогнозирования электропотребления предприятия и критерии качества, предъявляемые к прогнозам.

2. На основе произведенного анализа покупки электроэнергии для одного из участников второй ценовой зоны ОРЭМ получена эмпирическая формула вычисления издержек, вызванных выходом участника рынка на «балансирующий рынок» вследствие неточного краткосрочного прогнозирования электропотребления, которая может быть использована для проведения технико-экономического обоснования принимаемых решений.

3. Произведен методологический анализ проблемы краткосрочного прогнозирования электропотребления электротехнических систем предприятий, на основе которого обосновано и принято решение об использовании искусственных нейронных сетей в качестве основного инструмента прогнозирования электропотребления.

4. Предложен и обоснован алгоритм построения модели краткосрочного прогнозирования временного ряда электропотребления с суточной цикличностью, в котором для прогнозирования электропотребления каждого часа суток используется индивидуальная часовая модель, которая, в свою очередь, состоит из комбинации нейронных сетей типа многослойный персептрон, с различной степенью адекватности описывающих разные стороны процесса электропотребления. Предложенный подход позволяет использовать положительные свойства комбинирования моделей прогнозирования и при этом частично преодолеть некоторые неопределенности проектирования нейронных сетей и прогнозирования параметров электротехнических систем.

5. Разработана концепция построения современной системы краткосрочного прогнозирования электропотребления предприятия, которой может быть охвачено большинство современных электротехнических систем предприятий. Предложенная концепция содержит полное описание процесса построения системы прогнозирования, последовательно излагает и полностью описывает основные этапы построения с указанием степени участия сторон в выполнении каждого этапа.

6. Разработаны структура и алгоритм работы и обоснована структура программного обеспечения системы краткосрочного прогнозирования электропотребления предприятия. Система прогнозирования охватывает все основные этапы прогнозирования (обработка данных, пополнение базы данных, поиск информативных признаков, идентификация модели прогнозирования, формирование прогноза) и обладает пользовательским графическим интерфейсом.

7. Предложен и обоснован алгоритм поиска входных признаков модели прогнозирования электропотребления на основе искусственных нейронных сетей с обобщенной регрессией с возможностью применения знаний эксперта, позволяющий выявлять комплексные нелинейные зависимости электропотребления от признаков различной природы.

8. Экспериментальные исследования показали, что система краткосрочного прогнозирования электропотребления, спроектированная для горного предприятия с использованием MATLAB 7 и СУБД MySQL 5, позволяет снизить погрешность прогнозирования электропотребления в 1,2 раза по сравнению с традиционными методами прогнозирования и в 2,0 раза по сравнению с методами прогнозирования, используемыми в настоящий момент на предприятии.

9. Разработанная система краткосрочного прогнозирования электропотребления горного предприятия обладает гибкостью и возможностью своего дальнейшего усовершенствования. С этой целью предложен и обоснован перечень практических мероприятий для повышения качества краткосрочного прогнозирования электропотребления на предприятии.

ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в изданиях, включенных в действующий перечень ВАК:

1. Валь, П.В. Краткосрочное прогнозирование электропотребления горного предприятия с использованием однофакторных методов / П.В. Валь // Вестник СибГАУ им. ак. М.Ф. Решетнева. - 2011. - Выпуск 2. - С 12-17.

2. Валь, П.В. Концепция разработки системы прогнозирования электропотребления промышленного предприятия в условиях оптового рынка / П.В. Валь, Ю.П. Попов // Промышленная энергетика. -2011. -№ 10. - С 31-35.

Публикации в прочих изданиях:

3. Валь, П.В. Прогнозирование электрической нагрузки в условиях реформирования электроэнергетической отрасли / П.В. Валь // Материалы 1-ой Международной научно-практической конференции «Аспекты ноосферной безопасности в приоритетных направлениях деятельности человека». - Тамбов: Изд-во Першина Р.В., 2010.-С. 137-139.

4. Валь, П.В. Прогнозирование электропотребления с использованием авторегрессионного метода / П.В. Валь, А.С.Торопов // Сборник трудов XVI Международной научно-практической конференции студентов, аспирантов и молодых ученых «Современные техника и технологии»,— Томск: ТПУ, 2010. - С. 23-24.

5. Валь, П.В. Прогнозирование электропотребления предприятия горнодобывающей промышленности / П.В. Валь // Материалы Всероссийской научно-технической конференции «Электроэнергия: от получения и распределения до эффективного использования», — Томск: ТПУ, 2010. — С. 16-18.

6. Валь, П.В. Прогнозирование электропотребления горного предприятия на базе искусственных нейронных сетей / П.В. Валь, A.C. Торопов // Материалы XI Всероссийской научно-практической конференции «Энергоэффективность систем жизнеобеспечения города», — Красноярск: СФУ, 2010. — С. 220-223.

7. Валь, П.В. Использование искусственных нейронных сетей для моделирования нелинейных зависимостей в задаче прогнозирования электропотребления / П.В. Валь, Е.С. Соловьев // Сборник материалов VII Всероссийской научно-технической конференция студентов, аспирантов и молодых ученых «Молодежь и наука» / отв. ред. О.А.Краев, - Красноярск: СФУ, 2011.

8. Валь, П.В. Проблема выбора метода прогнозирования электропотребления / П.В. Валь // Труды XI Международной научно-практической конференции «Интеллект и наука» — Красноярск : Центр информации, 2011 - С. 166-168.

9. Валь, П.В. Экономическая эффективность прогнозирования электропотребления в условиях оптового рынка электроэнергии и мощности / П.В. Валь // Сборник материалов VII Всероссийской научно-технической конференция студентов, аспирантов и молодых ученых «Молодежь и наука» / отв. ред. О.А.Краев, - Красноярск: СФУ, 2011.

10. Валь, П.В. Краткосрочное прогнозирование цены на электроэнергию в условиях оптового рынка электроэнергии и мощности / П.В. Валь, Н.С. Клепче // Сборник материалов VII Всероссийской научно-технической конференция студентов, аспирантов и молодых ученых «Молодежь и наука» / отв. ред. О.А.Краев, — Красноярск: СФУ, 2011.

Автор выражает благодарность кандидату технических наук, доценту Торопову A.C. за научные консультации и помощь в работе над диссертацией.

Подписано в печать 19.04.2012. Печать плоская. Формат 60x84/16 Бумага офсетная. Усл. печ. л. 1,25. Тираж 110 экз. Заказ 7471

Отпечатано полиграфическим центром Библиотечно-издательского комплекса Сибирского федерального университета 660041, г. Красноярск, пр. Свободный, 82а Тел/факс (391)206-26-58,206-26-49 E-mail: print_sfu@mall.ru; http://lib.sfu-kras.ru

Оглавление автор диссертации — кандидата технических наук Валь, Пётр Владимирович

ВВЕДЕНИЕ.

1 Методологический анализ проблемы краткосрочного прогнозирования электропотребления электротехнической системы предприятия в условиях оптового рынка электроэнергии и мощности.

1.1 Особенности оборота электроэнергии на оптовом рынке электроэнергии и мощности.

1.2 Электрическое хозяйство предприятия как объект прогнозирования.

1.3 Выбор метода прогнозирования электропотребления.

1.4 Обзор методов краткосрочного прогнозирования электропотребления

1.5 Требования к системе прогнозирования электропотребления.

Выводы по разделу 1.

2 Теоретические основы построения модели краткосрочного прогнозирования электропотребления предприятия.

2.1 Постановка задачи краткосрочного прогнозирования электропотребления предприятия.

2.2 Искусственные нейронные сети как инструмент прогнозирования электропотребления.

2.3 Анализ качества модели прогнозирования электропотребления.

2.4 Алгоритм построения модели прогнозирования электропотребления

2.5 Традиционные методы прогнозирования электропотребления.

Выводы по разделу 2.

3 Теоретическая и алгоритмическая разработка системы краткосрочного прогнозирования электропотребления предприятия.

3.1 Концепция построения системы прогнозирования электропотребления предприятия.

3.2 Структура системы прогнозирования электропотребления предприятия.

3.3 Краткий обзор программных средств реализации системы прогнозирования электропотребления.

3.4 База данных системы прогнозирования электропотребления.

3.5 Поиск информативных признаков модели прогнозирования электропотребления.

3.6 Идентификация модели прогнозирования электропотребления.

Выводы по разделу 3.

4 Практическая разработка системы краткосрочного прогнозирования электропотребления горного предприятия.

4.1 Особенности электропотребления Сорского производственного комплекса.

4.2 Формализация входной информации модели прогнозирования электропотребления Сорского производственного комплекса.

4.3 Идентификация модели прогнозирования электропотребления Сорского производственного комплекса.

4.4 Тестирование модели прогнозирования электропотребления Сорского производственного комплекса.

Выводы по разделу 4.

5 Анализ практического использования системы краткосрочного прогнозирования электропотребления горного предприятия.

5.1 Анализ результатов тестирования модели прогнозирования электропотребления Сорского производственного комплекса.

5.2 Особенности системы прогнозирования электропотребления Сорского производственного комплекса.

Выводы по разделу 5.

Введение 2012 год, диссертация по электротехнике, Валь, Пётр Владимирович

В настоящее время прогнозирование является неотъемлемой частью любой сферы человеческой жизни, и электроэнергетика не является исключением. Необходимость точного определения будущих значений параметров электротехнических систем возникла с момента начала глобальной электрификации отраслей экономики развитых стран. Результаты прогнозирования электропотребления являются информационной основой процессов планирования оптимальных режимов работы электротехнических систем предприятий.

В последние годы в электроэнергетике большинства развитых стран необходимость качественного прогнозирования электропотребления (преимущественно краткосрочного) стала еще более острой, в том числе и для конечных потребителей электроэнергии, в связи с введением конкурентных отношений в отрасли. В новых рыночных условиях функционирования электротехнических систем предприятий качество краткосрочного прогнозирования стало напрямую влиять на финансовое благополучие участников рынка электроэнергии.

В России вслед за развитыми западными странами результатом либерализации электроэнергетической отрасли стал запуск оптового рынка электроэнергии и мощности (ОРЭМ). У крупных предприятий, суммарная присоединенная мощность которых превышает 20 МВА, появилась возможность выбора: покупать электроэнергию у гарантирующих поставщиков (или энергосбытовых компаний) либо напрямую участвовать в торгах наравне с гарантирующими поставщиками и энергосбытовыми компаниями. Все большее число крупных предприятий выбирает второй вариант (к середине 2011 г. на ОРЭМ насчитывалось 45 крупных потребителей), что главным образом обусловлено желанием предприятий снизить долю оплаты за электроэнергию в себестоимости своей продукции и тем самым снизить издержки производства.

В последние годы для отечественных предприятий характерно стабильное увеличение доли оплаты за электроэнергию в себестоимости продукции. Главным образом это вызвано высокой энергоемкостью продукции отечественных предприятий [59], а также устойчивым ростом уровня цен на электроэнергию в стране. 11 марта 2011 г. президент России Д.А. Медведев, посещая крупнейшие энергетические объекты Сибири, выразил серьезные опасения о том, что дальнейший рост уровня цен на электроэнергию в России может затормозить экономическое развитие страны. С 2000 г. тарифы на электроэнергию в среднем в стране возросли более чем в три раза. Российские предприятия становятся менее конкурентоспособными на мировом рынке, так как в условиях рынка конкурентоспособность предприятия определяется себестоимостью его продукции.

Таким образом, одним из путей снижения затрат на покупку электроэнергии и тем самым снижения себестоимости продукции является выход крупного предприятия на ОРЭМ, цены которого ниже, чем розничного рынка электроэнергии у гарантирующего поставщика. Выход на ОРЭМ позволяет экономить значительные суммы преимущественно за счет организационных мероприятий, что значительно увеличивает его привлекательность в качестве меры по уменьшению затрат. Другие мероприятия, направленные на уменьшение оплаты за электроэнергию, носят преимущественно энергосберегающий характер, требуют значительных инвестиций и имеют, как правило, больший срок окупаемости.

Для выхода крупного предприятия на ОРЭМ необходимо выполнение ряда требований: заключение договора с сетевой организацией по передаче электроэнергии, заключение договора о присоединении к торговой системе, установка средств коммерческого учета электроэнергии, организация связи с Администратором торговой системы и Системным оператором и другие. Однако одним из наиболее серьезных требований является организация качественной работы в области подачи ценовых заявок на покупку электроэнергии «рынка на сутки вперед» (PCB), являющимся основной площадкой реализации электроэнергии. Некачественная подача ценовых заявок вследствие неточного краткосрочного прогнозирования электропотребления может нивелировать все выгоды от выхода на ОРЭМ, так как приведет к дополнительным издержкам, вызванным выходом предприятия на «балансирующий рынок» (БР).

Таким образом, для предприятий-участников ОРЭМ актуальной является задача обеспечения качественного краткосрочного прогнозирования электропотребления с целью подачи обоснованных ценовых заявок на покупку электроэнергии на PCB. Согласно проведенным расчетам по данным 2009-2010 гг. второй ценовой зоны ОРЭМ для покупателя электроэнергии со среднемесячным электропотреблением порядка 1 млн. МВт ч снижение среднеабсолютной процентной ошибки прогнозирования (МАРЕ) на 1 % (например, с 3 % до 2 %) способствует экономии более 2 млн. руб. в месяц [17, 26].

Решению задачи обеспечения прогнозирования параметров электротехнических систем предприятий посвящены работы многих отечественных и зарубежных исследователей: Б.И. Кудрин, Б.И. Макоклюев, В.И. Гнатюк, А.Н. Митрофанов, В.З. Манусов, И.И. Надотка, Дж. Тейлор (J. Taylor) и др. Множество отечественных и зарубежных специализированных изданий в достаточной мере освещают исследования по прогнозированию электропотребления: «Промышленная энергетика», «Transactions on Power Systems», «International Journal of Forecasting» и др.

Несмотря на столь масштабное изучение, проблема прогнозирования электропотребления продолжает оставаться актуальной. С каждым годом ужесточаются требования к качеству прогнозных расчетов в связи с изменениями условий работы предприятий на оптовом рынке. Благодаря системным уни-кальностям сложных электротехнических систем к каждому объекту необходим индивидуальный подход с целью разработки средств обеспечения краткосрочного прогнозирования электропотребления. Развитие новых интеллектуальных методов анализа данных в условиях увеличения и удешевления вычислительных мощностей современных ЭВМ также открывают новые возможности для исследований.

В настоящее время для обеспечения качественного краткосрочного прогнозирования электропотребления электротехнических систем предприятий требуется система прогнозирования электропотребления, обеспечивающая эффективное хранение и использование необходимой информации, реализующая все этапы прогнозирования и управляемая посредством графического пользовательского интерфейса. Система прогнозирования электропотребления должна быть адаптивна, должна использовать современные методы анализа данных и в полной мере использовать вычислительные мощности современных ЭВМ.

Для достижения указанной цели в диссертации поставлены и решены следующие задачи:

Заключение диссертация на тему "Краткосрочное прогнозирование электропотребления горного предприятия в условиях оптового рынка электроэнергии и мощности"

Выводы по разделу 5

1. Результаты тестирования показали, что разработанная система прогнозирования горного предприятия (на примере Сорского производственного комплекса) позволяет снизить погрешность прогнозирования электропотребления в среднем в 1,2 раза по сравнению с традиционными методами прогнозирования и в 2,0 раза по сравнению с методами, используемыми в настоящий момент на предприятии.

2. Значительная неравномерность распределения ошибки прогнозирования электропотребления СПК для различных часов суток свидетельствует о необходимости использования индивидуальных часовых моделей для прогнозирования электропотребления каждого часа суток.

3. Анализ эффективности комбинирования искусственных нейронных сетей показал, что средняя точность комбинации превышает среднюю точность подавляющего большинства индивидуальных нейронных сетей этой комбинации. Использование комбинации нейронных сетей позволяет снизить влияние качества индивидуальных сетей комбинации на конечный результат и тем самым снизить цену ошибки за использование неадекватной сети. При этом немногочисленные нейронные сети часовой модели, которые показали среднюю точность несколько выше средней точности комбинации, выявить априори не является возможным.

4. Анализ зависимости средней ошибки прогнозирования нейронных сетей (при условии их достаточной адекватности) от критериев их качества, рассчитанных на выборке, свидетельствует о неприменимости в полной мере традиционного подхода к анализу адекватности моделей для нелинейных моделей прогнозирования сложного объекта.

5. Практически полная несогласованность во времени прогнозов электропотребления различных нейронных сетей одной часовой модели свидетельствует о необходимости использования на практике комбинации из всех нейронных сетей (при условии их достаточной адекватности) данной часовой модели для прогнозирования электропотребления последующих суток.

6. Разработанная система прогнозирования электропотребления горного предприятия осуществляет работу в четырех основных режимах: пополнение базы данных; идентификация модели прогнозирования; корректировка параметров модели прогнозирования; прогнозирование и визуализация.

7. Разработанная система прогнозирования обладает гибкостью и возможностью дальнейшего усовершенствования. Система прогнозирования позволяет безболезненно ввести в модель прогнозирования дополнительную информацию (как о влияющих факторах, так и об электропотреблении различных подразделений), а также использовать дополнительные методы прогнозирования. При необходимости система прогнозирования может быть переведена на другой язык программирования.

8. Для повышения прогнозирующих качеств системы прогнозирования электропотребления предприятия были предложены и обоснованы практические мероприятия: организация учета по основным производственным и технологическим факторам (с почасовой, посменной или посуточной дискретностью); организация детализированного учета электропотребления по основным подразделениям предприятия и построение моделей прогнозирования каждого подразделения; использование приборов учета электропотребления более высокого класса точности; использование дополнительных методов прогнозирования для построения комбинации моделей.

ЗАКЛЮЧЕНИЕ

Предложенная концепция содержит полное описание процесса построения системы прогнозирования, последовательно излагает и полностью описывает основные этапы построения с указанием степени участия сторон в выполнении каждого этапа.

Библиография Валь, Пётр Владимирович, диссертация по теме Электротехнические комплексы и системы

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

2. Антоненков, Д.В. Краткосрочное прогнозирование электропотребления угольного разреза в условиях оптового рынка электроэнергии : дис. . канд. техн. наук Текст. / Д.В. Антоненков ; Сибирский федеральный университет. -Красноярск, 2009 169 с.

3. Ануфриев, И.Е. MATLAB 7 Текст. / И.Е. Ануфриев, А.Б. Смирнов, E.H. Смирнова СПб.: БХВ-Петербург, 2005. - 1104 с.

4. Анушина, Е.С. Система краткосрочного прогнозирования электрической нагрузки : дис. . канд. техн. наук Текст. / Е.С. Анушина ; Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» им. В.И. Ульянова (Ленина). СПб., 2009. - 111 с.

5. Бархатов, В.И. Прогнозирование и планирование в условиях рынка : учебное пособие Текст. / В.И. Бархатов, A.A. Горшков, ЮШ. Капкаев и др. -Челябинск: ЮУрГУ, 2001. 140 с.

6. Бауэр А. Философия и прогностика: Мировоззренческие и методологические проблемы общественного прогнозирования: пер. с нем. Текст. / А. Бауэр, В. Эхгорн В., Г. Кребер-М., Прогресс, 1971. -423 с.

7. Белых, Б.П. Электрические нагрузки и электропотребление на горнорудных предприятиях Текст. / Б.П. Белых М.: Недра, 1971. - 440 с.

8. Берндт, Э.Р. Практика эконометрики. Классика и современность : пер. с англ. Текст. / Э.Р. Берндт; ред. С.А. Айвазяна М.: ЮНИТИ-ДАНА, 2005.- 863 с.

9. Бирюков, Е.В. Практическая реализация нечеткой нейронной сети при краткосрочном прогнозировании электрической нагрузки Текст. / Е.В. Бирюков, М.С. Корнеев // Сборник трудов научной сессии МИФИ, 2005. С. 207214.

10. Бокс, Дж., Анализ временных рядов, прогноз и управление : в 2 ч. : пер. с англ. Текст. / Дж. Бокс, Г. Дженкинс ; ред.В.Ф. Писаренко М.: Мир, 1974. - 406 с.

11. Большаков, В.Д. Теория ошибок наблюдений Текст. / В.Д. Большаков 2-е изд., перераб. и доп. -М.: Недра, 1983. - 223 с.

12. Борисов, В.В. Нечеткие модели и сети Текст. / В.В. Борисов, В.В. Круглов, A.C. Федулов М.: Горячая линия Телеком, 2007. - 284 с.

13. Боровиков, В.П. Прогнозирование в системе STATISTICA в среде Windows. Основы теории и интенсивная практика на компьютере : учеб. пособие Текст. / В.П. Боровиков, Г.И. Ивченко М.: Финансы и статистика, 2000. -384 с.

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

15. Бэстенс, Д. Нейронные сети и финансовые рынки. Принятие решений в торговых операциях Текст. / Д. Бэстенс, В. Ван Ден Берг, Д. Вуд ; пер. с англ. C.B. Курочкина под ред. А.П. Коваленко, Е.С. Пастухова М.: ТВП, 1997.-235 с.

16. Валь, П.В. Концепция разработки системы прогнозирования электропотребления промышленного предприятия в условиях оптового рынка Текст. / П.В. Валь, Ю.П. Попов // Промышленная энергетика. 2011. - № 10. -С. 31-35.г

17. Валь, П.В. Краткосрочное прогнозирование электропотребления горного предприятия с использованием однофакторных методов Текст. / П.В. Валь // Вестник СибГАУ им. ак. М.Ф. Решетнева. 2011. - № 2 (35) - С. 12-17.

18. Валь, П.В. Проблема выбора метода прогнозирования электропотребления Текст. / П.В. Валь // Труды XI Международной научно-практической конференции «Интеллект и наука» Красноярск : Центр информации, 2011 - С. 166-168.

19. Воронов, И.В. Создание прогнозной модели электропотребления предприятия химической отрасли на основе искусственных нейронных сетей Текст. / Промышленная энергетика. 2011. - № 3. - С. 26-29.

20. Воронцов, К.В. Машинное обучение : курс лекций Электронный ресурс. / К.В. Воронцов. 2011. - Режим доступа: http://machinelearning.ru/wiki.

21. Галустов, Е.Е. Математическое моделирование и прогнозирование в технических системах Текст. / Е.Е. Еалустов, С.П. Бровченко, С.Н. Мелешкин Таганрог: ТТИ ЮФУ, 2008. - 30 с.

22. Евишиани, Д.М. Прогностика текст. / Д.М. Евишиани, В.А. Лисичкин М.: «Знание», 1968. - 94 с.

23. Елебов, A.A. Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем : дис. . канд. техн. наук Текст. /

24. A.A. Глебов ; Астраханский государственный университет. Астрахань, 2006 -112 с.

25. Гмурман, В.Е. Теория вероятностей и математическая статистика : учеб. пособие для вузов Текст. / В.Е. Гмурман 7-е изд., стер - М.: Высшая школа, 2004. - 479 с.

26. Гнатюк, В.И. Закон оптимального построения техноценозов. Компьютерная версия, перераб. и доп. - М.: Изд-во ТГУ - Центр системных исследований, 2005 - 2011. Электронный ресурс. / В.И. Гнатюк. - 2011. - Режим д о сту п а: http: //gnatukvi. ru/ind .html

27. Гнатюк, В.И. Прогнозирование электропотребления методом анализа главных компонент Текст. / В.И. Гнатюк, Д.В. Луценко, Л.И. Двойрис и др. // Электрика. 2007. - № 3. - С. 41-46.

28. Гольцман, В.И. MySQL 5.0. Библиотека программиста Текст. / В.И. Гольцман СПб.: ПИТЕР, 2010. - 253 с.

29. Голяндина, Н.Э. Метод «ryceHHija»-SSA: анализ временных рядов Текст. / Н.Э. Голяндина СПб.: СПбГУ, 2004. - 76 с.

30. Гужва, А.Г. Сравнительный анализ методов оценки важности входных переменных при нейросетевом прогнозировании Текст. / А.Г. Гужва, С.А. Доленко, И.Г. Персианцев и др. // Труды конференции «Нейроинформатика-2006». -М. 2006. Часть 1. - С. 31-39.

31. Гужов, Н.П. Статистическое прогнозирование режимов электропотребления предприятий : учеб. пособие Текст. / Н.П. Гужов Новосибирск : Новосиб. электротехн. ин-т., 1992. - 106 с.

32. Дейт, К.Дж. Введение в системы баз данных : пер. с англ. Текст. / К.Дж. Дейт 8-е изд. -М.: Вильяме, 2005. - 1314 с.

33. Дьяконов, В.П. MATLAB 7.*/R2006/R2007: Самоучитель Текст. / В.П. Дьяконов М.: ДМК Пресс, 2008. - 768 с.

34. Ежов, А.А. Нейрокомпьютинг и его применение в экономике и бизнесе Текст. / А.А. Ежов, С.А. Шумский М.: МИФИ, 1998. - 224 с.

35. Ермоленко, П.С. Краткосрочное прогнозирование расхода электрической энергии нефтедобывающего производства Текст. / П.С. Ермоленко // Электрика. 2010. - № 8. - С. 19-23.

36. Жданов, А.А. Автономный искусственный интеллект Текст. / А.А. Жданов. М.: БИНОМ. Лаборатория знаний, 2008. - 359 с.

37. Илюшечкин, В.М. Основы использования и проектирования баз данных : учеб. пособие Текст. / В.М. Илюшечкин. М.: Юрайт, 2011. - 213 с.

38. Ицхоки, О. Выбор модели и парадоксы прогнозирования Текст. / О. Ицхоки // Квантиль. 2006. - № 1 - С. 43-51.

39. Камаев, В.А. Применение коннективистских систем для прогнозирования потребления электроэнергии в торговых центрах Текст. / В.А. Камаев, М.В. Щербаков, Д.П. Панченко и др. // Управление большими системами. М.: 2010.-Вып. 31.-С. 92-109.

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

41. Кирилова, Т.Н. Многофакторное прогнозирование потребления электроэнергии в промышленном и бытовом секторах Текст. / Т.Н. Кирилова, Д.Е. Бабинович, Г.Н. Климова, Е.А. Шутов // Энергорынок. 2009. - № 11. - С. 4045.

42. Кобзарь, А.И. Прикладная математическая статистика : для инженеров и научных работников Текст. / А.И. Кобзарь М.: Физматлит, 2006. -816 с.

43. Коморник, С. Требования к системам прогнозирования энергопотребления Текст. / С. Коморник, Е. Калечиц // Энергорынок. 2008. - № 3 -С. 8-11.

44. Копцев, Л.А. Нормирование и прогнозирование потребления электроэнергии на промышленном предприятии Текст. / Л.А. Копцев, А.Л. Копцев // Промышленная энергетика. 2011. - № 1. - С. 18-23.

45. Круглов, В.В. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода Текст. / В.В. Круглов, М.И. Дли. М.: Физматлит, 2002. - 256 с.

46. Круглов, В.В. Искусственные нейронные сети. Теория и практика Текст. / В.В. Круглов, В.В. Борисов 2-е изд. - М.: Горячая Линия - Телеком, 2002.- 382 с.

47. Круглов, В.В. Нечеткая логика и искусственные нейронные сети Текст. / В.В. Круглов, М.И. Дли, Р.Ю. Голунов -М.: Физматлит, 2001. 221 с.

48. Кудрин, Б.И. Введение в технетику Текст. / Б.И. Кудрин Томск: ТГУ, 1993.- 552 с.

49. Кудрин, Б.И. Исследования технических систем как сообществ изделий техноценозов Текст. / Б.И. Кудрин // Системные исследования. Методологические проблемы. Ежегодник 1980. -М.: Наука, 1981 - С. 236-254.

50. Кудрин, Б.И. Методика обеспечения почасового прогнозирования электропотребления предприятий с учетом погодных факторов Текст. / Б.И. Кудрин, A.B. Мозгалин // Вестник МЭИ, № 2. 2007.

51. Кудрин, Б.И. О ценологическом прогнозе электропотребления до 2060 года Текст. / Б.И. Кудрин // Материалы всероссийской научно-технической конференции «Электроэнергия: от получения и распределения до эффективного использования». Томск: ТПУ, 2010.

52. Кудрин, Б.И. Электроснабжение промышленных предприятий: учебник для студентов высших учебных заведений Текст. / Б.И. Кудрин. 2-е изд. - М.: Интермет Инжиниринг, 2006. - 672 с.

53. Кузовкин, А.И. Реформирование электроэнергетики и энергетическая безопасность Текст. / А.И. Кузовкин. М.: ОАО «Институт микроэкономики», 2006. - 389 с.

54. Лагутин, М.Б. Наглядная математическая статистика : учеб. пособие Текст. / М.Б. Лагутин М.: БИНОМ. Лаборатория знаний, 2007. - 472 с.

55. Леоненков, A.B. Нечеткое моделирование в среде MATLAB и fuzzyTECH Текст. / A.B. Леоненков СПб.: БХВ-Петербург, 2005. - 736 с.

56. Лесниченко, А.И. Метод среднесрочного прогнозирования электропотребления предприятий и организация региона Текст. / А.И. Лесниченко // Электрика. 2010. - № 8. - С. 15-19.

57. Лукашин, Ю.П. Адаптивные методы прогнозирования временных рядов Текст. / Ю.П. Лукашин М.: Финансы и статистика, 2003. - 415 с.

58. Макоклюев, Б.И. Анализ и планирование электропотребления Текст. / Б.И. Макоклюев. М.: Энергоатомиздат, 2008. - 296 с.

59. Макоклюев, Б.И. Информационная структура и программные средства обработки и хранения данных технологического оборудования и режимных параметров Текст. / Б.И. Макоклюев, A.B. Антонов, Р.Ф. Набиев // Электрические станции. 2004. - № 6.

60. Макоклюев, Б.И. Методология и система моделей прогноза электропотребления Текст. / Б.И. Макоклюев // Электрические станции. 2007. - № 3.

61. Макоклюев, Б.И. Методы и средства анализа и планирования электропотребления энергообъединений и энергосистем : дис. . д-ра техн. наук Текст. / Б.И. Макоклюев ; ОАО «Научно-исследовательский институт электроэнергетики» (ОАО «ВНИИЭ»). М., 2005. - 295 с.

62. Макоклюев, Б.И. Формирование и планирование электропотребления балансов электроэнергии Дальневосточной энергетической компании (ДЭК) Текст. / Б. Макоклюев, Н. Цуприк, А. Антонов и др. // Энергорынок. 2009. -№ 6 (67). - С. 40-42.

63. Максимов, Б.К. Теоретические и практические основы рынка электроэнергии : учеб. пособие Текст. / Б.К. Максимов, В.В. Молодюк. М.: МЭИ, 2008.-292 с.

64. Медведев, B.C. Нейронные сети. MATLAB 6 текст. / B.C. Медведев, В.Г. Потемкин М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

65. Методика прогнозирования графиков электропотребления для технологий краткосрочного планирования Электронный ресурс. / Н.Г. Шульгинов 2007. - Режим доступа www.so-ups.ru/fileadmin/files/marketregulations/ schedules.pdf.

66. Некоммерческое партнерство «Совет рынка» Электронный ресурс.- Официальный сайт. 2009-2011. - Режим доступа: http://www.np-sr.ru.

67. ОАО «Администратор торговой системы» Электронный ресурс. -Официальный сайт. 2009-2011. - Режим доступа: http://www.atsenergo.ru.

68. Олейников, В.К. Анализ и планирование электропотребления на горных предприятиях Текст. / В.К. Олейников М.: Недра, 1983. - 192 с.

69. Орлов, А.И. Эконометрика Текст. / А.И. Орлов М.: Экзамен, 2002.- 576 с.

70. Осовский, С. Нейронные сети для обработки информации : пер. с польского Текст. / С. Осовский М.: Финансы и статистика, 2002. - 334 с.

71. Остапюк, С.Ф. Модели построения комбинированного прогноза развития научно-технической сферы Текст. / С.Ф. Остапюк, М.А. Мотова // Проблемы прогнозирования. 2004. - № 1 - С. 146-156.

72. Ошурков, М.Г. Суточное и почасовое прогнозирование электропотребления металлургического предприятия для задач работы на оптовом рынке электроэнергии Текст. / М.Г. Ошурков, С.С. Новиков, П.А. Ширяев // Электрометаллургия. 2008. - № 10. - С. 39-43.

73. Полижаров, A.C. Опыт разработки и внедрения иерархической системы прогнозирования электропотребления (ИСП) СО ЕЭС Текст. / A.C. Полижаров, A.B. Антонов, Э.А. Алла и др. // Энергоэксперт. 2010. - №6. - С. 6466.

74. Рубан, А.И. Методы анализа данных : учеб. пособие Текст. / А.И. Рубан 2-е изд., исправл. и доп. - Красноярск: ИПЦ КГТУ, 2004. - 319 с.

75. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы : пер. с польского Текст. / Д. Рутковская, М. Пилиньский, Л. Рутков-ский М.: Горячая линия Телеком, 2004. - 452 с.

76. Саламатов, Ю.П. Система законов развития техники (основы теории развития технических систем) Электронный ресурс. / Ю.П. Саламатов 2-е изд. испр. и доп. - 1991-1996. - Режим доступа: http://www.trizminsk.Org/e/21101 ООО.ЫтШос.

77. Светуньков, С.Г. Методы социально-экономического прогнозирования. Том I Текст. / С.Г. Светуньков, И.С. Светуньков СПб.: СПбГУЭФ, 2009. - 147 с.

78. Светуньков, С.Г. Методы социально-экономического прогнозирования. Том II Текст. / С.Г. Светуньков, И.С. Светуньков СПб.: СПбГУЭФ, 2010.- 105 с.

79. Системный оператор Единой энергетической системы Электронный ресурс. Официальный сайт. - 2009-2011. - Режим доступа: http://www. so-ups.ru.

80. Смирнова, К.А. Понятие неопределенности экономических систем и подходы к ее оценке Текст. / К.А. Смирнова // Вестник МГТУ. 2008. №2 - С. 241-246.

81. Суслов, В.И. Эконометрия : учебное пособие Текст. / В.И. Суслов, Н.М. Ибрагимов и др. Новосибирск : СО РАН, 2005. - 744 с.

82. Сухарев, М.Г. Методы прогнозирования : учеб. пособие Текст. / М.Г. Сухарев М.: РГУ нефти и газа, 2009. - 208 с.

83. Тихонов, Э.Е. Методы прогнозирования в условиях рынка Текст. / Э.Е. Тихонов Невинномысск: СевКавГТУ, 2006. - 221 с.

84. Торопов, A.C. Анализ и прогнозирование расхода электроэнергии нетяговыми потребителями железных дорог : дис. . канд. техн. наук Текст. / A.C. Торопов ; Сибирский федеральный университет. Красноярск, 2007 -178 с.

85. Хайкин, С. Нейронные сети: полные курс : пер. с англ. Текст. / С. Хайкин 2-е изд., испр. - М.: Вильяме, 2006. - 1104 с.

86. Ю1.Халафян, A.A. STATISTICA 6. Статистический анализ данных : учебник Текст. / A.A. Халафян 3-е изд. - М.: ООО «Бином-Пресс», 2007. -512 с.

87. Хант, С. Конкуренция и выбор в электроэнергетике : пер. с англ. Электронный ресурс. / С. Хант, Г. Шаттлуорт. 1998. - Режим доступа: http://www.libertarmm.ru/ñles/libenergycon/russbook.pdf.

88. Шварц, Б. Парадокс свободы выбора. Почему «больше» значит «меньше» : пер. с англ. Текст. / Б. Шварц. М.: Добрая книга, 2005. - 288 с.

89. Шенк, X. Теория инженерного эксперимента : пер. с англ. Текст. / X. Шенк. М.: Мир, 1972. - 382 с.

90. Шумилова, Г.П. Модель суточного прогнозирования нагрузок ЭЭС с использованием нечетких нейронных сетей Текст. / Г.П. Шумилова, Н.Э. Гот-ман, Т.Б. Старцева // Известия РАН. Энергетика. 2001. - №4. - С. 52-59.

91. Шумилова, Г.П. Прогнозирование электрических нагрузок при оперативном управлении электроэнергетическими системами на основе нейросете-вых структур Текст. / Г.П. Шумилова, Н.Э. Готман, Т.Б. Старцева. Сыктывкар: КНЦ УрО РАН, 2008. - 77 с.

92. Электронный учебник StatSoft Электронный ресурс. 2011. - Режим доступа: http://www.statsoft.ru/home/textbook.

93. Ясницкий, JI.H. Введение в искусственный интеллект Текст. / JI.H. Ясницкий. 3-е изд., стер. - М. : Академия, 2010. - 176 с.

94. Яхъяева, Г.Э. Нечеткие множества и нейронные сети Текст. / Г.Э. Яхъяева. 2-е изд. испр. - М.: Бином. Лаб. знаний, 2008. - 315 с.

95. Abraham, A. A neuro-fuzzy approach for modelling electricity demand in Victoria Текст. / A. Abraham, B. Nath // Applied Soft Computing Journal. 2001. -Vol. 1.-P.127-138.

96. Alfares, H.K. Electric load forecasting: literature survey and classification of methods Текст. / H.K. Alfares, M. Nazeeruddin // International Journal of Systems Science. 2002. - Vol. 33 (no. 1). - P. 23-34.

97. Bates, J.M. The Combination of Forecasts Текст. / J.M. Bates, C.W.J. Granger // Operational Research Quarterly. 1969. - Vol. 20 (no. 4).

98. Behera, R. A Hybrid Short Term Load Forecasting Model of an Indian Grid Текст. / R. Behera, B. P. Panigrahi, В. B. Pati // Energy and Power Engineering. 2011.-Vol. 3.-P. 190-193.

99. Cancelo, J.R. Forecasting the electricity load from one day to one week ahead for the Spanish system operator Текст. / J.R. Cancelo, A. Espasa, R. Grafe // International Journal of Forecasting. 2008. - Vol. 24 (Issue 4). - P. 588-602.

100. Chogumaira, E.N. Short-Term Electricity Price Forecasting Using a Combination of Neural Networks and Fuzzy Inference Текст. / E.N. Chogumaira, T. Hiyama // Energy and Power Engineering. 2011. - Vol. 3. - P. 9-16.

101. Clement, R.T. Combining Forecasts: A Review and Annotated Bibliography (with Discussion) Текст. / R.T. Clement // International Journal of Forecasting. 1989. - Vol.5. - P. 559-583.

102. Diebold, E.X. The Use of Prior Information in forecast Combination Текст. / E.X. Diebold, P. Pauly // International Journal of Forecasting. 1990. -Vol.6.-P. 503-508.

103. Fiordaliso, A. A Nonlinear Forecasts Combination Method Based on Tak-agi-Sugeno Fuzzy Systems Текст. / A. Fiordaliso // International Journal of Forecasting. 1998. - Vol. 14. - P. 367-379.

104. Granger, C.W. Improved Methods of Combining Forecasts Текст. / C.W. Granger, R. Ramanathan // Journal of Forecasting. 1984. - Vol. 3. - P. 197-204.

105. Hagan, M.T. Training feedforward networks with the Marquardt algorithm Текст. / M.T. Hagan, M. Menhaj // IEEE Transactions on Neural Networks. -1994.-Vol. 5. (no. 6).-P. 989-993.

106. Hornik, K. Multilayer Feedforward Networks are Universal Approximators Текст. / К. Hornik, M. Stinchcombe, H. White // Neural Networks. 1989.-Vol. 2.-P. 359-366.

107. Math Works MATLAB and Simulink for Technical Computing Электронный ресурс. - Официальный сайт разработчиков MATLAB. - Режим доступа: http://www. mathworks.com/index.html. - Яз. английский.

108. MySQL :: The world's most popular open source database Электронный ресурс. Официальный сайт разработчиков СУБД MySQL. - Режим доступа: http://www.mysql.com. - Яз. английский.

109. Nguyen, D. Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights Текст. / D. Nguyen, B. Widrow //

110. Proceedings of the International Joint Conference on Neural Networks. 1990. -Vol. 3,-P. 21-26.

111. Park, D.C. Electric load forecasting using an artificial neural network Текст. / D.C. Park, M.A. El-Sharkawi, R.J. Marks II at al. // Transaction on power systems. 1991. - Vol. 6 (no. 2). - P. 442-449.

112. Shapiro, S. An analysis of variance test for normality (complete samples) Текст. / S. Shapiro, M. Wilk // Biometrika. 1965. - Vol. 52 (3-4). - P. 561-611.

113. Silva, A.D. Input space to neural network based load forecasters Текст. / A.D. Silva, A.P., V.H. Ferreira, R.M.G. Velasquez // International Journal of Forecasting. 2008. - Vol. 24 (Issue 4). - P. 616-629.

114. Siwek, K. Ensemble neural network approach for accurate load forecasting in power system Текст. / К. Siwek, S. Osowski, R. Szupiluk // Int. J. Appl. Math. Comput. Sci. 2009. - Vol. 19 (no. 2). - P. 303-315.

115. Soares, L.J. Modeling and forecasting short-term electricity load: A comparison of methods with an application to Brazilian data Текст. / L.J. Soares, M.C. Medeiros // International Journal of Forecasting. 2008. - Vol. 24 (Issue 4). -P. 630-644.

116. Taylor, J.V. Investigating Improvements in the Accuracy of Prediction Intervals for Combinations of Forecasts: A Simulations Study Текст. / J.V. Taylor, D.W. Bunn // International Journal of Forecasting. 1999. - Vol.15. - P. 325-339.

117. Taylor, J.W. A comparsion of univariate methods for forecasting electricity demand up to a day ahead Текст. / J.W. Taylor, L.M. de Menezes, P.E. McSharry // International Journal of Forecasting. 2006. - Vol. 22. - P. 1-16.

118. Thyagarajah, K. Short Term Load Forecasting Using Functional Link Network Текст. / К. Thyagarajah, M. Paulraj // European Journal of Scientific Research. -2011.- Vol. 51 (no. 3). P. 315-320.

119. Winters, P.R. Forecasting sales by exponentially weighted moving averages Текст. / P.R. Winters // Management Science. 1960. - Vol. 6 (no. 3).

Похожие работы

Электротехника
05.09.00