автореферат диссертации по энергетике, 05.14.02, диссертация на тему:Краткосрочное прогнозирование электропотребления в операционной зоне регионального диспетчерского управления с учетом фактора освещенности

Губский Сергей Олегович

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ В ОПЕРАЦИОННОЙ ЗОНЕ РЕГИОНАЛЬНОГО ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ С УЧЕТОМ ФАКТОРА ОСВЕЩЕННОСТИ

Специальность 05.14.02 - «Электростанции и электроэнергетические системы»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

1 4 ИЮН 2012

Новочеркасск - 2012

005045925

005045925

Работа выполнена в ФГБОУ ВПО «Южно-Российского государственного технического университета (Новочеркасский политехнический институт)» на кафедре «Электроснабжение промышленных предприятий и городов»

Научный руководитель -

доктор технических наук, профессор

НАДТОКА Иван Иванович

Официальные оппоненты -

ТРОПИН Владимир Валентинович

доктор технических наук, профессор,

ФГБОУ ВПО «Кубанский ГАУ»,

профессор каф. «Применение электрической энергии»

КРУГЛОВА Татьяна Николаевна

кандидат технических наук, доцент,

ФГБОУ ВПО «ЮРГТУ(НПИ)»,

доцент каф. «Мехатроника и гидропневмоавтоматика»

Ведущая организация - ФГБОУ ВПО «Самарский государственный технический университет» (г. Самара)

Защита диссертации состоится «29» июня 2012 г. в 10 час. 00 мин. на заседании диссертационного совета Д 212.304.01 при федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «ЮжноРоссийский государственный технический университет (Новочеркасский политехнический институт)» в аудитории 149 главного корпуса по адресу: 346428, г. Новочеркасск Ростовской области, ул. Просвещения, 132.

С диссертацией можно ознакомиться в библиотеке федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Южно-Российский государственный технический университет (Новочеркасский политехнический институт)». Автореферат диссертации размещен на официальных сайгах ВАК www.ed.gov.ru и ФГБОУ ВПО «ЮРГТУ(НПИ)» wwwjipi-tu.ru.

Автореферат разослан «25» мая 2012 г.

Отзыв на автореферат (в двух экземплярах, заверенных печатью) прошу направлять по адресу: 346428, г. Новочеркасск Ростовской области, ул. Просвещения, 132, Ученый совет ФГБОУ ВПО ЮРГТУ(НПИ), ученому секретарю.

Ученый секретарь

диссертационного совета Д 212.304.01 д.т.н., доцент

Колпахчьян П.Г.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы диссертации. Все потребители электроэнергии заинтересованы в снижении затрат при её приобретении. Потребители, будучи участниками оптового рынка электроэнергии и мощности (ОРЭМ), могут минимизировать затраты путем составления точных заявок на приобретаемую электроэнергию, а значит — выполнением точных прогнозов. Одним из способов точного прогнозирования является создание адекватной прогнозной математической модели, которая позволит учитывать различные влияющие на электропотребление (ЭП) факторы. К ним относятся и метеорологические факторы. Последние в той или иной степени постоянно находятся во взаимосвязи с процессом ЭП. Например, в филиале ОАО «Системный оператор Единой энергетической системы»(СО-ЕЭС) «Региональное диспетчерское управление энергосистемами Ростовской области и Республики Калмыкия» (Ростовское РДУ), изменение освещенности при переходе от ясного до пасмурного состояния неба в течение дня может вызвать повышение потребляемой мощности на 100-150 МВт, для Кубанского РДУ (Краснодарский край и Республика Адыгея) - на 150-200 МВт.

Повышение точности прогнозирования электропотребления способствует увеличению качества диспетчерского управления и, как следствие, увеличению надежности функционирования всей энергосистемы в целом.

Таким образом,с одной стороны для менее затратного функционирования на ОРЭМ, а с другой - для выполнения более качественного диспетчерского управления в РДУ на сегодняшний день актуальным является выполнение прогнозирования ЭП с наименьшей величиной ошибки.

Целью данной работы является повышение точности краткосрочного прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений за счет учета естественной освещенности.

Для достижения поставленной цели в данной работе ставятся и решаются следующие задачи исследования.

1 Исследование влияния естественной освещенности на величину ЭП.

2 Анализ взаимосвязи ЭП и продолжительности светового дня.

3 Установление взаимосвязей между влияющими на ЭП факторами.

4 Выбор типа многофакторной математической модели для описания и прогнозирования суточных часовых графиков ЭП.

5 Разработка математической модели прогнозирования электропотребления, учитывающей естественную освещенность.

6 Тестирование модели прогнозирования на временных рядах фактического электропотребления.

7 Оценка точности прогнозирования при учете влияющих факторов на различных временных интервалах.

8 Оценка точности прогнозирования при учете естественной освещенности.

9 Исследование влияния недостоверной входной информации на точность прогнозирования ЭП.

10 Исследование способности модели выполнять точное прогнозирование на начальных периодах существенных изменений ЭП.

11 Установление соответствия уровня ошибки прогнозирования требованиям ОАО «СО-ЕЭС».

Методы исследования.При решении поставленных задач использовались регрессионный и факторный анализ; методы математической статистики; методы математического моделирования многомерных временных рядов с использованием искусственных нейронных сетей. Экспериментальные исследования модели проводилось с использованием ЭВМ.

Основные положения, выносимые на защиту.

1 Результаты анализа взаимосвязей между электропотреблением и освещенностью, а также между освещенностью и другими влияющими факторами и полученные аналитические зависимости.

2. Методика выбора исходных данных для обучения нейронной сети и прогнозирования электропотребления.

3 Прогнозная нейросетевая модель электропотребления для диспетчерских служб региональных диспетчерских управлений.

Научная новизна работы заключается в следующем.

1 Впервые установлены закономерности и аналитические зависимости взаимосвязей между элекгропотреблением, температурой воздуха и естественной освещенностью, позволяющие учитывать данные метеофакторы в прогнозной модели.

2 Методика выбора объема исходных данных из суточного графика освещенности для обучения нейронной сети и прогнозирования электропотребления, отличающаяся тем, что вместо интегральных значений освещенности используются часовые данные и позволяющая повысить точность моделирования электропотребления.

3 Разработана модель для прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений, основанная на методе искусственных нейронных сетей, отличающаяся тем, что в ней в качестве одного из влияющих факторов учитываются значения естественной освещенности, что позволяет повысить точность прогнозирования, а также имеется возможность изменения структуры сети (количество нейронов во входном и скрытом слоях) в процессе её обучения.

Практическая значимость результатов диссертационной работы заключается в выявленных связях между ЭП и естественной освещенностью. Определена значимость факторов, влияющих на процесс ЭП в регионе.

Разработано и зарегистрировано программное обеспечение реализации методики повышения точности прогнозирования элекгропотребления путем учета освещенности для региональных диспетчерских управлений.

Результаты работы позволили усовершенствовать программный комплекс «Прогноз-ЭТО», установленный в Ростовском и Кубанском РДУ.

Разработанная модель может быть использована для прогнозирования электропотребления в филиалах ОАО «СО-ЕЭС» - региональных диспетчерских управлениях, филиалах ОАО «Федеральная сетевая компания Единой энергетической системы», оптовых генерирующих компаниях и территориальных генерирующих компаниях, региональных сетевых компаниях, а также в диспетчерских управлениях отдельных предприятий, которые являются членами оптового или розничного рынков электроэнергии и мощности.

Достоверность полученных результатов подтверждена корректностью поставленных задач, обоснованностью принятых решений и рекомендаций; применением математических моделей со свойствами, требуемыми для решения задач нрогнозиро-

вания; величиной ошибки прогнозирования ЭП менее 5 %, которая рассчитана по утвержденной методике. Модель апробирована с использованием фактических данных ЭП и метеорологических данных за период с 2007 г. по 2011 г.по территориям операционных зон РДУ. Экспериментальные данные, использовавшиеся для тестирования прогнозной модели, получены с применением сертифицированных систем телемеханики и автоматизированных систем коммерческого учета электроэнергии (АСКУЭ).

Внедрение результатов. Результаты работы включены в два отчета о научно-исследовательских работах, выполненных для филиала ОАО «СО-ЕЭС» «Ростовское РДУ» в 2008-2010 гг. предприятием ООО НПП «ВНИКО», а также вучебный процесс ЮРГТУ(НПИ) при подготовке инженеров и магистров по направлению «Электроэнергетика и электротехника». Результаты работы использованы в программном комплексе «Прогноз-ЭТО» при краткосрочном прогнозировании электропотребления в Ростовском и Кубанском РДУ и при подготовке на энергетическом факультете ЮРГТУ(НПИ) специализированных групп, обучающихся по заданию ОАО «СО-ЕЭС».

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались и получили положительную оценку на XXXI,XXXII и XXXIII сессиях всероссийского научного семинара Академии наук Российской Федерации «Кибернетика электрических систем» (ЮРГТУ, г. Новочеркасск) в 2009, 2010 и 2011 годах. Результаты представлялись на IX и X международных научно-практических конференциях «Современные энергетические комплексы и системы и управление ими» (ЮРГТУ, г. Новочеркасск) в 2009 и 2010 годах; на X международной научно-практической конференции «Компьютерные технологии в науке производстве, социальных и экономических процессах» (ЮРГТУ, г.Новочеркасск) в 2009 г.; на'региональной научно-практической конференции студентов, аспирантов и молодых ученых вузов Ростовской области «Студенческая научная весна-2011» (ЮРГТУ, г. Новочеркасск); на международной молодёжной научно-технической конференции «Электроэнергетика глазами молодежи» (СамГТУ, г. Самара) в 2011 г..

Результаты работы представлялись на «Первом молодежном инновационном конвенте Южного Федерального округа» (г. Ростов-на-Дону, КВЦ «Вертол-Экспо», 29-30 октября 2009 г.) и на V Южно-Российском форуме «Энергоэффективная экономика» (г. Ростов-на-Дону, КВЦ «Вертол-Экспо», 17-19 ноября 2010 г.).

Публикации. По результатам диссертации опубликовано 11 печатных работ (2,84 пл.), в том числе 2 статьи в изданиях, рекомендованных ВАК. Зарегистрированы 2 программы для ЭВМ: «Тест MLP» и «Краткосрочный прогноз электропотребления с учетом освещенности».

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы из 195 наименований отечественных и зарубежных авторов, 15 приложений, представленных на 44 листах. Работа изложена на 231 странице машинописного текста, включая 5 таблиц и 87 иллюстраций.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность проблемы повышения точности прогнозирования ЭП на территориях операционных зон РДУ. Формулируются цели и задачи исследования. Приведены основные положения, выносимые на защиту. Показа-

на практическая ценность и область применения результатов работы. Кратко изложено содержание диссертации.

В первой главе рассмотрены временные ряды ЭП как основного объекта исследований в данной работе. Показаны составные части суточного графика электрической нагрузки. Представлены основные группы факторов, которые оказывают максимальное влияние на ЭП в течение суток в операционной зоне РДУ.

Изучены работы, посвященные моделированию временных рядов ЭП, а также их прогнозированию, авторами которых являются И.Е. Васильев, Ф.Д. Гальяна, С.К. Гурский, В.И. Доброжанов, И.В. Жежеленко, И.Н. Колосок, Б.И. Кудрин, Э.Г. Куренный, Б.И. Макоклюев, A.M. Меламед, И.И. Надтока, A.B. Праховник,

A.B. Седов, В.П. Степанов, D.W. Bunn, E.D. Farmer, и др.

Несмотря на большое количество публикаций в области моделирования и прогнозирования процесса ЭП, остается ряд нерешенных проблем. Основными из них является установление зависимости влияния освещенности на ЭП с её дальнейшим учетом при прогнозировании ЭП на территориях операционных зон РДУ.

Выполнен аналитический обзор современных методов и моделей прогнозирования временных рядов элекгропотребления. В первую очередь рассмотрены те, в которых предусмотрен учет метеорологических факторов и возможность учета нелинейных взаимосвязей между электропотреблением и влияющими факторами. Изучены регрессионные модели, модели авторегрессии, модели авторегрессии - проинтегрированного скользящего среднего, модели экспоненциального сглаживания, модели нечетких множеств, методы ранговых распределений. Также показано, что для прогнозирования используются различные фильтры, например, Калмана, и методы спектрального анализа. Всё большую значимость приобретают модели, основанные на теории искусственного интеллекта, например, искусственные нейронные сети. По результатам обзора обоснован выбор типа модели для решения задачи краткосрочного прогнозировании ЭП в операционной зоне РДУ. Выбрана модель искусственной нейронной сети (ИНС), обеспечивающая:

- возможность обработки больших массивов информации;

- возможность определения сложных нелинейных зависимостей;

- высокую скорость определения зависимостей;

- способность к обучению и переобучению (адаптивность).

Изложены общие принципы построения ИНС типа многослойный персептрон, который с начала 90-х годов прошлого века применяется в задачах прогнозирования электропотребления: его структура; подготовка входных и выходных данных; методы и схема обучения.

Методологию искусственных нейронных сетей для прогнозирования ЭП используют S. Osowski, A.B. Демура, В.Г. Курбацкий и др. Вопросами прогнозирования ЭП методом искусственных нейронных сетей занимаются специалисты в Московском энергетическом институте (Национальный исследовательский университет), Санкт-Петербургском государственном электротехническом университете имени

B.И. Ульянова (Ленина), Институте систем энергетики имени JI.A. Мелентьева СО РАН, Южно-Российском государственном техническом университете (Новочеркасский политехнический институт) и в ряде других организаций.

Проведен обзор существующих программных продуктов, которые используются для прогнозирования электропотребления как в России, так и в других странах, на-

пример, «Энергостат», «Прогноз-ЭТО», «РСДУ-2», «Deductor», AGORA. MetrixIDR и др. Однако используемые в них методики не предусматривают почасовой учет естественной освещенности при прогнозировании ЭП в операционных зонах РДУ Однако некоторые из них позволяют учитывать облачность. При этом её значения представлены в баллах, которые определяются экспертом без использования каких-либо измерительных устройств.

Во второй главе проводится комплексный анализ факторов, влияющих на ЭП на территориях операционных зон двух РДУ: Кубанском и Ростовском. Анализ выполнен на архивных данных временных рядов ЭП, температуры воздуха и естественной освещенности. На различных временных интервалах исследованы взаимосвязи между ЭП и такими влияющими факторами как:

- метеорологическими (температура, освещенность, продолжительность светового дня, сезон года и пр.);

- «календарными» (тип дня и день недели).

Исследована взаимосвязь между суточным ЭП и температурой на интервале с 2007 г. по 2010 г. На рисунке 1 представлена зависимость суточного ЭП от среднесуточной температуры в течение года (с 01.11.2009 г. по 30.10.2010 г.). Показано, что продолжается отмеченная еще в середине 90-х годов прошлого века тенденция-

Р°стаЭПв¡летние месяцы при среднесуточных температурах свыше +20 °С =■ 61000 ■»• -—-------" — — ---------------------------------'

^ 56000

2 46000

Д §■

и § 41000

^ зюоо

-20 -10 0 10 20 Температура, "С

- Кривая отклонения (+ 5 %/-5 % от аггпрокси.трующей кривой) -Лтрокисимрукщая кривая

Рисунок 1 - Зависимость электропотребления от температуры в течение года на территории операционной зоны Ростовского РДУ Выполнено исследование влияния освещенности на ЭП. Значения освещенности получены при помощи станций контроля освещенности. При выборе мест их установки учитывались три основных фактора: а) наличие на территории различающихся климатических зон; б) концентрация населения на территории; в) удаленность территорий как по долготе, так и по широте. Таким образом, станции были установлены в следующих точках: для Ростовского РДУ - города Новочеркасск, Ростов-на-Дону Таганрог, Цимлянск, Элиста и станица Вешенская; для Кубанского РДУ - города Краснодар, Сочи, Новороссийск. Станции, установленные на территориях операционных зонах Ростовского и Кубанского РДУ, начали функционировать со второй половины 2009 г. Исключением является станция контроля освещенности, установленная в г Новочеркасске (Ростовское РДУ) в августе 2008 г. Значения освещенности измерены с интервалом 5 минут и хранятся в единой базе данных, в которой также рассчитаны

среднечасовые значения освещенности. График суточной зависимости освещенности представлен на рисунке 2.

8 10 12 14 16 18 20 22 Время, час

**й" пасмурно —А— облачно___

Рисунок 2. Суточная зависимость освещенности на территории г. Новочеркасска Построены зависимости ЭП от освещенности на различных интервалах времени. Так на рисунке 3 представлены примеры полученных зависимостей суточного ЭП от суточной интегральной освещенности для операционной зоны Ростовского РДУ в течение того же года, что и для зависимости, представленной на рисунке 1. Исследование полученной зависимости было начато с аппроксимации: линейной, затем полиномиальной (4-ой степени). Значения коэффициента детерминации составили при линейной аппроксимации /^=0,304, для полиномиальной — Я2=0,340. Такие значения показывают, что корреляция между освещенностью и электропотреблением в течение года слабая.

3- 61000

|| 56000 „ § 5Ю00

§ I

г »5 46000

§ а И кС 1 41000

¡с

е. збооо &

'.с

1 31000

2 4 6 8 10 12

Суточная освещенность, люксч

-Кривая отклонения (+ 5 %/ -5 % от аппрксимирующей кривои)

Аппроксимирующая кривая — — Аппроксимирующая пряная _______

14

я 100000

Рисунок 3 - Зависимость электропотребления от интегральной освещенности на территории операционной зоны Ростовского РДУ в течение года Изучены зависимости суточного ЭП от суточной интегральной освещенности в течение месяца (рисунок 4). Также на месячных временных интервалах исследована взаимосвязь между ЭП и интегральной освещенностью за светлую часть суток. Месячный интервал (30 точек) хотя и не соответствуег требованиям, предъявляемым к объему статистической выборки, но соответствует требованиям однородности. Построены уравнения линейной регрессии для всех месяцев исследуемого интервала (с

1.08.2008 г. по 31.12.2010 г.) и соответственно определены коэффициенты детерминации. Их значения всего несколько раз превысили величину Я* =0,3. Такие значения указывают с одной стороны на отсутствие взаимосвязи между ЭП и освещенностью, с другой - на несоответствие выбранной модели поставленной задаче.

Изучены зависимости потребляемой мощности от освещенности в отдельные часы суток. Коэффициенты детерминации, полученные при использовании регрессионных моделей различного порядка, были менее Л'=0,3. Проанализирована зависимость мощности от освещенности в отдельные периоды суток на интервалах один месяц (рисунок 5). Точки на рисунке 5 соответствуют среднечасовым значениям освещенности и мгновенным значениям потребляемой мощности за отдельный час. Несмотря на то, что линейная аппроксимация является наиболее «грубой», вычисленные коэффициенты детерминации......"оказывают высокий уровень корреляции. На рисунке

— .................: Г~ " ' - .....< --------

Интегральная осе*щ>>нно1 шь. люкс ч

-Прлмплотныжмо» < +5 Ч/-5отюифксню^лющеИ¡гуямо*

______ 1__.^'»^даг/^ча^лэоп«« прямпл

Рисунок 4 - Зависимость суточного электропотребления от освещенности в операционной зоне Ростовского РДУв апреле 2010г.

о 5000 10000 15000 КХЮ0 25000 30300 35

Среднечп,:о&1я осмщлтосяп. люкс —1?1ммпоткяомм1Л '+J U он, прямо*,)

—Aifipfirii^uii^t^Him нутпя

Рисунок 5 - Зависимость потребляемой мощности от среднечасовй освещенности в вечерние часы в ноябре 2010 г. в операционной зоне Ростовского РДУ

видно, что коэффициент детерминации в вечерние часы между ЭП и освещенностью достигает значений R2= 0,503 .Сделаны предварительные выводы, что освещенность оказывает влияние на ЭП в течение 2-4 часов после рассвета и перед закатом, а в дневную часть суток её влияние не столь существенно.

Для Ростовского РДУ предложена многофакторная модель:

W~C0J +C,,¡EU +C2,¡E2J +CyiEu +C4iE4¡ +C5:Es¡j +C6,,E6j (1)

где W¡ - суточное ЭП; Ej ¿ E2b E4i, £5„ E6 ¡ - значения интегральной освещенности в i-e сутки месяца в городах Новочеркасске, Ростове-на-Дону, Таганроге, Цим-лянске, Элисте и ст. Вешенской соответственно; С„, С,, С2, С3, С4, С5, Q, - постоянные коэффициенты.

Расчет коэффициентов в (1) произведен с использованием суточных значений ЭП и освещенности в течение месяца (30 точек). Модели ЭП получены для каждого месяца 2010 г. Выполнен корреляционно-регрессионный анализ. Оценка значимости факторов проводилась с помощью t- критерия (критерий Стьюдента). Оценка значимости модели - при помощи F-критерия (критерий Фишера). Оценка связи между факторами и ЭП - по значению коэффициента детерминации.

По результатам анализа многофакторной модели установлено, что наиболее значимыми для модели (1) оказались значения, полученные со станции контроля освещенности, установленной в г. Ростове-на-Дону. Значимость полученных моделей для семи месяцев (из рассмотренных двенадцати) подтвердилась величиной F-критерия.

В соответствии со шкалой Чедокка выполнена качественная характеристика связи между ЭП и освещенностью для модели (1). которая представлена в таблице 1.

Таблица 1 -Количественная и качественная оценка связи

Рассматриваемый период 2010г. Величина коэффициента детерминации Качественная характе-рнстикасвязи

Июнь; сентябрь; октябрь; декабрь 0,1576; 0,1992; 0,1247; 0,1184 Слабая

Март;май; июль; август; ноябрь 0,3516; 0,4606; 0,4451; 0,4904; 0,3068 Умеренная

Январь, апрель 0,5484; 0,6472 Заметная

Февраль 0,7841 Тесная

Значения коэффициентов детерминации между электропотреблением и освещенностью, полученные для отдельных временных интервалов, а также значения критериев оценки значимости факторов и уравнений множественной регрессии в целом показали необходимость учета освещенности при прогнозировании ЭП.

Для Кубанского РДУ зависимость суточного ЭП от среднесуточной температуры имеет более высокую степень корреляции, чем для Ростовского РДУ: значения коэффициентов детерминации в 10 исследуемых месяцах 2010 г. были Я2>0,5. Значения коэффициентов детерминации для зависимости ЭП от освещенности при линейной аппроксимации чаще всего были менее Я2=0,3.

Выполнена проверка наличия связи между суточным ЭП и продолжительностью светового дня за год (рисунок 6). Обозначения на рисунке 6: кривая 1 - соответствует периоду роста долготы дня; кривая 2 - периоду уменьшения долготы дня. Зависимости аппроксимированы полиномами 4-ой степени:

кривая 3: IV = -18,35ЬИ4 + 1275 Ьн3 - 31395 Ьн2 + 32554 Ьн - ; (2) кривая 4:1Г = -78,бИ/ + 4160 Ь^ - 81069 Ь2 + 68786 ^ - 2-106, (3) где IV-суточное ЭП; Ьн - долгота дня, величина которой растет с течением времени; - долгота дня, величина которой уменьшается с течением времени.

11 12 13 14 15 16

Долгота светового дня, ч. — Рост долготы дня 1— Уменьшение дачготы дня • Аппроксимирующая кривая (рост дачготы дня) ' ~ Аппроксимирующая кривая (уменьшение долготы дня)

Рисунок 6 - Зависимость эпектропотребления от продолжительности светового дня с 22.12.2009 г. по 21.12.2010 г. в операционной зоне Ростовского РДУ

Полученные кривые описывают горизонтальную «восьмерку». Наличие взаимосвязи между ЭП и продолжительностью светового дня подтверждено высокими значениями коэффициентов детерминации, которые равны Л'=0,832 и Я2=0,532 соответственно когда происходит увеличение и уменьшение долготы светового дня.

Исследована зависимость между освещенностью и облачностью. Показано, что при одном и том же состоянии облачности значения освещенности могут быть различными. Выявлена и противоположная зависимость: при одинаковой естественной освещенности небо может находиться в различных состояниях облачности.

Исследована зависимость среднесуточной температуры от продолжительности светового дня в течение года. Данная зависимость исследована отдельно для двух случаев: первый - когда идет увеличение продолжительности светового дня, второй -уменьшение. Показан высокий уровень связи между продолжительностью светового дня и среднесуточной температурой. Следовательно, при прогнозировании ЭП с учетом температуры целесообразно учитывать тенденцию увеличения или уменьшения продолжительности светового дня.

Выполнен регрессионный анализ взаимосвязи между суточной интегральной освещенностью и суточной среднечасовой температурой. Полученные коэффициенты детерминации, рассчитанные для годовой выборки, и для Кубанского, и для Ростовского РДУ, были Я >0,5. Это указывает на коррелированность данных факторов.

Для Ростовского РДУ получена и исследована регрессионная многофакторная модель ЭП:

Р(Т,Е) = ¡982,43 - 28,43-Т + 0.0048-Е + 0,65Т2 + 4,531а} Т-Е - 4,7110 а Е2, (4) где У3—мощность, МВт; Г- среднечасовая температура, °С; Е- среднечасовая освещенность, люкс. Коэффициенты получены на годовой выборке данных. В результате анализа установлено, что значимыми являются все учитываемые в модели факторы. Коэффициент детерминации для модели типа (4) получен Я2=039, а значение стандартной ошибки регрессии составляет 238,1 МВт.

При помощи используемых в главе регрессионных моделей получены выводы о влиянии освещенности на ЭП в отдельные части суток. Однако в настоящее время их точность не является удовлетворительной. Кроме этого, их использование не позволяет качественно проанализировать только влияние естественной освещенности на ЭП в течение длительного периода (более месяца), т.к. одновременно происходит изменение продолжительности светового дня, с которой существенным образом связано ЭП. Принято решение выполнить исследование с использованием моделей, которые способны учесть сложный нелинейный характер взаимосвязи между несколькими факторами и результирующей переменной. При этом часть влияющих факторов между собой коррелированна, что недопустимо при использовании регрессионных моделей. К моделям, которые обладают такими свойствами, относятся искусственные нейронные сети.

В третьей главе описана модель ИНС, которая разработана для решения задачи прогнозирования ЭП в операционных зонах РДУ. Структура сети - многослойный персептрон с одним скрытым слоем, обучаемый с учителем по алгоритму обратного распространения ошибки. Обоснован выбор данного типа сети. Критерием останова обучения ИНС, которое считалось успешным, было достижение максимальной величины относительной ошибки, определенной для отдельного часа суток. Относительная ошибка выбрана в соответствии с методикой расчета, утвержденной Распоряже-

нием № 132 от 14.04.2011 г. Оперативного штаба по совершенствованию конкурентного балансирующего рынка ОАО «СО-ЕЭС».Экспериментально установлена максимальная величина ошибки обучения — 10 %. Её значение вычислялось по формуле:

SPi = ' 1 рфа„' 1 • 100% , (4)

где SP- величина относительной ошибки для 1-го часа прогнозируемых суток; р"ро-'"1 рфакт _ ПрОГНОЗНОе и фактическое значения мощности для /-го часа прогнозируемых суток.

В качестве дополнительных критериев останова выступали предельное количество эпох (50 000), сходимость по ошибке(0,00001) и сходимость по весам (0,00001).Их значения установлены (экспериментально) таковыми, чтобы вероятность попадания ошибки в локальный минимум была минимальной. Если алгоритм обучения останавливался при достижении предельного значения дополнительных критериев останова, то такое обучение считалось неуспешным.

Предложена следующая структура модели. Прогнозной величиной являлся 24-компонентный вектор значений мощности P(t)i, Р(.0ъ —» Р(0и » где значения компонент вектора соответствуют отдельным часам в сутках. Для описания отдельных элементов модели использованы методы статистики. Так, для определения авторегрессионной компоненты модели послужил ряд значений мощности P(t). При прогнозировании ЭП в некоторый момент времени t учитывались q предыдущих значений ряда ЭП, отсчитанных от момента t :

((/>(/-1),, P(t- 1Ь ..., P(t-l)2i), (PU-2),, Р(1-2)ъ ..., PU-2)24).....

(PO-q) 1, PU-q)ъ Pi'-lWl

Тогда элементы модели P(t-q) являются авторегрессиохшыми компонентами, а величина q - глубиной погружения ряда авторегрессионной компоненты. Дополнительными элементами в прогнозной модели служат влияющие факторы: 24-компонентный вектор среднечасовых значений температуры на будущие сутки, T(i)\, T{t)i T(t)1A-, 24-компонентный вектор среднечасовых значений освещенности на будущие сутки, £(0ь Д0г. ■••» ДО24; однокомпонентные векторы типа дня S(t), дня недели D(t), состояния облачности Sky(t).В первом приближении модель учитывала еще такие факторы как продолжительность светового дня (jughî)' время рассвета (tdm„) и заката (IJ, номер недели в году (NH), номер месяца (NM) в году, значения которых относились к прогнозируемым суткам (рисунок 7а). В ходе экспериментов выявлено, что включение этих факторов в модель либо не вызывает снижения ошибки прогнозирования, либо приводит к её увеличению. На рисунке 76 представлена структура нейронной сети, преобразованная после ряда опытов, в которой исключен учет не влияющих на снижение ошибки прогнозирования факторов.

Количество нейронов входного слоя соответствовало количеству учитываемых факторов. Входной и скрытый слои нейронов содержали по одному дополнительному нейрону, значение функции активации которых всегда было равно единице. Введение этих нейронов привело к сокращению времени обучения.

В моделях ИНС выбранного типа используется сигмоидная функция активации нейронов скрытого слоя:

впш(х) = -L-

Входной слой

Ры-.Р,-

Рисунок 7 - Структура нейронной сети:

а) исходная (максимальное количество входных и скрытых нейронов);

б) оптимизированная в результате выполнения би-. нарного поиска и ряда экспериментов с различным

а) к^у количеством влияющих факторов

где &"1 (х) - вектор значений активационной функции нейронов скрытого слоя: * -нормированное значение входного вектора. Все нечисловые переменные (например, день недели и др.) были представлены в числовом виде. Выполнено нормирование, в результате которого все переменные были приведены к единому масштабу:

а, = 2- --1, (5)

ßi -

ai_max ai_mtn bt-bllnin

+ 0,5

(6)

bi_max~bi_min

где а» ßt - нормированные значения /-ой компоненты входного и выходного векторов соответственно; а„ 6, - фактические значения /-ой компоненты входного и выходного векторов соответственно; min, max - индексы наименьшего и наибольшего значений компонент входных и выходных векторов соответственно.

После преобразований значения входных переменных приводятся к интервалу [-1;1], для выходных - к интервалу [0,5;1,5]. Такой интервал выходных переменных установлен с целью исключения возможности деления на «ноль» при расчете относительной ошибки по формуле (4).

В качестве активационной функции нейронов выходного слоя в многослойном персептроне используется линейная функция:

воиС(х) = х,

где в"" (х) - вектор значений активационной функции нейронов выходного слоя; х -вектор значений нейронов выходного слоя, компоненты которого вычисляются по формуле:

хк = ^ 1¥к,У] >

где хк - значение к-го нейрона выходного слоя; ъ/ц - значение весового коэффициента между у'-м нейроном скрытого слоя и к-м нейроном выходного слоя; - выходное значениеу'-го нейрона скрытого слоя; N/,¡4- количество нейронов в скрытом слое.

Методом бинарного поиска решена задача определения в ИНС, оптимального количества нейронов скрытого слоя и выбора величины глубины погружения q.

Интерфейсные возможности разработанной программы позволяют варьировать количеством входных нейронов за счет учета/неучета влияющих факторов. Интерфейс разработанной программы представлен на рисунке 8. В «рабочее поле» программы вынесены все параметры сети и критерии обучения, которые при необходимости можно изменять.

В четвертой главе

представлены результаты исследования модели.

Выполнен анализ влияния различной по качеству и достоверности входной информации на относительную ошибку прогнозирования. Выполнено исследование способности модели выполнять точное прогнозирование на начальных периодах существенных изменений ЭП. Изучено поведение модели для случаев, когда происходят резкие изменения метеофакторов. Проанализированы те прогнозы, когда на входы поступала недостоверная информация Показаны условия, когда при построении прогнозов необходимо вмешательство оператора.

Для оценки прогнозирования использовалась среднечасовая относительная ошибка, рассчитанная для всех часов тестируемого множества. Она рассчитывалась по формуле:

I прогн факт!

5Р = ^ • ' 100% , (6)

- Многослойный персептрои • X

;Файо Начать «бучение Осгакягч Т-<'•(-• мть

Топология сети Параметры сети Обучение;

1 ' ■< * ^ х / » _....._ ;

• (Здоэдденуопйшцм ! (КсЫ^иЫ^снов скрытого ело» ! г-Д......Щ Кол-во нейронов выжаиич» сяо» 1

V? Пчбинарэда г,»:. 1 ................... .............. ........ ............. ЩШяШШт —15" : ................

- • ~ - - — —

Рисунок 8 - Интерфейс разработанной программы: вкладка «Топология сети»

где <5Р- величина среднечасовой относительной ошибки для всей тестовой выбопки-

ту прогн п факт , г »

• - прогнозное и фактическое значения мощности для /-го часа к-х про-

гнозируемых суток; N - количество дней для тестирования.

Тестирование модели выполнено на данных, полученных из Кубанского и Ростовского РДУ, и проводилось в следующей последовательности.

На первом этапе исследования модель была обучена и тестирована только на данных по электропотреблению (авторегрессионная компонента). При следующем тестировании в модель был введен фактор температуры. Далее обучение и тестирование было выполнено с учетом авторегрессионной компоненты, типа дня и дня недели, но без температуры. При последующем тестировании модель учитывала авторегрессионную компоненту, тип дня, день недели и температуру на прогнозируемые сутки. После этих экспериментов были введены факторы освещенности и облачности. Модель тестировалась в различные сезоны для территорий Кубанского и Ростовского РДУ. Были проанализированы результаты прогнозирования за отдельно взятые сутки. При исследовании модели выборки для обучения и тестирования были различными. Результаты экспериментов представлены в таблицах 2 и 3. Обозначение в таблицах: в колонке «Ошибка, %» содержатся значения ошибки, рассчитанные по (6), представленные в процентах; в колонке «Ошибка*, %» содержатся значения среднечасовой ошибки (6) до включения в модель очередного фактора, представленные в процентах.

Таблица 2 - Результаты тестирования прогнозной модели для территории Ростовского РДУ

Состав учиты-

Ростовское РДУ

ваемых факторов Обуч. выборка Тест, выборка Ошибка, % Ошибка*, %

Р(Ч .....96 2009 г. 2010 г. 5,02

Р(0-1. -96, Л7)| 24 01.08.200831.07.2009 г. 01.08.200931.07.2010 г. 4,44 4,81

ДО-, .. .96, ОД), 5(0 01.08.200831.05.2009 г. 01.06.200930.03.2010 г. 3,81 5,08

Д0-1..-96, Л/),.. 24, ДО, 5(0 01.10.200831.10.2009 г. 01.11.200931.12.2010 г. 3,51 5,76

^(0-1. -96, ЛОг. 24, ДО, 5(0, £(01. 24, БкуО) 01.12.200830.11.2009 г. 01,12-2009 -28.02.2010 г. 3,04 3,5

01.03.200928.02.2010 г. 01.03.201031.05.2010 г. 4,78 3,49

01.06.200931.05.2010 г. 01.06.201031.08.2010 г. 4,59 3,88

01.09.200931.08.2010 г. 01.09.201030.11.2010 г. 3,65 3,44

Выполнен анализ влияния учета освещенности на точность прогнозирования в течение суток. Установлено, что данный учет в условиях резких изменений метеофакторов весной и высокого уровня освещенности при прогнозировании ЭП для летних суток может быть причиной увеличения ошибки для территории операционной зоны Ростовского РДУ. Для этих сезонов выявлены особенности, при учете которых ошибка прогнозирования ЭП с учетом освещенности на данной территории будет сведена к минимуму:

- наиболее значимым является уровень освещенности в утренние и вечерние часы:

Таблица 3 - Результаты тестирования прогнозной модели для территории Кубанского РДУ

Состав учитываемых факторов Кубанское РДУ

Обуч. выборка Тест.выборка Ошибка, % Ошибка*, %

Д0-1. -96 01.05.200930.04.2010 г. 01.05.201031.03.2011 г. 4,1 -

Д0-1 -96, Ш...24 01.12.200931.07.2010 г. 01.08.201031.03.2011 г. 3,93 4,39

m | DU), sin 2009 г. 2010 г. 3,85 4,83

Р(Г).,.. 96, Л01.24, D(l), SU) 01.12.200930.06.2010 г. 01.07.201031.01.2011 г. 3,15 3,57

Д0-,. -96, 7W1...24, D(t), 5(0, ДО1..24. Sky(t) 01.01.201031.05.2010 г. 01.06.201031.08.2010 г. 6,62 7,12

01.01.201031.08.2010 г. 01.09.201030.11.2010 г. 2,75 3,41

01.01.201030.11.2010 г. 01.12.200931.12.2010 г. 2,02 2,44

- в дневное время даже при пасмурной погоде уровень освещенности может оставаться высоким (около 40 ООО люкс и выше);

- в выходной день влияние освещенности более существенно, т.к. уровень промышленного электропотребления снижен;

- в августе при прогнозировании ЭП с учетом освещенности ошибка уменьшается на большинстве прогнозируемых суток, это объясняется относительно стабильными метеоусловиями в данный период.

В результате исследования модели на данных по территориям операционных зон Ростовского и Кубанского РДУ разработана методика выбора оптимального (с точки зрения наибольшего вклада в уменьшение ошибки прогнозирования) объема исходных данных из суточных графиков освещенности для обучения нейронной сета и выполнения прогнозирования. Количество учитываемых часов меняется в зависимости от номера суток в году и состояния облачности.

При прогнозировании ЭП в операционной зоне Кубанского РДУ с учетом освещенности для большинства прогнозируемых суток среднечасовая ошибка уменьшена. Учет освещенности приводил к снижению относительной ошибки для отдельных часов суток до 2,41 %. Значение минимальной среднечасовой ошибки ¿Р, полученной при прогнозировании будущих суток с учетом освещенности, равно 1,21 %.Для примера, на рисунке 9 представлен графики фактического, прогнозного с учетом освещенности и прогнозного без учета освещенности ЭП в течение 18 октября 2010 г. для территории операционной зоны Кубанского РДУ.

Обнаружен различный вклад учета фактора освещенности при прогнозировании ЭП на территориях операционных зон Ростовского и Кубанского РДУ. Он объясняется неодинаковой долей бытового и промышленного ЭП на этих территориях. На территории операционной зоны Кубанского РДУ доля бытового ЭП больше, чем на территории Ростовского РДУ.

Проведены исследования модели при условии, что на вход модели заведомо была подана недостоверная информация: значения освещенности были искажены на ±10 %, ±20 %, ±50 %. Показано, что ошибка прогнозирования увеличивается тем больше, чем менее достоверные значения представляются на вход сети (это также

5 2800 &

2боо

| 2400 § 2200 §■ 2000 1800 1600

/ - , — . - ^ /У Кл

N У \\

(Г~ 1— \ \\

лг

___ ____ _

13 15

суток

7 9 11 Час

- Фактическое ЭП ~ Прогнозное ЭП без учета освещенности

19 21

23

Рисунок 9 -График фактической и прогнозной мощности на территории операционной зоны Кубанского РДУ для 18октября 2010 г. указывает и на адекватность работы модели). Установлено, если учитываемые значения освещенности искажены на ±20 %, а иногда и на ±50 %, то результаты прогнозирования получаются более точные, чем те, когда учет освещенности не выполнялся.

Все значения ошибки проверены на соответствие требованиям «Методики оценки точности прогноза потребления», утвержденной ОАО «СО-ЕЭС». Данная методика качественно определила уровень допустимости ошибки прогнозирования ЭП. При прогнозировании ЭП с учетом освещенности на территориях операционных зон Ростовского и Кубанского РДУ этот уровень находится в категории «нормальный».

В результате исследований прогнозной модели выявлен ряд примеров, когда при прогнозировании ЭП требуется вмешательство оператора.Ручная коррекгаровка результатов прогнозирования ЭП целесообразна для предпраздничных и праздничных дней, а также для таких дней, когда может произойти резкое изменение метеофакторов.

В заключении приводятся основные выводы и результаты работы.

В приложениях представлены листинги основных модулей программы; копии актов о внедрении результатов работы; копии свидетельств о регистрации разработанных программ и пр.

ОСНОВНЫЕ ВЫВОДЫ И РЕЗУЛЬТАТЫ РАБОТЫ

В диссертационной работе на основе анализа статистических данных выполнены теоретические обобщения влияющих на ЭП факторов и получено решение важной научно-технической проблемы повышения точности краткосрочного прогнозирова-нияЭП для территорий операционных зон РДУ с учетом естественной освещенности.

Основные результаты работы заключаются в следующем.

1 Впервые выполнен комплексный анализ взаимосвязи между электропотреблением температурой, естественной освещенностью и рядом других*факторов. Получены многофакторные регрессионные модели ЭП. которые учитывают значения естественной освещенности. Установлены и определены численные значения коррелированное™ между влияющими на ЭП факторами.

2 Разработана модель прогнозирования ЭП для территорий операционных зон РДУ, основанная на методе искусственных нейронных сетей, которая позволяет учитывать в качестве влияющих на прогноз факторов среднечасовые значения температуры, тип дня, день недели, а также состоянии облачности и среднечасовые значения

естественной освещенности на прогнозируемые сутки. Определена структура сети, которая адекватно реагирует на изменение естественной освещенности и ряда других влияющих факторов.

3 Установлены зависимости ЭП от естественной освещенности. Показано, что освещенность оказывает максимальное влияние на ЭП в утренние и вечерние часы рабочих дней и в вечерние часы выходных дней (значения освещенности от нуля до 30 000-40 000 люкс). Днем влияние освещенности на ЭП менее значимо, за исключением случаев прохождения атмосферных фронтов.

4 Установлено, что в различные сезоны года пасмурному или ясному состояниям неба соответствует определенныйдиапазон значений освещенности. Значения освещенности при облачном и малооблачном состояниях неба могут принимать весь диапазон своих значений.Показана некорректность использования при прогнозировании ЭП только фактора состояния облачности.

5 Учет освещенности позволил прогнозировать ЭП в течение сезона со среднечасовой ошибкой для Ростовского РДУ - 3,04 %, для Кубанского РДУ - 2,02 %. Учет освещенности в различные сезоны года неодинаково влияет на точность прогнозирования.

Учет освещенности для отдельных часов суток (в среднем по сезону) может снизить ошибку прогнозирования 2,0 - 2,41 %.

6 Уменьшение ошибки прогнозирования ЭП с учетом освещенности приводит к повышению качества диспетчерского управления для РДУ (как следствие, к увеличению надежности работы энергосистемы) и к снижению затрат участников ОРЭМ.

7 Сравнительный анализ значений ошибок прогнозирования с учетом освещенности для территорий операционных зон Ростовского и Кубанского РДУ показал, что освещенность целесообразней учитывать при прогнозировании ЭП для тех территорий, где доля бытового электропотребления доминирует над промышленным.

8 Результаты работы могут использоваться при разработке и совершенствовании моделей краткосрочного и оперативного прогнозирования ЭП для крупных промышленных комплексов, работающих на ОРЭМ, энергосбытовых компаниях, региональных диспетчерских управлениях и т.п.

9 Результаты исследований использовались для повышения эффективности работы ПО «Прогноз - ЭТО» при его адаптации и опытной эксплуатации в Ростовском и Кубанском РДУ.

10 Результаты, полученные в диссертационной работе, показывают, что для повышения точности прогнозирования ЭП необходим учет освещенности, однако целесообразно использовать другие метеофакторы и учитывать доминирующую категорию электропотребителей территории, для которой выполняется данное прогнозирование.

ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОПУБЛИКОВАНЫ

в изданиях, рекомендованных ВАК:

1 И.И. Надтока, A.B. Демура, С.О. Губский, А.Я. Ваколюк, В.В. Горбачев. Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений//Вестник СамГТУ, 2012, № 1(33). - С.157-162.

2 Надтока И.И., Губский С.О., Шепелев И.Е. Нейросетевая модель прогнозирования электропотребления с учетом освещенности на территориях операционных зон

региональных диспетчерских управлений//Изв.вузов. Электромеханика, 2012, №2,-С. 18-21.

в авторских свидетельствах:

3 Горбачев В.В., Надтока И.И., Губский С.О. Тест «MLP». Свидетельство о государственной регистрации программы для ЭВМ№ 20106117320, 03.11.2010 г

4 Губский С.О., Надтока И.И., Горбачев В.В., Шепелев'И.Е. «Краткосрочный прогноз электропотребления с учетом освещенности». Свидетельство о государственной регистрации программы для ЭВМ № 2012610988, 23.01.2012 г.

в прочих работах по теме диссертации:

5 Надтока И.И., Губский С.О. Анализ зависимостей электропотребления от температуры воздуха и освещенности в операционной зоне Ростовского РДУ. //Изв вузов. Электромеханика. 2009. Специальный выпуск. - С. 105-107.

6 Надтока И.И., Губский С.О. Анализ зависимостей электропотребления от температуры воздуха и освещенности в операционной зоне Ростовского РДУ// Современные энергетические комплексы и системы и управление ими: материалы IX международной науч.-пракг. конф., г.Новочеркасск, 27 апр. 2009г./ Юж -Рос гос техн ун-т (НПИ).- Новочеркасск: ЮРГТУ(НПИ), 2009,- С.36-39.

7 Корнюкова O.A., Губский С.О., Горбачев В.В. Анализ основных подходов, применяемых при прогнозировании процесса электропотребления.// Компьютерные технологии в науке производстве, социальных и экономических процессах: материалы X международной науч.-практ. конф., г.Новочеркасск, 16 нояб. 2009 г7 Юж-Рос

гос. техн. ун-т (НПИ).-Новочеркасск: ЮРГТУ(НПИ), 2009,-С.74-78.

8 Надтока И.И., Губский С.О., Горбачев В.В. Анализ зависимостей электропотребления от метеофакторов в операционной зоне Кубанского РДУ//Изв. вузов Электромеханика. 2010. Специальный выпуск. - С. 106-108.

9 Надтока И.И., Губский С.О., Горбачев В.В. Влияние освещенности на электропотребление в регионах Южного Федерального округа РФ. // Современные энергетические комплексы и системы и управление ими: материалы X международной науч -пракг. конф., г. Новочеркасск, 17 дек. 2010г./ Юж.-Рос. гос. техн ун-т (НПИ) - Новочеркасск: ЮРГТУ(НПИ), 2011.- С. 19 - 22.

10 Надтока И.И., Губский С.О. Многофакторный анализ моделей электропотребления в операционной зоне Кубанского РДУ // Электроэнергетика глазами молодежи: научные труды международной научно-технической конференции: сборник статей В 3 т. Самара: СамГТУ, 2011. Т. 1. - С.227-230.

11 Надтока И.И., Демура A.B., Ваколюк АЛ., Горбачев В.В., Губский С.О. Программно-технический комплекс прогнозирования электропотребления с учетом ме-теофакгоров для региональных диспетчерских управлений // Электроэнергетика глазами молодежи: научные труды международной научно-технической конференции-сборник статей. В 3 т. Самара: СамГТУ, 2011. Т. 1. -С. 231-236.

Вклад автора в результаты работ опубликованных в соавторстве, состоит в анализе взаимосвязей между электропотреблением и факторами, влияющими на него, [1, 11], разработке математической модели [2], формулировании требований кмэтемаги-ческой модели [3, 7], постановке задачи и разработке алгоритма [4], постановке задачи и выполнении корреляционно-регрессионного анализа [5, 6, 8, 10], разработке моделей множественной регрессии и оценке влияния факторов [9].

Губский Сергей Олегович

КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ В ОПЕРАЦИОННОЙ ЗОНЕ РЕГИОНАЛЬНОГО ДИСПЕТЧЕРСКОГО УПРАВЛЕНИЯ С УЧЕТОМ ФАКТОРА ОСВЕЩЕННОСТИ

Автореферат

Подписано в печать 25.05.2012. Формат 84x60 '/i6. Бумага офсетная. Ризография Усл. печ. л. 1,0. Тираж 100 экз. Заказ № 48-4695.

Отпечатано в ИД «Политехник» 346428, г. Новочеркасск, ул. Просвещения, 132

Список сокращений и обозначений.

Введение.

1 Обзор и анализ современных методов и математических моделей прогнозирования электропотребления.

1.1 Временные ряды электропотребления.

1.2 Методы анализа и прогнозирования временных рядов электропотребления.

1.2.1 Общие положения о методах.

1.2.2 Анализ методов, используемых в настоящее время для прогнозирования электропотребления.

1.2.3 Использование искусственных нейронных сетей при прогнозировании электропотребления.

1.2.3.1 Многослойный персептрон, как один из способов реализации искусственных нейронных сетей.

1.2.3.2 Построение модели многослойного персептрона.

1.2.3.3 Подготовка исходных данных и обучение нейронной сети.

1.3 Проблемы прогнозирования и направления исследования.

1.4 Выводы.

2 Анализ временных рядов электропотребления и определяющих его факторов.

2.1 Временные ряды электропотребления и факторы, влияющие на него.

2.2 Сезонные и метеорологические факторы, влияющие на электропотребление.

2.2.1 Инструментальные замеры метеорологических факторов, влияющих на электропотребление.

2.2.2 Температура и освещенность: анализ их влияния на электропотребление в операционной зоне Ростовского регионального диспетчерского управления.

2.2.3 Продолжительность светового дня.

2.3 Влияние экономических факторов на электропотребление.

2.4 Анализ взаимосвязей между факторами, влияющими на электропотребление.

2.4.1 Взаимосвязь облачности и освещенности.

2.4.2 Взаимосвязь электропотребления, освещенности и статуса дня.

2.4.3 Взаимосвязь электропотребления, температуры и долготы светового дня.

2.4.4 Взаимосвязь электропотребления, освещенности и долготы светового дня.

2.4.5 Взаимосвязь электропотребления, температуры и освещенности.

2.5 Многофакторная регрессионная модель электропотребления.

2.6 Выводы.

3 Модель прогнозирования электропотребления и её программная реализация.

3.1 Выбор и обоснование модели прогнозирования электропотребления.

3.2 Структура прогнозной модели.

3.2.1 Входной и выходной слои нейронов.

3.2.2 Глубина погружения авторегрессионной компоненты и количество скрытых нейронов.

3.3 Основные принципы работы прогнозной модели.

3.3.1 Общая схема работы модели.

3.3.2 Предобработка данных.

3.3.3 Алгоритм обратного распространения ошибки.

3.3.4 Интерпретация данных в прогнозной модели.

3.4 Интерфейсные элементы программной реализации прогнозной модели.

3.5 Выводы.

4 Исследование прогнозной модели электропотребления для различных региональных диспетчерских управлений.

4.1 Влияния учета температуры воздуха, типа дня и дня недели на точность прогнозировния.

4.2 Особенности прогнозирования электропотребления с учетом освещённости в различные сезоны года.

4.3 Анализ результатов прогнозирования электропотребления с учетом освещенности в течение суток.

4.4 Исследование способности модели выполнять точное прогнозирование при недостоверной входной информации и при существенных изменениях электропотребления.

4.5 Проверка качества прогнозирования на соответствие требованиям ОАО «СО-ЕЭС».

4.6 Выводы.

Актуальность темы диссертации. Все потребители электроэнергии заинтересованы в снижении затрат при её приобретении. Потребители, будучи участниками оптового рынка электроэнергии и мощности (ОРЭМ), могут минимизировать затраты путем составления точных заявок на приобретаемую электроэнергию, а значит — выполнением точных прогнозов. Одним из способов точного прогнозирования является создание адекватной прогнозной математической модели, которая позволит учитывать различные влияющие на электропотребление (ЭП) факторы. К ним относятся и метеорологические факторы. Последние в той или иной степени постоянно находятся во взаимосвязи с процессом ЭП. Например, в филиале ОАО «Системный оператор Единой энергетической системы» (СО-ЕЭС) «Региональное диспетчерское управление энергосистемами Ростовской области и Республики Калмыкия» (Ростовское РДУ), изменение освещенности при переходе от ясного до пасмурного состояния неба в течение дня может вызвать повышение потребляемой мощности на 100150 МВт, для другого филиала ОАО «СО-ЕЭС» «Региональное диспетчерское управление энергосистемы Кубани» (Кубанское РДУ) (Краснодарский край и Республика Адыгея) - на 150-200 МВт.

Повышение точности прогнозирования электропотребления способствует увеличению качества диспетчерского управления и, как следствие, увеличению надежности функционирования всей энергосистемы в целом.

Таким образом, с одной стороны для менее затратного функционирования на ОРЭМ, а с другой - для выполнения более качественного диспетчерского управления в РДУ на сегодняшний день, актуальным является выполнение прогнозирования ЭП с наименьшей величиной ошибки. / с

Целью данной работы является повышение точности краткосрочного прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений за счет учета естественной освещенности.

Для достижения поставленной цели в данной работе ставятся и решаются следующие задачи исследования.

1 Исследование влияния естественной освещенности на величину ЭП.

2 Анализ взаимосвязи ЭП и продолжительности светового дня.

3 Установление взаимосвязей между влияющими на ЭП факторами.

4 Выбор типа многофакторной математической модели для описания и прогнозирования суточных часовых графиков ЭП.

5 Разработка математической модели прогнозирования электропотребления, учитывающей естественную освещенность.

6 Тестирование модели прогнозирования на временных рядах фактического электропотребления.

7 Оценка точности прогнозирования при учете влияющих факторов на различных временных интервалах.

8 Оценка точности прогнозирования при учете естественной освещенности.

9 Исследование влияния недостоверной входной информации на точность прогнозирования ЭП.

10 Исследование способности модели выполнять точное прогнозирование при существенных изменениях ЭП.

11 Установление соответствия уровня ошибки прогнозирования требованиям ОАО «СО-ЕЭС».

Методы исследования. При решении поставленных задач использовались регрессионный и факторный анализ; методы математической статистики; методы математического моделирования многомерных временных рядов с использованием искусственных нейронных сетей.

Экспериментальные исследования модели проводилось с использованием ЭВМ.

Основные положения, выносимые на защиту.

1 Результаты анализа взаимосвязей между электропотреблением и освещенностью, а также между освещенностью и другими влияющими факторами и полученные аналитические зависимости.

2. Методика выбора исходных данных для обучения нейронной сети и прогнозирования электропотребления.

3 Прогнозная нейросетевая модель электропотребления для диспетчерских служб региональных диспетчерских управлений.

Научная новизна работы заключается в следующем.

1 Впервые установлены закономерности и аналитические зависимости взаимосвязей между электропотреблением, температурой воздуха и естественной освещенностью, позволяющие учитывать данные метеофакторы в прогнозной модели.

2 Методика выбора объема исходных данных из суточного графика освещенности для обучения нейронной сети и прогнозирования электропотребления, отличающаяся тем, что вместо интегральных значений освещенности используются часовые данные и позволяющая повысить точность моделирования электропотребления.

3 Разработана модель для прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений, основанная на методе искусственных нейронных сетей, отличающаяся тем, что в ней в качестве одного из влияющих факторов учитываются значения естественной освещенности, что позволяет повысить точность прогнозирования, а также имеется возможность изменения структуры сети (количество нейронов во входном и скрытом слоях) в процессе её обучения.

Практическая значимость результатов диссертационной работы заключается в выявленных связях между ЭП и естественной освещенностью. Определена значимость факторов, влияющих на процесс ЭП в регионе.

Разработано и зарегистрировано программное обеспечение реализации методики повышения точности прогнозирования электропотребления путем учета освещенности для региональных диспетчерских управлений.

Результаты работы позволили усовершенствовать программный комплекс «Прогноз-ЭТО», установленный в Ростовском и Кубанском РДУ.

Разработанная модель может быть использована для прогнозирования электропотребления в филиалах ОАО «СО-ЕЭС» - региональных диспетчерских управлениях, филиалах ОАО «Федеральная сетевая компания Единой энергетической системы», оптовых генерирующих компаниях и территориальных генерирующих компаниях, региональных сетевых компаниях, энергосбытовых компаниях, а также в диспетчерских управлениях отдельных предприятий, которые являются членами оптового или розничного рынков электроэнергии и мощности.

Достоверность полученных результатов подтверждена корректностью поставленных задач, обоснованностью принятых решений и рекомендаций; применением математических моделей со свойствами, требуемыми для решения задач прогнозирования; величиной ошибки прогнозирования ЭП менее 5 %, которая рассчитана по утвержденной методике. Модель апробирована с использованием фактических данных ЭП и метеорологических данных за период с 2007 г. по 2011 г.по территориям операционных зон двух РДУ. Экспериментальные данные, использовавшиеся для тестирования прогнозной модели, получены с применением сертифицированных систем телемеханики и автоматизированных систем коммерческого учета электроэнергии (АСКУЭ).

Внедрение результатов. Результаты работы включены в два отчета о научно-исследовательских работах, выполненных для филиала ОАО «СО-ЕЭС» «Ростовское РДУ» в 2008-2010 гг. предприятием ООО НПП «ВНИКО», а также вучебный процесс ЮРГТУ(НПИ) при подготовке инженеров и магистров по направлению «Электроэнергетика и

I . электротехника». Результаты работы использованы в программном комплексе «Прогноз-ЭТО» при краткосрочном прогнозировании электропотребления в Ростовском и Кубанском РДУ и при подготовке на энергетическом факультете ЮРГТУ(НПИ) специализированных групп, обучающихся по заданию ОАО «СО-ЕЭС».

Апробация работы. Основные положения диссертационной работы обсуждались и получили положительную оценку на XXXI, XXXII и XXXIII сессиях всероссийского научного семинара Академии наук Российской Федерации «Кибернетика электрических систем» (ЮРГТУ, г. Новочеркасск) в 2009, 2010 и 2011 годах. Результаты представлялись на IX и X международных научно-практических конференциях «Современные энергетические комплексы и системы и управление ими» (ЮРГТУ, г. Новочеркасск) в 2009 и 2010 годах; на X международной научно-практической конференции «Компьютерные технологии в науке производстве, социальных и экономических процессах» (ЮРГТУ, г. Новочеркасск) в 2009 г.; на региональной научно-практической конференции студентов, аспирантов и молодых ученых вузов Ростовской области «Студенческая научная весна-2011» (ЮРГТУ, г. Новочеркасск); на международной молодёжной научно-технической конференции «Электроэнергетика глазами молодежи» (СамГТУ, г. Самара) в 2011 г.

Результаты работы представлялись на «Первом молодежном инновационном конвенте Южного Федерального округа» (г. Ростов-на-Дону, КВЦ «Вертол-Экспо», 29-30 октября 2009 г.) и на V Южно-Российском форуме «Энергоэффективная экономика» (г. Ростов-на-Дону, КВЦ «Вертол-Экспо», 17-19 ноября 2010 г.).

Публикации. По результатам диссертации опубликовано 11 печатных работ (2,84 п.л.), в том числе 2 статьи в изданиях, рекомендованных ВАК. Зарегистрированы 2 программы для ЭВМ: «Тест MLP» и «Краткосрочный прогноз электропотребления с учетом освещенности». Получено положительное решение о выдаче патента на полезную модель. и

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы из 195 наименований отечественных и зарубежных авторов, 15 приложений, представленных на 44 листах. Работа изложена на 231 странице машинописного текста, включая 5 таблиц и 87 иллюстраций.

8 Результаты работы могут использоваться при разработке и совершенствовании моделей краткосрочного и оперативного прогнозирования ЭП для крупных промышленных комплексов, работающих на ОРЭМ, энергосбытовых компаниях, региональных диспетчерских управлениях и т.п.

9 Результаты исследований использовались для повышения эффективности работы ПО «Прогноз - ЭТО» при его адаптации и опытной эксплуатации в Ростовском и Кубанском РДУ.

10 Результаты, полученные в диссертационной работе, показывают, что I для повышения точности прогнозирования ЭП необходим учет освещенности, однако целесообразно использовать другие метеофакторы и учитывать доминирующую категорию электропотребителей территории, для которой выполняется данное прогнозирование. » * ■.

ЗАКЛЮЧЕНИЕ

В диссертационной работе на основе анализа статистических данных выполнены теоретические обобщения влияющих на ЭП факторов и получено решение важной научно-технической проблемы повышения точности краткосрочного прогнозирования ЭП для территорий операционных зон РДУ с учетом естественной освещенности.

1. Основы построения промышленных электрических сетей/ Г.М. Каялов, А.Э. Каждан, И.Н. Ковалев и др. М.: Энергия. 1978. - 352 с.

2. Тропин В.В., Савенко A.B. Синтез симметричной электрической сети с распределенными нагрузками по критерию максимального экономического эффекта компенсации реактивной мощности/ Изв. вузов. Электромеханика. -2008. -№1.- С. 84-86.

3. Савиных В.В., Тропин В.В. Расширение границ использования приближенной формулы при определении модуля вектора прямой последовательности в трехфазной трехпроводной системе упрощенным методом/ Изв. вузов. Электромеханика. 2011. - №5. - С. 84-85.

4. Цифровая обработка сигналов на основе теоремы Уиттекера-Котельникова-Шеннона / М.А. Басараб и др. М.: Радиотехника, 2004. - 72 с.

5. Бокс Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс.-М.: Мир, 1974. Вып.1.- 406 с.

6. Кильдишев Г.С. Анализ временных рядов и прогнозирование/ Г.С.Кильдишев, А.А.Френкель.- М.: Статистика, 1973. 103 с.

7. Дуброва Т.А. Статистические методы прогнозирования : учеб.пособие для вузов/ Т.А.Дуброва. М.: ЮНИТИ-ДАНА, 2003.- 206 с.

8. Гуртовцев А.Л. Электрическая нагрузка энергосистемы. Выравнивание графика/ А.Л. Гуртовцев, Е.П. Забелло// Новости Электротехники. 2008. - №5 (53). - С. 18-23.

9. Седов A.B. Системы контроля, распознавания и прогнозирования электропотребления: модели, методы, алгоритмы и средства / A.B. Седов, И.И. Надтока.- Ростов-н/Д: Из-во Ростов.ун-та, 2002 320 с.

10. Жежеленко И.В. Методы вероятностного моделирования в расчетаххарактеристик электрических нагрузок потребителей / И.В. Жежеленко,1

11. Ю.Л. Саенко, В.П. Степанов. М.:Энергоатомиздат, 1990. - 123 с.

12. П.Шидловский A.K. Введение в статистическую динамику систем энергоснабжения / А.К. Шидловский, Э.Г. Куренный,- Киев: Наукова думка, 1984. 273 с.

13. Farmer E.D. The prediction of load on a power system /E.D. Farmer, M.J. Potton.- Proc. Third IF AC Conf., London, 1966. - P. 215-224.

14. Электрические нагрузки промышленных предприятий/ С.Д. Волобринский и др. Д.: Энергия, 1971. - 264 с.

15. Гордеев В.И. Взаимная корреляция в расчетах характеристик графиков электрической нагрузки/ В.И. Гордеев //Электричество. 1978-№8.-С. 17-21.

16. Седов A.B. Микропроцессорные устройства контроля и прогнозирования в системах управления электроэнергетическими объектами с дискретно-распределенными параметрами: автореф. дис. на соиск. канд.техн.наук. / A.B. Седов. Новочеркасск, 1995. - 18 с.

17. Ту Дж. Принципы распознавания образов /Дж. Ту, Р. Гонсалес. -М.: Мир, 1978.-412 с.

18. Халмош П.Р. Лекции по эргодической теории : пер. с англ. и доп / П.Р.Халмош Ижевск: Изд. дом «Удмуртский университет», 1959. - 136 с.

19. Бендат Дж. Измерение и анализ случайных процессов /Дж. Бендат, А. Пирсол. М.: Мир, 1974. - 464 с.

20. Бендат Дж. Прикладной анализ случайных данных /Дж. Бендат, А. Пирсол- М.: Мир, 1989. 540 с.

21. Современные методы идентификации систем/ Под ред. П.Эйкоффа. М.: Мир, 1983.-400 с.

22. Справочник по математике для научных работников и инженеров. -М.: Наука, 1984-832 с.

23. Broomhead D.S. On the qualitative analysis of experimental dynamical systems / D.S. Broomhead, G.P. King //Nonlinear Phenomena and Chaos : ed. by S. Sarkar -Bristol:AdamHilger, 1986.-P. 113-144.

24. Гордеев В.И. Управление электропотреблением и его прогнозирование / В.И. Гордеев, И.Е. Васильев, В.И. Щуцкий. Ростов н/Д: Изд-воРГУ, 1991.-104 с.

25. Романенко А.Ф. Вопросы прикладного анализа случайных процессов /А.Ф. Романенко, Г.А. Сергеев. М.: Сов. Радио, 1968. - 200 с.

26. Гросс Дж. Краткосрочное прогнозирование нагрузки / Дж. Гросс, Ф.Д. Гальяна. ТИИЭР, 1986. -Т.75, №12. - С. 6-23.

27. Нарр Н.Н. Optimal power dispatch A comprehensive survey //IEEE Trans, on Power Apparatus and Systems. - 1977, Vol. PAS-96, № 3. - P. 841-854.

28. Гамм А.З. Оптимизация режимов энергообъединений в новых экономических условиях /А.З. Гамм// Электричество 1993- №11. - С. 1-8.

29. Тимченко В.Ф. Прогнозирование режимов электропотребления нерегулярных дней/ В.Ф.Тимченко, А.М.Меламед, А.М.Скрипко// Электрические станции. 1987.- №5. - С. 52-57.

30. Макоклюев Б.И. Моделирование электрических нагрузок электроэнергетических систем/ Б.И. Макоклюев, В.Н. Костиков // Электричество. 1994. -№10.- С. 13-16.

31. Меламед A.M. Анализ влияния температуры на изменения месячного электропотребления энергосистем/ A.M. Меламед // Исследования в области устойчивости и режимов электропотребления энергосистем. Труды ВНИИЭ.- 1979.-№57.-С.131-140.

32. Макоклюев Б.И. Учет влияния метеорологических факторов при прогнозировании электропотребления энергообъединений/ Б.И. Макоклюев// Электрик 2004.-№6. - С. 15-16.i l

33. Прогнозирование электропотребления в энергосистеме с учетом температуры воздуха и освещенности / И.И. Надтока и др.// Электрика-2005.-№3.-С. 18-21.

34. Plaut G. Spells of low-frequency oscillations and weather regimes in the northern hemisphere / G. Plaut, R. Vautard //Journal of the Atmospheric Sciences-1994.- Vol. 51.-P. 210-236.

35. Надтока И.И. Анализ зависимости электропотребления в энергосистеме от температуры воздуха /И.И. Надтока, О.А. Сухомлинова,

36. A.А. Мальцева// Методы и алгоритмы прикладной математики в технике, медицине и экономике: материалы III науч.-практ. конф., г. Новочеркасск, 17 января 2003г.: В 3 ч./ Юж.-Рос. гос. техн. ун-т.-Новочеркасск: ООО НПО «Темп», 2002. 4.1. - С. 9-13.

37. Белан А.В. Прогнозирование электропотребления на основе многофакторного регрессионного и корреляционного анализов / А.В .Белан,

38. B.И.Гордеев// Проблемы энергосбережения, 1991. №7. - С. 54-59.

39. Беляков А.А. Прогнозирование числа повреждений на трубопроводах и динамики роста трещин на необогреваемых элементах паровых котлов ТЭС: автореф. дис. канд. техн. наук./ А.А. Беляков. -Иваново, 2010.-20 с.

40. Бодров Е.А. Комплексное статистическое исследование потребления и себестоимости электрической и тепловой энергии в регионе :на примере Республики Марий Эл: дис. канд. экон. наук. / Е.А. Бодров. -Йошкор-Ола, 2007. 166 с.

41. Everette S. Gardner, Jr. Exponential smoothing: The state of theart -Part II Электронный ресурс. // Режим доступа: http://www.bauer.uh.edu/ gardner/docs/pdf/Exponential-Smoothing.pdf. 2005.

42. Viktor. Прогнозирование временных рядов при помощи экспоненциального сглаживания Электронный ресурс. // Режим доступа: http://www.mql5.com/ru/articles/318. Прогнозирование временных рядов при помощи экспоненциального сглаживания./ ' . 1711.I I1 *

43. Liu C.C., Pierce D.A., Song H. Intelligent Application to Power System// IEEE Computer Application in Power.- 1997.- October.- Vol.№ 2.- P. 21-24.

44. Кудрин Б.И. Введение в технетику/ Б.И.Кудрин // Томск: Изд-во ТГУ, 1993.-522 с.

45. Браммер К. Фильтр Калмана-Бьюси: пер. с нем./ К. Браммер, Г. Зиффлинг// М.: «Наука», 1982. 257 с.

46. Дженкинс Г. Спектральный анализ и его приложения : пер. с англ. В.Ф. Писаренко/ Г. Дженкинс, Д. Ватте. М.: Мир, 1971, Вып.1. - 317 с.

47. Интеллектуальный метод диагностирования и прогнозирования технического состояния мехатронных комплексов, эксплуатируемых в экстремальных условиях/ Мехатроника, автоматизация, управление. — 2011.-№ 3. С. 47-51.

48. Демура A.B. Моделирование и прогнозирование на основе искусственных нейронных сетей/ A.B.Демура // Изв. вузов. Электромеханика. -2005.-№5.-С. 29-32

49. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. -М.'.«Финансы и статистика», 2002.- 344 с.

50. Гурский С.К. Адаптивное прогнозирование временных рядов в электроэнергетике/ С.К. Гурский. М.:«Наука и техника», 1983.-271 с.

51. Анализ временных рядов Электронный ресус. : электронный учебник StatSoft- 2011. Режим доступа: http://www.bsu.ru/content/hec/ biometria/modules/sttimser.html

52. Кремер Н.Ш. Эконометрика: учебник для вузов/ Н.Ш. Кремер, Б.А. Путко.- М.: ЮНИТИ. ДАНА, 2002. - 317 с.

53. Степанов В.Г. Эконометрика : Электронный ресурс. : учеб. курс (учеб.-метод. комплекс).- 2010. Режим доступа: http://www.e-college.ru/ xbooks/xbookO 19/book/index/index.html?go=part-010*page.htm

54. Горчакова A.A. Математический аппарат для инвестора Электронный ресурс. 2009. - Режим доступа: http://vernikov.ru/component/ k2/item/148.html

55. Арженовский C.B. Эконометрика: Учеб. пособие/ C.B. Арженовский, О.Н. Федосова ; Рост. гос. экон. ун-т. Ростов н/Д., — 2002. - 112 с.

56. Грешилов A.A. Математические методы построения прогнозов /

57. A.А.Грешилов, В.А.Стакун, A.A. Стакун.— М.: Радио и связь, 1997.- 112 с.

58. Тэрано Т. Прикладные нечеткие системы: Нечеткие множества: пер. с япон. Ю.Н. Чернышова /Т. Тэрано, К. Асаи, М. Сугено.- М.: Мир, 1993. -368 с.

59. Круглов В.В. Нечеткая логика и искусственные нейронные сети/

60. B.В. Круглов, М.И. Дли, Р.Ю. Голупов. — М.: Физматлит, 2000. — 224 с.

61. Морхов А.Ю. Совершенствование методов расчета электрических нагрузок и управление электропотреблением в условиях нечеткойинформации: автореф. дис. канд. техн. наук/ А.Ю. Морхов. Новочеркасск: Новочер. гос. техн. ун-т, 1994. - 17 с.

62. Мятеж A.B. Регулирование напряжения в системах электроснабжения с использованием нечеткой логики: автореф. дис. канд. техн. наук/ A.B. Мятеж. Новосибирск, 2009. - 22 с.

63. Гнатюк В.И. Ранговый анализ техноценозов/ В.И. Гнатюк, O.E. Лагуткин.- Калининград: ЗНЦ НТ РАЕН КВН ФПС РФ, 2000. - 86 с.

64. Крылов Ю.К. Целочисленное аппроксимирование ранговых распределений и идентификация техноценозов/ Ю.К. Крылов, Б.И. Кудрин. -Вып. 11. Ценологические исследования. М.: Центр системных исследований, 1999.-80 с.

65. Волобринский С.Д. Электрические нагрузки промышленных предприятий/ С.Д.Волобринский, Г.М.Каялов, П.Н.Клейн.- JL: Энергия, 1974.-264 с.

66. Bucy R.S., Joseph P.D. Filtering for Stochastic Processes with Applications to Guidance: 2nd Edition// John Wiley & Sons Inc. 1968.

67. Википедия свободная энциклопедия. Фильтр Калмана. - 2012. -Электронный ресурс.// Режим доступа: http://ru.wikipedia.org/wiki/%DO% A4%D0%B8%D0%BB%D 1 %8C%D 1 %82%D1 %80%D0%9A%D0%B0%D0% BB%D0%BC%D0%B0%D0%BD%D0%B0. - Фильтр Калмана.

68. Голяндина Н.Э. Метод "Гусеница''-SSA: анализ временных рядов: учеб. пособие/ Н.Э. Голяндина. СПб., 2004. - 76 с.

69. Андрукович П.Ф. Некоторые свойства метода главных компонент / П.Ф. Андрукович// Многомерный статистический анализ в социально-экономических исследованиях. М. : Наука, 1974. - С. 189-228.i V i i1' tI

70. Хайкин С. Нейронные сети: полный курс, 2-е изд.: пер. с англ. / С. Хайкин. М.: Издательский дом «Вильяме», 2006.- 1104 с.

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

72. Kohonen Т. Self-organization and associative memory: 2nd Edition// Berlin: Springer Verlag. 1984. - 225 p.

73. Демура A.B. Использование искусственной нейронной сети в качестве многомерной модели при планировании электропотребления предприятий / А.В. Демура// Изв. вузов Сев.-Кав. регион. Техн. науки. -1996.-№3.-С. 102-108.

74. Демура А.В. Краткосрочное прогнозирование суточных графиков нагрузки на основе искусственных нейронных сетей / А.В.Демура// Изв. вузов. Электромеханика.- 1998. № 2. - С.69-71.

75. Курбацкий В.Г. Краткосрочное прогнозирование электрической нагрузки с использованием новых информационных технологий/ В.Г. Курбацкий, Н.В. Томин// Вестник Амурского государственного университета. 2004. - Вып. 27. - С. 48-51i ■ 175i if»

76. Гибридная интеллектуальная система прогнозирования нестационарных временных рядов/ В.Г. Курбацкий, В.Г. Сидоров, В.А. Спиряев, Н.В. Томин// Винеровские чтения : тр. IV Всерос. конф. -Иркутск: ИрГТУ, 2011. -Ч.Н, С. 166-175.

77. Белов К.Д. Прогнозирование потребления электроэнергии фабрикой окускования горно-обогатительного комбината методом искусственных нейронных сетей: дис. . канд. техн. наук: 05.09.03/ К.Д. Белов. -Екатеринбург, 2008. 236с.

78. Анушина Е.С. Система краткосрочного прогнозирования электрической нагрузки: дис. . канд. техн. наук: 05.09.03/ Е.С. Анушина. -Санкт-Петербург, 2009. 137 с.

79. Сухомлинова О. А. Моделирование процесса электропотребления при краткосрочном прогнозировании методами ортогональных разложений: дис. . канд. техн. наук: 05.13.18/ O.A. Сухомлинова. Ростов-н/Д, 2005. -185 с.

80. Глебов A.A. Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем: автореф. дис. канд. техн. наук: 05.13.10 / А. А. Глебов. Астрахань, 2006. - 19 с.

81. Козадаев A.C. Математические модели временных рядов на основе аппарата искусственных нейронных сетей и программный комплекс для их реализации: автореф. дис. канд. техн. наук: 05.13.18/ A.C. Козадаев. -Тамбов, 2008. 19 с.

82. Яковлев Д.А. Прогнозирование процессов электропотребления на железнодорожном транспорте: дис. . канд. техн. наук: 05.13.18/ Д.А. Яковлев. Иркутск, 2006. - 155 с.

83. Зимин Р.В. Разработка статистических моделей прогнозирования электропотребления и графиков нагрузки ЭЭС: автореф. дис. канд. техн. наук: 05.14.02 / Р. В. Зимин. Новосибирск, 2008 - 19 с.

84. Томин Н.В. Анализ и прогнозирование режимных параметров и характеристик для субъектов розничного рынка электроэнергии на базе технологии искусственного интеллекта: автореф. дис. канд. техн. наук: 05.14.02 / Н. В. Зимин. Иркутск, 2007 - 28 с.

85. Бодров Е.А. Комплексное статистическое исследование потребления и себестоимости электрической и тепловой энергии в региона (на примере Республики Марий Эл): автореф. дис. канд. техн. наук: 08.00.12/ Е.А. Бодров. Йошкор-Ола, 2007. - 24 с.

86. Радыгина C.B. Краткосрочное прогнозирование электрической нагрузки промышленных предприятий и применением интеллектуальных информационных технологий: автореф. дис. канд. техн. наук: 05.14.02/ C.B. Радыгина. Новосибирск, 2010 - 26 с.

87. Гросс Дж. Краткосрочное прогнозирование нагрузки / Дж. Гросс, Ф.Д. Гальяна. // ТИИЭР.-1986. -Т.75, №12. С. 6-23.

88. Доброжанов В.И. Краткосрочное прогнозирование электрических нагрузок промышленных предприятий/ В. И. Доброжанов// Изв. вузов. Энергетика-1987. -№1. -С. 8-12.

89. Макоклюев Б.И. Прогнозирование потребления электроэнергии в АО "Мосэнерго" / Б.И. Макоклюев, А.И. Владимиров, Г.И. Фефелова// Топливно-энергетический комплекс. 2001.- №4. - С. 56-57.

90. Шнейдер A.M. Суточное прогнозирование нагрузки ЭЭС с учетом прогнозов температуры/ A.M. Шнейдер, Т.А. Такерева, Д.А. Шиффман//

91. Сравнительные модели прогнозирования электрической нагрузки энергосистем», пер. с англ. М.: Энергоатомиздат, 1987. - С. 74-91.

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

93. Подсистема «Анализ и планирование суточных графиков» (Энергостат 1.1) Электронный ресурс. / Программно-технические решения для энергетики 2011. - Режим доступа: http://energostat.ru/products/l 1/

94. Технология РСДУ Электронный ресурс. / ООО «ЭМА» 2011. -Режим доступа: http://www.ema.ru/solutions/rsdu/

95. Технологии анализа данных Электронный ресурс./ BaseGroupLabs 2011. - Режим доступа: http://www.basegroup.ru/deductor/description/

96. EleQuant Электронный ресурс. / Products and Solution 2004. -http://www.elequant.com/products/agora/loadforecast.html. - AGORA Load Forecast.

97. Itron Электронный ресурс. Products detail - 2011. - Режим доступа: http://www.itron.com/pages/productsdetail.asp7idHtr000483 .xml -System MetrixIDR.

98. Программное обеспечение краткосрочного прогнозирования электрической нагрузки энергосистемы/ Л.Г. Ворыпаев, М.Б. Коневский, В.А. Мясников, A.B. Демура, К.Н. Исаев, И.И. Надтока, A.B. Седов// Изв. вузов. Электромеханика.- 1996.- №3. С. 119-120.

99. Коберси И.С. Применение нейронных сетей для управления энергопотреблением / И.С.Коберси, В.В.Шадрина // Известия ЮФУ. Техн. науки.- 2008.- № 7. С.190—195.

100. Круглова Т.Н. Применение аппарата нечеткой логики и нейронных сетей для управления техническим состоянием модулей движения технологического оборудования / Т.Н.Круглова // Вестник компьютерных и информационных технологий. 2010. - № 8. - С. 28-35

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

102. Ивахненко А.Г. Персептроны/ А.Г. Ивахненко.- Киев: Наукова думка, 1974.- 378 с.

103. Фролов А. Синтез и распознавание речи. Современные решения Электронный ресурс. /А.Фролов, Г.Фролов. 2003. - Режим доступа: www.frolov-lib.ru/books/hi/ch04.html

104. Заенцев И.В. Нейронные сети: основные модели : учеб. пособие к курсу «Нейронные сети» для студентов 5 курса магистратуры каф. Электроники физического фак-та Воронеж, гос. ун-та/ И.В. Заенцев. -Воронеж, 1999.-76 с.

105. Короткий С. Нейронные сети: Основные положения Электронный ресурс. / С. Короткий. Режим доступа: http://vgam2004.narod.ru/iis/neuro obzor-2.doc/

106. Филатова Т.В. Применение нейронной сети для аппроксимации данных / Т.В. Филатова // Кибернетика. 2004. - № 284. - С. 121 - 125.

107. Rosenblatt F. The Perceptron: a probabilistic model for information storage and organization in the brain/ F. Rosenblatt // Psychological Review, 1958, vol. 65. P.386-408.гi> * к

108. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности/ Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. Харьков: Основа, 1997. - 112 с.

109. Махотшо К.В. Розробка методик еволюцшного синтезу нейрос1ткових компонешлв систем управлшня: Автореф. дис.канд. техн. наук: 05.13.06 / Харювський держ. полггехшчний ун-т. Харюв, 1998. - 17 с.

110. Чуев Ю.В. Прогнозирование количественных характеристик процессов /Ю.В. Чуев, Ю.Б. Михайлов, В.И. Кузьмин.- М.: Советское радио, 1975.-398 с.

111. Альберт А. Регрессия, псевдоинверсия и рекуррентное оценивание / А.Альберт.-М.: Наука, 1977.-223 с.

112. Хант Э. Искусственный интеллект / Э. Хант.- М.: Мир, 1978.-558 с.

113. Ярушкина Н.Г. Нечеткие нейронные сети с генетической настройкой/ Н.Г. ЯрушкинаЛ Лекция научной школы конференции «Нейроинформатика-2004». М.: Финансы и статистика, 2004. - 320 с.

114. Информационно-аналитическая и торгово-операционная система.

115. Рынок продукции, услуг и технологий для энергетики Электронный ресурс.i

116. Гнатюк В.И. Лекции о технике, техноценозах и техноэволюции. -Компьютерная версия, перераб. и доп. Калининград: БНЦ РАЕН - КВИ ФПС РФ, 2000. - Архив в сети Интернет: http://gnatukvi.narod.ru/zipf-iles/lexc.zip

117. Гнатюк В.И. Закон оптимального построения техноценозов / В.И.Гнатюк. М. : Изд-во ТГУ, 2005. - Вып. 29: Ценологические исследования.- 384 с.

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

119. Растригин Л.А. Введение в идентификацию объектов управления/ Л.А. Растригин, Н.Е. Маджаров. М.: Энергия, 1977. - 216 с.

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

121. Макоклюев Б.И. Моделирование электрических нагрузок электроэнергетических систем / Б.И. Макоклюев, В.Н. Костиков // Электричество.- 1994.- № 10. С. 13-16.

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

123. Орлов А.И. Прикладная статистика/ А.И. Орлов. — М.: Экзамен, 2006. —671 с.

124. Орлов А.И. Математика случая: Вероятность и статистика. -основные факты : учеб. пособие / А.И. Орлов. М.: МЗ-Пресс, 2004. - 110 с.

125. Кендалл М. Дж. Многомерный статистический анализ и и временные ряды/ М. Дж. Кендалл, А. Стьюарт.- М.: Наука, 1976.-736 с.

126. Надтока И.И. Система контроля естественной освещенности для прогнозирования электропотребления/ И.И. Надтока, A.B. Демура, Д.В. Безъязычный, В.В. Горбачев// Изв. вузов. Электромеханика. 2008. -Спец. вып.-С. 166- 167.

127. Надтока И.И. Анализ зависимостей электропотребления от температуры воздуха и освещенности в операционной зоне Ростовского РДУ/ И.И. Надтока, С.О. Губский// Изв. вузов. Электромеханика. 2009. - Спец. вып. - С. 105-107.

128. Надтока И.И. Анализ зависимостей электропотребления от метеофакторов в операционной зоне Кубанского РДУ/ И.И. Надтока, С.О. Губский// Изв. вузов. Электромеханика. 2010. - Спец. вып. - С. 106108.

129. Goliana F.D. Identification of stochastic electric load models from physical data/ F.D. Goliana, E. Handschin, A. Fiechter. IEEE Trans., Ac-19. -1974.-№6.-P. 887-893.

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

131. Облачность Электронный ресурс. / Большой энциклопедический словарь.- 2010.— Режим доступа: http://scnc.ru/enc.php?mode=showart&id =42358&slog=&alpha=l6/. Большой энциклопедический словарь.

132. Семенченко Б.А. Физическая метеорология / Б.А. Семенченко. М.: Аспект-Пресс, 2002. - 415 с.

133. Ожегов С.И., Шведова Н.Ю. Толковый словарь русского языка: 80 000 слов и фразеологических выражений. 4-е изд., М., 1997. - 944 с.

134. Погода Электроный ресурс./ Meteoblue. Rostov. 2012. - Режим доступа: http://www.meteoblue.com/ruRU/weather/forecast/week/rostovru 288679.- Погода в Ростове-на-Дону.

135. Погода по часам в Ростове-на-Дону Электронный ресурс. -Прогноз погоды на AccuWeather 2012. - Режим доступа: http:// www.accuweather.com/ru/ru/rostov-na-donu/295146/hourly-weather-forecast/ 295146?hour=33. - Погода по часам в Ростове-на-Дону.

136. ОДУ Юга), на основе математической прогнозной модели, отработанной в Ростовской области и Республике Калмыкия: отчет о НИР в 2 т. Т. 1/ И.И. Надтока и др.. Новочеркасск.: ООО НЛП «ВНИКО», 2010. - 136 с.

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

138. Макоклюев Б.И. Влияние колебаний метеорологических факторов на энергопотребление энергообъединений/ Б.И. Макоклюев, B.C. Павликов, А.И. Владимиров, Г.И. Фефелова// Энергетик. 2003. - №6. - С. 14-19.

139. Томбасова A.A. Оценка зависимости режима электропотребления от влияния различных факторов Электронный ресурс.// Сибирский федеральный университет. 2010. - Режим доступа - http://conf.sfu-kras.ru/sites/ mn201 l/thesis/s4/s4l 57.pdf

140. Сизова Т.М. Статистика : учеб.пособие. СПб.: СПбГУ ИТМО, 2005. - 190 с.

141. Майнакский Э.М. В 2011 году рынок электроэнергии ждет либерализация. Компьютерная версия. - Казань: ОАО «Татэнергосбыт», 2009. — Архив в сети Интернет: http://www.tatenergosbyt.ru/download/ prezen2808200902.ppt.

142. Панов И.Н. Возможности генерирующих компаний на ОРЭМ/ И.Н. Панов, Е.А. Пахомова // Энергорынок. 2007.- №8(45). - С. 68-71.

143. Облака Электронный ресурс. Википедия. Свободная энциклопедия: 2011.— Режим доступа: http://ru.wikipedia.org/wiki/ %D2%F3%F7%E8 /. — Википедия. Свободная энциклопедия.

144. Надтока И.И., Корнюкова O.A., Васильева С.С. Освещенность и облачность: их влияние на прогнозирование электропотребления/ И.И. Надтока, И.И. Корнюкова, С.С. Васильева// Изв. вузов. Электромеханика. 2010. - Спец. вып. - С. 104-105.

145. Михайлов В.И. Режимы коммунально-бытового электропотребления/ В.И. Михайлов, М.В. Тарнижевский, В.Ф Тимченко. -М.: Энершатомиздат, 1993. -288 с.i 186

146. Bishop С.М. Neural Networks for Pattern Recognition/ C.M. Bishop. -Oxford University Press.- 1995.

147. Шестова E.A. Разработка методов тестирования потребителей электроэнергии / E.A. Шестова// Известия ЮФУ. Техническиенауки. 2008. -№7.-С. 154—159

148. Anil К., Jain, Jianchang Мао, K.M. Mohiuddin. Artificial Neural Networks: A Tutorial. IEEE Computer, March, 1996. - Vol.29, №.3. - P. 31-44

149. Ripley B.D. Pattern Recognition and Neural Networks// Cambridge University Press, 1996.

150. Галушкин А.И. Теория нейронных сетей. М.: ИПРЖР, 2000. -Сер. «Нейрокомпьютеры и их применение», Кн. 1. - 416 с.

151. 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.{

152. Мак-Каллок У.С. Логическое исчисление идей, относящихся к нервной активности/ У.С. Мак-Каллок, В. Питтс// Автоматы. М.: ИЛ. 1956. -С. 362 - 384.

153. Горбань А.Н. Нейронные сети на персональном компьютере/ А.Н. Горбань, Д.А. Россиев. Новосибирск: Наука, 1996. - 276 с.

154. Stone M.N. The Generalized Weierstrass Approximation Theorem// Math. Mag., 1948.-V. 21.-P. 167-183.

155. Статистический портал StatSoft. Теорема Колмогорова Электронный ресурс.- 2010.// Режим доступа: http://www.statsoft.ru/home/Iportai/ colmogorov.htm Теорема Колмогорова.

156. Hornik К. Multilayer feedforward networks are universal approximators / K.Hornik, M.Stinchcombe, H.White // Neural Networks, 1989. -Vol. 2. -P. 359-366.

157. Cybenko G. Approximation by superpositions of a sigmoidal fonction. // Mathematics of Control, Signal and Systems, 1989. Vol. 2. -P. 303-314

158. Гладков Л.А., Курейчик B.B., Курейчик B.M. Генетические алгоритмы :учеб. пособие/ Л.А. Гладков, В.В. Курейчик, В.М. Курейчик. 2-е изд. -М: Физматлит, 2006. — 320 с.iV1 I 11. 'II1. X, ! * 1h * () ' » M

159. Амосов A.A. Вычислительные методы для инженеров: учеб. пособие/ A.A. Амосов, Ю.А. Дубянский, Н.В. Копченова. — М.: Высш. шк., 1994. —544 с.

160. Методика контроля точности прогноза потребления: Распоряжение руководителя оперативного штаба по совершенствованию конкурентного балансирующего рынка ОАО «Системный оператор единой энергетической системы» от 14 апреля 2011 № 132.

161. Rumelhart D.E. Learning internal representations by error propagation. In Parallel distributed processing/ D.E. Rumelhart, G.E. Hinton, R.J. WilliamsLondon: MIT Press, 1986. vol. 1.-550 p.

162. Горбань A.H. Обучение нейронных сетей. M.: СП ParaGraph, 1990. - 160 с.

163. Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей.- ВНИИТФ Снежинск, 2004. - 72 с.

164. Ежов A.A. Нейрокомпьютинг и его применения в экономике и бизнесе (серия «Учебники экономико-аналитического института МИФИ» под ред. проф. В.В. Харитонова) / А.А.Ежов, С.А.Шумский. М.: МИФИ, 1998. -224 с.

165. Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений / И.И. Надтока, A.B. Демура, С.О. Губский, А.Я. Ваколюк, В.В. Горбачев// Вестник СамГТУ. 2012, № 1(33) - С. 163-168.