автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Метод прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких алгоритмов

На правах рукописи

БАЖИНОВ АЛЕКСЕЙ НИКОЛАЕВИЧ

МЕТОД ПРОГНОЗИРОВАНИЯ ОБЪЕМОВ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ ПРЕДПРИЯТИЕМ ЧЕРНОЙ МЕТАЛЛУРГИИ НА ОСНОВЕ НЕЙРО-НЕЧЕТКИХ АЛГОРИТМОВ

Специальность: 05.13.01 Системный анализ, управление и обработка информации (в металлургии)

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

005010126

Череповец - 2011

005010126

Работа выполнена в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Череповецкий государственный университет» на кафедре программного обеспечения вычислительной техники и информационных систем.

Научный руководитель: доктор технических наук, профессор

Ершов Евгений Валентинович

Научный консультант: доктор технических наук, заслуженный

изобретатель РФ Юдин Рафаил Айзикович

Официальные оппоненты: доктор физико-математических наук,

профессор

Горбунов Вячеслав Алексеевич

кандидат технических наук Сухарев Роман Владимирович

Ведущая организация: ООО «Институт тепловых

металлургических агрегатов и технологий «Стальпроект», г. Москва

Защита состоится «30» декабря 20Ц г. в Ц часов на заседании совета по защите докторских и кандидатских диссертаций Д 212.297.02 в федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Череповецкий государственный университет» по адресу 162602, г. Череповец, Вологодская обл., пр. Луначарского, д. 5.

С диссертацией можно ознакомиться в библиотеке Череповецкого государственного университета.

Автореферат разослан «29» ноября 20Д г.

Ученый секретарь диссертационного совета

Харахнин К.А.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Черная металлургия - одна из наиболее энергоемких отраслей промышленности. Она характеризуется высоким уровнем потребления электроэнергии - существенной составляющей энергозатрат. Так, доля электрической энергии в себестоимости продукции крупных предприятий по отрасли составляет от 11 % до 16 %, а в отдельных случаях её доля увеличивается до 30 %.

К наиболее электроемким относятся сталеплавильное производство (долевое потребление 32,3 %), производство горячекатаного (21,9 %) и холоднокатаного проката (12 %), а также агломерационное (14,5 %), доменное (6,9 %) и коксохимическое производство (5,2).

Максимальный удельный расход электроэнергии приходится на электросталеплавильное производство, он составляет 727 кВтч/т стали. При этом расход электроэнергии на одну тонну стали зависит от мощности трансформаторов, удельной электрической мощности дуговых печей, применения топливно-кислородных горелок, предварительного нагрева лома и внепечной обработки.

Прогноз электропотребления в металлургии необходим для оптимального управления режимами загрузки электропроизводственных мощностей, включающего в себя регулирование активной и реактивной нагрузок металлургического предприятия, минимизацию потерь от перетоков реактивной мощности и поддержание напряжения в заданных пределах в электрических сетях вследствие жестких требований к степени надежности и качества электроэнергии.

К особенностям электропотребления предприятием черной металлургии относятся: большое количество электрооборудования, участвующего в осуществлении технологического процесса в каждом подразделении; большое разнообразие типов и мощностей приемников электроэнергии; относительно слабые связи взаимного влияния приемников электроэнергии при осуществлении технологического процесса; большое количество электрооборудования, участвующего в обеспечении технологического процесса в каждом подразделении и создающего условно постоянную нагрузку, также зависящего от интенсивности технологического процесса; факторы, случайным образом влияющие на режимы и объем электропотребления; превалирующее по сравнению с другими факторами влияние объема производства на объем потребления электроэнергии; большое число часов использования максимума электрической мощности; большая электроемкость видов конечной продукции; возможность изменения режимов работы и состава оборудования в подразделении, сортамента продукции и других систематически действующих факторов.

Одним из основных путей снижения затрат на электроэнергию является выход предприятий металлургического профиля в качестве участников на федеральный оптовый рынок электроэнергии и мощности (ФОРЭМ).

Специфика функционирования на ФОРЭМ предъявляет жесткие требования по качеству прогнозирования графика нагрузки. При этом возникают сложности с оценкой и нахождением необходимых для описания и прогнозирования ключевых и сопутствующих данных.

Проблема прогнозирования электропотребления в металлургическом производстве представляет собой сложную многопараметрическую задачу, имеющую вероятностную составляющую. Величина фактического использования электроэнергии обусловлена не только управленческими решениями, структурой портфеля заказов предприятия, объемами производства основных переделов, ремонтными мероприятиями и сервисным обслуживанием, развитием собственной энергетической базы, но и типом дня (рабочий день или выходной), погодными условиями, временем суток и другими факторами. Причинная связь электропотребления с каждым из этих параметров довольно сложна и не имеет однозначного формального описания.

Таким образом, задача прогнозирования электропотребления предприятием черной металлургии слабо формализована, а её решение с использованием детерминированных методов невозможно.

Исследования в данной области базируются на основах теории моделирования процессов и систем, изложенных в работах: Айвазяна С.А., Андруковича П.Ф., Бахвалова Ю.А., Галустова М.Ю, Котельникова В.А., Лукашина Ю.Г., Kaiman R.E., Shannon С.Е. и др.

Развитие методов моделирования и прогнозирования электропотребления в черной металлургии связано с работами таких ученых, как: Копцев JI.A., Майсюков Д.В., Михайловский В.Н., Никифоров Г.В., Поварницын П.В., Рашкин Ф.А. и др. Вместе с тем, необходимость прогнозирования электропотребления предприятием металлургического профиля обусловлена высокими требованиями к показателям качества прогнозных расчетов (точности, достоверности, информативности, автоматизируемости, быстродействию и т.п.).

В этой связи, разработка метода и алгоритмов прогнозирования графика потребления электроэнергии предприятием черной металлургии представляется актуальной научно-технической задачей.

Цель и задачи диссертационной работы. Целью диссертационной работы является повышение достоверности прогнозирования потребления электроэнергии предприятием черной металлургии на основе аппарата искусственных нейронных сетей и нечеткой логики.

Для достижения поставленной цели в работе решаются следующие задачи:

1) анализ проблемы прогнозирования электропотребления предприятием черной металлургии;

2) разработка математического обеспечения системы прогнозирования потребления электроэнергии;

3) разработка алгоритмов прогнозирования потребления электроэнергии;

4) экспериментальные исследования метода и средств обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии.

Объект и предмет исследования. Объектом исследования является процесс потребления электроэнергии предприятием черной металлургии. Предметом исследования - методы построения и обучения нейро-нечетких сетей как универсального аппарата нелинейного моделирования технико-экономических процессов и решения прикладных задач прогнозирования.

Методы исследования. Дня решения поставленных задач в работе использовались методы математического моделирования металлургических процессов, прогнозирования, искусственного интеллекта, нейронных сетей и нечеткой логики, основы теории построения алгоритмов и программ.

Научная новизна и основные положения, выносимые на защиту:

- разработан новый метод прогнозирования электропотребления предприятием черной металлургии, отличающийся применением оптимизированной структуры нейро-нечеткой сети, позволяющий повысить точность прогнозирования;

- разработаны методики: восстановления пропущенных и выявления неточных значений в рядах ретроспективных данных металлургических процессов на основе модифицированного 7е1-алгоритма; определения влияющих факторов на потребление электроэнергии с использованием дерева решающих правил;

- разработано алгоритмическое обеспечение системы прогнозирования потребления электроэнергии предприятием черной металлургии, реализующее функционально полный набор алгоритмов обработки информации и позволяющее сократить общее время расчетов.

Практическая значимость исследования заключается в том, что реализация разработанных теоретических положений для решения широкого круга прикладных задач позволила:

- оптимизировать процедуры первичной обработки информации в массивах данных с целью восстановления отсутствующих и редактирования аномальных значений;

- использовать аппарат дерева принятия решений в задаче определения значимых факторов на электропотребление в зависимости от объекта потребления и интервала упреждения;

- использовать метод прогнозирования объемов потребления электроэнергии на основе нейро-нечетких сетей оптимизированной структуры;

- повысить точность прогнозирования экономических показателей, в том числе объемов потребления электроэнергии.

Реализация результатов работы. Разработанное математическое и программное обеспечение исследовано и проверено на действительных

ретроспективных данных автоматизированной информационно-измерительной системы коммерческого учета электроэнергии МУП г. Череповца «Электросеть», а также на Череповецком металлургическом комбинате ОАО «Северсталь» и ОАО «Северсталь-метиз» и нашло на этих предприятиях непосредственное применение. Результаты исследования внедрены в практическую и учебную деятельность филиала в СевероЗападном регионе ЗАО «Фирма «АйТи». Информационные технологии» (г. Санкт-Петербург). Разработанные методики первичной обработки ретроспективной информации применяются в ООО «Сервисный центр «Энергия» (г. Москва). Разработанный метод прогнозирования электропотребления, методики восстановления отсутствующих и редактирования аномальных значений, определения значимых факторов используются в ЗАО «Энергомир» (г. Кострома). Предложенные алгоритмы обработки информации и прогнозирования используются в учебном процессе на кафедре «Программное обеспечение вычислительной техники и информационных систем» Череповецкого государственного университета в дисциплинах: "Структуры и алгоритмы обработки данных», «Системы искусственного интеллекта» для специальности 230105 Программное обеспечение вычислительной техники и автоматизированных систем, а также в курсовом и дипломном проектировании.

Апробация работы. Основные результаты диссертационной работы докладывались и получили положительную оценку на следующих научных конференциях: 9-я Межд. конф. «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Курск, 2010 г.); Межд. конф. "Современные тенденции технических наук" (Уфа, 2011 г.); Межд. конф. "Наука и техника XXI века" (Новосибирск, 2011 г.); Всеросс. конф. «Череповецкие научные чтения» (Череповец, 2010 г.) и на постоянно действующем научно-техническом семинаре кафедры программного обеспечения вычислительной техники и информационных систем Череповецкого государственного университета.

Публикации. По теме диссертации опубликовано 9 научных работ, в том числе 4 статьи в изданиях, рекомендованных ВАК РФ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка литературы, включающего 117 наименований, и 4-х приложений. Работа содержит 165 страниц, 54 рисунка и 10 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность, сформулированы цель и задачи исследования, представлены положения, выносимые на защиту, их научная новизна и практическая значимость работы.

В первом разделе по данным отечественной и зарубежной литературы выполнен анализ методов и средств прогнозирования потребления

электроэнергии предприятиями черной металлургии, который показал, что погрешность известных методов составляет 9 - 12 % и приводит к значительным издержкам. Рассмотрены характеристики электропотребления с точки зрения процесса прогнозирования.

На основе проведенного анализа сформулированы задачи работы, обоснована возможность и целесообразность применения методологического аппарата искусственных нейронных сетей, нечеткой логики в решении задач прогнозирования потребления электроэнергии предприятием черной металлургии.

Сформулированы функциональные требования к математическому обеспечению системы прогнозирования электропотребления. На рис. 1 представлена обобщенная функциональная схема системы прогнозирования потребления электроэнергии предприятием черной металлургии.

Ав'шштишрошшныи

информационные системы управления тсччюлопгссстлг процессами предприятия

Оои'мы ирои людей ш кокса, агломерата, «цтуш, стали, электростали, проката, сжатого по%туха, кислорода, имраоотки соостпептй электроэнергии, поколения энергореез реов я др. протподстпеттме и техно лоппсскпс параметр!,т

Система прогнозирования потреблена электроэнергии предприятием черной металлургии

Блок обмени информацией между

спасши пропкппропаттга и обел \ жшшлщим псрсопалом

.лок ведения спрапочп*> информационно! о ||н)чда

МЛеКГроИОЧрсблеИШ па различные интервалы упреждения

Рис. 1. Обобщенная функциональная схема системы прогнозирования электропотребления предприятием черной металлургии

Во втором разделе на основе системного подхода разработана обобщенная методика оценки объемов потребления электроэнергии, включающая основные этапы обработки входной ретроспективной информации, а также операции анализа и прогнозирования величин электропотребления в металлургии.

В информационном массиве ретроспективных данных не исключены отсутствующие и аномальные значения, которые с учетом сокрытия общей тенденции, в первую очередь, проявляют себя при построении модели прогноза снижением обобщающих качеств.

Следовательно, возникает необходимость в разработке методик восстановления отсутствующих и редактирования аномальных значений в рядах ретроспективной информации. Специфика этих задач сводится к решению проблемы восстановления отсутствующих данных.

Прогнозная величина отсутствующего элемента вычисляется как усредненное прогнозных значений этого элемента, порожденных избыточностью в строках и столбцах таблицы В=Щ) (; = 1,ш, ] =\,п, т — количество строк, п - количество столбцов), содержащей ретроспективные данные металлургических процессов;

е+8,

[2е+ «,+ *,]

-, (1)

где Ь' - прогнозное значение элемента Ьц, Ь/ =—--прогнозная величина

ы

элемента Ьч, порожденная избыточностью в столбцах, 17(=г/( -компетентность ¿-столбца по отношению к у'-му, к = \,п,кФ]\ г]к- модуль коэффициента корреляции между к-м и у'-м столбцами; /у,- коэффициент комплектности, равный числу объектов, у которых известны каку'-е, так и к-е свойства; я-коэффициент, регулирующий влияние компетентности на

результат предсказания; ь.=—- - прогнозная величина, порожденная

±4

1-1

избыточностью в столбцах; здесь г„=\-рй, р,,- - евклидово расстояние между 1-й и 1-й строками; е- константа, введенная для предотвращения деления на ноль; дг 8- ошибки предсказаний известных элементов ;-й строки и у'-го столбца.

Потребление электроэнергии предприятием черной металлургии зависит от множества производственных и технологических факторов, большинство из которых в настоящее время не учитываются при анализе, планировании, управлении, прогнозировании энергопотоков на всех уровнях металлургического производства.

В настоящем исследовании впервые был применен математический аппарат дерева принятия решений для поиска значимых факторов. При этом в рядах ретроспективных данных металлургических процессов выявляются скрытые зависимости и закономерности, на основании которых основывается модель электропотребления. Новизна подхода заключается в определении степени влияния каждого из производственных и технологических факторов на целевое значение электропотребления предприятием черной металлургии на основе введенного понятия «значимости» - показателя, вычисляемого по следующей формуле:

z_ =-

N.

N,

m.j

-•100% ,

(2)

Еи к"

¡А М

где g - количество входных атрибутов, к, - количество узлов, которые были разбиты по атрибуту I, Еи- энтропия родительского узла, разбитого по атрибуту /, Е,и- энтропия дочернего узла для ]-го, разбитого по атрибуту I, количество примеров в соответствующих узлах, пи- количество дочерних узлов для у-го родительского узла. Вычисление показателя значимости для атрибутов производится после построения дерева классификационных правил. Выражения (1, 2) представляют суть методик предварительной обработки ретроспективных данных и выявления факторов, определяющих объем и величины фактического потребления электроэнергии.

В рамках исследования разработан новый метод прогнозирования электропотребления предприятием черной металлургии, отличающийся применением оптимизированной структуры нейро-нечеткой сети.

На рис. 2 представлен способ нечеткого вывода.

Рис.2. Способ нечеткого вывода

База правил, называемая лингвистической моделью, представляет собой множество нечетких правил R*,k = \...N, вида

Rl: IF&это A? AND хг этоЛ\ AND... AND хп этоА\ ) THEN Су, это В[ AND у2 это Bl2 AND... AND ут это Вкп), где N - количество нечетких правил; А* - нечеткие множества, A*cXtczRJ = l,...,n; Bj- нечеткие множества, BjcY,czRJ = l,...,m; х,,х2,...,х„-входные переменные модели, причем (xl,x2,...,xll)T=xeXixX2x...xXll; у„у1,-,ут- выходные переменные модели, причем

(УиУг.....ymf=yeYlxY1x...xYm; символами Х„/ = 1,...,л и Yj,j = \,...,m

обозначаются соответственно пространства входных и выходных

переменных. Математически этот способ нечеткого вывода представлен следующим выражением:

/ * (— —*> 2* \

П«р х,-х,

<т>

V ч > /

ПехР

х,-х.

(3)

где параметры х/ и а* имеют физическую интерпретацию: х, - это центр, а <т* - ширина гауссовой кривой.

Каждый элемент (3) задается в виде функционального блока (сумма, произведение, функция Гаусса), что после соответствующего объединения позволяет создать многослойную нейронную сеть. В рассматриваемой структуре нейро-нечеткой сети в каждом к-м правиле {к- 1,...,ЛГ, Ы-количество правил нечеткого вывода) учитывается предопределенное количество нечетких множествеД*. ¿=1,-,л, п - количество нечетких множеств. Результат проявляется в большом количестве обрабатывающих элементов первого слоя - это количество равно пхЫ. Однако изучение реальных систем показывает, что нечеткие множества одной и той же переменной оказываются весьма близкими друг другу (расстояния между их центрами невелики). Поэтому их можно заменить одним нечетким множеством. Модифицированная предложенным способом структура нейро-нечеткой сети изображена на рис. 3. Элементы слоя Ы реализуют функцию Гаусса, конфигурация связей слоя Ь2 соответствует базе правил, а мультипликаторы - блоку вывода, слои ЬЗ и Ь4 представляют собой реализацию блока дефуззификации.

Объемы производства кокса, агломерата, чугуна, стали, электростали, проката, сжатого воздуха, кислорода, выработки собственной электроэнергии, основных эпергоресурсов ретроспективного электропотреблеиия, программа реконструкций и ремонтов и др. факторы

£4

Проточные величины электропотребления на разные интервалы упреждения

Рис. 3. Модифицированная структура нейро-нечеткой сети

В итоге, предложенная оптимизация структуры нейро-нечеткой сети сокращает общее время расчетов прогнозных показателей потребления электроэнергии предприятием черной металлургии.

Обучение нейро-нечеткой сети производится с помощью алгоритма обратного распространения ошибки, адаптированного к модифицированной структуре. Выражения для итерационного процесса изменения значений весов связей представлены следующими соотношениями:

Эффективность подхода, основанного на совместном использовании нейронных сетей и нечеткой логики (3, 4) для прогнозирования электропотребления в металлургии, оценена с помощью самоорганизующихся карт Кохонена (рис. 4). На рис. 4 (а) представлена кластеризация ошибок прогнозирования. На рис. 4 (б) выделены устойчивые группы потребления электроэнергии на основе кластеризации весовых коэффициентов нейро-нечеткой сети. Принцип построения устойчивых групп потребления электроэнергии обеспечивает близкое взаимное расположение тех прогнозных групп, которые близки друг к другу по значению факторов, влияющих на электропотребление.

Ячейки-шестиугольники отражают рассматриваемые события, т.е. каждая клетка карты обозначает один или несколько сходных по параметрам электропотребления дней работы металлургического предприятия. Таким образом, можно проанализировать причины отклонений прогнозных значений от величин фактического потребления электроэнергии.

На рис. 4 (а) видно, что наибольшая ошибка прогнозирования соответствует устойчивой группе потребления электроэнергии №1.

(О

(О

Элементы этой группы являются днями существенного внепланового изменения графика работы металлургического предприятия.

Ошибка прогнозирования

(а)

5% 1 2 3 4 5 7 8 Группы потребления электроэнергии

(б)

Рис.4. Карты Кохонена для оценки эффективности совместного использования нейронных сетей и нечеткой логики

В третьем разделе на основе предложенных методов разработано алгоритмическое обеспечение системы прогнозирования потребления электроэнергии предприятием черной металлургии, включающее следующие алгоритмы: восстановление отсутствующих и редактирование аномальных значений в рядах ретроспективных данных на основе модифицированного ге^алгоритма; определение основных влияющих факторов, используя деревья принятия решений; прогнозирование электропотребления с помощью нейро-нечеткой сети оптимизированной структуры с адаптированным алгоритмом обучения на основе обратного распространения ошибки.

Система прогнозирования электропотребления предприятием черной металлургии работает в соответствии с обобщенным алгоритмом, блок-схема которого представлена на рис. 5.

В блок-схеме отражена последовательность шагов для получения достоверного прогнозного значения электропотребления в металлургии. На первом шаге анализируется возможность немедленного прогнозирования при наличии модели прогнозирования для конкретных условий в базе данных. При существовании такой модели производится расчет, в противном случае модель строится - осуществляется предобработка данных, выявляются значащие факторы и выполняется прогнозирование. Результаты каждого этапа визуализируются для пользователя в виде сводных таблиц, диаграмм.

В четвертом разделе определены основные функциональные элементы и блоки системы прогнозирования потребления электроэнергии предприятием черной металлургии, предложена методика настройки алгоритмического обеспечения и приведены результаты экспериментальной проверки системы прогнозирования.

Сценарии обработки

Ба и данных системы I

прогнозирования элсктропотребления \

(Начало прогнозирования элсктропотрсбле ния

Анализ возможности

прогнозирования элс1сгропотребления

6

Вызов визуализации процесса

Визуальное отображение \npouccca анализа

Вызов визуализации процесса

Визуальное отображение .предобработки данных,/

/ Визуальное отображение .определения значимых у \ факторов

О

Предварительная обработка данных

Визуальное отображение процесса прогнозирования^

Определение основных влияющих факторов

Данные систем АИИС КУЭ. ,$САОА. ЕИР: Гидрометцентра России

Предобработанныс данные

' Конец

прогнозирования чэлсктропотрсблсния,

Рис. 5. Блок-схема обобщенного алгоритма прогнозирования

электропотребления

Экспериментальные исследования системы с целью проверки надежности и эффективности функционирования основных модулей - сбора и первичной обработки данных, определения основных влияющих факторов, анализа и прогнозирования, визуализации и управления осуществлялись в реальных условиях промышленного производства с использованием ретроспективных данных автоматизированной информационно-измерительной системы коммерческого учета электроэнергии, телемеханического комплекса с системой автоматизации и мониторинга, ERP системы предприятия.

На рис.6 (а, б) и рис. 7 (а, б) представлены результаты работы подсистемы сбора и первичной обработки информации по восстановлению отсутствующих и корректировке аномальных значений.

Л . '!■■>

= С

I О «•«

II И 1 S

0,2

S

0

7 9

День

11 13 15

0.8

д. Н

¡с 0.6

(5. £

р 0,4

2 0,2

f 9 II 15 15

День

(а) (б)

Рис. 6. Восстановление отсутствующих значений

(а) (б)

Рис. 7. Редактирование аномальных значений

Количество отсутствующих значений в информационном массиве ретроспективных данных составляет менее 1 %, максимальная ошибка прогнозирования равна 1,1 %.

Экспериментальная проверка методики определения основных влияющих факторов позволила выявить следующее: объем потребления

электроэнергии один, два и семь дней назад; объемы производства кокса, агломерата, чугуна, стали, электростали, горячекатаного проката в предыдущий день, а также статус дня, среднесуточная температура воздуха и долгота светового дня. Показатели значимости основных влияющих факторов на величину суточного электропотребления приведены в табл.1.

Таблица

№ параметра Параметр Значимость, %

1 Объем потребления электроэнергии предприятием в предыдущий день 32,3

2 Объём производства электростали в предыдущий день 17

3 Объём производства горячекатаного проката в предыдущий день 9,1

4 Объем потребления электроэнергии предприятием два дня назад 8,6

5 Объем потребления электроэнергии предприятием неделю назад 7,1

6 Статус дня 6,5

7 Среднесуточная температура воздуха 6,3

8 Объём производства кокса в предыдущий день 5,8

9 Объём производства агломерата в предыдущий день 3,4

10 Объём производства чугуна в предыдущий день 2,5

11 Долгота светового дня 1,4

На рис. 8 представлен график прогнозных величин потребления электроэнергии металлургическим предприятием.

Оценка достоверности результатов эксперимента выполнена с помощью критерия Фишера. Были проведены 920 опытов в период с января по октябрь 2011 года. На рис. 9 представлена диаграмма распределения классов качества прогнозирования потребления электроэнергии предприятием черной металлургии. Под высоким качеством прогнозирования подразумевается возможная относительная ошибка не более 1,7 %, под средним - не более 3,4 %, под низким - не более 5%.

День

—Действительные значение адеиропотремения * Прогнозные значения элегароиотрвбчеиия

Рис. 8. Прогнозный график потребления электроэнергии

Нишзе качество Среднее Высокое качество качество

Качество прогнозирований электроиотреблеиия

Рис. 9. Диаграмма распределения классов качества прогнозирования электропотребления предприятием черной металлургии

Предложенный метод прогнозирования потребления электроэнергии предприятием черной металлургии позволяет уменьшить ошибку прогнозирования до 5 %, что улучшает показатели деятельности металлургического предприятия, представленные на рис. 10.

Уменьшение времени расчетов прогнозных показателей (количество раз)

Увеличение экономической С -1 эффективности работы на рынке

V У .„,.

электроэнергии (%)

1.2

Уменьшение потерь электроэнергии посредством планирования нагрузок в электросетях (%)

Увеличение точности формирования тарифов на электроэнергию (%)

Рис.10. Обобщенные результаты оценки эффективности применения системы прогнозирования потребления электроэнергии

В диссертационной работе в рамках решения поставленной научно-технической задачи повышения достоверности прогнозирования потребления электроэнергии предприятием черной металлургии на основе аппарата искусственных нейронных сетей и нечеткой логики получены следующие основные результаты:

1. Разработан новый метод прогнозирования электропотребления предприятием черной металлургии, отличающийся использованием модифицированной структуры нейро-нечеткой сети, позволяющий уменьшить ошибку прогнозирования потребления электроэнергии до 5

2. Разработаны методики: восстановления отсутствующих и редактирования аномальных значений в рядах ретроспективных данных на основе модифицированного 2е1-алгоритма; определения значимых производственных и технологических факторов на потребление электроэнергии на основе дерева принятия решений.

3. Разработаны алгоритмы функционирования системы прогнозирования потребления электроэнергии, обеспечивающие точность прогнозных оценок электропотребления не менее 95 %.

4. Разработано программное обеспечение системы прогнозирования потребления электроэнергии предприятием черной металлургии, реализующее предложенные методы и алгоритмы и позволяющее сократить общее время расчетов в 2,8 раза.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ по Перечню ВАК

1. Бажинов, А.Н. Оптимизация структуры модуля нейро-нечеткого управления для оценки объемов потребления электроэнергии [Текст] / А.Н. Бажинов, Е.В. Ершов. Вестник Череповецкого гос. ун-та.-2010, № 2.- С. 141-144.

2. Бажинов, А.Н. Деревья принятия решений в задаче отбора значимых факторов для прогнозирования объемов электропотребления в металлургическом производстве [Текст] / А.Н. Бажинов, Е.В. Ершов. Вестник Череповецкого гос. ун-та.-2011,- № 4 Т.З- С. 9-11.

3. Бажинов, А.Н. Адаптивные системы прогнозирования электропотребления в металлургическом производстве [Текст] / А.Н. Бажинов, Е.В. Ершов. Электрометаллургия - 2011, № 12 - С. 29-33.

4. Бажинов, А.Н. Прогноз потребления электроэнергии как средство повышения эффективности металлургического производства [Текст] / А.Н. Бажинов, Е.В. Ершов. Металлург - 2011, № 11 - С. 34-37.

в других изданиях:

5. Бажинов А.Н. Применение нейро-нечетких сетей в прогнозировании потребления электроэнергии предприятияем металлургического профиля [Текст] / А.Н.Бажинов, Е.В. Ершов. Материалы 9-й Межд. конф. Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации: Курск, 2010 г. - С. 256258.

6. Бажинов, А.Н. Применимость нейро-нечетких сетей для прогнозирования оценки объемов потребления электроэнергии [Текст] / А.Н. Бажинов, Е.В. Ершов. Череповецкие научные чтения - 2010: Материалы Всероссийской научно-практической конференции. Часть 3. Современные проблемы технических, естественных и экономических наук. Череповец: ГОУ ВПО ЧГУ, 2010. - С. 3-5.

7. Бажинов, А.Н. Метод прогнозирования качества агломерата на основе нейронных сетей и нечетких множеств [Текст] / Л.Н. Виноградова, А.Н. Бажинов, Е.В.Ершов. Известия Юго-Западного гос. ун-та-2011, № 1 -С. 2128.

8. Бажинов А. Н. Прогнозная модель электропотребления предприятием металлургического профиля. Алгоритм отбора значимых факторов [Текст] / А. Н. Бажинов, Е. В. Ершов. Материалы междунар. заоч. науч. конф. Современные тенденции технических наук: Уфа, 2011. — С. 48-51.

9. Бажинов А.Н. Методика формирования прогнозных значений электропотребления в металлургии с помощью аппарата нейро-нечетких сетей [Текст] / А.Н.Бажинов. Материалы междунар. заоч. науч.-практ. конф. Наука и техника XXI века: Новосибирск, 2011 - С. 110-115.

Лицензия А № 165724 от 11 апреля 2006 г.

Подписано к печати 23.11.11 г. Тир. 100. Усл. печ. л. 1. Формат 60х84'Лб. Зак.118. ФГБОУ ВПО «Череповецкий государственный университет» 162600 г. Череповец, М. Горького, 14

Введение.

1 Общая характеристика проблемы прогнозирования потребления электроэнергии предприятием черной металлургии.

1.1 Анализ существующих методов и средств прогнозирования потребления электроэнергии.

1.2 Характеристика потребления электроэнергии как объекта прогнозирования.

1.3 Определение требований к математическому обеспечению метода прогнозирования потребления электроэнергии предприятием черной металлургии.

1.4 Выводы.

2 Математическое обеспечение метода прогнозирования потребления электроэнергии предприятием черной металлургии.

2.1 Разработка методики обобщенной оценки объемов потребления электроэнергии.

2.2 Разработка методик предварительной обработки технологических параметров в системе прогнозирования

2.2.1 Методика восстановления отсутствующих данных в рядах ретроспективной информации.

2.2.2 Методика редактирования аномальных значений в рядах ретроспективной информации.

2.3 Разработка методики определения влияющих факторов на потребление электроэнергии.

2.4 Разработка метода прогнозирования потребления электроэнергии.

2.4.1 Метод прогнозирования потребления электроэнергии на основе неиро-нечеткои сети.

2.4.2 Модификация структуры нейро-нечеткой сети.

2.4.3 Обучение модифицированной нейро-нечеткой сети.

2.5 Выводы.

3 Алгоритмы обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии . 102 3.1 Алгоритмы предварительной обработки технологических параметров в системе прогнозирования.

3.1.1 Алгоритм восстановления отсутствующих данных в рядах ретроспективной информации.

3.1.2 Алгоритм редактирования аномальных значений в рядах ретроспективной информации.

3.2 Алгоритм определения влияющих факторов на потребления электроэнергии.

3.3 Алгоритм обучения нейро-нечеткой сети.

3.4 Алгоритм взаимодействия модулей системы.

3.5 Обобщенный алгоритм функционирования системы прогнозирования потребления электроэнергии.

3.6 Выводы.

4 Экспериментальные исследования метода и алгоритмов обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии.

4.1 Основные функциональные элементы и блоки.

4.2 Методика настройки алгоритмического обеспечения.

4.3 Результаты экспериментальных исследований.

4.4 Перспективы применения разработанных метода и алгоритмов в системе прогнозирования потребления электроэнергии предприятиями черной металлургии.

4.5 Выводы.

Актуальность темы. Черная металлургия - одна из наиболее энергоемких отраслей промышленности. Она характеризуется высоким уровнем потребления электроэнергии - существенной составляющей энергозатрат. Так, доля электрической энергии в себестоимости продукции крупных предприятий по отрасли составляет от 11 % до 16 %, а в отдельных случаях её доля увеличивается до 30 % [71].

К наиболее электроемким относятся сталеплавильное производство (долевое потребление 32,3 %), производство горячекатаного (21,9 %) и холоднокатаного проката (12 %), а также агломерационное (14,5 %), доменное (6,9 %) и коксохимическое производство (5,2) [64].

Максимальный удельный расход электроэнергии приходится на электросталеплавильное производство, он составляет 727 кВт-ч/т стали. При этом расход электроэнергии на одну тонну стали зависит от мощности трансформаторов, удельной электрической мощности дуговых печей, применения топливно-кислородных горелок, предварительного нагрева лома и внепечной обработки [81].

Прогноз электропотребления в металлургии необходим для оптимального управления режимами загрузки электропроизводственных мощностей, включающего в себя регулирование активной и реактивной нагрузок металлургического предприятия, минимизацию потерь от перетоков реактивной мощности и поддержание напряжения в заданных пределах в электрических сетях вследствие жестких требований к степени надежности и качества электроэнергии [68].

К особенностям электропотребления предприятием черной металлургии относятся: большое количество электрооборудования, участвующего в осуществлении технологического процесса в каждом подразделении; большое разнообразие типов и мощностей приемников электроэнергии; относительно слабые связи взаимного влияния приемников электроэнергии при осуществлении технологического процесса; большое количество электрооборудования, участвующего в обеспечении технологического процесса в каждом подразделении и создающего условно постоянную нагрузку, также зависящего от интенсивности технологического процесса; факторы, случайным образом влияющие на режимы и объем электропотребления; превалирующее по сравнению с другими факторами влияние объема производства на объем потребления электроэнергии; большое число часов использования максимума электрической мощности; большая электроемкость видов конечной продукции; возможность изменения режимов работы и состава оборудования в подразделении, сортамента продукции и других систематически действующих факторов [71, 81,92, 93].

Одним из основных путей снижения затрат на электроэнергию является выход предприятий металлургического профиля в качестве участников на федеральный оптовый рынок электроэнергии и мощности (ФОРЭМ). Специфика функционирования на ФОРЭМ предъявляет жесткие требования по качеству прогнозирования графика нагрузки. При этом возникают сложности с оценкой и нахождением необходимых для описания и прогнозирования ключевых и сопутствующих данных [19, 35].

Проблема прогнозирования электропотребления в металлургическом производстве представляет собой сложную многопараметрическую задачу, имеющую вероятностную составляющую. Величина фактического использования электроэнергии обусловлена не только управленческими решениями, структурой портфеля заказов предприятия, объемами производства основных переделов, ремонтными мероприятиями и сервисным обслуживанием, развитием собственной энергетической базы, но и типом дня (рабочий день или выходной), погодными условиями, временем суток и другими факторами. Причинная связь электропотребления с каждым из этих параметров довольно сложна и не имеет однозначного формального описания [10].

Таким образом, задача прогнозирования электропотребления предприятием черной металлургии слабо формализована, а её решение с использованием детерминированных методов невозможно.

Исследования в данной области базируются на основах теории моделирования процессов и систем, изложенных в работах: Айвазяна С.А., Андруковича П.Ф., Бахвалова Ю.А., Галустова М.Ю, Котельникова В.А., Лукашина Ю.Г., Kaiman R.E., Shannon С.Е. и др.

Развитие методов моделирования и прогнозирования электропотребления в черной металлургии связано с работами таких ученых, как: Копцев Л.А., Майсюков Д.В., Михайловский В.Н., Никифоров Г.В., Поварницын П.В., Рашкин Ф.А. и др. Вместе с тем, необходимость прогнозирования электропотребления предприятием металлургического профиля обусловлена высокими требованиями к показателям качества прогнозных расчетов (точности, достоверности, информативности, автоматизируемости, быстродействию и т.п.).

В этой связи, разработка метода и алгоритмов прогнозирования графика потребления электроэнергии предприятием черной металлургии представляется актуальной научно-технической задачей.

Цель и задачи диссертационной работы. Целью диссертационной работы является повышение достоверности прогнозирования потребления электроэнергии предприятием черной металлургии на основе аппарата искусственных нейронных сетей и нечеткой логики.

Для достижения поставленной цели в работе решаются следующие задачи:

1) анализ проблемы прогнозирования электропотребления предприятием черной металлургии;

2) разработка математического обеспечения системы прогнозирования потребления электроэнергии;

3) разработка алгоритмов прогнозирования потребления электроэнергии;

4) экспериментальные исследования метода и средств обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии.

Объект и предмет исследования. Объектом исследования является процесс потребления электроэнергии предприятием черной металлургии. Предметом исследования - методы построения и обучения нейро-нечетких сетей как универсального аппарата нелинейного моделирования технико-экономических процессов и решения прикладных задач прогнозирования.

Методы исследования. Для решения поставленных задач в работе использовались методы математического моделирования металлургических процессов, прогнозирования, искусственного интеллекта, нейронных сетей и нечеткой логики, основы теории построения алгоритмов и программ.

Научная новизна и основные положения, выносимые на защиту:

- разработан новый метод прогнозирования электропотребления предприятием черной металлургии, отличающийся применением оптимизированной структуры нейро-нечеткой сети, позволяющий повысить точность прогнозирования;

- разработаны методики: восстановления пропущенных и выявления неточных значений в рядах ретроспективных данных металлургических процессов на основе модифицированного 2е1-алгоритма; определения влияющих факторов на потребление электроэнергии с использованием дерева решающих правил;

- разработано алгоритмическое обеспечение системы прогнозирования потребления электроэнергии предприятием черной металлургии, реализующее функционально полный набор алгоритмов обработки информации и позволяющее сократить общее время расчетов.

Практическая значимость исследования заключается в том, что реализация разработанных теоретических положений для решения широкого круга прикладных задач позволила:

- оптимизировать процедуры первичной обработки информации в массивах данных с целью восстановления отсутствующих и редактирования аномальных значений;

- использовать аппарат дерева принятия решений в задаче определения значимых факторов на электропотребление в зависимости от объекта потребления и интервала упреждения;

- использовать метод прогнозирования объемов потребления электроэнергии на основе нейро-нечетких сетей оптимизированной структуры;

- повысить точность прогнозирования экономических показателей, в том числе объемов потребления электроэнергии.

Реализация результатов работы. Разработанное математическое и программное обеспечение исследовано и проверено на действительных ретроспективных данных автоматизированной информационно-измерительной системы коммерческого учета электроэнергии МУП г. Череповца «Электросеть», а также на Череповецком металлургическом комбинате ОАО «Северсталь» и ОАО «Северсталь-метиз» и нашло на этих предприятиях непосредственное применение. Результаты исследования внедрены в практическую и учебную деятельность филиала в СевероЗападном регионе ЗАО «Фирма «АйТи». Информационные технологии» (г. Санкт-Петербург). Разработанные методики первичной обработки ретроспективной информации применяются в ООО «Сервисный центр «Энергия» (г. Москва). Разработанный метод прогнозирования электропотребления, методики восстановления отсутствующих и редактирования аномальных значений, определения значимых факторов используются в ЗАО «Энергомир» (г. Кострома). Предложенные алгоритмы обработки информации и прогнозирования используются в учебном процессе на кафедре «Программное обеспечение вычислительной техники и информационных систем» Череповецкого государственного университета в дисциплинах: "Структуры и алгоритмы обработки данных», «Системы искусственного интеллекта» для специальности 230105 Программное обеспечение вычислительной техники и автоматизированных систем, а также в курсовом и дипломном проектировании.

Апробация работы. Основные результаты диссертационной работы докладывались и получили положительную оценку на следующих научных конференциях: 9-я Межд. конф. «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Курск, 2010 г.); Межд. конф. "Современные тенденции технических наук" (Уфа, 2011 г.); Межд. конф. "Наука и техника XXI века" (Новосибирск, 2011 г.); Всеросс. конф. «Череповецкие научные чтения» (Череповец, 2010 г.) и на постоянно действующем научно-техническом семинаре кафедры программного обеспечения вычислительной техники и информационных систем Череповецкого государственного университета.

Публикации. По теме диссертации опубликовано 9 научных работ, в том числе 4 статьи в изданиях, рекомендованных ВАК РФ.

Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка литературы, включающего 117 наименований, и 4-х приложений. Работа содержит 165 страниц, 54 рисунка и 10 таблиц.

4.5 ВЫВОДЫ

1. Приведено описание основных элементов и блоков системы прогнозирования потребления электроэнергии предприятием черной металлургии

2. Разработана методика настройки алгоритмического обеспечения системы прогнозирования электропотребления.

3. Приведены результаты методов и алгоритмов обработки информации в системе прогнозирования электропотребления предприятием черной металлургии в реальных производственных условиях.

4. На основании экспериментальных исследований подтверждена высокая надежность и эффективность разработанного алгоритмического обеспечения.

5. Приведены достигнутые технико-экономические показатели.

6. Определены перспективы применения разработанного метода прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких сетей.

ЗАКЛЮЧЕНИЕ

В диссертационной работе в рамках решения поставленной научно-технической задачи повышения достоверности прогнозирования потребления электроэнергии предприятием черной металлургии на основе аппарата искусственных нейронных сетей и нечеткой логики получены следующие основные результаты:

1. Разработан новый метод прогнозирования электропотребления предприятием черной металлургии, отличающийся использованием модифицированной структуры нейро-нечеткой сети, позволяющий уменьшить ошибку прогнозирования потребления электроэнергии до 5 %.

2. Разработаны методики: восстановления отсутствующих и редактирования аномальных значений в рядах ретроспективных данных на основе модифицированного 7е1>алгоритма; определения значимых производственных и технологических факторов на потребление электроэнергии на основе дерева принятия решений.

3. Разработаны алгоритмы функционирования системы прогнозирования потребления электроэнергии, обеспечивающие точность прогнозных оценок электропотребления не менее 95 %.

4. Разработано программное обеспечение системы прогнозирования потребления электроэнергии предприятием черной металлургии, реализующее предложенные методы и алгоритмы и позволяющее сократить общее время расчетов в 2,8 раза.

1. Авдеев, В.А. Информационный банк «Черметэнерго» Текст. /В.А. Авдеев, Б.И. Кудрин, А.Е Якимов М.: Электрика, 1995. - С. 400

2. Автоматизированные системы управления в энергосбережении (опыт разработки): монография / Казаринов Л.С., Копцев Л.А., Кинаш A.B. и др. Под ред. Л.С. Казаринова. Челябинск: Издательский центр ЮУрГУ; издатель Т. Лурье, 2010. - С. 228

3. Александров, В.В., Горский Н.Д. Представление и обработка изображений: рекурсивный подход Текст. / В.В. Александров, Н.Д. Горский // Л-д.: Наука 1985.- С. 190

4. Алексейчук, А.И. Моделирование распределённых систем со структурированными потоками сообщений Текст. /А.И. Алексейчук, М.Д. Шапот // Известия РАН. Теория и системы управления. №5. -1999.-С. 117-120.

5. Антонов A.B. Системный анализ. — М.: Высшая школа, 2004. — С. 454

6. Анфилатов B.C., Емельянов A.A., Кукушкин A.A. Системный анализ в управлении: Учебное пособие / Под ред. A.A. Емельянова. — М.: Финансы и статистика, 2002. — С. 368

7. Арнольд В.И. О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Мат. просвещение. 1958. Вып. 3. С. 41-61

8. Арнольд В.И. О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Мат. просвещение. 1958. Вып. 3. С. 41—61.

9. Арутюнян, Р.В. Прогноз электропотребления: анализ временных рядов, геостатистика, искусственные нейронные сети Текст. / Р.В. Арутюнян, В.И. Богданов, Л.А. Большое и др. Препринт / ИБРАЭ №99-05. - М., 1999. - С. 45

10. Бажинов, А.Н. Деревья принятия решений в задаче отбора значимых факторов для прогнозирования объемов электропотребления в металлургическом производстве Текст. / А.Н. Бажинов, Е.В. Ершов. Вестник Череповецкого гос. ун-та.-2011- № 4 Т.З- С. 9-11.

11. Бажинов, А.Н. Прогноз потребления электроэнергии как средство повышения эффективности металлургического производства Текст. / А.Н. Бажинов, Е.В. Ершов. Металлург 2011, № 11 - С. 34—37.

12. Бир Стаффорд. Кибернетика и управление производством. — М.: Наука, 1965. —С. 391

13. Блюмин С.Л., Шуйкова И.А., Сараев П.В., Черпаков И.В. Нечеткая логика: алгебраические основы и приложения. Монография. -Липецк: ЛЭГИ, 2002. С. 113.

14. Бодяев Ю.А., Журавлёв Ю.П., Копцев Л. А., Зуевский В.В., Седельников C.B. Влияние структурных изменений сталеплавильного производства и собственной энергетической базы на энергоёмкость продукции. Сталь, 2007, № 12, С. 83-87.

15. Бодяев Ю.А., Журавлёв Ю.П., Копцев Л.А., Прохоров C.B., Новицкий И.Д. Оптимизация энергобаланса и выбор режимов работы дуговыхсталеплавильных печей. Сталь, 2010, № 2, С. 29-31.

16. Бокс, Д. Анализ временных рядов Текст./ Д. Бокс М.: Мир, 1974.

17. Большое, JI.A. Прогнозирование энергопотребления: современные подходы и пример исследования Текст. /Л.А. Болыпов, М.Ф. Каневский, Е.А. Савельева и др. // Известия РАН: энергетика. №6. -2004.-С. 74—92.

18. Боровиков, В.П. Прогнозирование в системе Stastica в среде Windows. Основы теории и интенсивная практика на компьютере Текст./В.П. Боровиков, Г.И. Ивченко. М.: Финансы и статистика, 1999. - С. 384

19. Бородулин, Б.М. Симметрирование токов и напряжений на действующих тяговых подстанциях переменного тока Текст. / Б. М. Бородулин // Вестник ВНИИЖТ. №2. - 2003. с. 38-43

20. Бэнн, Д.В. Сравнительные модели прогнозирования электрической нагрузки Текст. /Д.В. Бэнн, Е.Д. Фармер. М.: Энергоатомиздат, 1987.-С. 200

21. Василенко, Г.И. Теория восстановления сигналов Текст./ Г.И. Василенко М.: Сов. радио. 1979. - С. 272

22. Васильев В.И., Романов Л.Г., Червонный A.A. Основы теории систем: Конспект лекций. — М.: МГТУ ГА, 1994. — С. 104

23. Вегман, Е. Ф. Металлургия чугуна Текст. /Е. Ф. Вегман, Б.Н. Жеребин, А.Н. Похвиснев, Ю.С. Юсфин. М.: Металлургия, 1978.-С. 480

24. Вегман, Е. Ф. Теоретические проблемы металлургии чугуна Текст. / Е. Ф. Вегман, В. О. Чургель. М.: Машиностроение, 2000. - С. 348

25. Вентцель, Е. С. Теория вероятности Текст. / Е. С. Вентцель. -М.:Высшая школа, 1976. С. 564

26. Волкова В.Н., Денисов A.A. Основы теории систем и системного анализа. — СПб.: СПбГТУ, 1997. — С. 510

27. Волкова В.Н., Денисов A.A. Теория систем: Учебник для студентов вузов. — М.: Высшая школа, 2006. — С. 511

28. Вороновский, Г.К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Текст. / Г. К. Вороновский, К. В. Махотило, С. Н. Петрашев, С. А. Сергеев // X.: ОСНОВА, 1997.— С. 112.

29. Гамм, А.З. Идентификация характеристик ошибок измерений при оценивании состояния Текст. /А.З. Гамм, И.Н. Колосок //Электронное моделирование. №3. - 1986. - С. 45-50.

30. Гамм, А.З. Обнаружение грубых ошибок телеизмерений в электроэнергетических системах Текст. /А.З. Гамм, И.Н. Колосок. -Новосибирск: Наука, 2000. С. 150

31. Гамм, А.З. Обнаружение плохих данных в телеизмерениях для АСДУ ЭЭС на основе контрольных уравнений Текст. /А.З. Гамм И.Н. Колосок. Иркутск: ИСЭМ СО РАН, 1998. - С. 47

32. Головкин, Б.Н. Прогноз электропотребления промышленного предприятия в условиях нестабильности экономики Текст. / Б.Н. Головкин, В.Н. Пирогов, А.П. Старцев // Промышленная энергетика. -№2. 1996. - С. 8-12.

33. Горбань, А.Н. Нейроинформатика Текст. / А.Н. Горбань, B.JI. Дунин А.Н. Кирдин и др. Новосибирск: Наука, 1998. - С. 296

34. Горбань, А.Н. Нейронные сети на персональном компьютере Текст. / А.Н. Горбань, Д.А. Россиев. Новосибирск: Наука, 1996. - С. 276

35. Горбань, А.Н. Обобщённая аппроксимационная теорема и вычислительные возможности нейронных сетей Текст. / А.Н. Горбань

36. Соросовский образовательный журнал. Т.1. - 1998. - С. 12-24.

37. Горбань, А.Н. Обучение нейронных сетей Текст. / А.Н. Горбань. М.: СП параграф, 1990 - С. 160

38. ГОСТ 13109-97. Нормы качества электроэнергии в системах электроснабжения общего назначения. Минск: Изд-во стандартов, 1998.

39. Гришин, Ю.А. Программно-вычислительный комплекс "Оценка" оценивания состояния ЭЭС в реальном времени Текст. / Ю.А. Гришин, И.Н. Колосок, Е.С. Коркина и др. // Электричество. №2. -1990.-С. 8-16.

40. Доррер, М.Г. Интуитивное предсказание нейросетями взаимоотношений в группе Текст. / Доррер М.Г. // Методы нейроинформатики. Красноярск, 1998.-С. 111-129.

41. Дрейпер, Н. Прикладной регрессионный анализ Текст. / Н. Дрейпер, Г. Смит. М.: Статистика, 1973. - С. 392

42. Дулесов, В.А. Прогнозирование электропотребления предприятий на основе искусственных нейронных сетей Текст.: дис. . канд. техн. наук / В.А. Дулесов. М., 1992. - С. 153

43. Дьяконов, В. Математические пакеты расширения MatLab. Специальный справочник Текст. /В. Дьяконов, В. Круглов СПб.: БХВ - Петербург, 1999. - С. 450

44. Дьяконов, В. П. MATLAB 6.0 /6.1 /6.5 +SPl+Simulink 4/5. Обработка сигналов и изображений. Текст. / В. П. Дьяконов. М.: COJIOH-Пресс, 2005. - С. 465

45. Ежов, A.A. Нейрокомпьютинг и его применения в экономике и бизнесе Текст. / A.A. Ежов, С.А. Шуйский. М.: МИФИ, 1998. - С. 225

46. Ершов, Е. В. Архитектура программного обеспечения моделирования алгоритмов в системах искусственного интеллекта Текст. / Е. В.

47. Ершов, E.B. Майтама// Информационные технологии в производственных, социальных и экономических процессах (Инфотех-2004): Мат. 4-й Междунар. НТК Череповец: ГОУ ВПО ЧТУ, 2005.-С. 212-213.

48. Жилин Б.В. Определение электропотребления предприятия в условиях неполноты информации с использованием ценологических свойств систем // Энергетика. (Изв. высших учеб. заведений и энерг. объединений СНГ). 1998. - № 5. - С. 51-56.

49. Жилин Б.В., Бортниченко A.B. Классификация предприятий черной металлургии. Промышленная энергетика, N1, 1997. - С. 25-26.

50. Загоруйко Н.Г., Елкина В.Н., Тимеркаев B.C. Алгоритм заполнения пропусков в эмпирических таблицах (алгоритм Zet) // Эмпирическое предсказание и распознавание образов. Новосибирск, 1975. - Вып. 61: Вычислительные системы. - С. 3-27.

51. Ивахненко, А.Г. Индуктивный метод самоорганизации моделей сложных систем Текст. / А.Г. Ивахненко. Киев: Наукова думка, 1982.-С. 296

52. Кендел, М. Временные ряды Текст. /М. Кендел. М.: Финансы и статистика, 1981.-С. 199

53. Кистенёв, В.К. Модернизация метода наискорейшего спуска при прогнозировании электропотребления Текст. / В.К. Кистенёв, П.Ю. Лукьянов, Д.А. Яковлев // Технические науки, технологии и экономика. Ч. II. - Чита: ЧитГУ, 2003. - С. 169-174.

54. Козачков, Л.С. Система потоков научной информации Текст./Л.С. Козачков. Киев: Наукова думка, 1973. - С. 239

55. Комашинский, В.И. Нейронные сети и их применение в системах управления и связи Текст. / В.И. Комашинский, Д.А. Смирнов М.: Горячая линия - Телеком, 2003. - С. 94

56. Копцев Л.А, Михайловский В.Н., Майсюков Д.В., Япрынцева И.А. Повышение эффективности использования энергии при производстве, распределении и потреблении сжатого воздуха. Вестник энергосбережения Южного Урала, 2001, № 1, С. 18-20.

57. Копцев Л.А. Нормирование и прогнозирование потребления электроэнергии в зависимости от объёмов производства. -Промышленная энергетика, 1996, № 3, С. 5-7.

58. Копцев Л.А. Технико-экономические проблемы управления энергосбережением: энергоёмкость продукции и экономическая эффективность. Электрика, 2005, № 1, С. 18-28.

59. Копцев Л.А. Управление загрузкой технологических агрегатов с целью сокращения энергозатрат. Сталь, 2011, № 9, С. 73-77.

60. Копцев Л.А., Журавлёв Ю.П., Зуевский В.В. Оптимизация энергобаланса дуговых сталеплавильных печей на основе метода линейного программирования. Сталь, 2008, № 9, С. 92-95.

61. Копцев Л.А., Зуевский В.В. О влиянии тарифов на электроэнергию на энергоёмкость продукции металлургических предприятий. -Промышленная энергетика, 2004, № 2, С. 2-9.

62. Копцев Л.А., Копцев А. Л. Нормирование и прогнозированиепотребления электроэнергии на промышленном предприятии. -Промышленная энергетика, 2011, № 1, С. 18-23.

63. Копцев Л.А., Мугалимов Р.Г. Анализ электропотребления слябинга. -Промышленная энергетика, 1989, № 11, С. 15-16.

64. Копцев Л.А., Никифоров Г.В. Влияние технологических факторов на электропотребление стана холодной прокатки. Сталь, 1997, № 9, С. 36-37.

65. Копцев Л.А., Никифоров Г.В. Основные подходы к оптимизации энергобаланса металлургического предприятия на примере ОАО «ММК». // Электротехнические системы и комплексы: Межвузовский сборник научных трудов. Магнитогорск, МГТУ, 1998. Вып. 4, С. 184-187.

66. Копцев Л. А., Шапарь С.В., Колеватова В.Н., Гунин В.М. Нормирование расхода электроэнергии на перекачку технической воды. Электрика, 2006, № 11, С. 11-13.

67. Копцев Л.А., Япрынцева И.А., Павлов A.B. Статистический подход к анализу и управлению технологическими процессами в доменном производстве с целью экономии топлива. Промышленная энергетика, 2006, № 2, С. 2-5.

68. Коротич, В. И. Металлургия черных металлов Текст. / В. И.Коротич, С. Г. Братчиков. М.: Металлургия, 1987 - С. 249

69. Корякин, А.К. Имитационное моделирование в задачах развития систем энергетики Севера Текст. / А.К. Корякин Новосибирск: СО РАН, 1996. - С. 147

70. Кравецкий, A.C. Прогноз электропотребления при помощи многослойного персептрона Текст. /A.C. Кравецкий, М.Ф. Каневский, Е.А. Савельева и др. Препринт/ ИБРАЭ № 2000-07. - М., 2000. - С. 24

71. Круглов, В. В. Искусственные нейронные сети. Теория и практика.

72. Текст. / В. В. Круглов, В.В. Борисов // М.: Горячая линия Телеком, 2001. —С. 382

73. Кудрин, Б.И. Выделение и описание электрических ценозов Текст. / Б.И. Кудрин // Изв. вузов. Электромеханика. №7. - 1985. - С. 49-54

74. Кудрин, Б.И. Ценологическое определение параметров электропотребления многономенклатурных производств Текст. / Б.И. Кудрин, Б.В. Жилин, О.Е. Лагуткин, М.Г. Ошурков. Тула: Приок. кн. изд-во, 1994. - С. 122

75. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. Вербальный анализ решений. М.: Наука. Физматлит, 1996. -С.208

76. Левитин А.В. Алгоритмы: введение в разработку и анализ, М.: Вильяме, 2006. С. 576

77. Лепорский, В.Д. Моделирование нейронного классификатора для решения задач прогноза в электроэнергетике Текст. / В.Д. Лепорский, М.Э. Куссуль, Т.В. Иваницкая // Техническая электродинамика. Энергетические системы и установки. № 4. - 1995. - С. 61-65.

78. Лопухов Г. А. Эволюция электросталеплавильного производства к 2010 году // Электрометаллургия. 2002. - №5. - С. 2-3.

79. Льноградский Л. А. Концепция системного проектирования. — Самара: Изд-во Самарского гос. тех. ун-та, 2005. — С. 180

80. Меламед, A.M. Моделирование динамики изменений потребления электроэнергии энергосистем при неполной информации Текст. / A.M. Меламед, В.Ф. Тимченко, К.А. Сааред // Электричество. №9. -1977.-С. 66-69.

81. Мелентьев, JI.A. Системные исследования в энергетике Текст. / Л. А. Мелентьев. М.: Наука, 1983. - С. 454

82. Методы нейроинформатики Текст. Красноярск: КГТУ, 1998. - С. 204

83. Миркес, Е. М. Нейрокомпьютер. Проект стандарта. Текст. / Е. М. Миркес // Новосибирск: Наука, 1999. — С. 337

84. Митюшкин, К.Г. Телемеханика в энергосистемах Текст. / К.Г. Митюшкин. М.: Энергия, 1975. - С. 360

85. Мызин, А.П. Методы и модели прогнозирования для развития электроэнергетических систем в условиях неопределённости и многокритериальности Текст.: Дис. . докт. техн. наук/ А.П. Мызин. Новосибирск, 1994. - С. 307

86. Назаров, A.B. Нейросетевые алгоритмы прогнозирования и оптимизации систем Текст. / A.B. Назаров, А.И. Лоскутов СПб.: Наука и Техника, 2003. - С. 384

87. Никифоров Г.В., Копцев Л.А. Энергетический анализ основа целенаправленной деятельности по энергосбережению в ОАО «ММК». - Вестник энергосбережения Южного Урала, 2000, № 1, С. 12-15.

88. Никифоров Г.В., Олейников В.К., Заславец Б.И. Энергосбережение и управление электропотреблением в металлургическом производстве. М.: Энергоатомиздат, 2003. С. 480.

89. Олейников В.К., Никифоров Г.В. Анализ и управление электропотреблением на металлургических предприятиях. -Магнитогорск: МГТУ, 1999. С. 219

90. Основы металлургического производства (чёрная металлургия). Учебник для СПТУ / Бабич В. К., Лукашин Н. Д., Морозов А. С., Поляк И. П., Соболевский А. Л., Тараканов Ю. В., Шевякова Л. Г. М.- Металлургия, 1988, С. 272

91. Прангишвили И.В. Системный подход и общесистемные закономерности. — М.: СИНТЕГ, 2000. — С. 528

92. Роберт, Каллан. Основные концепции нейронных сетей = The Essence of Neural Networks First Edition. Текст. / P. Каллан // M.: «Вильяме», 2001. —С. 288

93. Россиев A.A. Моделирование данных при помощи кривых для восстановления пробелов в таблицах. Методы нейроинформатики / Под. ред. А.Н. Горбаня. Красноярск: КГТУ, 1998. - С. 6-22.

94. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. И.Д. Рудинского. М.: Горячая линия - Телеком, 2006. - С. 452

95. Саймон, Хайкин. Нейронные сети: полный курс = Neural Networks: А Comprehensive Foundation. Текст. / С. Хайкин. // М.: «Вильяме», 2006.1. С. 1104

96. Серебряков В.А., Копцев Л.А. Системный подход к проблеме энергосбережения как средство повышения эффективности производства. Сталь, 2002, № 4, С. 93-96.

97. Соловьев В.А., Владыко А.Г., Легенкин B.C. Применение нечеткой логики в устройствах регулирования энергетическими объектами // Электроэнергетика и энергосберегающие технологии: Межвуз. сб. науч. тр. Владивосток: Изд-во ДВГТУ, 1998. - С. 125-133.

98. Справочник по типовым программам моделирования Текст. Киев:1. Техника, 1980.-С. 184

99. Теория и методы принятия решений. Ларичев О.И. М.: Логос, 2002. — 392 с.

100. Уоссермен, Ф. Нейрокомпьютерная техника: Теория и практика = Neural Computing. Theory and Practice. — M.: Мир, 1992. — С. 240

101. Хисамутдинов, C.H. Метод и алгоритмы обработки информации в системах прогнозирования сложных процессов металлургического производства. Текст.: Дисс.канд.техн.наук. Станислав Николаевич Хисамутдинов Череповец, 2002.

102. Цымбал В.П. Математическое моделирование металлургических процессов. М.:Металлургия, 1986. С. 239

103. Яблонский, С.В. Введение в дискретную математику. Раздел «Теория кодирования» Текст. / С.В. Яблонский // М. Наука, 1986. С. 384

104. Edwards P., Murray A. Modelling weight- and input-noise in MLP learning // Proceedings Of International Conference on Neural Networks (ICNN'96). USA, Washington, June 3-6, 1996. - Vol.1. - P. 78-83.

105. Kimura Т., Shima T. Synapse weight accuracy of analog neuro chip // Proceedings of International Joint Conference on Neural Networks. -Japan, Nagoya, October 25-29, 1993. Vol.1. - P. 891-894.

106. L.X. Wang, J.M. Mendel, Generating fuzzy rules by learning from examples, IEEE Transactions on Systems, Man, and Cybernetics 22:6, 1992, P. 1414—1427.

107. Leeuw K., Katznelson Y. Functions that Operate on Non-Self-Adjoint Algebras // J. d'Anal. Math. 1963. Vol. 11. P. 207—219.

108. Rokach, Lior, and Oded Maimon. Data Mining with Decision Trees:

109. Theory and Applications. Singapore: World Scientific Publishing, 2008. -P. 12-27

110. Senashova Masha Yu., Gorban Alexander N., and Wunsch Donald, "Back-Propagation of Accuracy"// Proc. IEEE/INNS International Coonference of Neural Networks, Houston, IEEE, 1997, pp. 1998-2001

111. Stone M.N. The Generalized Weierstrass Approximation Theorem // Math. Mag. 1948. Vol. 21. P. 167—183, 237—254.

112. Yuan, Yufei, and Michael J. Shaw. "Induction of fuzzy decision trees." Fuzzy Sets and Systems 69:2, 1995. P. 125-139.