автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.10, диссертация на тему:Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем

На правах рукописи

Глебов Андрей Александрович

МОДЕЛЬ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ С ПОМОЩЬЮ НЕЙРО-НЕЧЕТКИХ СИСТЕМ

Специальность:

05.13.10 «Управление в социальных и экономических системах»

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Астрахань 2006

Работа выполнена в Астраханском государственном университете

НАУЧНЫЙ РУКОВОДИТЕЛЬ: доктор технических наук, профессор

Петрова И.Ю. (г. Астрахань) ОФИЦИАЛЬНЫЕ ОППОНЕНТЫ: доктор технических наук, профессор Камаев В.А. (г. Волгоград) доктор педагогических наук, профессор Зайнутдинова Л.Х. (г. Астрахань)

ВЕДУЩАЯ ОРГАНИЗАЦИЯ: Самарский государственный технический университет.

Защита состоится 20 декабря 2006 года в 10.00 часов на заседании диссертационного совета ДМ 212.009.03 в Астраханском государственном университете по адресу: 414056, г. Астрахань, ул. Татищева, 20А, конференц-зал.

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью, просим направлять ученому секретарю диссертационного совета по адресу: 414056, г. Астрахань, ул. Татищева 20А, АГУ.

С диссертацией можно ознакомиться в библиотеке Астраханского государственного университета.

Автореферат разослан 17 ноября 2006 года.

Ученый секретарь

диссертационного совета, /У)

д.т.н., проф. (. 'гг Петрова И.Ю.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы

Прогнозирование режимных параметров и технико-экономических показателей является одной из важных задач, как при планировании, так и при ведении текущих режимов электроэнергетической системы (ЭЭС). Создание условий для свободной конкуренции на оптовом рынке электроэнергии является частью комплекса мероприятий, проводимых в рамках реформирования отрасли, и направлено на выработку нового механизма образования цен на электрическую энергию, отражающего баланс интересов производителей и потребителей электроэнергии. Цена ошибок прогнозирования и планирования становится все более высокой. Оценочные расчеты, проводимые для энергообъединения России с уровнем месячного потребления около 1500 млн. кВт-ч, показали, что улучшение качества прогнозирования только месячного потребления на 0,1% способно в настоящих условиях снизить затраты на оплату отклонений от плана по поставкам электроэнергии на 3-5 млн. рублей в год. Еще больший эффект приносит уточнение краткосрочного и оперативного прогноза графиков потребления мощности.

Совет директоров ОАО «Системный оператор — Центральное Диспетчерское Управление Единой Энергосистемой» (ОАО «СО-ЦДУ ЮС») 29 апреля 2005 года утвердил основные стратегические задачи развития в «Приоритетных направлениях деятельности ОАО «СО-ЦЦУ ЕЭС» на 2005-2008 года», в которых требуется единообразное применение передовых технологических решений, аппаратных технических средств и программного обеспечения на всех уровнях оперативного диспетчерского управления. Поэтому в сравнительном анализе, который проводился в работе, не рассматривались программные комплексы зарубежного производства, так как они не соответствуют данным требованиям. Анализ показал, что на рынке существует два программных продукта для прогноза электропотребления. Это программный комплекс «Энергостат», который разработан в ВНИИ энергетики и рекомендован для внедрения в региональные диспетчерские управления (РДУ) и программный комплекс «Прогноз БР», разработанный для обязательного внедрения в диспетчерские управления в рамках реформирования рынка электроэнергии. Отсутствие необходимого объема статистики по электропотреблению в некоторых энергообъединениях, в том числе и в Астраханском РДУ, не позволяет использовать программу «Энергостат». Минимальный объем базы ретроспективной информации по электропотреблению составляет один год для программного обеспечения «Энергостат». Переход к рыночным отношениям в энергетике и образование новых субъектов рынка не позволяет использовать статистику, которая велась на бумажных носителях в энергообъединениях.

Кроме этого, стоимость данного продукта является высокой, что не позволяет апробировать его на данных энергосистемы, а сравнение результатов прогноза с другими системами не имеет смысла, так как каждая энергосистема имеет свою специфику. Например, в Астраханской области потребление не превышает 600-700 мегаватт и в основном состоит из нагрузки потребительского сектора, что делает процесс изменения нагрузки более непредсказуемым по сравнению с энергосистемами, где большую часть потребления составляет промышленный сектор.

Таким образом, минимизация ошибок планирования, а так же создание такого программного обеспечения, которое позволит использовать малый объем ретроспективной информации, является актуальной задачей.

Целью диссертации является разработка модели краткосрочного прогноза электропотребления и комплекса программ для снижения погрешности планирования режимных параметров и технико-экономических показателей в условиях малых объемов ретроспективной информации. В рамках работы решаются задачи:

- Анализ и классификация существующих автоматизированных систем поддержки принятия решения при краткосрочных прогнозах электропотребления, а так же существующих методов и моделей прогноза, применяемых для прогноза электропотребления.

- Разработка эффективной модели прогноза электропотребления.

- Проектирование с использованием методов системного анализа структуры базы данных, обеспечивающей реализацию эффективного хранения и использования данных телеметрии для прогноза электропотребления.

- Разработка алгоритмов формирования обучающих выборок для системы поддержки принятия решения при краткосрочных прогнозах.

- Создание комплекса программного обеспечения, реализующего автоматизацию следующих операций: запись данных с внешних источников информации, формирование обучающих выборок системы и прогноз электропотребления в реальном времени.

- Проверка адекватности разработанной модели и программного обеспечения.

Методы исследования. Для решения поставленной задачи в работе были использованы методы математической статистики, обработки данных, регрессионного анализа, нейронных сетей, нечеткой логики, гибридных систем, теории баз данных, технологии построения реляционных баз данных.

Научная новизна работы. В диссертации разработаны и вынесены на защиту следующие основные положения:

- Модель краткосрочного прогноза элекгропотребления, отличающаяся применением нейро-нечетких систем типа Сугэно, модифици-

рованного алгоритма отбора входных переменных, алгоритмом поиска оптимального радиуса субтрактивной кластеризации, оптимальных методов предобработки данных, что позволило уменьшить погрешность прогноза на 5% в среднем за сутки.

— Модифицированный алгоритм динамического отбора входных переменных методом последовательного поиска вперед, отличающийся от традиционного выбором входных переменных на основе суммы среднеквадратичной ошибки на тренировочной и тестовой выборках. Это позволило исключить эксперта из анализа влияния независимых параметров на электропотребление и уменьшить общую погрешность прогноза на 2 % в среднем.

— На основе анализа алгоритмов синтеза базы нечетких правил ней-ро-нечеткой системы типа Сугэно разработан и впервые применен алгоритм поиска оптимального вектора радиуса субтрактивной кластеризации при синтезе базы нечетких правил нейро-нечеткой системы. Это позволило исключить участие эксперта при выборе значения вектора радиуса и автоматизировать процесс создания базы правил, а также уменьшить общую погрешность прогноза на 0,8% в среднем.

— Полученные оптимальные методы предобработки данных для ретроспективных показателей электропотребления Астраханской области, позволяющие уменьшить общую погрешность прогноза на 0,5% в среднем за сутки.

— Впервые разработанные концептуальная модель и структура базы данных для сбора и хранения ретроспективных данных электропотребления и данных прогноза.

— Впервые разработанные функциональная и семантическая модели системы поддержки принятия решения при краткосрочных прогнозах электропотребления.

Практическая ценность работы заключена в следующем: На основе созданных моделей и предложенных методов обработки данных разработана автоматизированная система поддержки принятия решения при краткосрочных прогнозах электропотребления, позволяющая повысить точность прогноза на 5% в среднем за сутки. Система поддержки принятия решения при краткосрочных прогнозах электропотребления внедрена на предприятии Филиал ОАО «СО-ЦДУ ЮС» - Астраханское региональное диспетчерское управление энергосистемы Астраханской области, о чем свидетельствует акт внедрения. Получено свидетельство об официальной регистрации программ для ЭВМ №2006612348 в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности, патентам и товарным знакам.

Апробация работы. Результаты работы были представлены на следующих научных конференциях: первом специализированном научно-

техническом семинаре "Современные методы и программные средства анализа и планирования электропотребления, балансов мощности и электроэнергии" (ВНИИ Энергетики, Москва, 2003), VI международной научно-практической конференции «Компьютерные технологии в науке, производстве, социальных и экономических процессах» (Новочеркасск, 2005), на Всероссийской научно-практической конференции «Образование, наука, бизнес: особенности регионального развития и интеграции» (Череповец, 2005).

Публикации. Основные положения и результаты работы опубликованы в 8 печатных работах.

Объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы. Работа изложена на 112 страницах текста, содержит 14 рисунков, 24 таблицы, список литературы включает 62 наименования.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цели и задачи исследования, перечислены основные научные результаты диссертации, приведены практическая ценность и область применения результатов. Кратко излагается содержание диссертации по главам.

Первая глава посвящена анализу существующих методов прогнозирования временных рядов, приведена их классификация.

При выборе метода прогноза необходимо учитывать специфику прогнозирования электропотребления. Прогноз происходит на основе ретроспективных данных оперативно-информационного комплекса. Таким образом под эти условия попадают методы фактографической группы приведенной классификации, обзор которых был проведен в работе. Выбор метода прогнозирования основывался на следующих требованиях, исходя из специфики задачи:

1. Участие эксперта сведено к минимуму при разработке модели прогноза.

2. Метод прогноза должен иметь возможность работать с зашумлен-ными данными.

3. Метод должен показывать хорошие результаты прогноза при малых наборах данных.

4. Сложность и время реализации должны быть минимальны.

5. Метод должен поддерживать возможность работы с лингвистической информацией при построении моделей.

На основании сравнительного анализа был сделан вывод, что выбор метода прогнозирования с помощью нейро-нечетких систем является обоснованным, так как их свойства соответствуют специфике задачи. Применение нейро-нечетких сетей дает возможность быстрого построения

модели без участия или с минимальным участием эксперта, позволяет работать с зашумленными данными, что является актуальным при текущем состоянии каналов передачи телеметрии с оборудования генерирующих станций и подстанций. Кроме того, данный метод позволяет работать с малыми выборками, что так же является актуальной проблемой в связи с отсутствием статистики по элекгропотреблению за прошлые периоды.

Анализ существующих отечественных и зарубежных моделей прогнозирования электропотребления показал, что известны два модели прогнозирования электропотребления:

• изменения нагрузки рассматриваются как случайный процесс;

• производится выделение так называемой регулярной составляющей в изменениях нагрузки. Методы прогнозирования используются для описания и прогнозирования только остаточной части процесса. Кроме того, в модель стараются включить учет метеоусловий, нерегулярных дней и других показателей, которые могут влиять на электропотребление. Преимущества той или иной модели зависят от конкретной задачи и данных электропотребления. Если данные телеметрии сильно за-шумлены, то выделение регулярной составляющей будет сложной задачей. Целесообразность учета метеофакторов, таких как освещенность и долгота дня, зависит от географического места положения объекта прогноза. В южных регионах, где темнеет раньше, и соответственно, вечерний пик потребления более ранний и продолжительный, имеет смысл использовать данные о продолжительности дня. В результате анализа принято решение рассмотреть применение метода прогноза с помощью нейро-нечетких систем в двух моделях прогноза электропотребления. Предлагается также включить в эти модели учет метеорологической информации и данных о нерегулярных днях.

В Астраханском РДУ использовали методику «ручной прогноз». На основе ретроспективных данных потребления за прошлые года, с поправкой коэффициента влияния температуры, а так же опыта эксперта формировался прогноз на сутки вперед. С середины августа 2005 года централизованно был внедрен программно-аппаратный комплекс «Автоматизированная система балансирующего рынка (БР)», в состав которой входит подсистема «Прогноз». Назначение данной подсистемы - расчет прогнозного потребления заданных районов. В основу методики краткосрочного прогнозирования потребления положен метод сезонных кривых, позволяющий аналитически описывать колебания нагрузки в разрезе года. Кроме этого на рынке программного обеспечения присутвует программный продукт «Энергостат», отличающийся своей универсальностью и большим набором функций по планированию потребления электроэнергии, тепловой энергии, предприятий и отдельных потребителей, нагрузки станций и агрегатов, перетоков мощности, тарифов на электроэнергию, нагрузок узлов и районов расчетных схем и т.п. Прогнозирование параметров осуще-

ствляется на основе метода сезонных кривых и методики учета влияния метеофакторов на режимные параметры. В результате сравнительного анализа существующего программного обеспечения сделан вывод о необходимости разработки собственного программного обеспечения, основанного на прогнозе с помощью нейро-нечетких систем, которое позволит уменьшить его ошибку и учесть специфику электропотребления Астраханской области.

Во второй главе определена модель краткосрочного прогнозирования электропотребления. Проведен обзор моделей нечеткого вывода Мам-дани, Сугэно, Ларсена и Цукамото. Эти модели отличаются форматом базы знаний и процедурой дефаззификации. Все эти модели являются универсальными аппроксиматорами, но при больших объемах выборки экспериментальных данных идентификация с помощью модели типа Сугэно обеспечивает, как правило, большую точность. Однако при этом возникают трудности с содержательной интерпретацией параметров нечеткой модели и с объяснением логического вывода. С моделью типа Мамдани таких трудностей не возникает, ее параметры и после обучения легко интерпретируются содержательно. Процедура нечеткого логического вывода в модели типа Мамдани интуитивно понятна и заказчикам нечетких моделей: технологам, экономистам, врачам, биологам. Поэтому для задач, где более важна точность идентификации, целесообразным будет использование нечетких моделей типа Сугэно, а для задач, где более важным является объяснение, обоснование принятого решения, будут иметь преимущество нечеткие модели типа Мамдани. Таким образом, анализ показал, что модель типа Сугэно является более предпочтительной, так как позволяет работать с большими объемами данных, показывает более высокую точность, чем модель Мамдани, при идентификации нелинейных зависимостей.

На основе сравнительного анализа выбрана среда разработки нейро-нечеткой системы в пакете Fuzzy Logic Toolbox системы Matlab, которая имеет следующие преимущества перед другими системами:

• наличие пакета моделирования нейро-нечетких систем;

• наличие пакетов расширений, то есть библиотек, содержащих

функции, ориентированные на решение специфических задач;

• возможность создавать графический пользовательский интерфейс

и web-приложения;

• наличие пакета статистической обработки данных;

• возможность взаимодействия с другими языками программирования и базами данных.

В пакете Fuzzy Logic Toolbox реализованы два типа нечетких моделей - типа Мамдани и типа Сугэно. Кроме этого в пакете Fuzzy Logic Toolbox существует возможность автоматизации этапа параметрической идентификации только для моделей типа Сугэно.

При выборе представления данных для их использования в сети не-

обходимо иметь в виду два аспекта — количество переменных, которое определяет размерность данных и информативность. Из соображений сложности и скорости обработки часто бывает необходимо минимизировать количество переменных (входных и выходных), с которыми будет работать сеть. Проблемы также могут быть связаны с разрешением предъявляемых данных: чем выше разрешение, тем сложнее должна быть сеть и, следовательно, возрастает время обучения и объем обучающей выборки. Это приводит нас ко второму упомянутому выше аспекту представления данных — их ясность и содержательность в контексте конкретной задачи. При ограничении количества входных переменных необходимо, чтобы используемые переменные содержали информацию, достаточную для устойчивого обучения сети.

Анализ зарубежных и отечественных публикаций по прогнозированию электропотребления с помощью искусственных нейронных сетей и нейро-нечетких систем показал, что чаще всего на входе используются две следующих выборки.

Выборка 1. Входными переменными являются почасовые значения нагрузки Р. (/' = 1,..., 48) для двухсуточного интервала времени, предшествующих прогнозируемым 48 или 96 значениям, если учитывать получасовые значения нагрузки. Кроме значений нагрузки в выборку входят значения дня недели, времени суток, для которого необходим прогноз, и прогноз максимальной и минимальной температуры.

Выборка 2. Входными переменными являются почасовые значения нагрузки Р (/ = 1,..., 48) для суток, предшествующих прогнозируемым (24 значения), и для суток недельной предистории (24 значения).

При обучении сети соответствующим образом учитываются рабочие, выходные и праздничные дни. Так, для рабочих дней, в качестве входных переменных используются ретроспективные значения почасовых нагрузок только рабочих дней. Для понедельника в качестве переменных предыдущего дня берутся значения нагрузки за последнюю пятницу, поскольку она является его предыдущим рабочим днем. Для выходных, праздничных дней, рабочих суббот и т.п. с целью приближения периода обучения к настоящему моменту времени обучение, дообучение и прогнозирование предложено проводить на значениях нагрузки всех дней недели, но с той особенностью, что при переходе с рабочего дня на выходной или наоборот вводится псевдо-выходной или псевдорабочий день в качестве дня, предыдущего прогнозируемому. Почасовые значения нагрузки этого дня рассчитываются по средним почасовым коэффициентам соотношения нагрузки рабочего дня к выходному (или наоборот) за некоторый промежуток времени (например, за четыре предыдущих недели). Проведенный анализ и результаты тестирования показали, что результат прогноза зависит, прежде всего, от размерности данных и их содержательности. Увеличение размерности сети не всегда приводит к повышению точности прогноза, однако

время прогноза при этом может увеличиваться до нескольких часов и даже суток, что не приемлемо для оперативного прогноза.

Для решения проблемы выбора входных переменных рассмотрены следующие три алгоритма:

• метод последовательного поиска вперед;

• модифицированный метод последовательного поиска вперед;

• метод отбора переменных на основе корреляционных таблиц.

Автором был модифицирован метод последовательного поиска вперед путем сложения среднеквадратичных ошибок на тестовой и тренировочной выборках и на каждом шаге в модель добавляется одна входная переменная, которая обеспечивает минимальное значение среднеквадратиче-ской ошибки на тренировочной и тестовой выборках. Это улучшение позволило снизить среднюю ошибку за сутки для суточного прогноза на 2 % в среднем.

В результате обзора источников литературы и численных экспериментов был определен вид выборки, который можно полагать оптимальным в модели краткосрочного предиктора, а так же методы отбора переменных из соответствующих выборок для прогноза.

Нейронные сети способны обрабатывать данные, полученные из самых разных источников. Однако информация должна быть представлена в определенном формате. Более того, вид представления данных оказывает существенное влияние на ход обучения сети. Важным фактором, влияющим на точность прогнозирования нагрузки, является нормирование входных данных. Неправильный подход к нормированию данных может перечеркнуть все другие меры, принимаемые для увеличения точности прогноза.

На основе анализа литературных источников были выбраны пять методов нормирования, которые использовались для предобработки данных обучающих выборок:

1. Вариант 1: Р* = Р/(Р^ + 400).

2. Вариант 2: Р* = Р/(Р^ + 25).

3. Вариант= 0,45^).

Р — Р 1*(Р — р л

4. Вариант 4: Р" = г> или Р," = к 1 "^-1.

Р -Р р -Р

'тех * тш шах тш

5. Вариант 5: Р,' = Р! ~.

В результате тестирования моделей прогнозирования с данными методами нормирования появилась возможность определить метод нормирования данных, который можно полагать оптимальным для данных электропотребления Астраханской области в модели краткосрочного предиктора.

Исходные данные почти всегда содержат погрешности, как случайные, так и систематические. Их можно объяснить как сбоем устройств телемеханики, так и фактическим ростом и падением нагрузки. Для того чтобы уменьшить влияние случайного шума, применяют различные методы сглаживания данных. В системе Matlab детально проработаны и реализованы следующие часто используемые методы:

1) Метод скользящего среднего (Moving average).

2) Методы взвешенной линейной регрессии:

а) полином первой степени - Lowess (linear fit);

б) полином второй степени - Loess (quadratic fît).

3) Метод Савицкого-Голея — Savitzky-Golay.

4) Робастное сглаживание:

а) полином первой степени - Robust Lowess (linear fit);

б) полином второй степени - Robust Loess (quadratic fit).

Для определения оптимального метода сглаживания, который позволяет снизить ошибку прогноза на 0,5 % в среднем, было проведено тестирование следующих методов в моделях краткосрочного прогноза:

• Вариант 1 : метод скользящего среднего по пяти точкам.

• Вариант 2: метод скользящего среднего по семи точкам.

• Вариант 3: методы взвешенной линейной регрессии, полином первой степени - Lowess (linear fit).

• Вариант 4: методы взвешенной линейной регрессии, полином второй степени - Loess (quadratic fit).

• Вариант 5: метод Савицкого-Голея-Savitzky-Golay.

• Вариант 6: робастное сглаживание, полином первой степени -Robust Lowess (linear fit).

• Вариант 7: робастное сглаживание, полином второй степени — Robust Loess (quadratic fit).

Результаты тестирования позволяют заключить, что метод сглаживания Савицкого-Голея позволяет снизить ошибку прогноза на 0,5% в среднем. Это можно объяснить тем, что временной ряд электропотребления имеет широкий спектр (дневной минимум и вечерний пик потребления).

Также во второй главе приводятся результаты численных экспериментов по выбору моделей прогнозирования, описанных в первой главе, на основе которых можно сделать вывод, что модель, в которой изменения нагрузки рассматриваются как случайные процессы и для описания и прогнозирования временного ряда применяется метод нейро-нечетких систем, показывает лучшие результаты, чем модель с выделением регулярной и случайной составляющей временного ряда.

Пакет Fuzzy Logic Toolbox позволяет автоматически синтезировать из данных нечеткую базу знаний для модели типа Сугэно. Для этого используются два алгоритма — решеточное разбиение (grid partition) и суб-тракгивная кластеризация (subtractive clustering). На выходе первого ал ro-

ритма получается база знаний, содержащая все возможные правила. В результате субтрактивной кластеризации генерируются правила, соответствующие областям наибольшей концентрации данных. Первый алгоритм реализован в виде функции genfisl, а второй в виде функции §епй$2.

При вызове функции £епЙБ2 необходимо указать радиусы кластеров. Радиусы определяют насколько далеко от центра кластера могут быть его элементы. Значения радиусов должны находится в диапазоне [0, 1] в связи с тем, что при кластеризации исходные данные масштабируются на единичный гиперкуб. Обычно малые значения радиусов приводят к нахождению множества мелких кластеров, и, следовательно, к очень детализированной базе нечетких правил. Большие значения радиусов приводят к нахождению всего нескольких крупных кластеров и тем самым обеспечивают компактную базу знаний. Однако при этом можно упустить некоторые особенности моделируемой зависимости. Как правило, хорошие нечеткие базы знаний синтезируют при значениях радиусов из диапазона [0.2, 0.5]. Радиусы кластеров задаются третьим аргументом функции genfis2. Будем считать, что в кластерном анализе все координаты являются равноважны-ми, поэтому значение этого аргумента можно задать скаляром[64,65]. Выбор радиуса может сильно повлиять на результат прогноза. Если задать небольшое значение радиуса, то база будет более полной, но чувствительной к выбросам и неточностям телеметрии. Если радиус задать большим, то можно потерять некоторые правила при синтезе модели. Поэтому был разработан алгоритм выбора радиуса кластеризации (рис. 1).

Был проведен ряд тестов прогноза электропотребления при синтезе базы нечетких правил с помощью трех функций. Результаты тестов позволяют сделать заключение, что данная функция §епй$2 с разработанным алгоритмом поиска оптимального вектора радиуса субтрактивной кластеризации показывает наименьшую ошибку при прогнозе в среднем на 0,8% и его использование в модели краткосрочного прогнозирования является обоснованным.

В третьей главе рассматриваются особенности проектирования системы поддержки принятия решения при краткосрочных прогнозах электропотребления. Показаны преимущества использования систем баз данных над традиционной файловой организацией. Имея хорошо спроектированный набор данных, можно заново реализовать приложение, применяя любую технологию работы с базами данных, которая появится в дальнейшем, вне зависимости от того, для какого типа баз данных исходно проектировалось приложение. Иными словами, можно получить общий или интегрированный доступ к данным несколькими существующими приложениями БД и разработать новые приложения для работы с этими же данными без необходимости создания новых структур данных.

Рис. 1. Блок-схема алгоритма выбора радиуса кластеризации

Далее обосновывается выбор модели организации знаний и программного обеспечения для управления базой данных. Наиболее приемлемой для рассматриваемой предметной области является реляционная модель организации знаний, обладающая многими преимуществами, к числу которых относится возможность манипулирования данными без необходимости знания конкретной физической организации баз данных во внешней памяти, кроме того, в отличие от традиционной файловой системы и более ранних моделей именно реляционная модель обеспечивает высокую степень независимости данных. Независимость данных обеспечивается также за счет многоуровневой архитектуры СУБД, предоставляющей разделение данных и программ - описания используемых данных в прикладных программах заменяются ссылками на информационные объекты базы данных, БД может развиваться, не оказывая влияния на приложения, т.е. без логического ущерба для существующих прикладных программ. Ряд этих и других преимуществ реляционных баз данных над традиционной организацией «файл-программа» обосновывает вывод о выборе реляционной модели базы данных.

Затем был проведен системный анализ в соответствии с требованиями к проектируемой информационной системе. Была построена функциональная модель системы поддержки принятия решения при краткосрочных прогнозах электропотребления, отражающая производимые системой действия и связи между ними (рис. 2).

Оперативно-информационный комплекс (ОИК)

Сформировать идентификатор шфшпрю ретроспективных мвшх

Дала

ммтафттр параметров

Рстрмияяшые |

Сформировать ретр кдйсгшпне дшы»

Сфорнршагь ПрОГНОЗ

пагоды

ПрОГИОЗ

Приказы РФ, календарь

Знания экспертов

Сформировать сносям прогноз*

Св«>овя ирогноза

С формировать обупяго1щне выборка;

Сформировать справочник праздников к выходных дней

Обучающее выборка

Время ■ротном

Заву стать модуль прогноза

Результаты прогноза

Сохранить результаты прогноза

Результаты

ирогноза

Рис. 2. Функциональная модель системы поддержки принятия решений при краткосрочных прогнозах потребления электроэнергии

Наряду с достоинствами у реляционной модели существуют и недостатки, такие как отсутствие достаточных средств для представления смысла данных, зависимостей между объектами, поэтому для построения концептуальной модели был применен подход, основанный на идеях семантического моделирования. Одной из наиболее известных и широко распространенных семантических моделей данных является модель «Сущность-Связь», разновидности которой используются в большинстве современных подходов к проектированию реляционных БД. Функциональная модель была проанализирована с целью выявления сущностей рассматриваемой предметной области. Ими являются следующие информационные объекты: ретроспективные данные, прогноз погоды, модель прогноза, обучающая

выборка, прогноз электропотребления. Модель «сущность/связь», представленная на рисунке 3, отражает информацию об объектах предметной области (сущностях), подлежащих автоматизации, их свойствах (атрибутах) и отношениях друг с другом (связях).

<

Обучающая выборка #Дата

^Идентификатор модели прогноза

День недели Час прогноза Температура Влажность Давление Напр. ветра Скорость ветра Облачность

Модель прогноза

#Идентификатор модели Тип выборки Сглаживание Выделение тренда Размер выборки Функция синтеза Поиск опт. радиуса кластеризации

Тип прогноза Поиск опт. входов

Прогноз погоды

#Дата

Температура Влажность Давление Напр. ветра Скорость ветра Облачность

Ретроспективные данные

#Дата

Потребление Температура

Прогноз потребления #Дата

#Идентификатор модели

прогноза

Прогноз

Факт

Отклонение Время прогноза

Рис. 3. Диаграмма «Сущность-Связь»

Система управления базами данных в автоматизированной системе поддержки принятия решения при краткосрочных прогнозах потребления реализована на MS SQL 2000, которая централизованно внедрена в Астра-

ханское РДУ центральным диспетчерским управлением «СО-ЦДУ ЕС» и обладает следующими характеристиками:

• обладает возможностью определения данных в исходной форме и способностью преобразовывать эти определения в форму соответствующих объектов;

• позволяет включать в себя компонент процессора языка обработки данных, контролировать пользовательские запросы и пресекать попытки нарушения целостности данных;

• позволяет осуществлять необходимый контроль над восстановлением данных и дублированием;

• позволяет обеспечить функцию словаря данных, который содержит дескрипторы, касающиеся объектов системы - таблиц, индексов, правил целостности и т.д.

В третьей главе представлено описание входной информации, структуры таблиц, размер полей и других характеристик. А также дан обзор спецификации обработки информации и разработанные интерфейсы автоматизированной системы поддержки принятия решения при краткосрочных прогнозах электропотребления.

Четвертая глава посвящена описанию основных режимов работы автоматизированной системы и проверке эффективности предложенных моделей и методов на практике.

В соответствии с разработанными функциональной и семантической моделями была создана автоматизированная система поддержки принятия решения, в которой реализованы основные методы и алгоритмы по отбору входных параметров модели прогноза, автоматизированному синтезу базы нечетких правил, методы сглаживания и нормирования. Система спроектирована в виде «клиент-серверного» приложения, снабжена подробной справкой по работе с системой.

Работа автоматизированной системы поддержки принятия решения при краткосрочных прогнозах электропотребления тестировалась на данных двух систем: данных ОДУ Юга, г. Пятигорск и данных Астраханского РДУ. Тестирование проводилось на наборе данных объемом 4032 значения. Был проведен прогноз 1244 значений временного ряда в разные периоды времени, в том числе в период сильных морозов зимы 2006 года, переходного периода при отключении отопления и в летний период высоких температур окружающего воздуха.

Результаты эксперимента сравнивались с результатами внедренной в Астраханское РДУ программы «Прогноз БР» и результатами программы, внедренной в Объединенном диспетчерском управлении (ОДУ) энергосистемой Юга в городе Пятигорск (рис. 4) и показали, что разработанная система прогноза на основе метода нейро-нечетких систем, с использованием методов предобработки данных и разработанных алгоритмов синтеза базы знаний нечетких правил, а так же других параметров и свойств модели,

показала лучшие результаты и позволила уменьшить ошибку на 5% в среднем.

20 апреля 2006 года

650.00 500.00 450.00 400.00 350.00 300.00

—♦—Факт

-Прогноз

Прогноз ОДУ Юга

- -

1 3 5 7 9 11 13 15 17 19 21 23

19 апреля 2006 года 500.00

450.00 400.00 350.00 300.00

-Факт ■Прогноз • Прогноз ОДУ Юга

Ж

1 3 5 7 9 11 13 15 17 19 21 23

Рис. 4. Суточные графики потребления Основные результаты:

1. Разработана модель краткосрочного прогноза электропотребления на основе нейро-нечетких систем типа Сугэно, модифицированного алгоритма отбора входных переменных, алгоритма поиска оптимального радиуса субтрактивной кластеризации, оптимальных методов предобработки данных, динамическим, которая позволила уменьшить погрешность прогноза на 5% в среднем.

2. В результате исследований различных методов предобработки данных, способов синтеза базы нечетких правил нейро-нечетких систем определены оптимальные методы предобработки данных для ретроспективных показателей электропотребления Астраханской области, которые также позволили уменьшить общую погрешность прогноза на 0,5% в среднем.

3. Модифицирован алгоритм отбора входных переменных методом последовательного поиска вперед, который позволил уменьшить общую погрешность прогноза на 2 % в среднем.

4. Разработана модель краткосрочного прогноза электропотребления с динамическим отбором переменных, что позволило исключить участие эксперта из анализа влияния независимых параметров на электропотребление.

5. Разработан и впервые применен алгоритм поиска оптимального вектора радиуса субтрактивной кластеризации при синтезе базы нечетких правил нейро-нечеткой системы. Это позволило исключить участие эксперта при выборе значения вектора радиуса, автоматизировать процесс создания базы правил и снизить погрешность прогноза на 0,8% в среднем.

6. Разработаны функциональная и семантическая модели системы поддержки принятия решения при краткосрочных прогнозах электропотребления, в соответствии с которыми спроектирована универсальная структура базы данных, за счет чего появилась возможность осуществления общего и интегрированного доступа к информации различными средствами без необходимости создания новых структур данных.

7. На основе разработанной модели спроектирована автоматизированная система поддержки принятия решения при краткосрочных прогнозах электропотребления.

Основные публикации по теме диссертации:

1. Глебов, A.A. Краткосрочное прогнозирование электропотребления энергосистемы с помощью мягкой интеллектуальной системы./ А.А Глебов, М.Ю. Щербаков^/ Компьютерные технологии в науке, производстве, социальных и экономических процессах: Материалы VI Международной научно-практической конференции г. Новочеркасск 11 ноября 2005, В 3 ч. / Юж. Рос. Гос. Техн.ун-т (НПИ) - Новочеркасск, ЮРГТУ, 2005. - 4.2. - 56 с. - С.7-8. - ISBN 5-88998-631-7.

2. Глебов, A.A. Прогнозирование параметров с помощью нейронных сетей./ A.A. Глебов.// Информационные материалы первого специализированного научно-технического семинара «Современные методы и программные средства анализа и планирования электропотребления, балансов мощности и электроэнергии». - 17-21 ноября 2003 года.- Москва. -С. 1 -6.

3. Глебов, A.A. Использование нейросетевых технологий в краткосрочном прогнозировании электропотребления энергосистемы./ А.А Глебов, М.Ю. Щербакову/ Образование, наука, бизнес: особенности регионального развития и интеграции: Сборник трудов Всероссийской научно-практической конференции. — Череповец; ИМИТ СПбГПУ, 2005. - 344 с. - С.326-329.

4. Глебов, A.A. Прогнозирование электропотребления с помощью нейро-нечеткой системы ANFIS./И.Ю. Петрова, A.A. Гле-

бовУ/Инженерное образование. Наука в образовании: электронное научное издание №ГОС. РЕГИСТРАЦИИ 0420600025, Москва: МГТУ им. Н, Э. Баумана. — 2006. - №7. -регистрационный номер статьи 0420600025\ 0018.

5. Глебов, A.A. Прогнозирование электропотребления с помощью нейро-нечеткой системы ANFIS. алгоритм отбора входных переменных. / И.Ю. Петрова, А. А. Глебов.//Инженерное образование. Наука в образовании: электронное научное издание №ГОС. РЕГИСТРАЦИИ 0420600025, Москва: МГТУ им. Н. Э. Баумана. - 2006. - №7. -регистрационный номер статьи 0420600025\ 0019.

6. Глебов, A.A. Синтез нейро-нечеткой модели типа Сугэно. Поиск оптимального вектора радиуса субтракгивной кластеризации./ A.A. Глебов.// Электронный журнал Камской государственной инженерно-экономической академии «Социально-экономические и технические системы: исследование, проектирование, организация». - 2006.-№4. - режим доступа: http://kampi.rU/sets/base/20nomer/add2/glebov/l.pdf. - свободный. - Заглавие с экрана. - Язык русский.

7. Глебов, A.A. Автоматизированная система поддержки принятия решения при краткосрочных прогнозах электропотребления У A.A. Глебов, И.Ю. Петрова. // Свидетельство об официальной регистрации программ для ЭВМ №2006612348 в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности, патентам и товарным знакам. - 2006.

8. Глебов, A.A. «Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем»./ A.A. Глебов.// Южно-Российский вестник геологии, географии и глобальной энергии. -2006. -№7(20). - С. 142-146. - ISSN 1818-5169.

Подписано в печать 13.11.2006. Уч.-изд. л. 1,2. Усл. печ. л. 1,1. Заказ № 1035. Тираж 100 экз.

Оттиражировано в Издательском доме «Астраханский университет» 414056, г. Астрахань, ул. Татищева, 20 Тел. (8512) 54-01-89,54-01-87, факс (8512) 25-17-18, E-mail: asupress@yandex.ru

ВВЕДЕНИЕ.

ГЛАВА 1. ОБЗОР МЕТОДОВ И ПРОГРАММНЫХ СРЕДСТВ ПО

ПРОГНОЗУ ЭЛЕКТРОПОТРЕБЛЕНИЯ.

1.3. Классификация методов прогнозирования.

1.2. Обзор методов прогнозирования временных рядов.

1.2.1. Экстраполяционные методы прогнозирования.

1.2.2. Регрессионные методы.

1.2.3. Экспертные методы.

1.2.4. Нейронные сети.

1.2.5. Мягкие вычисления. Гибридные системы.

1.3. Обзор моделей прогноза электропотребления.

1.4. Обзор программных средств по прогнозу электропотребления.

1.5. Выводы по первой главе.

ГЛАВА 2. МОДЕЛЬ КРАТКОСРОЧНОГО ПРОГНОЗА

ЭЛЕКТРОПОТРЕБЛЕНИЯ.

2.1 Адаптивная сеть нечеткого вывода -ANFIS.

2.2. Программные средства реализации.

2.3. Алгоритм отбора входных переменных.

2.4. Нормирование данных.

2.5. Сглаживание данных.

2.6. Модель прогнозирования.

2.7. Синтез нейро-нечеткой модели типа Сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации.

2.8. Выводы по второй главе.

ГЛАВА 3. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МОДЕЛИ

ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ АСТРАХАНСКОЙ

ОБЛАСТИ.

3.1. Преимущества использования системы баз данных.

3.2. Функциональная модель системы поддержки принятия решения при краткосрочных прогнозах электропотребления.

3.3. Модель организации знаний системы поддержки принятия решений при краткосрочных прогнозах потребления электроэнергии.

3.4. Информационно-логическая модель системы поддержки принятия решений при краткосрочных прогнозах потребления электроэнергии.

3.4.1. Семантическое моделирование.

3.4.2. Выбор программного обеспечения для управления доступом к базе данных.

3.4.3. Описание параметров входной информации.

3.4.4. Спецификация обработки информации.

3.5. Выводы по третьей главе.

ГЛАВА 4. РЕЗУЛЬТАТЫ ОПЫТНОЙ ЭКСПЛУАТАЦИИ

АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ПРИНЯТИЯ РЕШЕНИЙ ПРИ КРАТКОСРОЧНЫХ ПРОГНОЗАХ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ. 94 4.1. Режимы работы автоматизированной СППР при краткосрочных прогнозах электропотребления.

4.2. Тестирование автоматизированной системы поддержки принятия решения при краткосрочных прогнозах потребления.

4.3 Свидетельство об официальной регистрации программы для ЭВМ.

4.4 Акт внедрения программного обеспечения.

4.5 Выводы по четвертой главе.

Актуальность работы.

Прогнозирование режимных параметров и технико-экономических показателей является одной из важных задач, как при планировании, так и при ведении текущих режимов электроэнергетической системы (ЭЭС). Составляя планы по различным показателям на предстоящие сутки, неделю, месяц, квартал, год, службы и отделы энергообъединения (ЭО) решают задачу планирования энергобаланса - соотношения между потребностью электроэнергии (мощности) и средствами ее удовлетворения.

Одним из важнейших показателей при планировании является уровень ожидаемого электропотребления (ЭП) в целом по объединению, группам и отдельным потребителям. В этом смысле величина прогноза электропотребления является опорным показателем для планирования балансов электроэнергии и мощности. Необходимость точного прогнозирования потребления электроэнергии обусловлена технологическими и экономическими причинами. Точное прогнозирование обеспечивает оптимальное с экономической точки зрения распределение нагрузок между станциями, способствует осуществлению экономически целесообразных операций по покупке и продаже электроэнергии.

Характерная особенность функционирования электроэнергетики состоит в том, что графики режимов работы ЭЭС должны рассматриваться, как элемент общего графика работы Единой энергетической системы России. Объемы потребления ЭО и субъектов рынка всех временных этапах планирования и эксплуатации обязательно согласовываются с вышестоящими уровнями управления энергетики - Объединенным региональным диспетчерским управлением (ОДУ) и Центральным диспетчерским управлением Единой энергетической системой России (ЦДУ). Согласованные графики потребления и генерации (диспетчерские графики) являются важнейшими для ЭЭС показателями, определяющими основные аспекты ее работы - графики работы станций, договоры на поставку топлива, графики ремонтных работ, объемы покупки и продажи электроэнергии на рынке электроэнергии.

Между тем, цена ошибок прогнозирования и планирования становится все более высокой. Анализ зарубежных публикаций на эту тему показывает, что экономическая результативность точного прогнозирования нагрузок побуждает многих энерготрейдеров разворачивать собственные исследования в области прогнозирования, создавать группы математиков и статистиков [11,14]. Отмечается, что долгосрочный и краткосрочный прогноз требуют использования совершенно различных методик - долгосрочным прогнозам нужны сценарные подходы для оценки общеэкономической ситуации, отраслевых тенденций развития и т.п. Для краткосрочных прогнозов важны метеофакторы, характер дня (рабочий, выходной, праздник), конфигурация суточного графика, состояние режима энергосистемы в ближайшей ретроспективе. Потребность рынка в точном прогнозе такова, что некоторые из клиентов готовы платить до 15 тыс. долларов в месяц за ежедневный краткосрочный прогноз нагрузки. В некотором смысле качественный прогноз становится действенным инструментом в конкурентной борьбе на рискованном рынке электроэнергии и мощности, поэтому «.технологии прогнозирования нагрузок и потребления занимают свое место среди самых заветных промышленных секретов, которые компании держат за семью печатями.» [11,14].

Оценочные расчеты, проводимые для ЭО России с уровнем месячного потребления около 1500 млн. кВт-ч, показали, что улучшение качества прогнозирования только месячного потребления на 0,1% способно в настоящих условиях снизить затраты на оплату отклонений от плана по поставкам электроэнергии на 3-5 млн. рублей в год. Еще больший эффект приносит уточнение краткосрочного и оперативного прогноза графиков потребления мощности.

Либерализация оптового рынка электроэнергии является частью комплекса мероприятий, проводимых в рамках реформирования отрасли, и направлена на выработку нового механизма образования цен на электрическую энергию, отражающего баланс интересов производителей и потребителей электроэнергии. Изменения условий функционирования отрасли оказывает непосредственное влияние на состояние каждого субъекта рынка электроэнергии, и для того чтобы оставаться прибыльными, компаниям требуются новые инструменты и технологии, помогающие сделать переход от регулируемого к конкурентному рынку, и обеспечивающие их успешное функционирование на будущем конкурентном рынке.

Функционирование компаний в конкурентных рыночных условиях характеризуется принятием решений в условиях относительной неопределенности, которая может неблагоприятно сказаться на достижении компании ее целей. Естественное желание оценить потери (или более точно, степень отклонения от целевых установок) из-за имеющих место неопределенностей, заставляет проводить исследований и разработки соответствующего программного обеспечения. Оценка рисков и использование соответствующих методов управления рисками позволяет компании выстраивать оптимальную, по соотношению «величина риска - премия за риск», стратегию поведения на рынке, и, как следствие, оптимизировать «торговый портфель», а также оценивать величину необходимого капитала для покрытия возможных потерь.

Одной из основных характеристик электроэнергии как товара является невозможность ее хранения и особенности ее транспортировки (инфраструктура электрических сетей).

Это приводит к тому, что электроэнергия должна быть потреблена в тот же момент времени, когда и произведена, что, в свою очередь, приводит к сильным колебаниям цен. Такие колебания являются одной из основных причин повышенных рисков, характерных для рынка электроэнергии.

Совет директоров ОАО «СО-ЦДУ» 29 апреля 2005 года утвердил основные стратегические задачи развития в «Приоритетных направлениях деятельности ОАО «СО-ЦДУ» на 2005-2008 года», в которых требуется единообразное применение передовых технологических решений, аппаратных технических средств и программного обеспечения на всех уровнях оперативного диспетчерского управления. Поэтому в сравнительном анализе, который проводился в работе, не рассматривались программные комплексы зарубежного производства, так как они не соответствуют данным требованиям. Анализ показал, что на рынке существует два программных продукта для прогноза электропотребления. Это программный комплекс «Энергостат» разработан в ВНИИ энергетики и рекомендован для внедрения в РДУ и программный комплекс «Прогноз БР», разработанный для обязательного внедрения в диспетчерские управления, в рамках реформирования рынка электроэнергии. Отсутствие необходимого объема статистики по электропотреблению в некоторых энергообъединениях, в том числе и в Астраханском РДУ, не позволяет использовать программу «Энергостат». Минимальный объем базы ретроспективной информации по электропотреблению составляет один год для ПО «Энергостат». Переход к рыночным отношениям в энергетике и образование новых субъектов рынка не позволяет использовать статистику, которая велась на бумажных носителях в энергообъединениях.

Кроме этого стоимость данного продукта является высокой, что не позволяет апробировать ее на данных энергосистемы, а сравнение результатов прогноза с другими системами не имеет смысла, так как каждая энергосистема имеет свою специфику. Например, в Астраханской области потребление не превышает 600-700 мегаватт и состоит из потребления потребительского сектора, что делает процесс изменения нагрузки более непредсказуемым по сравнению с энергосистемами, где большую часть потребления составляет промышленный сектор.

Таким образом, минимизация ошибок планирования, а так же создание такого программного обеспечения, которое позволит использовать малый объем ретроспективной информации является актуальной задачей.

Целью диссертации является разработка модели краткосрочного прогноза электропотребления и комплекса программ для снижения погрешности планирования режимных параметров и технико-экономических показателей в условиях малых объемов ретроспективной информации.

В рамках работы решаются задачи:

- Анализ и классификация существующих автоматизированных систем поддержки принятия решения при краткосрочных прогнозах электропотребления, а так же существующих методов и моделей прогноза, применяемых для прогноза электропотребления.

- Разработка эффективной модели прогноза электропотребления.

- Проектирование с использованием методов системного анализа структуры базы данных, обеспечивающей реализацию эффективного хранения и использования данных телеметрии для прогноза электропотребления.

- Разработка алгоритмов формирования обучающих выборок для системы поддержки принятия решения при краткосрочных прогнозах.

- Создание комплекса программного обеспечения, реализующего автоматизацию следующих операций: запись данных с внешних источников информации, формирование обучающих выборок системы и прогноз электропотребления в реальном времени.

- Проверка адекватности разработанной модели и программного обеспечения.

Методы исследования.

Для решения поставленной задачи в работе были использованы методы математической статистики, обработки данных, регрессионного анализа, нейронных сетей, нечеткой логики, гибридных систем, теории баз данных, технологии построения реляционных баз данных.

Научная новизна работы. В диссертации разработаны и вынесены на защиту следующие основные положения:

- Модель краткосрочного прогноза электропотребления, отличающаяся применением нейро-нечетких систем типа Сугэно, модифицированного алгоритма отбора входных переменных, алгоритмом поиска оптимального радиуса субтрактивной кластеризации, оптимальных методов предобработки данных, что позволило уменьшить погрешность прогноза на 5% в среднем за сутки.

- Модифицированный алгоритм динамического отбора входных переменных методом последовательного поиска вперед, отличающийся от традиционного выбором входных переменных на основе суммы среднеквадратичной ошибки на тренировочной и тестовой выборках. Это позволило исключить эксперта из анализа влияния независимых параметров на электропотребление и уменьшить общую погрешность прогноза на 2 % в среднем.

- На основе анализа алгоритмов синтеза базы нечетких правил ней-ро-нечеткой системы типа Сугэно впервые разработан и применен алгоритм поиска оптимального вектора радиуса субтрактивной кластеризации при синтезе базы нечетких правил нейро-нечеткой системы. Это позволило исключить участие эксперта при выборе значения вектора радиуса и автоматизировать процесс создания базы правил, а также уменьшить общую погрешность прогноза на 0,8% в среднем.

- Полученные оптимальные методы предобработки данных для ретроспективных показателей электропотребления Астраханской области, позволяющие уменьшить общую погрешность прогноза на 0,5% в среднем за сутки.

- Впервые разработанные концептуальная модель и структура базы данных для сбора и хранения ретроспективных данных электропотребления и данных прогноза.

- Впервые разработанные функциональная и семантическая модели системы поддержки принятия решения при краткосрочных прогнозах электропотребления.

Практическая ценность работы заключена в следующем:

На основе созданных моделей и предложенных методов обработки данных разработана автоматизированная система поддержки принятия решения при краткосрочных прогнозах электропотребления, позволяющая повысить точность прогноза на 5% в среднем за сутки. Система поддержки принятия решения при краткосрочных прогнозах электропотребления внедрена на предприятии Филиал ОАО «СО-ЦЦУ ЕЭС» - Астраханское региональное диспетчерское управление энергосистемы Астраханской области, о чем свидетельствует акт внедрения. Получено свидетельство об официальной регистрации программ для ЭВМ №2006612348 в Реестре программ для ЭВМ Федеральной службы по интеллектуальной собственности, патентам и товарным знакам.

Апробация работы. Резул ьтаты работы были представлены на следующих научных конференциях: первом специализированном научно-техническом семинаре "Современные методы и программные средства анализа и планирования электропотребления, балансов мощности и электроэнергии" (ВНИИ Энергетики, Москва, 2003), VI международной научно-практической конференции «Компьютерные технологии в науке, производстве, социальных и экономических процессах» (Новочеркасск, 2005), на Всероссийской научно-практической конференции «Образование, наука, бизнес: особенности регионального развития и интеграции» (Череповец, 2005).

Публикации. Основные положения и результаты работы опубликованы в 8 печатных работах.

Объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа изложена на 112 страницах текста, содержит 14 рисунков, 24 таблицы, список литературы включает 62 наименования.

ОСНОВНЫЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ.

Главным итогом диссертационной работы является разработка модели краткосрочного прогноза электропотребления на основе нейро-нечетких систем типа Сугэно, модифицированного алгоритма отбора входных переменных, алгоритма поиска оптимального радиуса субтрактивной кластеризации, оптимальных методов предобработки данных, которая позволила уменьшить погрешность прогноза на 5% в среднем за сутки в условиях малых объемов ретроспективной информации и большой удельной доли потребительского сектора.

Основные научные и практические результаты диссертационной работы состоят в следующем:

1. Разработана модель краткосрочного прогноза электропотребления на основе нейро-нечетких систем типа Сугэно, модифицированного алгоритма динамического отбора входных переменных, алгоритма поиска оптимального радиуса субтрактивной кластеризации, оптимальных методов предобработки данных, которая позволила уменьшить погрешность прогноза на 5% в среднем.

2. В результате исследований различных методов предобработки данных, способов синтеза базы нечетких правил нейро-нечетких систем определены оптимальные методы предобработки данных для ретроспективных показателей электропотребления Астраханской области, которые также позволили уменьшить общую погрешность прогноза на 0,5% в среднем.

3. Модифицирован алгоритм отбора входных переменных методом последовательного поиска вперед, который позволил уменьшить общую погрешность прогноза на 2 % в среднем.

4. Разработана модель краткосрочного прогноза электропотребления с динамическим отбором переменных, что позволило исключить участие эксперта из анализа влияния независимых параметров на электропотребление.

5. Разработан и впервые применен алгоритм поиска оптимального вектора радиуса субтрактивной кластеризации при синтезе базы нечетких правил нейро-нечеткой системы. Это позволило исключить участие эксперта при выборе значения вектора радиуса, автоматизировать процесс создания базы правил и снизить погрешность прогноза на 0,8% в среднем.

6. Разработаны функциональная и семантическая модели системы поддержки принятия решения при краткосрочных прогнозах электропотребления, в соответствии с которыми спроектирована универсальная структура базы данных, за счет чего появилась возможность осуществления общего и интегрированного доступа к информации различными средствами без необходимости создания новых структур данных.

7. На основе разработанной модели спроектирована автоматизированная система поддержки принятия решения при краткосрочных прогнозах электропотребления.

1. Адатия. Интерактивный метод прогнозирования нагрузки и распределения резерва./ Адатия и др; под ред. Ю.Н. Руденко, В.А. Семенова.// М: Энер-гоатомиздат, 1983.-65-74 с.

2. Бокс, Дж. Анализ временных рядов, прогноз и управление./ Бокс, Дж., Дженкис Г.// М.:Мир, 1974, Вып. 1,2.-748 с.

3. Борисов, В.В. Компьютерная поддержка сложных организационно-технических систем./ В.В. Борисов, И.А. Бычков, А.В. Дементьев, А.П. Соловьев, А.С. Федулов./ -М.: Горячая линия Телеком, 2002. - 154 с.

4. Гейн, К. Системный структурный анализ: средства и методы./ Гейн К., Сарсон Т .// М.: «Эйтекс», 1992.

5. Дейт, К. Дж. Введение в системы баз данных./ Дейт К. Дж.//: Пер. с англ. К., М., СПб.: Издательский дом «Вильяме», 1999.

6. Калянов, Г.Н. CASE структурный системный анализ (автоматизация и применение)./ Калянов Г.Н.// М.: Издательство «Лори», 1996. -242 с.

7. Калянов, Г.Н. Методы и средства системного структурного анализа и проектирования./ Калянов Г.Н. // М.: НИВЦ МГУ, 1996.

8. Комарцова, Л.Г. Нейрокомпьютеры./ Комарцова Л.Г., Максимов А.В.// М.: Изд-во МГТУ им.Баумана, 2002. 320 с.

9. Корнеев, В.В. Базы данных. Интеллектуальная обработка информации. / Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. // М.: Нолидж, 2001. -352 с.

10. Краткое описание модели оптового рынка электроэнергии переходного периода/ Пояснительная записка к "порядку проведения имитационных торгов на оптовом рынке электрической энергии", 2002.

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

12. Кузнецов, С.Д. Основы современных баз данных: Метод, пособие./ Кузнецов С.Д.// М.: Изд-во МГУ, Центр информационных технологий, 1996. -213 с.

13. Макоклюев, Б.И. Оперативное прогнозирование нагрузки ЭЭС с учетом метеофакторов. Советчики диспетчеров по оперативной коррекции режимов ЭЭС./ Макоклюев Б.И., Федоров Д.А.// Иркутск, 1984.

14. Макоклюев, Б.И. Костиков В.Н. Программный комплекс анализа и планирования режимных параметров электрообъединения «Энергостат-1.1»./ Макоклюев Б.И, Антонов А.В.//- Вестник ВНИИЭ, 1996.

15. Паклин, Н.Б. Адаптивные модели нечеткого вывода для идентификации нелинейных зависимостей в сложных системах. / Паклин, Н.Б.// Дис. к-та техн. наук. Ижевск, 2004. - 162 с.

16. Петрова, И.Ю. Организация баз данных: Учебное пособие./ Петрова И.Ю., Лазуткина Е.А.// Учебное пособие. Астрахань: Изд-во АГТУ, 1999. -340 с.

17. Ревунков, Г.И. Базы и банки данных и знаний./ Ревунков Г.И., Самохвалов Э.И., Чистов В.В.// М.: Высшая школа, 1992. - 367 с.

18. Сигнор, Р. Использование ODBC для доступа к базам данных./ Сигнор Р., Стегман М.О.// М.: «Бином», 1995.-384 с.

19. Сообщество, пользователей Matlab и Simulink. Режим доступа: http//matlab.exponenta.ru, свободный. Заглавие с экрана. - Яз. рус.

20. Сосински, Б. Разработка приложений в среде Visual FoxPro 5. / Сосински Б.//: Пер. с англ. К.: Диалектика, 1997. - 448 с.

21. Тимченко, В.Ф. Интервальный однофакторный метод краткосрочного прогнозирования суточного электропотребления энергосистем./ Тимченко В.Ф., Ежилов В.Х.// «Электричество», 1976, №2. -10-15 с.

22. Тимченко, В.Ф. Колебания нагрузки и обменной мощности энергосистем./ Тимченко В.Ф.// -М. Энергия, 1975, 209 с.

23. Щербинина, О.В. Синтез чувствительных элементов систем управления на основе реляционной модели организации знаний.// Щербинина О.В.// Дис. к-та техн. наук. Астрахань, 2001. - 124 с.

24. Шехурин, Д.Е. Научное прогнозирование средствами информации. / Ше-хурин Д.Е.// С.-Пт.:1990. -123 с.

25. Штовба, С.Д. Введение в теорию нечетких множеств и нечеткую логику./ Штовба С.Д.// Сообщество пользователей Matlab и Simulink. Режим доступа: http//matlab.exponenta.ru, свободный. Заглавие с экрана. - Яз. рус.

26. Шумилова, Г.П. Краткосрочное прогнозирование электрических нагрузок с использованием искусственных нейронных сетей./ Шумилова Г.П., Готман Н.Э., Старцева Т.Б.//Электричество. 1999. № 10.

27. Шумилова, Г.П. Модель суточного прогнозирования нагрузок ЭЭС с использованием нечетких нейронных сетей./ Шумилова Г.П., Готман Н.Э., Старцева Т.Б.// Известия Академии наук. Энергетика.2001. № 4.

28. Шумилова, Г.П. Прогнозирование электрических нагрузок ЭЭС с использованием методов искусственного интеллекта./ Шумилова Г.П., Готман Н.Э., Старцева Т.Б.// РНСЭ, 10-14 сентября 2001: Материалы докладов. Казань: Казан. Гос. Энерг. ун-т, 2001 Т. II.

29. Abu-Hussein, M.S. An accuraye model for short-term load forecasting./ Abu-Hussein M.S., et al.// "IEEE Trans. Power Appar and Syst.", 1980, 100, №9,41584164 (РЖЭ, 1982, 2Ж85).

30. Adatia. Une comparaison des techniques de prevision la consummation au GEGB, a l'EDF et a l'ENEL./ Adatia and et al.// "Bull. Dir. Etud. et rech.", 1986, №3, 5-20.

31. Barker, R. CASE*Method. Entity-Relationship Modeling. / Barker R. // N.Y.: Addition-Wesley Publishing Company, 1991.

32. Bunn, D.W. Experimental study of a Bayersian method for daily electricity load forecasting. / Bunn D.W.// "Appl. Math. Model.", 1980, 4, №2,113-116.

33. Bunn, Ed. D. Comparative models for electrical load forecasting/ Ed. D. Bunn, E. Farmer. New York: Willey, 1985, 232 p. (Рус. Перевод: Бэнн Д., Фармер Е. Сравнительные модели прогнозирования электрической нагрузки. М.: Энер-гоатомиздат, 1987,200 е.).

34. DeMarco, Т. Structured Analysis and System Specification./ DeMarco T.// N.Y.: Yourdon Press, 1988.

35. Di Caprio, U. Short-term load rorecasting in electric power systems: A com-parision of ARMA models and extended Wiener filtering./ Di Caprio U. et al.// "J. Forecast.", 1982, 2, №4, 56-61.

36. Farmer, E.D. Development of on-line load prediction techniques with trails in the south-western region of the CEGB./ Farmer E.D., Potton M.J.// "Proc. 1EE", 1968, 115, Oct. 1549-1558.

37. Galiana, F. ^identification of stochastic electric load models from physical data./ Galiana F., Handshin E., Fiecher A.// "IEEE Trans. AC", 1974, 19, №6, 887893.

38. Gupta, P.C. Adaptive short-term forecasting of hourly loads using weather information./ Gupta P.C., Yamada K.J/ "IEEE Trans. Power Appar. And Syst.", 1972, 94, №5, 2085-2094.

39. Irisarri, G.D. On-line load forecasting for energy control center application./ Irisarri G.D., Widergren S.E., Yehsakul P.D.// Ibid., 1982, 102, №1, 71-78.

40. Lijesen, D.P. Adaptive forecasting of hourly loads based on load measurements and weather information./ Lijesen D.P., Rosing J.// "IEEE Trans. Power Appar. And Syst.", 1971, 90, №4, 1757-1767.

41. Panuska, V. Short-term forecasting of electric power system load from a weather dependent model./ Panuska V.// "IFAC Symp. 1977. Autom. Contr. and Prot. Electr. Power Syst., Melbourne, 1977", Sydney, 1977,414-418.

42. Panuska, V. Electrical power system load modelling by a two-stage stochastic approximation procedure./ Panuska V., Koutchouk J. P. //"Proc. IF AC 6th World Congr., Boston-Cambridge, Mass., 1975. Pt 2". Pittsburg, Pa, 1975, 31. 4/1-31.4/7.

43. Pickles, J.H. Automatic load prediction by the spectral analysis method. / Pickles J.H. // "Proc. 5th Power Syst. Comput. Conf., Cambridge, 1975". New York, N.Y. 1975,356-362.

44. Smoothing data: Importing, viewing and preprocessing data (Curve Fitting Toolbox). Режим доступа: http://www.mathworks.com/access/helpdesk/ help/toolbox/curvefit/chdata5.html, свободный. Заглавие с экрана. - Яз. англ.

45. Takenawa, Т. "A computer programm for 24-hour electric utility load forecasting. / Takenawa Т., Schneider A.M., Schiffman D.A. // "Energy" (Gr. Brit.) 1980, 5, №7, p. 571-585 (РЖЭ, 1981,1Ж122).

46. Yourdon, E. Modern Structured Analysis. / Yourdon EM N.J.: Yourdon Press/Prentice Hall, 1989.

47. Zadeh, L.A. Thinking Machines a New Field in Electrical Engineering./ Zadeh L.A.// Columbia Eng,. -1950. -№ 3.

48. Zadeh, L.A. Toward a Theory of Fuzzy Systems./ Zadeh L.A.// Aspect Network and System Theory. New York: Rinehart and Winston, 1971.

49. Zadeh, L.A. The Calculus of Fuzzy If-Then Rules./ Zadeh L.A.// AI Expert. -1992.-Vol. 7.-P. 23-27.

50. Zadeh, L.A. Uncertainty in Knowledge Base./ Zadeh, L.A, Yager R.R./ Berlin: Springer-Verlag, 1991.