автореферат диссертации по электротехнике, 05.09.03, диссертация на тему:Прогнозирование электропотребления оборудования текстильных предприятий на основе искусственных нейронных сетей

На правах рукописи

ТЫШКЕВИЧ Иван Валерьевич

Прогнозирование электропотребления оборудования текстильных предприятий на основе искусственных нейронных сетей

Специальность 05.09.03 - Электротехнические

комплексы и системы

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Иваново 2005

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования "Ивановский государственный энергетический университет им. В. И. Ленина" (ИГЭУ).

Научный руководитель -

кандидат технических наук, доцент Шульпин А. А.

Официальные оппоненты:

доктор технических наук, профессор Папков Б. В., кандидат технических наук, доцент Назарычев А. Н.

Ведущая организация: Московский энергетический институт

(Технический университет)

Защита диссертации состоится 27.12.2005 в 1122 в аудитории Б-237 на заседании диссертационного совета Д 212.064.02 при Ивановском государственном энергетическом университете.

С диссертацией можно ознакомиться в библиотеке ИГЭУ.

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью учреждения, просим направлять по адресу: 153003, г. Иваново, ул. Рабфаковская, 34, Совет ИГЭУ.

Автореферат разослан

Ученый секретарь диссертационного совета, кандидат технических наук,

доцент

Тютиков В. В.

-ч

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Увеличение доли платы за электроэнергию в себестоимости продукции текстильных предприятий с 1 - 3 % (1990 г.) до 15 - 30 % (2001 г.), переход к заключению прямых договоров на использование электрической энергии (ЭЭ) с учетом штрафных санкций и лимитов со стороны энергосистемы, резкий рост тарифов на электроэнергию, а также низкий уровень эффективности её использования, определяют необходимость задач научного анализа, контроля, нормирования и прогнозирования, а также управления режимами электропотребления текстильных предприятий.

Основанные, в первую очередь, на классических методах статистического анализа существующие способы моделирования и прогнозирования электропотребления неэффективны при моделировании электропотребления на основе пассивного эксперимента в условиях изменчивого рынка продукции и сырья, постоянном изменении ассортимента и номенклатуры производства, низком уровне достоверности или недостаточном количестве исходной статистической информации. Применение активного эксперимента для выявления зависимостей электропотребления от значимых факторов производства требует значительных затрат и недоступно для крупных структурных уровней предприятия. При этом необходимость нормирования, расчета лимитов и получения зависимостей электропотребления от значимых факторов при планировании производства, энергосберегающих мероприятий и заключении договоров с энергоснабжающими организациями обусловливает разработку новых способов моделирования и прогнозирования электропотребления для разных структурных уровней текстильных предприятий, учитывающих многоступенчатость процесса производства, различную энергоемкость технологического оборудования, многообразие выпускаемого ассортимента, недостаток исходных статистических данных.

Поэтому все исследования, направленные на определение параметров электропотребления текстильных предприятий, актуальны для проведения эффективного энергосбережения по цехам и производствам, для обоснования удельных норм и величины отпуска энергии (мощности), для установления пределов регулирования электропотребления, для заключения договоров электроснабжения с энергосистемой, удовлетворяющих обе стороны.

Целью диссертационной работы является разработка методики прогнозирования электропотребления разных структурных уровней текстильного предприятия на основе искусственных нейронных сетей.

Работа выполнена на кафедре "Электрические системы" ИГЭУ в соответствии с Планом научных исследований, проводимых по про-

граммам:

РОС.

.НАЦИОНАЛЬНА*I БИБЛИОТЕКА / |

1. Научно-техническая программа Минобразования России «Федерально-региональная политика в науке и образовании. Раздел: "Энергосбережение"» 2003 г.;

2. Программа администрации Ивановской области: "Проведение мероприятий по энерго-ресурсосбережению на предприятиях Ивановской области" 2003 г.

В соответствии с поставленной целью решены следующие задачи:

1. Исследованы величины электропотребления электроприводами основного оборудования и разных структурных уровней предприятия в зависимости от технологических факторов производства.

2. Разработана методика прогнозирования электропотребления на основе искусственных нейронных сетей (ИНС) для текстильных предприятий.

3. Разработаны алгоритмы прогнозирования электропотребления с использованием искусственных нейронных сетей.

4. Получены математические модели электропотребления для основного оборудования и разных структурных уровней текстильных предприятий.

5. Выполнена оценка влияния качества напряжения на электропотребление основного технологического оборудования и разработан прибор для контроля показателей качества напряжения в режиме реального времени.

В ходе исследований использовались: методы линейного и нелинейного регрессионного анализа, пассивного эксперимента, статистического анализа данных, имитационного моделирования.

Научная новизна работы определяется следующими положениями:

1. Разработана методика имитационного моделирования на основе искусственных нейронных сетей, повышающая точность прогнозирования электропотребления оборудованием и разными структурными уровнями текстильных предприятий.

2. Разработаны алгоритм обучения, структура искусственной нейронной сети и методика подготовки исходных данных, учитывающие особенности моделирования процессов электропотребления разными структурными уровнями текстильных предприятий.

3. Получены регрессионные и нейросетевые модели электропотребления разных структурных уровней текстильных предприятий, позволяющие повысить качество прогнозирования и нормирования электропотребления.

Практическую значимость имеют следующие результаты работы: 1. Полученные математические и имитационные модели электропотребления разных структурных уровней текстильного производства позволяют оценить влияние различных факторов на электропотребление, прогнозировать величину электропотребления при изменении факторов и планировать энергосберегающие мероприятия.

2. Разработанная структура и алгоритм обучения искусственной нейронной сети, применительно к многоассортиментным производствам с нелинейной загрузкой, позволяют увеличить точность и адекватность прогнозирования электропотребления для разных структурных уровней текстильного производства.

3. Созданное программное обеспечение позволяет упростить расчеты и автоматизировать процесс моделирования и прогнозирования электропотребления.

4. Разработанный прибор для автоматизированного контроля параметров качества напряжения позволяет снизить затраты на оперативные измерения показателей качества электроэнергии и принятие решения об их регулировании.

Реализация результатов работы. Разработанное программное обеспечение, реализующее моделирование и прогнозирование электропотребления разных структурных уровней промышленных предприятий принято к эксплуатации на АО "Фатекс", ОАО "Автокран", ОАО "Кранэкс" г. Иваново и используется в учебных и научно-исследовательских целях на кафедре "Электрические системы" ИГЭУ. Прибор для контроля качества напряжения применяется в учебных и научно-исследовательских целях на кафедре "Электрические системы" ИГЭУ.

Апробация работы. Основные положения работы и её результаты докладывались и обсуждались на международных научно-технических конференциях «Состояние и перспективы развития электротехнологии» (X, XI, XII Бенардосовские чтения, ИГЭУ, г. Иваново), на научном семинаре "Электротехника и прикладная математика" (ИГЭУ, г. Иваново), на десятой международной НТК "Радиотехника, электроника и энергетика" (МЭИ, г. Москва, 2004г).

Публикации. По теме диссертации опубликовано 9 работ.

Структура и объём работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и одного приложения. Объём диссертации составляет 155 страниц основного текста. Она содержит 73 рисунка и 26 таблиц, список литературы включает 164 наименования. Общий объём диссертации -158 страниц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, поставлены цели и задачи исследований, определены основные положения, выносимые на защиту.

В первой главе выполнен анализ существующих методов моделирования и прогнозирования электропотребления на текстильных предприятиях.

Отмечается, что система электроснабжения текстильного предприятия играет основную роль в обеспечении непрерывности и устойчивости технологического процесса производства, представляющего собой сложную цепь последовательных операций.

Характерными особенностями технологических процессов текстильных предприятий являются: многоступенчатость процесса производства, различная энергоемкость технологического оборудования, наличие внутренних и внешних производственных связей, большое количество факторов, влияющих на технологический процесс, широта ассортимента сырья, полуфабрикатов и готовой продукции и т.д. Поэтому, показатели электропотребления на каждом отдельно взятом производстве, являясь сложной функцией многих переменных, могут резко изменяться при одних и тех же значениях общего объема выпускаемой продукции. Эти особенности затрудняют решение задачи моделирования и прогнозирования электропотребления текстильных предприятий. Практически, в текстильной промышленности отсутствуют методы обоснованного прогнозирования электропотребления, учитывающие специфику текстильного предприятия.

Анализ существующих методов прогнозирования электропотребления для промышленных предприятий (статистических методов, эволюционного программирования, генетических алгоритмов, искусственных нейронных сетей, нечеткой логики, волнового анализа), показывает, что задача моделирования электропотребления имеет существенное значение. Данный вопрос рассмотрен в работах А.Б. Лоскуто-ва, И.И. Надтоки, Г.Я. Вагина, Б.И. Кудрина, Б.В. Папкова, С. Осовско-го, Б.В. Авилова-Карнаухова, В.И. Гордеева, В.В. Фуфаева, A.A. Тайца, И.В. Гофмана, П.П. Ястребова, В.З. Манусова и других отечественных и зарубежных авторов.

Установлено, что, несмотря на разнообразие методов прогнозирования, основным способом получения и обработки данных по электропотреблению для текстильных предприятий остаются регрессионные методы. Вместе с тем регрессионные модели прогнозирования электропотребления имеют достаточно большую погрешность. Регрессионные и корреляционные модели чувствительны к зашумленности данных, к недостатку статистической информации. Добавление и изъятие входных величин и данных на различных этапах моделирования может сказаться на точности и адекватности модели. Анализ существующих методов статистической обработки данных и прогнозирования электропотребления показал, что, несмотря на имеющиеся достоинства методов, необходимо дальнейшее их развитие и применение методов, способных обеспечить с меньшими затратами более достоверные результаты моделирования. К таким методам относятся методы нейросетевого анализа и прогнозирования.

Вторая глава посвящена экспериментальным исследованиям режимов электропотребления на разных структурных уровнях текстильного производства.

Специфичность каждого отдельного производства текстильного предприятия и различного применяемого в технологии оборудования, а также его четкая структурированность обусловливает необходи-

мость и возможность моделирования электропотребления и построения электробалансов как для производств и предприятий в целом, так и для их отдельных структурных уровней: агрегатов, групп электроприемников, технологических линий, цехов и т.д. Схема электроснабжения с нанесением вида моделей для разных структурных уровней предприятия приведена на рис. 1.

Структурные уровни

Предприятие

Производство / Цех

Технологическая линия

Группа станков

Станок / Агрегат / Машина

Рис. 1.

Моделирование осуществлялось на основе данных, полученных с использованием пассивного эксперимента на гобеленовой фабрике АО «Фатекс». Проведены экспериментальные замеры параметров электропотребления и значимых факторов производства на действующем оборудовании. Технологические данные (выпуск продукции, ассортимент сырья, загрузка станков) получены из плановой документации предприятия.

В результате математической обработки экспериментальных данных получены регрессионные модели электропотребления от основных технологических факторов производства и энергетических факторов (уровня напряжения) для различного технологического оборудования и для разных структурных уровней текстильного предприятия (табл. 1). Полученные многофакторные модели позволяют оценить

Система электроснабжения

I

АД СД

Примеры моделей

я ф м а м месяц

210 И»

и, кВ

зависимость электропотребления от значимых факторов производства и, в тоже время, сделать вывод о недостаточной точности регрессионного моделирования.

Таблица 1

Регрессионные модели электропотребления оборудованием ткацкого производства

Наименование оборудования или структурного уровня Линейная модель Квадратичная модель

Ткацкий станок СТБ2-175 W = -3,42 + 0,0102 s + + 0.0242 /от + 0 0071 и + + 0,0052 ■и (s - ширина полотна (мм), Мп - линейная плотность ткани (г/мм2), п - скорость вращения вала (об/мин), и - напряжение (В)) W = -1 43 + 0.031-J--0 07-10"3 -s2 -- 0 248 1т- 0 00765 1т2 + + 0 00793 • л + 0.045 ■ п + + 0410V

Группа станков СТБ2-175 W =-107 21 + 0 288 • j + + 0 381 • art + 0 267 • и + + 0,088 • п + 1 1563 • N (s - ширина полотна (мм), art -ассортимент, п - скорость вращения вала (об/мин), и - напряжение (В), N - число станков в группе (шт)) -

Мотальный станок Аийвик W =16 352 - 0.034 ■ и + + 0 2545 • п + 0 3691 • р -- 0,8623 • т (р -плотность намотки (г/мм2), m - число паковок (шт), п - скорость намотки (об/мин), и - напряжение (В)) -

Сушильная машина СБМ1-180/3-1 W = 2,9243 - 0.0001 s- -1 3679 •/> +0.1779 •/ + + 0 0453 ■ м + 0.1429 • пс (s -ширина полотна (мм), р -давление пара (атм), t - температура пара (град), пс- скорость сушки (м/с), и - напряжение (В)) W = 26 61 -0 0001 - 5 + + 9.1523 р-2 7785 ■ р2 + + 00506 / + 0 1286-U + + 0 0007 'И2 + + 02438 пс-0 0008 пс2

Ткацкое производство (прогноз на месяц) »U =77,3184 + 0,4561-я^--0,0257-Л„._ (П - производство продукции, (тыс. п.м.)) -

Предприятие (прогноз на месяц) ^■> = 142,34 + 0,7652 ^ + + 0,4736-Я^ (П - производство продукции, (тыс. п.м.)) ■

Предприятие (прогноз на год) ^ = 272,45 + 12, К-П^-ХЫ-П^ (П - производство продукции, (тыс. п.м.)) -

Зависимости мощности от основных факторов для различного оборудования исследуемого предприятия приведены на рис. 2 (зависимость мощности ткацкого станка СТБ-175: а - от скорости вращения основного вала станка; б - от ширины полотна; зависимости мощности красильной машины ф. «Хисака»: в - от напряжения; зависимости мощности гладильной машины СБМ 1-180: г - от температуры пара; д - от скорости сушки; е - зависимость электропотребления мотального станка Autosuk от количества паковок).

об/мин

90 Град

кВт

" X

N4

0 0037*Т2 + 0 2Б*Т + 26 Т

56 ВО 65 70

г)

м/МИН BQ

20 40

Д) е)

Рис. 2.

Примеры зависимостей для группы станков СТБ-175 и ткацкого цеха в целом (а - количества станков в группе; б - ассортимента (1,2, 3 - наименование ассортимента) и в - количества произведенной продукции) приведены на рис. 3.

50|

10

кВт-час

"W МВт-час

¡П--МИ*ГР+2.4*И+И

и

г

/

N

W

55

30

МВт-час

Г

N

10

50

10 20 тыс п м 6)

Рис. 3.

10

в)

30

Полученные модели отражают неоднородность характера влияния разных факторов на электропотребление оборудования, наличие как линейных, так и нелинейных зависимостей электропотребления от значимых факторов. При этом полученные при пассивном эксперименте данные не представляют полную статистическую картину зависимости электропотребления от значимых факторов на верхних уровнях иерархии текстильного предприятия, что затрудняет применение регрессионных методов моделирования для получения моделей, достаточно точно отражающих реальное электропотребление. Выводы, сделанные во второй главе, обусловливают необходимость использования методов моделирования, уменьшающих ошибку модели при недостатке и зашумленности исходного статистического материала. Одним из подобных методов является метод имитационного моделирования на основе искусственных нейронных сетей.

Третья глава посвящена разработке методики имитационного моделирования процессов электропотребления на основе ИНС и статистического анализа. В ней приведены полученные с использованием ИНС модели электропотребления, оценена их точность и представлена программа, автоматизирующая процесс прогнозирования потребления электроэнергии.

Рассмотрены разные структуры ИНС и алгоритмы их обучения с точки зрения применения их для целей моделирования электропотребления разных структурных уровней текстильного производства. Исследования различных типов ИНС и способов их обучения, проведенные автором, показали, что оптимальные (на основе критерия Фишера) результаты получены при использовании нейронной сети из многослойных персептронов с алгоритмом обучения на основе обратного распространения ошибки.

Главное общее уравнение ИНС для моделирования электропотребления'.

(1)

т

где Г2(и ■■•, /^/УГ - вектор входных параметров нейронов, в

случае моделирования электропотребления (вектор факторов, влияющих на значение электропотребления), У=[у,Д)]пх„ - матрица весовых коэффициентов, б=[Ь1, Ь2, ..., Ьп]Т - постоянный, независимый от времени, внешний вход.

Общее уравнение обучения ИНС:

(2)

си

Эта система динамических уравнений гарантирует минимизацию энергетической функции Е=Е(Р,№,В). Физически ИНС состоит из слоев искусственных нейронов, связанных между собой синаптическими весами. В основном искусственный нейрон моделируется как многовходной нелинейный элемент с весовым коэффициентом Нейрон обра-

батывает входные значения для получения определённого результата по следующему уравнению:

(3)

м

где - функция активации, В, - смещение (биос), вектор значений компенсации, - матрица синаптических весов, И/, - выходы сети, значение мощности или электропотребления.

Это выражение можно записать в упрощенном виде: принимая вектор смещений как весовой коэффициент, подключенный к единичному входу:

щ^ЪУ,-^ (4)

1=0

где Уу0=Ь; и Р0=1.

Для оптимизации работы сети и повышения точности и скорости моделирования предлагается разделение данных на следующие группы: технологические факторы, энергетические факторы, ограничения и диапазоны изменения, управляющие величины. Это позволяет распределить весовые коэффициенты сети в соответствии с входными данными и использовать различные функции активации для различных типов данных. Широкий круг задач, решаемых ИНС и их возможных модификаций, не позволяет создавать универсальные ИНС, способные одинаково хорошо решать проблемы распознавания и аппроксимации, вынуждая разрабатывать специализированные ИНС, функционирующие по различным алгоритмам. Автором разработаны алгоритмы и программное обеспечение позволяющие использовать модели на основе ИНС для многофакторного моделирования электропотребления на разных структурных уровнях текстильного предприятия. Применительно к задачам электропотребления на разных структурных уровнях предприятия разработан и реализован в программном обеспечении алгоритм обучения ИНС с помощью процедуры обратного распространения.

Для упрощения и автоматизации процесса моделирования и прогнозирования электропотребления автором разработана комплексная программа, позволяющая рассчитывать разные типы моделей электропотребления. В основу программы заложены расчет регрессионных коэффициентов для построения регрессионных моделей электропотребления и расчет имитационной модели на основе ИНС. Это позволяет сравнить полученные модели и из них выбрать наиболее адекватную. Программа принята к эксплуатации на промышленных предприятиях текстильной и машиностроительной отрасли. Ниже рассмотрен пример моделирования электропотребления. Структурная схема производства на основе данных о выпуске продукции различными отделами предприятия приведена на рис. 4.

В рисунке 4 приняты следующие обозначения: Скр - количество сырья, идущего на красильное производство; Стк - количество сырья, идущего на ткацкое производство; Ппр - количество продукции от приготовительного производства, идущее на крашение; Пкр - количество продукции от красильного производства, идущее на ткачество; Птк - количество продукции от ткачества, идущее на отделку; Гобелен - количество готовой продукции; ГГ - количество продукции, не поступающее в дальнейшую обработку (соответственно от приготовления, ткачества, крашения).

В табл. 2 приведены данные по месяцам за 2001 год для построения модели электропотребления предприятия на основе выше приведенной структуры производства.

Таблица 2

Данные для построения модели предприятия_

Мее. Птк, Ппр, Пкр, Стк, Скр, П'тк, П'кр, П'пр, Гобелен, Потребление ЭЭ

тыс. тыс тыс. тыс. тыс. тыс. тыс. тыс. тыс МВт*

п м. шт шт шт. шт. п. м шт. шт. п. м час

1 92.5 26.5 25.6 3.01 0.64 10.2 1.56 1.50 92 5 234.5

2 98.6 17.2 26.1 2.95 0.42 5.6 1.59 0.64 98.6 259.5

3 101 6 25 5 25 4 3 42 0.64 1.8 0.78 1.17 101.6 266

4 74 6 20 2 18 5 4.26 0 45 73 2 11 1 14 74 6 248.1

5 89 3 24 3 23 4 3.45 0 50 7.4 1 34 0.72 89.3 256 6

в 105 6 28 8 27 4 3 51 0.39 5.4 1.75 0.75 105.6 280.8

7 97.4 25 8 25.5 2 89 0 39 48 0 67 0.50 97.4 264.1

8 107.8 30.9 30.4 2.36 0.36 10.1 0.81 0.72 107.8 277.8

9 121 2 35 9 35 3 1.92 0.64 12.5 1 28 1.20 121.2 296.9

10 144 5 39 4 38.7 3.39 0 67 6.9 1 31 0 45 144.5 343.1

11 131 5 38 4 35 7 3.95 0.72 11 2 3 42 0 61 131.5 293.5

Регрессионный метод наименьших квадратов не дает приемлемых результатов для подобных данных из-за недостатка статистического материала. Полученная регрессионная модель при учете только выпуска продукции (5), дает более чем 5 %-ную ошибку прогнозирования:

=142,34+ 0,7652-Я_+0,4736-Я^ (5)

Погрешность модели на основе ИНС не превышает 1% (табл. 3). Результаты статистической проверки полученной регрессионной и ИНС моделей приведены в табл. 3. Прогнозирование потребления ЭЭ на выбранный период следующего года показывает (табл. 4), что ошибка прогноза электропотребления на этот период составила 2,5%. Согласно полученным данным о прогнозируемом периоде потребления электроэнергии, видно, что модель ИНС позволяет и при зашумленных и статистически неполных данных производить качественное моделирование потребления ЭЭ различных иерархических уровней промышленного предприятия. Аналогичные ИНС и регрессионные модели электропотребления были получены для основных производств и структурных уровней исследуемого предприятия.

Таблица 3

Сравнение модели и реальных данных_

Электропотребление по модели, МВт-час Реальное электропо- Ошибка модели, МВт • нас ошибка, %

ИНС, регрессии требление, МВт-нас ИНС, регрессии ИНС, регрессии

234.40 243.5 234.5 0.10 9.0 0.04 3.9

259.49 248.7 259.5 0.01 10.8 0.00 4.2

266.56 273.1 266 0.56 7.1 0.21 2.7

248.15 256.5 248.1 0.05 8.4 0.02 3.4

254.19 251.1 256.6 2.41 5.5 0.94 2.2

281.45 274.5 280.8 0.65 6.3 0.23 2.3

Таблица 4

Прогноз потребления ЭЭ на один из периодов 2002 года _1_(не участвовавший в обучении ИНС)__

Птк, тыс. м Ппр, тыс. ШТ. Пкр, ТЫС. ШТ. Стк, тыс. шт. Скр, тыс шт. П'тк, тыс. м П'кр, тыс. шт. П'пр, тыс. шт Гобелен, тыс. м Потребление ЭЭ, МВт'час Модель, МВт'час

108 48 29 41 29.13 3.19 051 7.71 1 63 0 84 108 48 276 36 269 88

Данные прогноза на основе ИНС и регрессионного метода в сравнении с реальным потреблением электроэнергии для различных структурных уровней исследуемого предприятия приведены в таблице 5.

Расчет экономического эффекта от использования модели прогнозирования электропотребления на основе ИНС (с учетом действующего тарифа на электроэнергию 1.07 руб./кВт-час и десятикратного штрафа за превышение лимита заказанной электроэнергии), исходя из заказанных величин потребления электроэнергии, показал, что при использовании модели на основе ИНС экономия за год для гобеленовой фабрики составит 369,96 тыс. руб.

Таблица 5

Прогноз потребления ЭЭ на один из периодов 2002 года для различных структурных уровней исследуемого предприятия

Структурный уровень Электропотребление по модели ИНС Электропотребление по регрессионной модели Реальное электропотребление Ошибка ИНС, % Ошибка регрессионного метода.%

Отделочный цех 23,48 (МВт • час) 24,7 (МВт ■ час) 23 (МВт • час) 2,08 7,4

Ткацкое производство 126,1 (МВт • час) 114,3 (МВт-час) 124,3 (МВт • час) 1,44 8

Красильный цех 68,3 (МВт-час) 71,6 (МВт ■ час) 66,9 (МВт-час) 2,1 7

Приготовительный цех 49,6 (МВт-час) 52,2 (МВт • час) 48,2 (МВт • час) 2,9 8,3

Красильный агрегат 25,1 (кВт • час) 25,8 (кВт ■ час) 24,3 (кВт • час) 3,3 6,2

Станок СТБ-175 1,05 (кВт • чао) 1,02 (кВт • час) 1,07 (кВт•час) 1,89 4,7

Четвертая глава посвящена оценке влияния отклонения напряжения на энергетические характеристики основного технологического оборудования исследуемого предприятия, построению экономических характеристик электроприемников и узлов нагрузки и разработке прибора для контроля показателей качества напряжения в реальном времени.

Установлено, что из всех показателей качества напряжения на работу электроприемников наибольшее влияние оказывает отклонение напряжения. Оно приводит к следующим последствиям: изменению производительности механизмов, изменению удельных расходов электрической энергии, изменению срока службы основного и вспомогательного электротехнического оборудования. В ряде случаев большие отклонения напряжения приводят к изменению качества выпускаемой продукции. В работе исследовано влияние отклонения напряжения на активную и реактивную мощность основного технологического оборудования текстильного предприятия. Полученные зависимости активной и реактивной мощности от напряжения для основного оборудования предприятия (ткацкого станка СТБ - 175, станка Autosuk, машины СБМ 1-180, красильная машина ф. «Хисака») показаны на рис. 5. Полученные зависимости однотипны, и можно использовать приведенные (к относительным единицам) выражения, чтобы оценить влияние отклонения напряжения на электропотребление оборудования. Установлено, что имеет место ухудшение экономических показателей технологических процессов текстильных производств даже в тех случаях, когда показатели качества напряжения не выходят за пределы норм. Поэтому решение проблемы качества напряжения должно осуществляться не только на основании соблюдения установленных норм согласно ГОСТ 13109-97, но и определения такого целесообразного уровня показателей качества напряжения для каждого конкретного

производства, при котором достигается максимальная эффективность процессов производства, передачи и потребления электроэнергии.

12

и 11

10

а

о 2

35

&

р-£ооЬ*И'-<1 «¿и+бб о-цуир«!!^ ,59|>и+6»

30

2 25

СЕМ 1-180

1,1

а

| 0,9

а

о 2

210 230 и, В

СТБ-175

г .

Р-0,0001*и!-0.04»11+5 Ой),0в025*и*-0.1*и+и

210 230 и, В

3

1

&

а и 175

V* «а 160

-в"

| 155

1

1

Рис. 5.

1М),0075*1)' ОИ),022*и'-9.5"11+1003

В связи с этим возникает задача построения экономических характеристик электроприемников и узлов нагрузки текстильных предприятий. Под экономической характеристикой электроприемника принимается зависимость (функция) разности приведенных затрат (ущерб У) на выпуск продукции при фактическом и номинальном напряжении. Рассмотрение экономических характеристик электроприемников с ко-роткозамкнутыми асинхронными электродвигателями, имеющими наиболее массовое распространение на текстильных предприятиях, показало, что при расчете ущерба от отклонения напряжения, доминирующими факторами являются: снижение производительности (д/7) и изменение потребления активной мощности (дР) или изменение удельных расходов электрической энергии (ды). Таким образом, суммарный ущерб от отклонений напряжения состоит из технологической и электромагнитной составляющей. Технологическая составляющая ущерба при отклонении напряжения на ± 15% от номинального значения в основном определяется изменением производительности электроприемников: ^П—(Пф-Пном)/Пном, где Пф - производительность при фактическом уровне напряжения; Пном - то же при номинальном напряжении. Электромагнитная составляющая ущерба связана с изменением потребления и потерь активной и реактивной мощности и соответственно расхода электроэнергии: ь\М=(\Мф-\Мном)/]/\/ном , где \Л/Ф - потребление ЭЭ при фактическом уровне напряжения; И/ном - то же при номи-

нальном напряжении. При отклонениях напряжения суммарный ущерб Ye складывается из технологической YT и электромагнитной Y3 составляющих: Уе=УУ+>э . В технологическую составляющую ущерба входят: Yt=Y]+Y2i где У-), Y2 - соответственно ущербы от изменения производительности и брака продукции.

В электромагнитную составляющую для электроприемников с наличием асинхронных двигателей (к таким электроприемникам относится подавляющее большинство текстильного оборудования) входят: Y3=Y2+Ya+Ys+Yq, где У3> У4, У5, У6 - соответственно ущербы от изменения потребления активной энергии, реактивной энергии, потерь активной энергии и срока службы электродвигателей.

Исследования разных авторов (А.Б. Лоскутов, И.И. Надтока) показывают, что для электроприемников с электродвигателями, при отклонении напряжения в ±15% можно пренебречь составляющими У2, У6. Годовой ущерб определится, как

У, = Пг Ц ■ £ ДЛ,, /=i

где Пг - годовая производительность электроприемника; Ц - себестоимость тонны изделия; АЛ, - изменение производительности при бU, - отклонении напряжения; К - число разрядов гистограммы отклонения напряжения.

Составляющие У3, У4, У5 для всех групп электроприемников с двигателями определяются по выражениям:

Y, = Р_ ¿ SU,

i-i

У*=вш. K3-c,-t,su,-t„ l-l

У5 = ДP^ •c9-fisv,-i„ 1-1

где PH0M, QH0M - номинальные активная и реактивная мощности; дРном -потери активной мощности при номинальном напряжении; С0 ~ стоимость 1 кВт*часа электрической энергии; bU, - относительное отклонение напряжения в /'-том разряде гистограммы отклонений напряжения; К3 - экономический эквивалент перевода реактивной мощности в активную.

На рис. 6 приведена зависимость ущерба от уровня напряжения для исследуемого предприятия, подтверждающая необходимость контроля и регулирования качества напряжения для повышения производительности и экономии энергоресурсов.

Рис. 6.

Исходя из практической необходимости оперативного контроля показателей качества напряжения на месте потребления электроэнергии и учитывая недоступность для небольших предприятий легкой промышленности дорогих и комплексных решений на базе АСКУЭ, был разработан прибор с доступным программным интерфейсом для измерения показателей качества напряжения (отклонения напряжения, несинусоидальности кривой напряжения и несимметрии напряжения по обратной и нулевой последовательности).

На рис. 7 приведена структура прибора для контроля качества электрической энергии.

ш

Рис. 7.

Поскольку основным нормируемым фактором электроснабжения является качество напряжения, прибор позволяет измерять только параметры качества напряжения. Это позволило значительно снизить стоимость прибора по сравнению с его отечественными и зарубежными аналогами.

В заключении сформулированы основные результаты и выводы диссертационной работы. В приложении приведены материалы и результаты исследований, не вошедшие в основную часть работы, материалы по внедрению.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ РАБОТЫ

1. При исследовании применяемых методов прогнозирования в промышленности выявлена потребность в доступной и эффективной методике прогнозирования электропотребления для работающих в условиях рыночной конкуренции текстильных предприятий.

2. Разработанная методика моделирования и прогнозирования электропотребления на основе искусственных нейронных сетей позволяет значительно повысить качество прогнозирования электропотребления для разных структурных уровней текстильных предприятий. Анализ результатов показал, что ошибка прогноза не превышает 3,3 % по каждому производству и всему обследованному предприятию.

3. Построенные математические и имитационные модели для электрооборудования и разных структурных подразделений текстильных предприятий позволяют учесть и оценить влияние основных технологических факторов на процессы электропотребления в условиях неритмично работающих предприятий.

4. Созданное программное обеспечение для прогнозирования и моделирования электропотребления, использующее как метод регрессионного анализа, так и имитационное моделирование на основе искусственных нейронных сетей, позволяет получать разные типы моделей для выбора наиболее точного прогноза величины электропотребления для структурных подразделений текстильных предприятий

5. Оценено влияние основных показателей качества напряжения на технологические и энергетические параметры оборудования текстильных предприятий. Установлено, что наиболее часто на текстильных предприятиях присутствует отклонение напряжения и оценено его влияние на электропотребление основного оборудования текстильного производства.

6. Построенные экономические характеристики электроприемников и узлов нагрузки текстильных предприятий позволяют оценить ущерб от отклонения напряжения и обосновать необходимость его контроля.

7. Разработан прибор для контроля показателей качества напряжения в системах промышленного электроснабжения и электрических сетях, который может использоваться как стационарно, так и в переносном варианте.

Материалы по теме диссертации опубликованы в следующих основных работах:

1. О.И. Рыжов, И.В. Тышкевич. Прогнозирование электропотребления промышленных предприятий. - Тезисы докладов международной научно-технической конференции «Состояние и перспективы развития

электротехнологии» (X Бенардосовские чтения), том 1,- Иваново: ИГЭУ, 2001, с.57.

2. И.В. Тышкевич, A.A. Шульпин. Применение метода экспертных оценок для выявления основных факторов, влияющих на электропотребление ткацко-отделочных фабрик. - Тезисы докладов международной научно-технической конференции «Состояние и перспективы развития электротехнологии» (X Бенардосовские чтения), том 1.- Иваново: ИГЭУ, 2001, с.49.

3. М.Г. Марков, И.В. Тышкевич, A.A. Шульпин. Контроль качества электрической энергии в электрических сетях. - В кн.: Электротехника и прикладная математика: Сборник докладов.- Иваново: ИГЭУ, 2003, с.62-67.

4. О.И. Рыжов, И.В. Тышкевич. Использование нейронных сетей для математического моделирования нелинейных технологических процессов.- Тезисы докладов международной научно-технической конференции «Состояние и перспективы развития электротехнологии» (X Бенардосовские чтения), том 1,- Иваново: ИГЭУ, 2001, с.58.

5. И.В. Тышкевич, A.A. Шульпин. Оценка факторов, влияющих на электропотребление ткацко-отделочных фабрик. - Тезисы докладов международной научно-технической конференции «Состояние и перспективы развития электротехнологии» (XI Бенардосовские чтения), том 1.- Иваново: ИГЭУ, 2003, с.41.

6. О.И. Рыжов, И.В. Тышкевич. Построение математических моделей электропотребления по уровням иерархии промышленного предприятия. - Тезисы докладов международной научно-технической конференции «Состояние и перспективы развития электротехнологии» (XI Бенардосовские чтения), том 1.- Иваново: ИГЭУ, 2003, с.42.

7. О.И. Рыжов, И.В. Тышкевич. Использование искусственных нейронных сетей для моделирования электропотребления промышленных предприятий. - Тезисы докладов международной научно-технической конференции «Состояние и перспективы развития электротехнологии» (XI Бенардосовские чтения), том 1.- Иваново: ИГЭУ, 2003, с.43.

8. И.В. Тышкевич. Применение искусственных нейронных сетей для моделирования электропотребления на различных иерархических уровнях предприятия. - В кн.: Десятая международная научно-техническая конференция студентов и аспирантов «Радиоэлектроника, электротехника и энергетика»: Тезисы докладов,- Москва: МЭИ, 2004, с.268.

9. О.И. Рыжов, И.В. Тышкевич. Прогнозирование электропотребления промышленных предприятий с использованием программы «Прогноз». - Тезисы докладов международной научно-технической конференции «Состояние и перспективы развития электротехнологии» (XII Бенардосовские чтения), том 1.- Иваново: ИГЭУ, 2005, с.46.

12364В

РНБ Русский фонд

2006-4 25526

г

Введение.

1. Моделирование и прогнозирование потребления электроэнергии на промышленных предприятиях.

1.1. Методы моделирования и прогнозирования потребления электрической энергии.

1.2. Анализ электропотребления текстильного предприятия АО "Фатекс".

2. Анализ электропотребления текстильных производств по структурным уровням.

2.1. Технологическая характеристика АО «Фатекс».

• 2.2. Моделирование электропотребления различных структурных уровней промышленного предприятия.

2.2.1. Определение расхода электрической энергии на уровне станков и агрегатов.

2.2.2. Определение расхода электрической энергии на уровне групп станков и технологических линий.

2.2.3. Определение расхода электрической энергии на уровне цехов, производств и предприятия в целом.

3. Разработка методики моделирования электропотребления на основе искусственных нейронных сетей.

3.1. Выбор структуры и метода обучения искусственных нейронных сетей для моделирования электропотребления.

3.2. Разработка модели электропотребления на основе искусственных нейронных сетей.

3.3. Разработка программы моделирования и прогнозирования электропотребления.

3.4. Расчет экономического эффекта от применения искусственных нейронных сетей для прогнозирования электропотребления АО «Фатекс».

V* 4. Анализ влияния качества электрической энергии на работу электрооборудования.

4.1. Анализ качества электрической энергии на АО "Фатекс".

4.2. Оценка влияния качества электроэнергии на электропотребление оборудования.

4.3. Оценка ущерба от пониженного качества напряжения.

4.4. Разработка приборного комплекса контроля показателей качества напряжения.

Актуальность темы. Увеличение доли платы за электроэнергию в себестоимости продукции текстильных предприятий с 1 - 3 % (1990 г.) до 15 - 30 % (2001 г.), переход к заключению прямых договоров на использование электрической энергии с учетом штрафных санкций и лимитов со стороны энергосистемы, резкий рост тарифов на электроэнергию, а также низкий уровень эффективности её использования, определяют необходимость задач научного анализа, контроля, нормирования и прогнозирования, а также управления режимами электропотребления текстильных предприятий.

Основанные, в первую очередь, на классических методах статистического анализа существующие способы моделирования и прогнозирования электропотребления неэффективны при моделировании электропотребления на основе пассивного эксперимента в условиях изменчивого рынка продукции и сырья, постоянном изменении ассортимента и номенклатуры производства, низком уровне достоверности или недостаточном количестве исходной статистической информации. Применение активного эксперимента для выявления зависимостей электропотребления от значимых факторов производства требует значительных затрат и недоступно для крупных структурных уровней предприятия. При этом необходимость нормирования, расчета лимитов и получения зависимостей электропотребления от значимых факторов при планировании производства, энергосберегающих мероприятий и заключении договоров с энер-госнабжающими организациями обусловливает разработку новых способов моделирования и прогнозирования электропотребления для разных структурных уровней текстильных предприятий, учитывающих многоступенчатость процесса производства, различную энергоемкость технологического оборудования, многообразие выпускаемого ассортимента, недостаток исходных статистических данных.

Поэтому все исследования, направленные на определение параметров электропотребления текстильных предприятий, актуальны для проведения эффективного энергосбережения по цехам и производствам, для обоснования удельных норм и величины отпуска энергии (мощности), для установления пределов регулирования электропотребления, для заключения договоров электроснабжения с энергосистемой, удовлетворяющих обе стороны.

Целью диссертационной работы является разработка методики прогнозирования электропотребления разных структурных уровней текстильного предприятия на основе искусственных нейронных сетей (ИНС).

Работа выполнена на кафедре "Электрические системы" ИГЭУ в соответствии с Планом научных исследований, проводимых по программам:

1. Научно-техническая программа Минобразования России «Федерально-региональная политика в науке и образовании. Раздел: "Энергосбережение"» 2003 г.;

2. Программа администрации Ивановской области: "Проведение мероприятий по энерго-ресурсосбережению на предприятиях Ивановской области" 2003 г.

В соответствии с поставленной целью решены следующие задачи:

1. Исследованы величины электропотребления приводами основного оборудования и разных структурных уровней предприятия в зависимости от технологических факторов производства.

2. Разработана методика прогнозирования электропотребления на основе метода искусственных нейронных сетей для текстильных предприятий.

3. Разработаны алгоритмы прогнозирования электропотребления с использованием искусственных нейронных сетей.

4. Получены математические модели электропотребления для основного оборудования и разных структурных уровней текстильных предприятий.

5. Выполнена оценка влияния качества напряжения на электропотребление основного технологического оборудования и разработан прибор для контроля показателей качества напряжения в режиме реального времени.

В ходе исследований использовались: методы линейного и нелинейного регрессионного анализа, пассивного эксперимента, статистического анализа данных, имитационного моделирования.

Научная новизна работы определяется следующими положениями:

1. Разработана методика имитационного моделирования на основе искусственных нейронных сетей, повышающая точность прогнозирования электропотребления оборудованием и разными структурными уровнями текстильных предприятий.

2. Разработаны алгоритм обучения, структура искусственной нейронной сети и методика подготовки исходных данных, учитывающие особенности моделирования процессов электропотребления оборудованием и структурными уровнями текстильных предприятий.

3. Получены регрессионные и ИНС модели электропотребления разных структурных уровней текстильных предприятий, позволяющие повысить качество прогнозирования и нормирования электропотребления.

Практическую значимость имеют следующие результаты работы:

1. Полученные математические и имитационные модели электропотребления оборудованием и разными структурными уровнями производства позволяют оценить влияние факторов производства на электропотребление, прогнозировать величину электропотребления при изменении факторов и планировать энергосберегающие мероприятия.

2. Разработанная структура и алгоритм обучения искусственной нейронной сети, применительно к многоассортиментным производствам с нелинейной загрузкой, позволяют увеличить точность и адекватность прогнозирования электропотребления оборудованием и разными структурными уровнями текстильного производства.

3. Созданное программное обеспечение позволяет упростить расчеты и автоматизировать процесс моделирования и прогнозирования электропотребления.

4. Разработанный прибор для автоматизированного контроля параметров качества напряжения позволяет снизить затраты на оперативный контроль показателей качества электроэнергии и принятие решения об их регулировании.

Реализация результатов работы. Разработанное программное обеспечение, реализующее моделирование и прогнозирование электропотребления разных структурных уровней промышленных предприятий, внедрено для использования в АО "Фатекс", ОАО "Автокран", ОАО "Кран-экс" г. Иваново и применяется в учебных и научно-исследовательских целях на кафедре "Электрические системы" ИГЭУ. Прибор для контроля качества напряжения применяется в учебных и научно-исследовательских целях на кафедре "Электрические системы" ИГЭУ.

Апробация работы. Основные положения работы и её результаты докладывались и обсуждались на международных научно-технических конференциях «Состояние и перспективы развития электротехнологии» (X, XI, XII Бенардосовские чтения, ИГЭУ, г. Иваново), на научном семинаре "Электротехника и прикладная математика" (ИГЭУ, г. Иваново), на десятой международной НТК "Радиотехника, электроника и энергетика" (МЭИ, г. Москва, 2004г).

Публикации. По теме диссертации опубликовано 9 работ.

Структура и объём работы. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Объём диссертации составляет 155 страницы основного текста. Она содержит 73 рисунка и 26 таблиц, 1 приложение, список литературы включает 164 наименования. Общий объём диссертации - 158 страницы.

Выводы:

1. На исследуемом предприятии проведен замер показателей качества ЭЭ, в результате которого выявлено наличие отклонений напряжения, высших гармоник напряжения и несимметрии напряжения,

2. Рассчитан экономический ущерб от отклонения напряжения и построены экономические характеристики для электрооборудования ткацких производств.

3. Установлено, что экономический ущерб от отклонения напряжения имеет место при значениях напряжения не выходящих за нормируемые ГОСТом пределы.

4. Обоснована необходимость контроля показателей качества электроэнергии как на границе раздела с энергосистемой, так и непосредственно на шинах потребителей электрической энергии.

5. Разработан прибор для контроля показателей качества напряжения, с ориентированием на применение совместно со счетчиками электроэнергии для оперативного замера ПКН.

Заключение

1. Разработанная методика прогнозирования электропотребления на основе искусственных нейронных сетей позволяет получать более точные модели электропотребления для различных иерархических уровней текстильных предприятий.

2. На основе проведенных исследований различных конструкций и способов обучения нейронных сетей разработаны рекомендации по использованию нейронных сетей для прогнозирования электропотребления небольшими многоассортиментными промышленными предприятиями.

3. Построенные многофакторные математические и имитационные модели для различных иерархических уровней текстильных предприятий позволяют учесть влияние основных технологических факторов и ассортимента выпускаемой продукции на процессы электропотребления.

4. Для моделирования и прогнозирования электропотребления различных иерархических уровней текстильных предприятий даны предложения по отбору значимых факторов на основе пассивного эксперимента.

5. Созданное программное обеспечение для прогнозирования и моделирования электропотребления позволяет получать разные типы моделей, в том числе и модели на основе нейронных сетей, и производить их сравнение для выбора наиболее точного метода прогнозирования.

6. Установлено, что из показателей качества электроэнергии, основное влияние на технологические и энергетические параметры оборудования оказывает отклонение напряжения.

7. Построенные экономические характеристики электроприемников и узлов нагрузки текстильных предприятий позволяют оценить ущерб от отклонений напряжения и обосновывают необходимость контроля показателей качества напряжения.

8. Разработан прибор для контроля показателей качества напряжения в системах промышленного электроснабжения и электрических сетях, который может использоваться как стационарно, так и в переносном варианте.

1. Энергетическая стратегия России на период до 2010 года: Пакет постановлений правительства РФ, 1994.

2. Абаффи Й., Спедикато Э. Математические методы для линейных и нелинейных уравнений: проекционные ABS-алгоритмы / пер. с англ. М.: Мир, 1996.

3. Агеев С.П. Совершенствование расчета лимитов мощности потребителей энергосистемы с учетом неполноты информации// Автореферат диссертации на соискание ученой степени к.т.н., Новочеркасск, 1987.

4. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Основы моделирования и первичная обработка данных. М.: Финансы и статистика, 1983.

5. Апберт А. Регрессия, псевдоинверсия и рекуррентное оценивание / Пер.с англ. М.: Наука, 1977.

6. Апексейчук А.И., Шапот М.Д. Моделирование распределенных систем со структурированными потоками сообщений // Известия РАН. Теория и системы управления.- 1999.- №5

7. Аракелов В.Е., Кремер А.И. Методические вопросы экономии энергоресурсов М.: Энергоатомиздат, 1990.

8. Арзамазцев Д.А. Учет вероятностного характера нагрузок при расчете электрических сетей // Электричество, 1968.- №4

9. Арзамазцев Д.А., Елохин В.Г., Криворуцкий Л.Д. и др. Имитационное моделирование развития систем электроэнергетики / СЭИ СО АН СССР. Иркутск, 1988.

10. Арзамасцев Д.А., Липес А.В. Снижение технологического расхода энергии в электрических сетях. -М.:Высшая школа, 1989.

11. Белан А.В., Гордеев В.И. Прогнозирование электропотребления на основе многофакторного регрессионного и корреляционного анализов. // Проблемы энергосбережения, 1991.

12. Белан А.В., Демура А.В., Исаев К.Н., Морхов А.Ю., Надтока И.И., Седов А.В. Анализ и прогнозирование электрической нагрузки в энергосистеме. //Улучшение экологии и повышение надежности энергетики Ростовской области. Ростов-на-Дону, 1995.

13. Белоусов В.Н., Копытов Ю.В. Пути экономии энергоресурсов в народном хозяйстве. М.: Энергоатомиздат, 1986.

14. Бешелов С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. М.: Статистика, 1980.

15. Блюмин С.Л., Погодаев А.К. Блочные рекуррентно-итерационные процедуры решения нелинейной задачи о наименьших квадратах // Журнал вычислительной математики и математической физики. -1992.

16. Блюмин С.Л., Самородин П.В. Рандомизитрованное моделирование технологических зависимостей: учебное пособие. Липецк: ЛГТУ, 1995.

17. Боровиков В. STATISTICA: искусство анализа данных на компьютере. Для профессионалов. СПб.: Питер, 2001.

18. Бочкарев Е.Б., Денисов В.Ф. расчет нагрузки групп электропотребителей по отраслям // Промышленная энергетика. 1995.- №2

19. Бурнекийте Д.Ю, Пятраускайте А.В., Янскаускас В.Ю. Прогнозирование элетропотребления. Моделирование зависимостей между электропотреблением в отраслях промышленности и влияющими на него факторами // Труды АН Лит. ССР. Серия В. 1988.- №4

20. Бусленко В.Н. Автоматизация имитационного моделирования сложных систем. М.: Наука, 1977.

21. Беляев Л.С. Крумм Л.А. Применимость вероятностных методов в энергетических расчетах// Изв. АН СССР, 1983.- №2.

22. Бендат Дж., Пирсол А. Прикладной анализ случайных данных М.: Мир, 1989.

23. Бэнн Д.В., Фармер Е.Д. Сравнительные модели прогнозирования электрической нагрузки: Пер. с англ. М.: Энергоатомиздат, 1987.

24. Вагин Г.Я., Лоскутов А.Б. Модели индивидуальных графиков нагрузки сварочных машин // Изв. вузов. Электромеханика, 1986.- № 12.

25. Вагин Г.Я., Лоскутов А.Б., Редькин Е.В. Имитационное моделирование электрических нагрузок дуговых сталеплавильных печей на ЭВМ // Изв. вузов. Электромеханика, 1986.- № 9.

26. Веников В.А. Теория подобия и моделирования (применительно к задачам электроэнергетики). М.,"Высш. школа", 1976.

27. Веников В.А., Веников В.Г. Теория подобия и моделирования. М.: Высшая школа, 1984.

28. Веников В.А., Тюханов Ю.М. Кибернетическое моделирование систем электроснабжения. Электричество, 1990.- №7.

29. Вестник ИГЭУ. Выпуск 1., 2002.

30. Вестник электроэнергетики. 2000.- №2.

31. Вилков Д.В. Алгоритм настройки весовых коэффициентов для многослойного персептрона // Нейроинформатика и её приложения: материалы IX Всероссийского семинара Красноярск: ИПЦ КГТУ, 2001.

32. Ворыпаев Л.Г., Коневский М.Б., Демура А.В., Исаев К.Н., Надтока И.И., Седов А.В. Алгоритмы и программное обеспечение оперативного прогнозирования электропотребления. // Изв. вузов. Электромеханика, 1997.

33. Галушкин А.И. Теория нейронных сетей. Кн.1. М.ИПРЖР, 2001.

34. Гамм А.З. Статистические методы оценивания состояния электроэнергетических систем. М.: Наука, 1976.

35. Гамм А.З., Кучеров Ю.Н., Паламарчук С.И. и др. Методы решения задач реального времени в электроэнергетике. Новосибирск, наука, 1991.

36. Гантмахер Ф.Р. Теория матриц. М.: Наука, 1988.

37. Гензель Л.Л., Иванов Е.Г., Янюшкин М.В. Анализ суточного расхода электроэнергии Западно-сибирскогог металлургического комбината распределений // Электрика, 2002.- №2.

38. Глазунова A.M. Применение нейронных сетей для решения задач обработки измерительной информации в ЭЭС // Диссертация на соискание ученой степени к.т.н., Иркутск, 2002.

39. Голенко Д.И., Лившиц С.Е., Кеслер С.Ш. Статистическое моделирование в технико-экономических системах. Л.: Изд. ЛГУ, 1977.

40. Головкин Б.Н., Пирогов В.Н., Старцев А.П. Прогноз электропотребления промышленного предприятия в условиях нестабильности экономики. // Промышленная энергетика, 1996.

41. Головкин П.И. Энергосистема и потребители электрической энергии. М.: Энергоатомиздат, 1984.

42. Голуб Дж., Ван Лоун Ч. Матричные вычисления. М.: Мир, 1999.

43. Горбань А. Обучение нейронных сетей. М.: СП параграф, 1990.

44. Горбатов А.И. Прогнозирование экономических показателей на основе ИНС // Диссертация на соискание ученой степени к.т.н., М., 2003.

45. Гордеев В.И. Регулирование максимума нагрузки промышленных электрических сетей. М.: Энергоатомиздат, 1986.

46. Гордеев В.И., Васильев И.Е., Щуцкий В.И. Управление электропотреблением и его прогнозирование. Ростов-на-Дону: Изд. РГУ, 1991.

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

48. Гофман И.В. Нормирование потребления энергии и энергетические балансы. М.: Энергия, 1966.

49. Гужов Н.П. Прогнозирование электропотребления по подразделениям предприятия как системы взаимосвязанных параметров // Изв. вузов. Энергетика 1987.- №8.

50. Гунин В.М., Копуев Л.А., Никифоров Г.В. Опыт нормирования и прогнозирования электропотребления предприятия на основе математической обработки статистической отчетности. // Промышленная энергетика. 2000.- №2.

51. Гурский С.К. Адаптивное прогнозирование временных рядов в электроэнергетике. Минск: Наука и техника, 1983.

52. Демура А.В. Использовании искусственной нейронной сети в качестве многомерной модели при планировании электропотребления предприятий. Известия вузов Северо-Кавказский регион. 1996.-№3

53. Дзевенецкий А.Я., Ибрагимов К.Х., Хашимов Ф.А. Многовариантное решение задач анализа, прогнозирования и нормирования электропотребления на промышленных предприятиях, выпускающих разнородную продукцию // Промышленная энергетика, 2000.- №5.

54. Доброжанов В.И. Краткосрочное прогнозирование электрических нагрузок промышленных предприятий. Изв.вузов. Энергетика, 1987.- №1.

55. Дроздова О.Н., Лисицин Н.В., Сюткин Б.Д. Анализ динамики потребления электроэнергии в России // Промышленная энергетика, 1997.- №5.

56. Дрэйпер Н., Смит Г. Прикладной регрессионный анализ: В 2-х кн., М.: Финансы и статистика, 1987.

57. Дубров A.M. Обработка статистических данных методом главных компонент. М.: Статистика, 1978.

58. Дулесов В.А. Прогнозирование электропотребления предприятий на основе ИНС // Диссертация на соискание ученой степени к.т.н., Красноярск, 2002.

59. Дулесов В.А., Пантелеев В.И. Статистическая оценка поведения объекта исследования с помощью нейронной сети. // Электрика,-№11.

60. Жежеленко И.В. Показатели качества электроэнергии и их контроль на промышленных предприятиях. М.: Энергоатомиздат, 1981.

61. Жежеленко И.В. Высшие гармоники в системах электроснабжения промышленных предприятий. М.: Энергоатомиздат, 1984.

62. Жилин Б.В. Информационно-методологическое обеспечение определения параметров электропотребления на ранних стадиях проектирования // Диссертация на соискание ученой степени д.т.н., М.: 2003.

63. Жилин Б.В., Лагуткин О.Е. Прогнозирование месячного электропотребления по цехам химического производства на основе структурно-топологической динамики Н-распределения. Новомосковск, 1993.

64. Жохов Б.Д. Анализ причин завышения расчетных нагрузок и возможность их коррекции // Промышленная энергетика. 1989.- №7.

65. Забелло Е.П. Экономическая целесообразность построения иерархических систем учета, контроля и управления электропотреблением // Промышленная энергетика, 1989.- №1.

66. Федеральный закон "об энергосбережении" от 3.04.96.

67. Иванов A.M., Лебедев A.M. Рациональное использование электроэнергии на предприятиях легкой промышленности. М.: Легкая индустрия, 1972.

68. Имитационное моделирование в оперативном управлении производством. М,: Машиностроение, 1984.

69. Итоги науки и техники. Сер. Энергетические системы и их автоматизация. Т.4. Прогнозирование и управление электропотреблением в электроэнергетических системах. М., ВИНИТИ, 1988.

70. Каждан А.Э. Метод моделирования графиков случайными процессами // Автоматизация проектирования сложных систем: Сб. науч. тр. Новочеркасск: НПИ, 1982.

71. Карташев И.И. Качество электроэнергии в системах электроснабжения. Способы его контроля и обеспечения. М.: Издательство МЭИ, 2001.

72. Кнорринг Г.М. Осветительные установки. Л.: Энергоиздат, 1981.

73. Коваль В.А., Жук Ю.В. Оптимальные системы обнаружения и классификации движущихся объектов II Кибернетика и системный анализ 1993.- Вып. 5.

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

75. Коновалов И.П. Комплексная организация работы по экономии электроэнергии в промышленности. Иваново: Ивановское книжное издательство, 1960.

76. Копылов Ю.В., Чуланов Б.А. Экономия электроэнергии в промышленности: справочник. М.: Энергоатомиздат, 1982.

77. Красник В.В. Оптимизация работы электропривода прядильно-ткацкого оборудования. М.: Легкая индустрия, 1978.

78. Красник В.В. Повышение экономичности работы оборудования на предприятиях легкой промышленности. 2-е издание перераб. и доп. - М.: Легпромбытиздат, 1985.

79. Кудрин Б.И. Основы комплексного метода расчета электрических нагрузок // Промышленная энергетика, 1989.- №11.

80. Кудрин Б.И., Прокопчик В.В. Электроснабжение промышленных предприятий: Учебник для вузов. Минск «Вышэйшая школа», 1988.

81. Куренный Э.Г., Брусенцов Л.В. Моделирование групповых графиков электрической нагрузки методом Монте-карло // Изв. вузов. Электромеханика, 1983.- №7.

82. Куренный Э.Г., Дмитриева Е.Н., Черкасов Ю.И., Ерхов А.Г. Прогнозирование электрических нагрузок // Изв. АН СССР. Энергетика и транспорт, 1988.- № 2.

83. Куренный Э.Г., Шидловский А.К. Введение в статистическую динамику систем электроснабжения. Киев: Наукова Думка, 1984.

84. Липник Т.И. Механизмы повышения эффективности развития предприятий легкой промышленности // Диссертация на соискание ученой степени к.т.н., Орел. 2003.

85. Литвак В.В. Проблемы энергсбережения и методы их решения в регионах // диссертация на соискание уч.степени докт.техн.наук., Томск, 2003.

86. Лоскутов А.Б. Повышение эффективности использования электроэнергии в системах электроснабжения металлургических предприятий // Диссертация на соискание ученой степени д.т.н., Н.Новгород, 1994.

87. Львовский Е.Н. Статистические методы построения эмпирических формул. М.: Высшая школа, 1982.

88. Мызин А.П., Методы и модели прогнозирования для развития электроэнергетических систем в условиях неопределенности и много-критериальности: Диссертация на соискание ученой степени д.т.н., Новосибирск, 1994.

89. Надтока И.И. Нормирование, контроль и управление АСУ энергетического хозяйства предприятия./ Электрические нагрузки и электропотребление в новых условиях хозяйствования. Материалы семинара. М., 1989.

90. Надтока И.И. развитие теории и методов моделирования и прогнозирования электропотребления на основе данных средств автоматизации учета и телеизмерений // Диссертация на соискание ученой степени д.т.н., Новочеркасск, 1998.

91. Надтока И.И., Седов А.В., Холодков В.П. Применение методов компонентного анализа для моделирования и классификации графиков электрической нагрузки. // Изв. вузов. Электромеханика, 1993.- №6.

92. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. Наука и техника. Санкт-Петербург, 2003.

93. Никифоров Г.В. Пути снижения затрат на производство продукции ОАО "ММК"// Энергетическая эффективность, 1997.- №11.

94. Осика Л.К. Коммерческие расчеты потребителей на оптовом рынке электроэнергии // Измерение, 2002.- №6.

95. Осика Л.К. Технические проблемы выхода на Форем энергоемких организаций-потребителей // Измерение, 2002.- №5.

96. Основные положения по нормированию расхода топлива, тепловой и электрической энергии в народном хозяйстве. М.: Атомиздат, 1980.

97. Папков Б.В. Исследование, разработка и совершенствование методов обоснования решений по управлению электропотреблением в промышленных системах электроснабжения // Диссертация на соискание ученой степени д.т.н., Новгород, 1994.

98. Папков Б.В., Щеголькова Т.М. Повышение эффективности электропотребления на промышленных предприятиях // Промышленная энергетика, 1995.- №12.

99. Патрушев С.Б. Применение теории нечетких множеств к проектированию систем электроснабжения. // Диссертация на соискание ученой степени к.т.н., Новосибирск, 1994.

100. Постановление Правительства Российской Федерации от 2 ноября 1995 г. // № 1087 "О неотложных мерах по энергосбережению".

101. Праховник А.В. Автоматизация управления электропотреблением. Киев.: Вища школа, 1986.

102. Прогнозирование развития сложных систем / под ред. Веникова В.А. М.: МЭИ, 1985.

103. Региональные проблемы энергосбережения и пути их решения: материалы IV всероссийской конференции и семинара РФФИ. / НГТУ. Нижний Новгород, 2001.

104. Роземблат Ф. Аналитические методы улучшения нейронных сетей // Нейрокомпьютер, 1997.

105. Сараев П.В. Моделирование и разработка численных методов обучения нейронных сетей суперпозиционной линейно-нелинейной структуры // Диссертация на соискание ученой степени к.т.н., Липецк, 2003.

106. Сатаров Р.Г. Прогнозирование потребления и нормирование расхода электроэнергии в сельском хозяйстве // Диссертация на соискание ученой степени к.т.н., 1996.

107. Сизганова Е.Ю. Прогнозирование электропотребления и оценка потенциала энергосбережения машиностроительного предприятия // Диссертация на соискание ученой степени к.т.н., Красноярск, 2001.

108. Синашова М.Ю. Погрешности нейронных сетей. Вычисление погрешностей весов синапсов // Методы нейроинформатики. Сборник трудов/ Под.ред. А.Н. Горбаня. Красноярск: КГТУ, 1998.

109. Скворцов Р.А. Определение недельного и посуточного электропотребления промышленных предприятий // Диссертация на соискание ученой степени к.т.н., М.: 1998.

110. Справочник по электроснабжению промышленных предприятий. Промышленные электрические сети. / Под общей редакцией А.А.Федорова и Г.В. Сорбиновского. М.: Энергия, 1980.

111. Статистический сборник: промышленность России. Госкомстат России, 2002.

112. Терская Ю. М. Методическое обеспечение создания корпоративных структур в текстильной промышленности// Диссертация на соискание ученой степени к.э.н., Иваново, 2002.

113. Технический уровень электроэнергетики России: 1997 год / РАО "ЕЭС России". М.:АО "Информэнерго", 1998.

114. Тюханов Ю.М., Усихин В.Н. Метод расчета электрических нагрузок с учетом технологических факторов // Инструктивные указания по проектированию электротехнических промышленных установок/ ВНИПИ "Тяжпромэлектропроект". М.: Энергоатомиздат, 1985.-№2.

115. Уоссермен Ф. Нейрокомпьютерная техника. М.:Мир, 1992.

116. Фадеев Д.К., Фадеева В.Н. Вычислительные методы линейной алгебры. М. - Л.: Физматгиз, 1963.

117. Постановление федеральной энергетической комиссии российской федерации от 31 июля 2002 г. N 49-э/8 об утверждении методических указаний по расчету регулируемых тарифов и цен на электрическую (тепловую) энергию на розничном (потребительском) рынке.

118. Френкель А.А. Математические методы анализа динамики и прогнозирования производительности труда. М.: Экономика, 1972.

119. Фуфаев В.В., Лакуткин О.Е., Матюнина Ю.В. Прогнозирование электропотребления и оценка энергосбережения по критериям Н-распределения // Промышленная энергетика, 1996.- №9.

120. Цецерин Ю.А. Оценка уровня энергохозяйства промышленного предприятия // Промышленная энергетика, 1984.- №7.

121. Чукреев Ю.А., Хохлов М.В., Готман Н.Э. Применение искусственных нейронных сетей в задачах оперативного управления режимами электроэнергетических систем. // Новые научные методики. Сыктывкар, РАН Уральское отделение Коми научный центр, 2000.

122. Шидловский А.К., Вагин Г.Я., Куренный Э.Г. Расчеты электрических нагрузок систем электроснабжения промышленных предприятий. М.: Энергоатомиздат, 1992.

123. Шульпин А.А. Совершенствование режимов электропотребления основных производственных текстильных предприятий с пневмомеханическим способом прядения. Диссертация на соискание ученой степени к.т.н. - М.: МЭИ, 1986.

124. Шумилова Г.П., Готман Н.Э., Старцева Т.Е. Кратко-срочное прогнозирование электрических нагрузок с использованием искусственных нейронных сетей // Электричество, 1999.

125. Шуп Т. Решение инженерных задач на ЭВМ: практическое руководство. М.: Мир, 1987.

126. Эдельман В.И. Тариф на электрическую энергию как важнейший элемент системы управления электропотреблением. Изв. АН СССР Энергетика и транспорт, 1990.- №1.

127. Экономическое стимулирование рационального использования электроэнергии в промышленности / Воскобейников Д.М. М.: Энергоатомиздат, 1988.

128. Электрические нагрузки промышленных предприятий / Волобрин-ский С.Д., Каялов Г.М., Клейн П.Н., Мишель Б.С. 2-е издание, переработанное и дополненное - Энергия, 1971.

129. Янюшкин М.В. Организация краткосрочного прогнозирования параметров электропотребления крупного промышленного предприятия //диссертация на соискание ученой степени к.т.н. М.: 2003.

130. Abu-Mostafa Y. S., St. Jacques, J. 1985. Information capacity of the Hopfield model. IEEE Transactions on Information Theory 31(4):461-64.

131. Bergman J. Cu privire la cauzele functionarii cu factor de putere scazut a motoarelor asincrone de a ctionare rasboarelor de tezut. -Electronica, 1972.

132. Burr, D. J. 1987. Experiments with a connectionist text reader. In Proceedings of the First International on Neural Networks, eds.

133. M. Caudill and С. Butler, vol. 4, pp. 717-24. San Diego, CA: SOS Printing.

134. Cohen M. A., Grossberg S. G. 1983. Absolute stability of global pattern formation and parallel memory storage by compatitive neural networks. IEEE Transactions on Systems, Man and Cybernetics 13:815-26.

135. Cottrell, G. W., Munro P., and Zipser D., 1987. Image compressions by backpropagation: An example of extensional programming. Advaces in cognitive science (vol.3). Norwood, NJ: Ablex.

136. G. Cross and F.D. Galiana "Short term load forecasting", Proceedings of IEEE, 1987.

137. Gallant S. I., 1988. Connectionist expert system. Communications of the ACM 31:152-69. •

138. Grossberg S. 1987. The adapptive brain, vol. 1 and 2. Amsterdam: North-Holland.

139. Hinton G. E., Sejnowski T. J. 1986. Learning and relearning in Boltzmann machines. In Parallel distributed processing, vol. 1, pp. 282-317. Cambridge, MA: MIT Press.

140. Horfield J. J. 1982. Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Science 79:2554-58.

141. Horfield J. J. 1984. Neural with graded response have collective computational properties like those of two-state neurons. Proceedings of the National Academy of Science 81:3088-92.

142. Horfield J. J., Tank D. W. 1985. Neural computation of decisions in optimization problems. Biological Cybernetics 52:141-52.

143. Horfield J. J., Tank D. W. 1986. Computing with neural circuits: A model.Science 233:625-33.

144. K. Y. Lee and J. H. Park, "Short-term load forecasting using an artificial neural network", IEEE, 1992.

145. McCulloch W. W., Pitts W. 1943. A logical calculus of the ideas imminent in nervous activiti. Bulletin of Mathematical Biophysics 5:115-33.

146. Minsky M., and Papert S., 1969. Perseptrons. Cambridge, MA: MIT Press.

147. Korn I. F stochastic process generated by a Network with random alternating switch. jornal of the Franklin institute, 1974.

148. Osovski Stanislaw. Sieci neuronowe do przetwarzania informacji, Warszawa, 2000.

149. Pitts W. Moculloch W. W. 1947. How we know universale. Bulletin of Mathematical Biophysics 9:127-47.

150. Qarey M. R., Johnson D. S. 1979. Computers and intrac-tality. New York: W.H. Freeman.

151. Rosenblatt F. 1962. Principles of Neurodinamics. New York: Spartan Books. (Русский перевод: Розенблатт Ф. Принципы нейродинамики. М: Мир. - 1965.)

152. Rumelhart D. Е., Hinton G. Е., and Williams R. J. 1986. Learning internal representations by error propagation. In Parallel distributed processing, vol. 1, pp. 318-62. Cambridg, MA: MIT Press.

153. Sankar K. Pal, Sushmita Mitra, Multilayer Perceptron, Fussy Sets, and Classification // IEEE, №5 1992.

154. Sejnowski T. J., and Rosenberg C. R. 1987. Parallel Networks that learn to pronounce English text. Complex Systems 3:145-68.

155. StatSoft, Inc. (2001). Электронный учебник по промышленной статистике. Москва, StatSoft. (WEB: http://www.statsoft.ru/ home/portal/ textbookjnd / default.htm.)

156. Tank D. W., Horfield J. J. 1986. Simple «neural» optimization networks: An A/D converter, signal decision circuit, and a linear programming circuit. Circuits and Systems IEEE Transactions on CAS-33(5):533-41.

157. Van den Bout D. E. and Miller T. K. 1988. A traveling salesman objective function that works. Proceedings of the IEEE International Conference on Neural Networks, vol. 2, pp. 299-304. San Diego, CA: SOS Printing.

158. Werbos P. J. 1974. Beyond regression: New tools for prediction and analysis in the behavioral sciences. Masters thesis. Harvard University.

159. Widrow В. 1961. The speed of adaptation in adaptive control system, paper *1933-61. American Rocket Society Guidance Control and Navigation Conference.

160. Widrow B. 1963. A statistical theory of adaptation. Adaptive control systems. New York: Pergamon Press.

161. Widrow В., Angell J. B. 1962. Reliable, trainable networks for computing and control. Aerospace Engineering 21:78-123.

162. Widrow В., HoffM. E. 1960. Adaptive switching circuits. 1960 IRE WESCON Convention Record, part 4, pp. 96-104. New York: Institute of Radio Engineers.

163. Wisner J. Возможности экономии электроэнергии в текстильной промышленности. Textile praxis international, 1980.