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

ВВЕДЕНИЕ

1. АНАЛИЗ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ ПРЕДПРИЯТИЙ

1.1 Общая задача синтеза прогнозных оценок электрического хозяйства предприятия

1.2 Анализ методов и подходов оценки электропотребления

1.3 Задачи и методы прогнозирования

1.4 Имитационное моделирование в задачах электропотребления

1.5 Аналитическая оценка нейросетевых моделей

1.5.1 Искусственный нейрон и его функционирование

1.5.2 Топология нейронных сетей

1.5.3 Обучение нейросетей

2. АНАЛИТИЧЕСКАЯ И ПРОГНОЗНАЯ ОЦЕНКИ ПОТРЕБЛЕНИЯ ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ

2.1 Разработка способов формирования рациональной обучающей выборки

2.2 Оценка признаков в процессе предварительной обработки данных

2.3 Оценка влияния признаков на исследуемый параметр

2.4 Формирование функций нескольких переменных и разработка вариантов взаимосвязи параметров "вход-выход"

2.5 Оценка эмпирических зависимостей и характеризация результатов наблюдений

2.6 Оценка моделей прогноза электропотребления

2.7 Разработка нейросетевых моделей прогноза

2.8 Методика прогнозирования электропотребления на основе нейросетей

3. ИМИТАЦИОННОЕ МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ ПАРАМЕТРОВ УПРАВЛЕНИЯ ЭЛЕКТРОТЕХНИЧЕСКОГО КОМПЛЕКСА ПРЕДПРИЯТИЯ

3.1 Реализация нейросетевого имитационного моделирования

3.2 Метод оценки значений независимых переменных

3.3 Многовариантная оценка управляемых переменных нейросетевой имитационной модели

3.4 Анализ и обработка экспертных оценок

3.5 Нейросетевая модель в задаче предсказания параметров для управления поведением объекта

3.6 Определение рационального количества электроподвижного состава на городских пассажирских линиях

Актуальность темы. Развитие производственной деятельности человека в современных условиях неизбежно сопровождается усложнением промышленных технологий, совершенствованием систем управления. Немаловажная роль при этом отводится системному развитию электрического хозяйства предприятия, одним из направлений которого являются исследования, базирующиеся на теории искусственного интеллекта. Прикладные интеллектуальные системы, ориентированные на обработку и использование знаний, находит все большее применение в задачах производства и эффективного использования электроэнергии. Важную роль в решении таких задач могут сыграть нейросетевые модели и технологии, получившие свое развитие в конце 80-х, начале 90-х годов.

Одним из перспективных направлений исследования можно считать анализ и прогнозирование параметров электропотребления предприятиями в условиях наличия детерминированной и недетерминированной информации. Разработанные ранее методы анализа и прогнозирования параметров социально-экономических объектов были ориентированы, в основном, на стационарные условия их развития. Современные условия существования субъектов хозяйственной деятельности характеризуются нестабильностью социальных и экономических процессов, что требует совершенствования методов анализа и прогнозирования, в том числе и на основе нейронных сетей.

К другим задачам следует отнести решение вопросов, направленных на создание и совершенствование эффективных моделей, способных предсказывать параметры управления, установление которых позволит электрическому хозяйству предприятия эффективно функционировать в условиях неопределенности входной информации. Внедрение в практику управления моделей, сформированных на базе нейронных сетей, позволяет наиболее четко видеть взаимодействие возмущающих и управляющих воздействий для достижения желаемого результата.

Работа выполнена в соответствии с госбюджетной НИР 1.5.01 - «Методология системного анализа систем промышленного электроснабжения для управления электропотреблением» тематического плана НИОКР КГТУ и в рамках гранта Министерства образования России ТОО - 1.1 - 490 "Разработка методологии управления электропотреблением промышленных предприятий".

Цель работы: Разработка методов и средств анализа, достоверного прогнозирования и управления потреблением электроэнергии предприятиями на основе нейросетевых технологий.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Выполнить анализ существующих методов решения задач прогнозирования параметров электропотребления предприятий.

2. Оценить способности нейронных сетей и их структурных комбинаций к восприятию и последующему анализу статистических данных об электропотреблении.

3. На основе нейронной сети разработать модели и исследовать их способности в прогнозировании параметров электропотребления по сравнению с моделями линейной регрессии.

4. На базе нейронной сети разработать модели, способные имитировать электропотребление предприятия в условиях воздействия факторов эндогенного и экзогенного характера.

5. С учетом имитационного моделирования воздействия внешних факторов на работу предприятия, разработать на базе нейронных сетей модель прогноза параметров управления электропотреблением.

В настоящей работе выполнены теоретические и экспериментальные исследования, призванные достичь поставленную цель. Из результатов данных исследований можно выделить основные положения, определяющие научную новизну и практическую значимость работы.

Научная новизна результатов диссертации

Распространено применение искусственных нейронных сетей на решение задач прогнозирования параметров электропотребления предприятий.

С целью улучшения прогноза параметров электрического хозяйства предприятия, разработана схема подготовки входной информации нейронной сети.

Предложено разделение входных параметров НС на количественные, качественные и бинарные, что позволило учитывать в задачах прогноза различного рода факторы воздействия на электропотребление.

Для повышения качества анализа параметров электропотребления, разработаны структурные схемы совместного использования нескольких нейронных сетей. В зависимости от характера исходной информации, разработаны модели нейросетевого прогноза параметров электропотребления.

Предложен принцип максимальной согласованности, позволяющий сопоставлять прогнозируемые результаты, полученные с помощью нейронных сетей и регрессионного анализа.

Разработаны модели нейросетевого имитационного моделирования, способные прогнозировать параметры состояния и управления исследуемого объекта.

Практическая значимость диссертации

Для целей прогноза электропотребления на нейронных сетях сформирована методология подготовки данных, которая позволяет сокращать время их обработки, выявлять значимость влияния факторов на прогнозируемый параметр.

Разработанные модели нейросетевого прогноза позволяют выполнять качественную и количественную оценку входных параметров.

Разработаны нейросетевые модели, которые обладают более высокими возможностями в прогнозе параметров электропотребления по сравнению с моделями регрессии.

Разработана нейросетевая имитационная модель, которая позволяет достаточно полно и с малыми затратами времени оценить разнообразные варианты поведения объекта исследования.

Разработанная модель прогнозирования параметров управления предприятием позволяет формировать рациональные управления и тем самым перераспределять и экономить ресурсы.

Методы исследований

Основные теоретические и прикладные результаты диссертации получены на основе методологии нейро-информатики, прогнозирования и принятия решений, теории статистических решений, использовались также методы математической статистики, экспертных оценок, теории управления, модели прогноза, а также программные средства (NeuroPro 0.25., Excel, Mathcad 2000).

Реализация результатов работы.

Результаты исследований внедрены на муниципальном предприятии "Абаканское троллейбусное управление" (г.Абакан) и используются в учебном процессе Хакасского технического института - филиала КГТУ при подготовке специалистов по специальности 100400 «Электроснабжение (по отраслям)».

На защиту выносятся:

1. Способы подготовки исходных данных, обеспечивающих эффективность применения нейронной сети в задачах исследования электрического хозяйства предприятия.

2. Алгоритм и комплексные схемы нейронных сетей, при помощи которых анализируется степень влияния внешних факторов на параметры электропотребления.

3. Нейросетевые модели прогнозирования, способные обеспечивать высокий уровень точности оценки параметров прогноза.

4. Алгоритмы подготовки данных для обучения нейронной сети, способной оценивать состояние электрического хозяйства предприятия.

5. Модель нейросетевой оценки параметров управления, позволяющая с учетом внешних факторов прогнозировать управляющие воздействия, обеспечивающие предприятию достижение некоторого экономического эффекта.

Апробация работы

Основные результаты работы представлялись, докладывались и обсуждались на:

Всероссийском семинаре «Нейроинформатика и её приложения» (г. Красноярск, 1998);

Всероссийской научно-практической конференции с международным участием «Достижения науки и техники - развитию сибирских регионов» (г. Красноярск, 1999);

Пятой Всероссийской научно-практической конференции «Проблемы информатизации региона» (г. Красноярск, 1999);

Всероссийских семинарах «Моделирование неравновесных систем» (г.Красноярск 1999, 2000);

Всероссийском семинаре «Информационные технологии в энергетике» (г.Иркутск 2001).

Основные положения работы обсуждались на научно-технических семинарах кафедр «Электроснабжения и электротранспорта» КГТУ и «Электроснабжения промышленных предприятий» ХТИ - филиала КГТУ.

Публикации

Результаты отражены в 10 печатных работах.

Структура и объем диссертации. Работа включает введение, три раздела, заключение, список литературы из 115 наименований и приложения, содержащее отдельные материалы, относящиеся к исследованиям и внедрению результатов. Общий объем диссертации составляет 142 страницы.

Выводы:

1. Разработана структура нейросетевой модели имитационного моделирования, позволяющая имитировать поведение объекта исследования.

2. Разработан метод оценки значений независимых переменных в задаче нейросетевого имитационного моделирования. В основу метода положены экспертные оценки, что позволяет адекватным образом отразить влияние внешних воздействий на объект исследования.

3. Разработана методика оценки управляемых переменных в задаче имитационного моделирования. Предложено три варианта оценки переменных, в основе каждого из которых лежат общие вопросы теории принятия решений. По каждому из вариантов предложена нейросетевая реализация представления управляемых переменных в процессе имитационного моделирования.

4. Предложена методика обработки оценок экспертов, позволяющая прогнозировать вектор управляющих параметров модели.

5. С целью исследования возможностей управления объектом при помощи нейронной сети:

- разработана нейросетевая модель прогнозирования параметров управления электротехническим комплексом предприятия или его составляющими;

- применительно к реальным условиям, с помощью модели нейросетевого управления, было достигнуто рациональное решение по обеспечению пасса-жироперевозок электротранспортом в г.Абакане.

129

ЗАКЛЮЧЕНИЕ

В рамках проведенных исследований получены следующие основные результаты:

1. Сформулирована общая постановка задачи прогнозирования электропотребления.

2. Выполнен анализ состояния и перспектив развития моделей и алгоритмов прогноза электропотребления и параметров управления, который показал, что:

- существующие методы статистического оценивания могут быть использованы для предварительной обработки данных в задачах анализа параметров электропотребления с помощью нейронных сетей;

- методы прогноза электропотребления могут быть эффективно развиты за счет использования искусственных нейронных сетей;

- из всех классов существующих моделей нейронных сетей для целей прогнозирования наиболее приемлемы многослойные нейронные сети.

3. Разработаны алгоритмы оценки входных параметров НС, способы формирования выборки и каскадные нейросетевые модели, повышающие качество итоговой информации.

4. Выдвинута статистическая гипотеза о согласованности прогнозируемых на НС результатов с реальными данными. Для её подтверждения выполнена сопоставительная оценка результатов регрессионного анализа с результатами нейросетевого моделирования, которая показала высокую способность НС к прогнозированию.

5. Разработана методика прогнозирования электропотребления, основанная на использовании НС, включающая в себя:

- формирование информационной базы и выделение факторов

- классификация факторов

- формирование обучающей выборки

- анализ взаимосвязи факторов с исследуемым параметром электропотребления

- прогноз посредством тестирования НС

- вывод о целесообразности использования полученных прогнозных оценок

6. С целью исследования электропотребления предприятия посредством имитационного моделирования:

- разработана структура нейросетевой имитационной модели;

- на основе теории экспертных оценок разработан метод, позволяющий формировать набор внешних независимых факторов объекта для нейросетевой модели;

- разработаны варианты оценки значений управляемых переменных в процессе имитационного моделирования.

7. На базе двух нейронных сетей разработана модель прогноза показателей электрического хозяйства предприятий, на основе которых достигается рациональное управление его работой.

8. Результаты исследований внедрены на муниципальном предприятии "Абаканское троллейбусное управление" и в учебном процессе.

1. Абияка А.А., Божич В.И., Кононенко Р.Н. Самоорганизующаяся коммуникация в мультиагентной системе с нейросетевым управлением // Известия РАН. Теория и системы управления. 1999. №5. С. 135-138

2. Авдеев В.А., Кудрин Б.И., Якимов А.Е. Информационный банк "Черметэлектро". М.: Электрика, 1995.- 400 с.

3. Акор Р., Сашена М. Основы исследования операций. М.: Прогресс, 1971.- 586 с.

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

5. Амосов Н.М. и др. Нейрокомпьютеры и интеллектуальные работы. -Киев: Наукова думка, 1991. 365 с.

6. Арзамасцев Д.А., Ананичева С.С., Липес А.В., и др. Математические модели размещения тепловых электростанций: Учебное пособие. У ПИ. -Свердловск, 1985. 86 с.

7. Арзамасцев Д.А., Ананичева С.С., Мардер Л.И. и др. Разработка методических положений по прогнозированию электропотребления и составлению балансов мощности энергосистем и энергоузлов: Отчет о НИР. 12004 тм. Т1/УрО ЭСП. Свердловск: 1986. - 87 с.

8. Арзамасцев Д.А., Елохин В.Г., Криворуцкий Л.Д. и др. Имитационное моделирование развития систем энергетики / СЭИ СО АН СССР. -Иркутск: 1988. 126 с.

9. Арзамасцев Д.А., Липес А.В., Мызин А.Л. Модели оптимизации развития энергосистем. М.: Высшая школа, 1987. - 272 с.

10. Арнольд В.И. О представлении функций нескольких переменных в виде суперпозиции функций нескольких переменных // Математическое просвещение. 1988. №19. С. 60-65.

11. Арнольд В.И. О функциях трех переменных // Доклад АН СССР. 1957. т114. №4. С. 679-681.

12. Афифи А., Эйзен С. Статистический анализ: Подход с использованием ЭВМ. Пер. с англ. М.: Мир, 1982.- 488 с.

13. Беркульцев М.В., Дьячук А.К., Оркин С.Д. Применение генетического алгоритма к построению минимально допустимой обучающей выборки для нейросетевой системы принятия решений // Известия РАН. Теория и системы управления. 1999. №5. С. 172-176.

14. Бешелов С.Д., Гурвич Ф.Г. Математико-статистические методы экспертных оценок. М.: Статистика, 1980. - 345 с.

15. Браун М. Теория и измерение технического прогресса. М.: Статистика, 1971.- 283 с.

16. Васильев В.И. Распознающие системы. Киев: Наукова Думка. 1988. -143 с.

17. Васильев В.И., Ильянов Б.Г. Интеллектуальные системы управления с использованием генетических алгоритмов // Приложение к журналу "Информационные технологии". 2000. №12. С. 2-24.

18. Галушкин А.И. Нейросетевые алгоритмы оптимального выбора подмножества векторов случайной многомерной выборки // Нейрокомпьютер. 1997. №1,2. С. 39-48.

19. Галушкин А.И. О современном направлении развития нейрокомпьютеров // Нейрокомпьютер. 1997. №1,2. С. 5-22.

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

21. Горбань А. Обучение нейронных сетей. М.: СП параграф, 1990.-160 с.

22. Горбань А.Н. Возможности нейронных сетей // Нейроинформатика.-Новосибирск: Сиб.предпр. РАН, 1998. С. 18-46.

23. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики, 1998. Т.1. С. 12-24.

24. Горбань А.Н. Функции многих переменных и нейронные сети // Соросовский образовательный журнал. 1998. №12. С. 105-112.

25. Горбань А.Н., Россиев Д.А. / Нейронные сети на персональном компьютере Новосибирск: Наука. Сибирская издательская фирма РАН, 1996.-276 с.

26. Гордиенко Е.К., Лукьница А.А. Искусственные нейронные сети I. Основные определения и модели // Тех. кибернетика. 1994. №5. С. 79-91.

27. 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. С. 2-5.

28. Деев В.И., Меринов И.Г., Мишулина О.А., Харитонов B.C. Диагностика состояния слабо формализованной динамической системы с применением нейросетевых моделей // Известия РАН. Теория и системы управления, 1999. №5. С. 143-148

29. Джонсон Дж. Эконометрические методы. М.: Статистика, 1980.-422 с.

30. Долганов А.П., Молоканов В.Д., Секерин А.Б. Использование технологии нейронных сетей для прогнозирования налоговых поступлений на основеунифицированной системы показателей госотчетности // Вопросы статистики. 2000.№7. С. 36-41.

31. Доррер М.Г. Интуитивное предсказание нейросетями взаимоотношений в группе // Методы нейроинформатики. Сб. научн. трудов / Под ред. А.Н. Горбаня. Красноярск: КГТУ, 1998. - С. 111-129.

32. Дроздова О.Н., Лисицин Н.В., Сюткин Б.Д. Анализ динамики потребления электрической энергии в России // Промышленная энергетика. 1997. №5. С. 8-10.

33. Дулесов А.С. Решение задач проектирования схем электроснабжения с помощью нейронных сетей // Электрификация горных и металлургических предприятий Сибири: Тезисы докладов международной научно-практической конференции. Новокузнецк: СибГГМА. 1997. С.З.

34. Дулесов В.А. Имитационное моделирование движения троллейбуса // Моделирование неравновесных систем-99. Второй Всероссийский семинар 22-24 октября 1999 г., Красноярск. С. 154.

35. Дулесов В.А. Модели анализа и обработки данных на основе нейросетевых технологий // Вестник Хакасского технического института филиала КГТУ, N11. 2001.- С. 56-63.

36. Дулесов В.А. Нейронные сети как новый подход имитационного моделирования // Вестник Хакасского технического института филиала КГТУ, N11. 2001. - С. 64-70.

37. Дулесов В.А. Пантелеев В.И. Применение нейронных сетей в задачах энергосбережения // Проблемы информатизации региона. ПИР-99:

38. Тезисы докладов Пятой Всероссийской научно-практической конференции (Красноярск, 15-16 декабря 1999 г.) / Под ред. Е.А. Вейсов,

39. B.И. Подшивалов. Красноярск: КГТУ, 1999. 188 С.

40. Дулесов В.А., Пантелеев В.И. Анализ функционирования систем электротранспорта с помощью применения нейросетевых технологий // Вестник Красноярского государственного технического университета. Вып. 20. Транспорт. КГТУ, 2000. С. 58-61.

41. Дулесов В.А., Пантелеев В.И. Статистическая оценка поведения объекта исследования с помощью нейронной сети. // Электрика, №11, 2001.1. C.21-24.

42. Дулесов В.А., Пантелеев В.И. Эффективность использования технологии нейронных сетей для прогнозирования // Электрификация металлургических предприятий Сибири. Вып.9.- Томск: 2000. С.264-265.

43. Емельянов А.С. Эконометрия и прогнозирование.- М.: Экономика,1985.-306 с.

44. Захаров В.Н., Ульянов С.В. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления. IV. Имитационное моделирование //Техническая кибернетика. 1994. №5. С. 168-210.

45. Имитационный подход к изучению больших систем энергетики: Всесоюзный научный семинар / СЭИ СО АН СССР. Иркутск:1986.-246с.

46. Кабалдин Ю.Г., Биленко С.В. Нейросетевая система управления контактными процессами при резании // Нейроинформатика и её приложения: Тезисы докладов VI Всероссийского семинара / Под. ред. А.Н. Горбаня. Красноярск: КГТУ, 1998. С.89-90.

47. Кендалл М.Дж., Стьарт А. Многомерный статистический анализ и временные ряды.-М.: Наука, 1976.-736 с.

48. Кендалл М.Дж., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973.-176 с.

49. Клейнер Г.Б., Смоляк С.А. Эконометрические зависимости: принципы и методы построения. М.: Наука, 2000. - 104 с.

50. Кобалдин Ю.Г., Биленко С.В. Нейросетевая система управления контактными процессами при резании // Нейроинформатика и её приложения. Материалы IX Всеросийского семинара / Под общ. Ред. А.Н. Горбаня. Красноярск: ИПЦ КГТУ, 2001. С. 89-90.

51. Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // Доклад АН СССР. 1956.- т. 108,№2. С. 179-182.

52. Копылов И.П. Математическое моделирование электрических машин: Учеб. пособие для вузов по спец. «Электромеханика». 2-е изд., перераб. и доп.-М.: Высшая, школа, 1994. 318 с.

53. Корякин А.К. Имитационное моделирование в задачах развития систем энергетики Севера-Новосибирск: Издательство СО РАН, 1996.-147 с.

54. Кудрин Б.И. Электроснабжение промышленных предприятий: Учебник для вузов.- М.: Энергоатомиздат, 1995.-416 с.

55. Лернер А .Я. Начала кибернетики. М.: 1967. - 400 с.

56. Лисицкий Л.А., Яковлев В.Л., Яковлева Г.Л. Применение нейронных сетевых алгоритмов к анализу финансовых рынков // Информационные технологии. 1999. №8. С. 25-30.

57. Лысенко Т.Д., Парахин М.В., Сорокин С.В. Нейросетевой метод оперативного анализа возможностей управления летательным аппаратом // Известия академии наук. Теория и системы управления. 1999. №5. С.149-151

58. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс.- М.: Дело, 1998. 248 с.

59. Мардер Л.И., Морозова Н.С., Мызин А.Л. Некоторые способы улучшения статистических моделей электропотребления и электрических нагрузок // Известия АН СССР. Энергетика и транспорт. 1978. №3. С. 105-112.

60. Математическое моделирование и оптимизация в задачах оперативного управления тепловыми электростанциями / A.M. Клер, Н.П. Деканова, С.К. Скрипкин и др. Новосибирск: Наука. Сиб.предприятия РАН, 1997 -120 с.

61. Математическое описание ценозов и закономерности технетики. Философия и становление технетики. Вып.1 и Вып.2 "Ценологические исследования". / Ред. Б.И. Кудрин. Абакан: Центр системных Исследований, 1996 - 452 с.

62. Мацкевич И.П., Свирид Г.П. Теория вероятностей и математическая статистика. Минск: Вышэйшая шкала, 1993.- 346 с.

63. Меленьев Л.А. Системные исследования в энергетике. М.: Наука, 1983.- 454 с.

64. Методы нейроинформатики: Сборник научных трудов / Под ред. Горбаня А.Н.- КГТУ, Красноярск: 1998. 204 с.

65. Миркес Е.М. Нейрокомпьютер. Проект стандарта. Новосибирск: Наука. Сибирское предприятие РАН, 1999. - 337с.

66. Мушик Э., Мюллер П. Методы принятия технических решений: Пер. с нем.- М.: Мир, 1990.-208 с.

67. Мызин А.П., Методы и модели прогнозирования для развития электроэнергетических систем в условиях неопределенности имногокритериальное™: Дис. . докт. техн. наук. 05.14.02. Новосибирск, 1994.-307 с.

68. Наумов Г.Е., Подиновский В.В., Вик.В. Подиновский. Субъективная вероятность: способы представления и методы получения // Техническая Кибернетика. 1991. №5. С.94-109.

69. Нейроинформатика / Горбань ЯА.Н., Дунин-Барковский В. Л., Кирдин А.Н и др.- Новосибирск: Наука. Сибирское предприятие РАН, 1998-296с.

70. Нейроинформатика и ее приложения: Материалы III Всероссийского семинара. 4.1 / Под ред. А.Н. Горбаня. Красноярск:, КГТУ. 1995.-229 с.

71. Нейропроект www.neuroproiect.ru.

72. Никольский С.М. Квадратурные формулы. М.: Физматгиз, 1958. -184 с.

73. Перцептрон система распознавания образов / Под ред. Иваненко А. Г. Киев: Наукова Думка, 1975.-215 с.

74. Поликарпов Е.А. К оценке эффективности мероприятий по снижению электропотребления промышленными предприятиями // Промышленная энергетика. 1998. №5. С. 19-20.

75. Роземблат Ф. Аналитические методы улучшения нейронных сетей // Нейрокомпьютер. 1997. №3,4. С. 49-65.

76. Розенблатт Ф. Принципы нейродинамики: Перцептроны и теория механизмов мозга. М.: Мир, 1965.-235 с.

77. Саитбаталова Р.С., Грачева Е.И., Хатанов В.А. Оперативное прогнозирование режима электропотребления // Промышленная энергетика. 2000. №6. С.27-29.

78. Самарин А.И. Управление поведением объектов во внешней среде и возможности нейросетевых решений // Известия академии наук. Теория и системы управления. 1999. №5. С. 139-142

79. Синашова М.Ю. Погрешности нейронных сетей. Вычисление погрешностей весов синапсов // Методы нейроинформатики. Сборник трудов / Под.ред. А.Н. Горбаня.- Красноярск: КГТУ, 1998. С. 48-64.

80. Сырецкий Г.А. Системы управления с интервало-значимыми нейронными сетями // Нейроинформатика и её приложения: Тезисы докладов VI Всероссийского семинара / Под. ред. А.Н. Горбаня. Красноярск: КГТУ, 1998. С. 172.

81. Теория прогнозирования и принятия решений. Учебное пособие. Под ред. С.А. Саркисяна. М.: Высшая школа, 1977. - 352 с.

82. Теория статистики: Учебник/Под ред. Р.А. Шмойловой.- 2-е изд., доп. и перераб.- М.: Финансы и статистика, 1998. 576 с.

83. Терехов С.А. Нейронные сети и их приложения, www.alife.narod.ru

84. Тимофеев Г.С. Использование нейронной сети для оценки состояния электроэнергетических систем // Нейроинформатика и её приложения: Тезисы докладов V Всероссийского семинара / Под. ред. Е.Н. Горбаня.-Красноярск: КГТУ, 1997. с. 173.

85. Тихомиров В.М. Построение множеств в функциональном пространстве и теории наилучших приближений // Успехи математических наук. 1960. т. 14. №3. С. 36-42.

86. Уоссермен. Ф. Нейрокомпьютерная техника. М.: Мир, 1992.-238 с.

87. Уотшем Т. Дж., Паррамоу К. Количественные методы в финансах / Пер. с англ. под ред. М.Р. Ефимовой.- М.: Финансы, ЮНИТИ, 1999. 527 с.

88. Фуфаев В.В. Ценологическое влияние на электропотребление предприятия. Вып. 10. "Ценологические исследования". Абакан: Центр системных исследований, 1999. - 124 с.

89. Хомич А.В., Жуков J1.A. Решение задач оптимального управления нестационарными процессами при помощи адаптивных математических моделей основанных на принципах нейронных сетей //

90. Нейроинформатика и её приложения: Тезисы докладов VI Всероссийского семинара / Под. ред. А.Н. Горбаня. Красноярск: КГТУ, 1998. С.146-147.

91. Царегородцев В.Г. Нейроимитатор Neuropro // Нейроинформатика и ее приложения: Тезисы докладов VI Всероссийского семинара./ Под ред. А.Н. Горбаня. Красноярск: КГТУ, 1998. - С. 189.

92. Червонный Е.М. Проблемы управления электропотреблением промышленных предприятий // Известия РАН. Энергетика и транспорт-1990.-№ 1.С. 34-41.

93. Чернышев Д.В. Нейросетевая система управления // Нейроинформатика и её приложения. Материалы IX Всеросийского семинара / Под общ. Ред. А.Н. Горбаня. Красноярск: ИПЦ КГТУ, 2001. - С. 194.

94. Шефер X. Топологическое векторное пространство. М.: Мир, 1971.-360с.

95. Щуцкий В.И., Кузнецов Н.М., Токарева Е.А., Фищук С.А. Анализ и прогнозирование энергопотребления в Мурманской области // Промышленная энергетика. 1998. №10. С. 5-9.

96. Экономическое стимулирование рационального использования электроэнергии в промышленности. / Воскобейников Д.М. М.: Энергоатомиздат, 1988. - 80 с.

97. Bakirtzis A.G., Petridis V., Klartzis S.J., Alexiadis M.C.: "A neutral network short term load forecasting model for the greek power system", IEEE Transactions on Power Systems, Vol. 11, No.2, May 1998, pp. 858-863.

98. Bakirtzis A.G., Theocharis J.B., Kiartzis S.J., Satsios K.J.: "Short term load forecasting using fuzzy neural networks", IEEE Transactions on Power Systems, Vol.10, No.3, August 1995, pp. 1518-1523.

99. Chow N.W.S., Leung C.T.: "Neural network based short-term load forecasting using weather compensation", IEEE Transactions on Power Systems, Vol.11, No.4, November 1996, pp. 1736-1741.

100. Daneshdoost M., Lotfalian M., Bumroonggit G., Ngoy J.P.: "Neural network with fuzzy set-based classification for short-term load forecasting", IEEE Transactions on Power Systems, Vol.13, No.4, November 1998, pp. 1386-1391.

101. Hisham M., Clark A., Stanley C.: "Building a 'quasi optimal' neural network to solve the short-term load forecasting problem", IEEE Transactions on Power Systems, Vol.12, No.4, November 1997, pp. 1432-1437.

102. Hopfield J., Tank D. Neural Computation of Decisions in Optimization Problems // Biological Cybernetics. 1981. v. 52.

103. Kassaei H.R., Keyhani A., Woung Т., Rahman M.: "A hybrid fuzzy, neural network bus load modeling and predication", IEEE Transactions on Power Systems, Vol.14, No.2, May 1999, pp. 718-723.

104. Khotanzad Alireza, Afkhami-Rohani Reza, Maratukulam Dominic: "ANNSTLF Artificial Neural Network Short-Term load Forecaster -Generation Three", IEEE Transactions on Power Systems, Vol.13, No.4, November 1998, pp. 1413-1421.

105. Kiartzis S.J., Zoumas C.E., Teoocharis J.B., Bakirtzis A.G., Petridis V.: "Short-term load forecasting in an autonomous power system using artificial neural networks", IEEE Transactions on Power Systems, Vol.12, No.4, November 1997, pp. 1591-1595.

106. Kohonen Т. Self-Organization and Associative Memory. Berlin: Springer-Verlag. 1988.

107. Papadakis S.E., Theocharis J.B., Kiartis S.J., Bakrtizis A.G.: "A novel approach to short-term load forecasting using fuzzy neural networks", IEEE Transactions on Power Systems, Vol.13, No.2, May 1998, pp. 480-489.

108. Peng T.M., Hubele N.F., Karady G.G.: "An adaptive neural network approach to one-week ahead load forecasting", IEEE Transactions on Power Systems, Vol.8, No.3, August 1993, pp. 1195-1197.

109. Piras A., Germond A., Buchenel В., Imhof K, Jaccard Y.: "Heterogeneous artificial neyral network for term electrical load forecasting", IEEE Transactions on Power Systems, Vol.11, No.l, February 1996, pp. 397-401.

110. Rosenblatt F. Principles of neurodynamics: perceptrons and the theory of brain mechanisms (book). Spartans books/ Washington D.C., 1962.

111. Vermaak J., Botha E.C.: "Recurrent neural networks for short-term load forecasting", IEEE Transactions on Power Systems, Vol.13, No.l, February 1998, pp. 126-131.