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

На правах рукописи

0046И949Э

ВОРОНОВ ИВАН ВИКТОРОВИЧ

ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ

СЕТЕЙ

Специальность 05.09.03 - Электротехнические комплексы и системы

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

3 О СЕН 2010

Кемерово-2010

004609495

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Кузбасский государственный технический университет»

Научный руководитель -

кандидат технических наук, старший научный сотрудник Ефременко Владимир Михайлович

Официальные оппоненты:

доктор технических наук, профессор Матвеев Виктор Николаевич кандидат технических наук, доцент Смыков Анатолий Борисович

Ведущая организация: Кемеровское ОАО «Азот»

Защита диссертации состоится 14 октября 2010 г. в 1500 на заседании диссертационного совета Д 212.102.01 в Государственном образовательном учреждении высшего профессионального образования «Кузбасский государственный технический университет» по адресу: 650000, г. Кемерово, ул. Весенняя, 28.

Факс:(3842)36-16-87

С диссертацией можно ознакомиться в библиотеке Государственного образовательного учреждения высшего профессионального образования «Кузбасский государственный технический университет».

Автореферат разослан « {Ъ » сентября 2010 г.

Ученый секретарь диссертационного совета

А. Г. Захарова

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Прогнозирование величины электропотребления промышленного предприятия является важной научно-технической задачей. Необходимость точного прогнозирования электропотребления обусловлена технологическими и экономическими причинами.

У крупных энергоемких производств доля платы за электроэнергию в себестоимости продукции может достигать десятков процентов, а в условиях рыночной экономики себестоимость продукции предприятия будет определять его конкурентоспособность. В настоящее время большинство крупных промышленных предприятий России покупает электроэнергию на оптовом рынке электроэнергии и мощности. Плата за электроэнергию для таких предприятий складывается из платы за фактический объем потребленной электроэнергии и платы за отклонение объема фактически потребленной электроэнергии от планового объема потребления. Чем больше отклонения фактических объемов электропотребления от заявленных, тем больше дополнительных расходов на электроэнергию несет предприятие.

В настоящее время прогнозирование электропотребления на большинстве промышленных предприятий производится на основе метода экспертных оценок, который в большинстве случаев не может обеспечить требуемую точность прогноза.

Для более точного прогнозирования электропотребления необходимо разработать прогнозную модель, основанную на зависимостях изменения электропотребления предприятия в реальных условиях эксплуатации.

Цель работы: повышение точности прогнозирования электропотребления промышленного предприятия, путем создания прогнозной модели электропотребления, учитывающей его зависимость от влияющих факторов.

Идея работы заключается в комплексном использовании искусственных нейронных сетей, генетических алгоритмов и метода экспертных оценок для разработки прогнозной модели электропотребления промышленного предприятия, учитывающей совокупность влияющих факторов.

Задачи исследований:

1. Выявить основные требования, предъявляемые к прогнозу величины электропотребления промышленного предприятия, покупающего электроэнергию на оптовом рынке электроэнергии и мощности.

2. Сравнить существующие методы прогнозирования электропотребления промышленных предприятий и выбрать оптимальный метод для прогнозирования электропотребления в условиях работы предприятия на оптовом рынке электроэнергии и мощности.

3. Разработать методику создания прогнозной модели электропотребления промышленного предприятия для выбранного метода прогноза.

4. Разработать методику оценки влияния параметров окружающей среды и производственных параметров на электропотребление промышленного

предприятия с использованием метода экспертных оценок для определения набора входных параметров прогнозной модели.

5. Установить зависимость электропотребления многономенклатурного промышленного предприятия от влияющих на него производственных параметров и параметров окружающей среды.

6. Создать с помощью разработанных методик и полученных зависимостей прогнозную модель электропотребления, учитывающую влияние на электропотребление влияющих факторов.

7. Проверить и оценить качество работы полученной прогнозной модели путем сравнения фактических и прогнозных значений электропотребления многономенклатурного предприятия.

Основные научные положения, выносимые на защиту:

1. Для построения прогнозной модели электропотребления промышленного предприятия возможно комплексное использование искусственной нейронной сети, генетических алгоритмов, используемых для определения внутренней конфигурации нейронной сети, и экспертной оценки системы электроснабжения промышленного предприятия, используемой для выбора оптимального набора входных параметров нейронной сети.

2. Использование разработанной прогнозной модели электропотребления позволяет значительно повысить точность прогноза за счет использования зависимостей электропотребления от влияющих факторов, полученных в процессе обучения искусственной нейронной сети.

Научная новизна работы заключается в следующем:

1. Разработана методика определения зависимостей электропотребления промышленного предприятия от влияющих на него параметров с помощью искусственной нейронной сети, отличающаяся комплексным использованием генетических алгоритмов для определения внутренней конфигурации нейронной сети и экспертной оценки системы электроснабжения промышленного предприятия для выбора набора входных параметров нейронной сети.

2. Разработана прогнозная модель электропотребления промышленного предприятия, отличающаяся тем, что в качестве входных параметров модели используются объемы выпуска продукции предприятия.

3. Разработана методика по осуществлению прогноза на промышленных предприятиях, покупающих электроэнергию на оптовом рынке электроэнергии и мощности, отличающаяся последовательным использованием двух прогнозных моделей для предварительного и уточняющего прогнозирования.

Методы исследования. Разработки и исследования проводились на основе теории системного анализа, теории математического моделирования, теории искусственных нейронных сетей, генетических алгоритмов отбора и нечеткой логики, метода экспертных оценок, компьютерного моделирования.

Достоверность научных положений и выводов подтверждается применением современных математических методов прогнозирования и экспериментальной проверкой теоретических выводов путем разработки прогноз-

ной модели электропотребления КОАО «Азот», на основании фактических данных об объемах электропотребления, полученных в процессе работы предприятия при помощи точных измерительных приборов и данных о производстве продукции.

Практическая ценность работы состоит в том, что полученные теоретические и практические результаты могут быть использованы:

- для снижения величины финансовых издержек предприятий, возникающих при отклонении фактических объемов электропотребления от объемов, заявленных к покупке на рынке электроэнергии, путем использования прогнозных моделей электропотребления предприятий с учетом индивидуальных особенностей каждого предприятия;

- для проведения на предприятии организационных мероприятий в части планирования и учета производственной деятельности, позволяющих снизить величину ошибки при прогнозировании электропотребления.

Реализация результатов работы. Научные и практические результаты работы приняты к использованию в Управлении главного энергетика КОАО «Азот» в качестве дополнения к существующим методам прогнозирования почасовых объемов электропотребления.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на I Всероссийской научно-технической конференции «Современные пути развития машиностроения и автотранспорта Кузбасса» (г. Кемерово, 2007 г.); VII Международной научно-практической конференции «Современные энергетические системы и комплексы и управление ими» (г. Новочеркасск, 2007 г.); Третьей научно-технической конференции ОАО «НТЦ Электроэнергетики» «Разработки молодых специалистов в области электроэнергетики - 2008» (г. Москва, 2008 г.).

Публикации. По теме диссертации опубликовано 7 печатных работ, из них в рекомендуемых ВАК изданиях - 1.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка используемой литературы из 147 наименований, двух приложений и содержит 153 страницы текста, 22 таблицы и 36 рисунков.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и задачи исследования, отмечены научная новизна и практическая ценность результатов работы, представлены основные положения, выносимые на защиту.

В первой главе производится анализ состояния проблемы прогнозирования электропотребления промышленных предприятий, работающих на оптовом рынке электроэнергии. Устанавливается, что ошибки прогнозирования электропотребления определяют величину дополнительных финансовых затрат предприятия, связанных с оплатой отклонений фактически потреблен-

ной электроэнергии от плановых (заявленных на оптовый рынок электроэнергии) значений электропотребления.

Производится исследование теоретических работ, посвященных прогнозированию электропотребления, и существующих программных комплексов, предназначенных для прогнозирования электропотребления.

Проблеме прогнозирования электропотребления посвящены множество работ как отечественных (Л.А. Большов, Б.И. Кудрин, Б.И. Макоклюев, И,И. Надтока, Л.С. Родина, Э.Е. Тихонов), так и зарубежных ученых (Д.В. Бэнн, К.Д. Льюис, С. Макридакис).

В качестве методов прогнозирования электропотребления в этих и других работах предлагаются математико-статистические, вероятностные методы, методы регрессионного анализа, методы, основанные на искусственных нейронных сетях и др. Применение вышеперечисленных методов вкупе с современными электронно-вычислительными комплексами позволяет создавать программные средства для прогнозирования электропотребления промышленных предприятий.

Проведенные исследования показали, что существующие программные комплексы, предназначенные для прогнозирования электропотребления, обладают существенным недостатком, а именно - отсутствием учета объемов производства продукции промышленных предприятий при прогнозировании их электропотребления. В условиях рыночной экономики планы производства продукции определяются, прежде всего, конъюнктурой рынка сбыта производимой продукции. При условии, что выпускаемая продукция предприятия представлена широкой номенклатурой товаров, ситуация на рынках сбыта той или иной продукции будет определять величину ее планового и фактического производства. Таким образом, план производства продукции как на долгосрочную, так и на краткосрочную перспективу является во многом ориентировочным и подлежит уточнению в темпе процесса производства. В свою очередь объемы производства продукции будут в той или иной степени определять величину электропотребления промышленного предприятия.

Следовательно, оптимальной для прогнозирования электропотребления промышленного предприятия будет являться такая прогнозная модель, которая будет обладать хорошей адаптивностью к быстроменяющимся условиям окружающей среды и позволит учитывать производственные показатели предприятия.

Во второй главе производится анализ существующих методов прогнозирования временных рядов с точки зрения применимости этих методов для построения на их основе прогнозной модели электропотребления промышленного предприятия. Достоинства и недостатки этих методов прогнозирования временных рядов, при использовании их для прогнозирования электропотребления приведены в табл. 1.

Таблица 1

Достоинства и недостатки методов прогнозирования электропотребления

Методы прогнозирования Достоинства Недостатки

Интуитивные методы прогноза Возможность применения в тех случаях, когда неприменимы формализованные методы прогноза Зависимость качества прогноза от квалификации экспертов; низкая степень возможной автоматизации прогноза

Прогнозная экстраполяция Простота реализации прогнозной модели; возможность прогнозирования на основе минимального набора входных данных Жесткая фиксация модели тренда; отсутствие адаптивности; невозможность учета множества влияющих параметров; необходимость большого объема исходных данных

Корреляционный и регрессионный анализ Возможность учета влияния широкого набора параметров на электропотребление Низкая адаптивность; жесткие требования к исходным данным; сложность реализации

Модели АЫМА Хорошая способность по выявлению и учету сезонных влияющих параметров Низкая адаптивность; сложность реализации; низкая точность в условиях высокой неопределенности величины электропотребления

Адаптивные методы прогнозирования Хорошие адаптивные способности; хорошие способности по долгосрочному прогнозированию Сложность определения набора входных параметров; необходимость большого набора входных данных

Прогнозирование с помощью искусственных нейронных сетей (далее -ИНС) Хорошие адаптивные и обобщающие способности; высокая помехозащищенность; способность к самообучению Сложность определения набора входных параметров и конфигурации сети

Прогнозирование с помощью гибридных систем, основанных на ИНС Хорошие адаптивные и обобщающие способности; высокая помехозащищенность; способность к самообучению и самонастройке ИНС; высокая степень возможной автоматизации Сложность реализации

Путем анализа цели и задач краткосрочного прогноза электропотребления на рынке электроэнергии, а также достоинств и недостатков основных методов прогнозирования временных рядов, были получены следующие выводы:

1. Прогнозная модель должна обеспечивать точность прогнозирования, оптимальную с точки зрения соотношения затрат на автоматизированную программно-аппаратную систему прогнозирования электропотребления, и издержек, связанных с оплатой отклонений прогнозного значения потребления электроэнергии от фактического.

2. Прогнозная модель должна быть адаптивной, для быстрого изменения своих свойств под влиянием изменяющихся факторов внешней среды.

3. Наилучшими для построения методики прогнозирования, в качестве основы для автоматизированной прогнозной модели, по совокупности свойств, являются методы, основанные на искусственных нейронных сетях. Эти методы отличаются тем, что определение закономерностей электропотребления и построение прогнозной модели происходит одновременно в процессе обучения нейронной сети.

4. Для определения оптимальной конфигурации ИНС, необходимо применять метод генетического отбора.

5. Наиболее подходящей для создания прогнозной модели электропотребления промышленного предприятия, является гибридная система, на основе многослойного персептрона, созданного с применением генетических алгоритмов для выбора оптимальных параметров сети.

В третьей главе разрабатывается методика создания прогнозной модели предприятия на основе искусственной нейронной сети.

Для определения оптимального набора входных параметров прогнозной модели электропотребления была проанализирована типовая схема системы электроснабжения промышленного предприятия. На каждом уровне системы электроснабжения были определены параметры, влияющие на величину электропотребления (рис. 1), и проведена оценка пригодности этих параметров к включению в прогнозную модель в качестве входных.

На основании анализа влияющих параметров был сделан вывод, что в качестве входных параметров прогнозной модели электропотребления необходимо выбирать параметры окружающей среды (день недели, час суток, долгота дня, температура воздуха и т.п.) и объемы выпуска продукции по цехам или производственным линиям.

Для отбора входных параметров прогнозной модели электропотребления целесообразно применить метод коллективных экспертных оценок, с участием представителей технологических служб предприятия и службы главного энергетика.

После отбора входных параметров необходимо определить оптимальную внутреннюю конфигурацию нейронной сети (число скрытых слоев, число нейронов в скрытом слое, крутизну активационной функции и т.д.). Для этого был разработан алгоритм, основанный на методе генетического отбора.

Ур. СЭС Параметры

6 Объем выпуска продукции предприятием; параметры окружающей среды

5 Объем выпуска продукции предприятием; параметры окружающей среды

4 Объем выпуска продукции производственной линии

3 Объем выпуска продукции цеха

2 Объем выпуска продукции группы электроприемников

1 Объем выпуска продукции (совершенной полезной работы) каждым станком и агрегатом

© 0 ©®

Рис, 1. Параметры, влияющие на электропогребление на различных уровнях его системы электроснабжения

Алгоритм включает в себя следующие этапы (рис.2):

1. Параметры ИНС (число скрытых слоев, число нейронов в скрытом слое, крутизна активационной функции) кодируются генами. Для каждого гена устанавливается его максимальное и минимальное возможное значение.

2. Формируются М особей ИНС первого поколения с параметрами, определенными случайным образом в пределах заданных интервалов.

3. Сформированные ИНС обучаются на обучающем множестве, а затем проверяются на тестовом множестве данных. Критерием оценки качества каждой особи являются среднеквадратическая ошибка прогноза (МБЕ), корень этой ошибки (ШуКЕ) и средняя абсолютная ошибка прогноза в процентах (МАРЕ) на тестовом множестве.

4. Половина особей поколения с наихудшими оценками качества прогнозирования удаляются, а оставшиеся особи случайным образом попарно скрещиваются между собой. В процессе кроссинговера (скрещивания), сети-потомки получают случайным образом часть генома от одного родителя, а часть - от другого. Скрещивание проводится до тех пор, пока не будет достигнуто необходимое количество сетей-потомков в следующем поколении.

5. Описанный в пунктах 2-4 процесс повторяется заданное количество поколений N. В результате отбора получаем сеть с наилучшими показателя-

ми точности прогноза из веек сетей на протяжении заданного количества поколений.

N -число поколений М - число особей в поколении

Подготовка обучающего и проверочного множества исходных данных

I

Генерация популяции М особей ИНС с параметрами в заданных пределах

Обучение М особей популяции ИНС на обучающем множестве

Оценка прогнозных способностей каждой особи ИНС на проверочном множестве

Отбор М/2 особей ИНС с наименьшей величиной ошибки прогноза

Рекомбинация отобранных ИНС, создание М особей поколения п+1, внесение мутаций _в их структуру__

п=п+1

Отбор наилучшей ИНС из М особей поколения N

Настроенная и обученная ИНС

Рис. 2. Настройка внутренней структуры нейронной сети с помощью генетического отбора

Методика, заключающаяся в комплексном использовании трех методов: искусственных нейронных сетей, генетических алгоритмов отбора и экспертных оценок позволит создать прогнозную модель электропотребления промышленного предприятия, учитывающую особенности предприятия, специфику его производства и технологических процессов. При этом полученная прогнозная модель будет адаптивной, умеющей подстраиваться под быстроменяющиеся условия рыночной экономики.

В четвертой главе для экспериментальной проверки методики создания прогнозной модели электропотребления промышленного предприятия, были разработаны две прогнозные модели электропотребления крупного многономенклатурного химического предприятия - Кемеровского ОАО «Азот». Одна прогнозная модель без учета объемов производства продукции

(модель «А»), другая с учетом этих объемов (модель «Б»), Прогнозные модели создавались при помощи разработанной автором программы «№иго81:огт», интерфейс которой приведен на рис. 3.

Рис. 3. Интерфейс программы «Ыеигс^огт»

Прогнозная модель «А» показала хорошие прогностические способности в те периоды времени, когда выпуск продукции КОАО «Азот» был стабилен (рис. 4 и рис. 5).

Мае исходного множества — Факт - • - Прогноз

Рис. 4. Сравнение фактической и прогнозной величины электропотребления КОАО «Азот» на проверочной части исходного множества данных «Февраль 2009» (прогнозная модель «А»)

Рис. 5. Сравнение фактической и прогнозной величины электропотребления КОАО «Азот» на проверочной части исходного множества данных «Март 2009» (прогнозная модель «А») В прогнозной модели «А» в качестве входных параметров использовались час суток (с 1-го по 24-й), тип дня (рабочий, выходной), температура окружающей среды, значение электропотребления за предыдущий час -Н-1.

В случае резких изменений объемов выпуска продукции прогнозные способности модели существенно ухудшались (рис. 6).

112 110 108 £ 106 «104 * 102 100 98

Рис. 6. Сравнение фактической и прогнозной величины электропотребления КОАО «Азот» на проверочной части исходного множества данных «Май 2009» (прогнозная модель «А»)

В прогнозной модели «Б», в качестве входных параметров в дополнение к уже используемым в модели «А» использовались параметры, полученные в результате экспертной оценки электропотребления КОАО «Азот» и определения влияющих на него параметров. Такими параметрами являлись долгота светового дня и объемы выпуска различных видов продукции (12 основных видов).

Прогнозная модель «Б», учитывающая объемы выпуска продукции, показала хорошие результаты прогноза при любых изменениях этих объемов (рис. 6).

112 110 10В 105 104 102 100

Рис. 6. Сравнение фактической и прогнозной величины электропотребления КОАО «Азот» на проверочной части исходного множества данных «Май 2009» (прогнозная модель «Б»)

Таким образом, было доказано, что добавление в прогнозную модель объемов производства продукции позволяет снизить величину ошибки прогноза, а, следовательно, дополнительные финансовые издержки предприятия, вызванные ошибками прогнозирования электропотребления.

В табл. 2 приведено сравнение ошибок прогнозных моделей «А» и «Б», полученных для каждого исходного множества данных за период с февраля по июнь 2009 года.

Таблица 2

Сравнение ошибок прогнозных моделей «А» и «Б»__

Ошибка Модель Февраль 2009 Март 2009 Апрель 2009 Май 2009 Июнь 2009

МАРЕ, % «А» 0,841 0,765 1,339 6,841 1,291

«Б» 0,782 0,581 1,076 1,507 1,076

ИМБЕ, кВт-ч «А» 1069 923 1736 7888 2257

«Б» 1011 662 1281 1848 1685

Сравнив величину ошибки прогноза электропотребления КОАО «Азот», можно сделать' вывод, что добавление объемов производства продукции в качестве входных параметров прогнозной модели привело к уменьшению ошибки прогноза во всех случаях.

Причем чем сильнее изменяются объемы выпуска продукции в течение прогнозируемого периода, тем большее снижение ошибки дает их добавление в прогнозную модель в качестве входных. Так, например, прогнозирование электропотребления КОАО «Азот» на последние 7 дней множества «Май 2009», с помощью модели «Б» (с учетом объемов производства продукции) позволило снизить ошибки МАРЕ и ИМБЕ более чем в четыре раза.

В свою очередь прогнозная модель «А» обеспечивает небольшую величину ошибки прогноза при минимальном наборе входных данных в условиях стабильных объемов выпуска продукции. С учетом приведенных выше

качеств прогнозных моделей, наиболее оптимальной представляется следующая схема прогнозирования электропотребления КО АО «Азот»:

1. Использование прогнозной модели «А» для предварительного прогноза электропотребления на неделю вперед. Такой прогноз позволит специалистам предприятия более точно планировать энергобалансы на среднесрочный период, рассчитывать ожидающиеся затраты на покупку электроэнергии на оптовом рынке и, как следствие, повысит качество экономического планирования на предприятии в целом.

2. Использование прогнозной модели «Б» для окончательного (уточняющего) прогноза электропотребления на сутки вперед. Полученные прогнозные значения необходимо использовать при подаче заявок на величину электропотребления, при работе КОАО «Азот» на оптовом рынке электроэнергии. Это позволить снизить отклонения заявленной величины электропотребления от фактической и, как следствие, снизить вызываемые этими отклонениями дополнительные затраты КОАО «Азот» при покупке электроэнергии с оптового рынка.

Дальнейшего снижения ошибки прогнозирования можно добиться следующими мероприятиями:

1. Организацией почасового планирования и учета объемов выпуска продукции.

2. При прогнозировании электропотребления в качестве плановой величины выпуска продукции использовать уточненный план выпуска продукции на следующие сутки, с учетом текущих изменений, а не величину, запланированную перед началом текущего месяца.

ЗАКЛЮЧЕНИЕ

В диссертационной работе дано новое решение актуальной задачи повышения точности прогнозирования электропотребления промышленного предприятия, имеющей существенное значение для повышения эффективности эксплуатации систем электроснабжения промышленных предприятий. Повышение точности прогнозирования достигается путем использования прогнозной модели электропотребления, основанной на искусственной нейронной сети, генетических алгоритмах отбора и методе экспертных оценок.

Основные результаты, полученные в процессе теоретических и практических исследований, сводятся к следующему:

1. Произведена оценка необходимости снижения ошибки прогнозирования электропотребления промышленных предприятий, покупающих электроэнергию на оптовом рынке электроэнергии и мощности.

2. Произведен сравнительный анализ методов прогнозирования электропотребления для целей построения прогнозной модели электропотребления предприятия, покупающего электроэнергию на оптовом рынке. Наилучшим из рассмотренных методов прогноза был определен метод, основанный на искусственных нейронных сетях.

3. Разработана методика создания прогнозной модели электропотребления промышленного предприятия, основанной на искусственной нейронной сети, полученной в результате комплексного использовании генетических алгоритмов и метода экспертной оценки.

4. Для экспериментальной проверки разработанной методики:

4.1. Произведена экспертная оценка структуры системы электроснабжения КОАО «Азот». Выявлены параметры, влияющие на величину его электропотребления.

4.2. Созданы две прогнозные модели электропотребления КОАО «Азот» - с учетом планируемого производства продукции и без него.

4.3. В процессе построения прогнозных моделей КОАО «Азот» определены зависимости изменения его электропотребления от влияющих факторов.

4.4. Проведена проверка прогнозных способностей созданных моделей на множествах фактических данных об электропотреблении и производстве продукции КОАО «Азот» за пять месяцев 2009 года (февраль - июнь).

5. Доказано уменьшение ошибки прогноза при добавлении в прогнозную модель параметров, позволяющих учитывать объемы производства продукции предприятием.

6. Предложен алгоритм прогнозирования электропотребления промышленных предприятий с последовательным применением двух прогнозных моделей. Предварительный прогноз электропотребления производится с помощью прогнозной модели без учета объемов планового производства продукции, а уточняющий (окончательный) с помощью прогнозной модели, учитывающей объемы планового производства продукции предприятием.

Работы, опубликованные по теме диссертации:

1. Воронов И. В. Использование нейронной сети для краткосрочного прогнозирования электропотребления промышленного предприятия / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. - 2006. - № 6. -С. 71-73.

' 2. Воронов И. В. Краткосрочное прогнозирование электропотребления энергосистем с помощью искусственных нейронных сетей / И. В. Воронов, Е. А. Политов // Электрические станции. - 2009. - № 12. - С. 15 - 18.

3. Воронов И. В. Методика выбора входных параметров нейронной сети для прогнозирования электропотребления промышленного предприятия / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. - 2009. -№ 3. - С. 62-64.

4. Воронов И. В. Обзор типов искусственных нейронных сетей и методов их обучения / И. В. Воронов, Е. А. Политов, В. М. Ефременко //Вестник КузГТУ. - 2007. - № з. _ С. 38 - 42.

5. Воронов И. В. Определение параметров, влияющих на электропотребление промышленного предприятия, с помощью метода экспертных оценок / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. -2009.-№5.-С. 61-64.

6. Политов Е. А. Выбор модели для долгосрочного прогнозирования электропотребления промышленного предприятия / Е. А. Политов, И. В. Воронов, В. М. Ефременко // Вестник КузГТУ. - 2006. - № 6. - С. 71-73.

7. Политов Е. А. Принципы построения прогнозной модели электропотребления промышленного предприятия на основе искусственной нейронной сети / Е. А. Политов, И. В. Воронов, В. М. Ефременко // Вестник КузГТУ. - 2009. - № 5. - С. 58 - 60.

Подписано в печать

Формат 60x84/16. Бумага офсетная. Отпечатано на ризографе. Объем 1,0 п.л. Тираж 100 экз. Заказ -Ш

ГУ Кузбасский государственный технический университет 650000, Кемерово, ул. Весенняя, 28

Типография ГУ Кузбасский государственный технический университет 650000, Кемерово, ул. Д. Бедного, 4А

Введение

1. Прогнозирование электропотребления промышленных предприятий в условиях оптового рынка электроэнергии и мощности

1.1 Необходимость повышения точности прогнозирования электропотребления для промышленных предприятий

1.2 Существующие подходы к прогнозированию электропотребления промышленных предприятий

1.3 Современные средства прогнозирования электропотребления

1.3.1 Программный комплекс «Созвездие»

1.3.2. Решения по прогнозу потребления на базе платформы «Deductor Studio»

1.3.3. Программные продукты ООО НПП «ВНИКО»

1.3.4. Программный комплекс «Энергостат»

1.4 Анализ существующих систем прогнозирования электропотребления промышленных предприятий

1.5 Выводы

2. Выбор метода прогноза для построения прогнозной модели электропотребления промышленного предприятия

2.1. Методы прогнозирования

2.1.1. Понятие прогнозной модели

2.1.2. Классификация методов прогнозирования

2.2. Обзор методов прогнозирования электропотребления 32 2.2.1. Основные методы прогнозирования временных рядов

2.2.2 Прогнозная экстраполяция

2.2.3. Корреляционный и регрессионный анализ

2.2.4. Прогнозирование на базе АЯ1МА моделей

2.2.5. Адаптивные методы прогнозирования 37 2.2.6 Прогнозирование с использованием искусственных нейронных сетей 38 2.2.7. Прогнозирование с использованием гибридных систем

2.3. Оценка качества прогноза и прогнозной модели

2.4. Выбор метода для краткосрочного прогнозирования электропотребления промышленного предприятия

2.5. Выводы

3. Построение прогнозной модели электропотребления промышленного предприятия на основе искусственной нейронной сети

3.1. Основные принципы построения прогнозной модели электропотребления промышленного предприятия на основе искусственной нейронной сети

3.2. Анализ параметров, влияющих на электропотребление предприятия, на различных уровнях его системы 59 электроснабжения

3.3. Методика выбора параметров, влияющих на электропотребление промышленного предприятия на основе метода экспертных оценок

3.4. Алгоритм построения внутренней структуры прогнозной модели электропотребления промышленного предприятия

3.5. Выводы

4. Определение закономерностей и построение прогнозной модели электропотребления КОАО «Азот»

4.1. Структура электропотребления КОАО «Азот»

4.2. Построение прогнозной модели электропотребления

КОАО «Азот» на основе ИНС с применением генетических алгоритмов

4.2.1. Выбор конфигурации ИНС

4.2.2. Формирование обучающего и проверочного множества входных и выходных данных

4.2.3. Формирование, конфигурирование, обучение и проверка ИНС на обучающем и тестовом множествах входных и выходных данных

4.2.4. Оценка качества полученной прогнозной модели «А»

4.3. Выявление параметров, от которых зависит электропотребление КОАО «Азот» с помощью метода экспертных оценок

4.4. Построение прогнозной модели электропотребления КОАО «Азот» с учетом результата экспертной оценки параметров, от которых зависит электропотребление

КОАО «Азот»

4.5. Сравнение полученных прогнозных моделей, оценка их качества, рекомендации по повышению точности прогноза 121 4.6 Оценка ожидаемого экономической эффекта от снижения ошибки прогноза, при использовании созданных прогнозных моделей 123 4.7. Выводы 124 Заключение 126 Список литературы 128 Приложение 1 147 Приложение

Актуальность работы. Прогнозирование величины электропотребления промышленного предприятия является важной научно-технической задачей. Необходимость точного прогнозирования электропотребления обусловлена технологическими и экономическими причинами.

У крупных энергоемких производств доля платы за электроэнергию в себестоимости продукции может достигать десятков процентов. В условиях рыночной экономики себестоимость продукции предприятия будет определять его конкурентоспособность. В настоящее время (2010 год) большинство крупных промышленных предприятий России покупает электроэнергию на оптовом рынке электроэнергии и мощности. Плата за электроэнергию для таких предприятий складывается из платы за фактический объем потребленной электроэнергии и платы за отклонение объема фактически потребленной электроэнергии от планового объема потребления. Чем больше отклонения фактических объемов электропотребления от плановых, тем больше дополнительных расходов на электроэнергию несет предприятие.

В настоящее время прогнозирование электропотребления на большинстве промышленных предприятий производится на основе метода экспертных оценок, который в большинстве случаев не может обеспечить требуемую точность прогноза.

Для более точного прогнозирования электропотребления необходимо разработать прогнозную модель, основанную на зависимостях изменения электропотребления предприятия в реальных условиях эксплуатации.

Цель работы: повышение точности прогнозирования электропотребления промышленного предприятия, путем создания прогнозной модели электропотребления, учитывающей его зависимость от влияющих факторов.

Идея работы заключается в комплексном использовании искусственных нейронных сетей, генетических алгоритмов и метода экспертных оценок для разработки прогнозной модели электропотребления промышленного предприятия, учитывающей совокупность влияющих факторов.

Задачи исследований:

1. Выявить основные требования, предъявляемые к прогнозу величины электропотребления промышленного предприятия, покупающего электроэнергию на оптовом рынке электроэнергии и мощности.

2. Сравнить существующие методы прогнозирования электропотребления промышленных предприятий и выбрать оптимальный метод для прогнозирования электропотребления в условиях работы предприятия на оптовом рынке электроэнергии и мощности.

3. Разработать методику создания прогнозной модели электропотребления промышленного предприятия для выбранного метода прогноза.

4. Разработать методику оценки влияния параметров окружающей среды и производственных параметров на электропотребление промышленного предприятия с использованием метода экспертных оценок для определения набора входных параметров прогнозной модели.

5. Установить зависимость электропотребления многономенклатурного промышленного предприятия от влияющих на него производственных параметров и параметров окружающей среды.

6. Создать с помощью разработанных методик и полученных зависимостей прогнозную модель электропотребления, учитывающую влияние на электропотребление влияющих факторов.

7. Проверить и оценить качество работы полученной прогнозной модели путем сравнения фактических и прогнозных значений электропотребления многономенклатурного предприятия.

Основные научные положения, выносимые на защиту:

1. Для построения прогнозной модели электропотребления промышленного предприятия возможно комплексное использование искусственной нейронной сети, генетических алгоритмов, используемых для определения внутренней конфигурации нейронной сети, и экспертной оценки системы электроснабжения промышленного предприятия, используемой для выбора оптимального набора входных параметров нейронной сети.

2. Использование разработанной прогнозной модели электропотребления позволяет значительно повысить точность прогноза за счет использования зависимостей электропотребления от влияющих факторов, полученных в процессе обучения искусственной нейронной сети.

Научная новизна работы заключается в следующем:

1. Разработана методика определения зависимостей электропотребления промышленного предприятия от влияющих на него параметров с помощью искусственной нейронной сети, отличающаяся комплексным использованием генетических алгоритмов для определения внутренней конфигурации нейронной сети и экспертной оценки системы электроснабжения промышленного предприятия для выбора набора входных параметров нейронной сети.

2. Разработана прогнозная модель электропотребления промышленного предприятия, отличающаяся тем, что в качестве входных параметров модели используются объемы выпуска продукции предприятия.

3. Разработана методика по осуществлению прогноза на промышленных предприятиях, покупающих электроэнергию на оптовом рынке электроэнергии и мощности, отличающаяся последовательным использованием двух прогнозных моделей для предварительного и уточняющего прогнозирования.

Методы исследования. Разработки и исследования проводились на основе теории системного анализа, теории математического моделирования, теории искусственных нейронных сетей, генетических алгоритмов отбора и нечеткой логики, метода экспертных оценок, компьютерного моделирования.

Достоверность научных положений и выводов подтверждается применением современных математических методов прогнозирования и экспериментальной проверкой теоретических выводов путем разработки прогнозной модели электропотребления КОАО «Азот», на основании фактических данных об объемах электропотребления, полученных в процессе работы предприятия при помощи точных измерительных приборов и данных о производстве продукции.

Практическая ценность работы состоит в том, что полученные теоретические и практические результаты могут быть использованы:

- для снижения величины финансовых издержек предприятий, возникающих при отклонении фактических объемов электропотребления от объемов, заявленных к покупке на рынке электроэнергии, путем использования прогнозных моделей электропотребления предприятий с учетом индивидуальных особенностей каждого предприятия; для проведения на предприятии организационных мероприятий в части планирования и учета производственной деятельности, позволяющих снизить величину ошибки при прогнозировании электропотребления.

Реализация результатов работы. Научные и практические результаты работы приняты к использованию в Управлении главного энергетика КОАО «Азот» в качестве дополнения к существующим методам прогнозирования почасовых объемов электропотребления.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на I Всероссийской научно-технической конференции «Современные пути развития машиностроения и автотранспорта Кузбасса» (г. Кемерово, 2007 г.); VII Международной научно-практической конференции «Современные энергетические системы и комплексы и управление ими» (г. Новочеркасск, 2007 г.); Третьей научно-технической конференции ОАО «НТЦ Электроэнергетики» «Разработки молодых специалистой в области электроэнергетики - 2008» (г. Москва, 2008 г.).

Публикации. По теме диссертации опубликовано 7 печатных работ, из них в рекомендуемых ВАК изданиях - 1.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка используемой литературы из 147 наименований и двух приложений и содержит 153 страницы текста, 22 таблицы и 36 рисунков.

Основные результаты, полученные в процессе теоретических и практических исследований, сводятся к следующему:

1. Произведена оценка необходимости снижения ошибки прогнозирования электропотребления промышленных предприятий, покупающих электроэнергию на ОРЭМ.

2. Произведен сравнительный анализ методов прогнозирования электропотребления для целей построения прогнозной модели электропотребления предприятия, покупающего электроэнергию на оптовом рынке. Наилучшим из рассмотренных методов прогноза был признан метод, основанный на искусственных нейронных сетях.

3. Разработана методика создания прогнозной модели электропотребления промышленного предприятия, основанной на искусственной нейронной сети, полученной в результате комплексного использовании генетических алгоритмов и метода экспертной оценки.

4. Для экспериментальной проверки разработанной методики:

4.1. Произведена экспертная оценка структуры системы электроснабжения КОАО «Азот». Выявлены параметры, влияющие на величину его электропотребления.

4.2. Созданы две прогнозные модели электропотребления КОАО «Азот» - с учетом планируемого производства продукции и без него.

4.3. В процессе построения прогнозных моделей КОАО «Азот» определены зависимости изменения его электропотребления от влияющих факторов.

4.4. Проведена проверка прогнозных способностей созданных моделей на множествах фактических данных об электропотреблении и производстве продукции КОАО «Азот» за пять месяцев 2009 года (февраль — июнь).

5. Доказано уменьшение ошибки прогноза при добавлении в прогнозную модель параметров, позволяющих учитывать объемы производства продукции предприятием.

6. Предложен алгоритм прогнозирования электропотребления промышленных предприятий с последовательным применением двух прогнозных моделей. Предварительный прогноз электропотребления производится с помощью прогнозной модели без учета объемов планового производства продукции, а уточняющий (окончательный) с помощью прогнозной модели, учитывающей объемы планового производства продукции предприятием.

ЗАКЛЮЧЕНИЕ

В диссертационной работе дано новое решение актуальной задачи повышения точности прогнозирования электропотребления промышленного предприятия, имеющей существенное значение для повышения эффективности эксплуатации систем электроснабжения промышленных предприятий. Повышение точности прогнозирования достигается путем использования прогнозной модели электропотребления, основанной на искусственной нейронной сети, генетических алгоритмах отбора и методе экспертных оценок.

1. Авдеева, Н. Л. О прогнозах потребления электроэнергии в условиях рыночной экономики России Текст. / Н. Л. Авдеева, Ю. М. Коган, А. Е. Романов // Энергетик. 2003. - № 7. -С. 9 - 11.

2. Агеева, Е. В. Проблемы прогнозирования потребности в электроэнергии как база для проектирования региональной электроэнергетики Текст. / Е. В. Агеева, Ю. В. Власова, Ю. М. Коган // Энергетик. 2008. - № 6. - С. 9 - 11.

3. Агеев, С. П. Математическое моделирование процесса электропотребления приёмников поточного производства Текст. / С. П. Агеев // Электрика. 2003. - № 2. - С. 27 - 29.

4. Айвазян, С. А. Прикладная статистика и основы эконометрики / С. А. Айвазян, В. С. Мхитарян. М.: Юнити, 1998. -1022 с.

5. Андерсон, Т. Статистический анализ временных рядов / Т. Андерсон; Пер с англ. М.: Мир, 1976. - 760 с.

6. Анчарова, Т. В. Анализ и нормирование электропотребления предприятий средней и малой мощности с многономенклатурным производством Текст. / Т. В. Анчарова, А. П. Пищур // Вестник МЭИ. 2003. - № 2. - С. 35 - 40.

7. Анчарова, Т. В. Определение значимых факторов, влияющих на электропотребление в электротехнической промышленности Текст. / Т. В. Анчарова, 3. К. Хабдуллина // Промышленная энергетика. 1993. - № 4. - С. 21 - 24.

8. Анчарова, Т. В. Развитие электропотребления на промышленных предприятиях в условиях неопределенности исходной информации Текст. / Т. В. Анчарова, С. С. Бодрухина, Ю.

9. В. Матюнина // Промышленная энергетика. 1995. - № 9. - С. 21 - 22.

10. Астахов, Ю. Н. Использование методов теории подобия в прогнозировании выработки электроэнергии Текст. / Ю. Н. Астахов, К. К. Зубков, В. П. Кавченков, Т. Е. Пашенкова // Электричество. 1993. - № 3. - С. 13 - 21.

11. Барыкин, Е. Е. Исследование динамики удельных показателей электропотребления промышленных предприятий Текст. / Е. Е. Барыкин, А. В. Витушко, Э. М. Косматов, Л. И. Малькова // Промышленная энергетика. 1998. - № 8. - С. 2 - 7.

12. Батищев, Д. И. Генетические алгоритмы решения экстремальных задач / Д. И. Батищев. Воронеж: ВГУ, 1994. - 135 с.

13. Батыршин, И. 3. Нечеткие гибридные системы. Теория и практика / И. 3. Батыршин, А. О. Недосекин, А. А. Стецко. — М.: Физматлит, 2007. 208 с.

14. Белан, А. В. Пути и результаты совершенствования методов прогнозирования электропотребления Текст. / А. В. Белан, В. И. Гордеев, А. В. Демура, И. И. Надтока // Промышленная энергетика. 1993. - № 9-10. - С. 23 - 26.

15. Бешелев, С. Д. Математико-статистические методы экспертных оценок / С. Д. Бешелев, Ф. Г. Гурвич. — М.: Статистика, 1980. 263 с.

16. Беркович, М. М. Методология и опыт прогнозирования полезного отпуска электроэнергии потребителям Текст. / М. М. Беркович, В. В. Косов, Е. В. Косова, Я. М. Уринсон, В. И. Эдельман // Энергетик. 2003. - № 7. - С. 6 - 9.

17. Бокс, Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс. М.: Мир, 1974. - 520 с.

18. Болн, Б. Многомерные статистические методы для экономики / Б. Болн, К. Дж. Хуань. М.: Наука, 1979. - 348 с.

19. Большое, JI. А. Прогнозирование энергопотребления: современные подходы и пример исследования Текст. / JI. А. Болыпов, М. Ф. Каневский, Е. А. Савельева, В. А. Тимонин, С. Ю. Чернов // Известия Академии наук. Энергетика. 2004. - № 6. - С. 74 - 93.

20. Борцов, Ю. А. Использование современных подходов и методов для прогнозирования электропотребления Текст. / Ю. А. Борцов, Н. Д. Поляхов, И. А. Приходько, Е. С. Анушина // Электротехника. 2006. - № 8. - С. 30 - 35.

21. Буторин, В. К. О сменносуточном энергопотреблении и нормировании в условиях неустойчивой работы основного производства Текст. / В. К. Буторин // Электрика. 2008. - № 3. -С. 36 - 42.

22. Бэнн, Д. В. Сравнительные модели прогнозирования электрической нагрузки / Д. В. Бэнн, Е. Д. Фармер; Пер. с англ. М.: Энергоатомиздат, 1987. - 568 с.

23. Васильев, И. Е. Математическая модель расчета и прогнозирования удельного расхода электроэнергии при производстве водорода Текст. / И. Е. Васильев, Р. В. Клюев // Известия вузов. Электромеханика. 2002. - № 3. — С. 59 — 62.

24. Венецкий, И. Г. Основы математической статистики /

25. И. Г. Венецкий, Г. С. Кильдишов. М.: «Госиздат», 1963. 308 с.130

26. Вентцель, Е. С. Теория вероятностей / Е. С. Вентцель. -М.: Наука, 1964. 576 с.

27. Владимирова, Л. П. Прогнозирование и планирование в условиях рынка: Учебное пособие / Л. П. Владимирова. М., 2001. - 308 с.

28. Воронов, И. В. Использование нейронной сети для краткосрочного прогнозирования электропотребления промышленного предприятия Текст. / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. 2006. - № 6. - С. 71 - 73.

29. Воронов, И. В. Краткосрочное прогнозирование электропотребления энергосистем с помощью искусственных нейронных сетей Текст. / И. В. Воронов, Е. А. Политов // Электрические станции. 2009. - № 12. - С. 15 - 18.

30. Воронов, И. В. Методика выбора входных параметров нейронной сети для прогнозирования электропотребления промышленного предприятия Текст. / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. 2009. - № 3. - С. 62- 64.

31. Воронов, И. В. Обзор типов искусственных нейронных сетей и методов их обучения Текст. / И. В. Воронов, Е. А. Политов, В. М. Ефременко //Вестник КузГТУ. 2007. - № 3. - С. 38 - 42.

32. Воронов, И. В. Определение параметров, влияющих на электропотребление промышленного предприятия, с помощью метода экспертных оценок Текст. / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. 2009. - № 5. - С. 61- 64.

33. Вороновский, Г. К. Генетические алгоритмы, нейронные сети и проблемы виртуальной реальности / Г. К. Вороновский. Харьков: Основа, 1997. - 112 с.131

34. Гальперова, Е. В. Особенности прогнозирования энергопотребления на региональном уровне Текст. / Е. В. Гальперова // Известия Академии наук. Энергетика. 2004. - № 4. - С. 61 - 66.

35. Генетические алгоритмы Электронный ресурс. // (EHIPS) Генетические алгоритмы. URL: http://www.iki. rssi.ru/ehips/Genetic. htm (дата обращения: 01.06.2009).

36. Глущенко, В. В. Прогнозирование / В. В. Глущенко. -3-е изд. М.: Вузовская книга, 2008. - 208 с.

37. Гнатюк, В. И. Моделирование процесса электропотребления объектов техноценоза Текст. / В. И. Гнатюк // Электрика.- 2004. № 4. - С. 36 - 41.

38. Гнатюк, В. И. Оценка адекватности работы динамической адаптивной модели электропотребления Текст. / В. И. Гнатюк, С. Н. Гринкевич, Д. В. Луценко // Электрика. 2006. -№ 12. - С. 36 - 39.

39. Гнатюк, В. И. Прогнозирование электропотребления методами GZ-анализа Текст. / В. И. Гнатюк, Д. В. Луценко, А. М. Линев, П. С. Ермоленко // Электрика. 2008. -№ 8. - С. 24 -30.

40. Гнатюк, В. И. Прогнозирование электропотребления техноценоза классическим методом Текст. / В. И. Гнатюк, С. Н. Гринкевич // Электрика. 2006. - № 1. - С. 30 - 33.

41. Гнатюк, В. И. Программный комплекс «Электропотребление объекта техноценологического типа» Текст. / В. И. Гнатюк, А. Е. Северин, С. Н. Гринкевич // Электрика. 2004. - № 6.- С. 31 34.

42. Гнатюк, В. И. Система исходных данных для моделирования электропотребления техноценоза Текст. / В. И. Гнатюк,132

43. С. Н. Гринкевич, С. В. Ханевич // Электрика. 2006. - № 9. - С. 46 - 47.

44. Гнатюк, В. И. Тонкие процедуры рангового анализа по электропотреблению Текст. / В. И. Гнатюк // Электрика. 2007. - № 12. С. 13 - 16.

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

46. Грачева, Е. И. Определение расхода электроэнергии на основе математической модели Текст. / Е. И. Грачева, Р. С. Са-итбаталова // Промышленная энергетика. 1999. - № 4. - С. 24 -25.

47. Гунин, В. М. Опыт нормирования и прогнозирования электропотребления предприятия на основе математической обработки статистической отчетности Текст. / В. М. Гунин, Л. А. Копцев, Г. В. Никифоров // Промышленная энергетика. — 2000. -№ 2. С. 2 - 5.

48. Демура, А. В. Краткосрочное прогнозирование суточных графиков нагрузки на основе искусственных нейронных сетей Текст. / А. В. Демура // Известия вузов. Электромеханика. -1998. № 2/3. - С. 69 - 71.

49. Демура, А. В. Моделирование и прогнозирование на основе искусственных нейронных сетей Текст. / А. В. Демура //Известия вузов. Электромеханика. 2005. - № 5. - С. 29 - 32.

50. Дзевенцкий, А. Я. Метод нормирования электроэнергии на предприятиях с изменяющимися режимами потребления мощности Текст. / А. Я. Дзевенцкий, Ф. А. Хашимов, А. 3. Шукуров // Промышленная энергетика. 1996. — № 5. - С. 4 - 6.

51. Добров, Г. М. Экспертные оценки в научно-техническом прогнозировании / Г. М. Добров, Ю. В. Ершов, Е. И. Левин. — Киев: Наук, думка, 1974. 480 с.

52. Евланов, Л. Г. Экспертные оценки в управлении / Л. Г. Евланов, В. А. Кутузов. М.: Экономика, 1978. - 134 с.

53. Ермоленко, П. С. Прогнозирование расхода электрической энергии нефтеперерабатывающего производства Текст. / П. С. Ермоленко // Электрика. 2006. - № 10. - С. 35 - 39.

54. Ершов, М. С. Вероятностные алгоритмы оценки электрических нагрузок Текст. / М. С. Ершов, А. В. Егоров, Д. П. Сорокотягин, И. В. Ивановский // Промышленная энергетика. -1998. № 2. - С. 17 - 21.

55. Ершов, М. С. Моделирование электропотребления в системах промышленного электроснабжения Текст. / М. С. Ершов, С. А. Головатов, Г. Я. Григорьев // Промышленная энергетика. 1999. - № 5. - С. 22 - 25.

56. Ефременко, В. М. Анализ электропотребления на предприятии по производству химического волокна Текст. / В. М. Ефременко, И. В. Воронов // Вестник КузГТУ. 2006. - № 4. -С. 85 - 87.

57. Жежеленко, И. В. Вероятностное моделирование расчетных электрических нагрузок промышленных установок Текст. / И. В. Жежеленко, В. П. Степанов, О. В. Быховская // Электричество. 1983. - № 7. - С. 52 - 54.

58. Жежеленко, И. В. Методы вероятностного моделирования в расчетах характеристик электрических нагрузок потребителей / И. В. Жежеленко, Ю. JI. Соенко, В. П. Степанов. М.: Энергоатомиздат, 1990. - 124 с.

59. Жичкин, С. В. Модели электропотребления на основе нейронных сетей Текст. / С. В. Жичкин // Электрика. 2003. -№ 2. - С. 37 - 39.

60. Жуков, Д. М. К вопросу о методах и моделях прогнозирования нагрузки Текст. / Д. М. Жуков // Электрика. 2007. -№ 12. - С. 10 - 13.

61. Ибираимова, Т. Б. Прогнозирование тенденций финансовых рынков с помощью нейронных сетей / Т. Б. Ибираимова // Нейрокомпьютеры и их применение: Труды VIII всероссийской конференции. М.: ИПУ РАН, 2002. - С. 745 - 755.

62. Иванов, M. Н. Анализ роста курса акций с применением нейронных сетей / M. Н. Иванов // Нейрокомпьютеры и их применение: Труды VIII всероссийской конференции. М.: ИПУ РАН, 2002. - С. 756 - 772.

63. Ивченко, В. Д. Применение нейросетевых технологий в различных областях науки и техники Текст. / В. Д. Ивченко, С. С. Кананадзе // Приборы и системы. Управление, контроль, диагностика. 2005. - № 6. - С. 28 - 29.

64. Идиятуллин Р. Г. Статистические методы исследования при разработке математической модели электропотребления производственного объекта Текст. / Р. Г. Идиятуллин, Д. В.

65. Шуралев // Известия ВУЗов. Проблемы энергетики. 2002. - № 5-6, - С. 56 - 69.

66. Каллан, Р. Основные концепции нейронных сетей / Р. Каллан. М.: Издательский дом «Вильяме», 2003. - 288 с.

67. Кемеровское открытое акционерное общество «Азот» Электронный ресурс. // История. URL: http://www.azot.kuzbass.net/section/78.html (дата обращения: 01.07.2009)

68. Кендалл, М. Многомерный статистический анализ и временные ряды / М. Кендалл, А. Стюарт. М.: Наука, 1976. — 736 с.

69. Клеопатров, Д. И. Прогнозирование экономических показателей с помощью метода экспоненциального сглаживания / Д. И. Клеопатр ов, А. А. Френкель. — М.: Наука, 1973. — 298 с.

70. Коваленко, Ю. П. Сезонные закономерности электропотребления Магнитогорского промышленного узла Текст. / Ю. П. Коваленко, В. Б. Славгородский // Промышленная энергетика. -2003. № 7. - С. 28 - 35.

71. Комплекс «Созвездие». Модуль Энерготрейдер Электронный ресурс. // Созвездие Энергетических Решений. URL: http ://soz vezdie.net/svstem/modul е. php?SECTIONID=2&ID=l 8 (дата обращения: 10.02.2009).

72. Копцев, JI. А. Нормирование и прогнозирование потребления электроэнергии в зависимости от объемов производивства Текст. / JI. А. Копцев // Промышленная энергетика. 1996. - № 3. - С. 5 - 7.

73. Кудрин, Б. И. Методика обеспечения почасового прогнозирования электропотребления предприятий с учетом погодных факторов Текст. / Б. И. Кудрин, А. В. Мозгалин // Вестник МЭИ. 2007. - № 2. - С. 105 - 108.

74. Кудрин, Б. И. Учет технологических факторов при нормировании расходов электроэнергии и прогнозировании электропотребления химических предприятий Текст. / Б. И. Кудрин // Промышленная энергетика. 2002. - № 12. - С. 24 - 28.

75. Кудрин, Б. И. Электроснабжение промышленных предприятий: Учебник для студентов высших учебных заведений / Б. И. Кудрин. М.: Интермет Инжиниринг, 2005. - 672 с.

76. Курбацкий, В. Г. Прогнозирование электрической нагрузки с использованием искусственных нейронных сетей Текст. / В. Г. Курбацкий, Н. В. Томин // Электрика. 2006. - № 7. - С. 26 - 32.

77. Лагуткин, О. Е. Прогноз годового электропотребления крупных техноценозов Текст. / О. Е. Лагуткин, М. Г. Ошурков // Известия вузов. Электромеханика. 1995. - №. 1-2. - С. 115 — 117.

78. Легостаева, И. Л. Минимальные веса в задаче выделения тренда случайного процесса Текст. / И. Л. Легостаева, А. Н. Ширяев // Теория вероятностей и ее применение. 1971. - т. XVI. - № 2. - С. 29 - 31.

79. Лисичкин, В. А. Теория и практика прогностики / В. А. Лисичкин. М.: Наука, 1972. - 223 с.

80. Льюис, К. Д. Методы прогнозирования экономических показателей / К. Д. Льюис; пер. с англ.: Е. 3. Демиденко. М.: Финансы и статистика, 1986. - 132 с.

81. Макоклюев, Б. И. Взаимосвязь точности прогнозирования и неравномерности графиков электропотребления Текст. / Б. И. Макоклюев, В. Ф. Еч // Электрические станции. 2005. -№ 5. - С. 64 - 67.

82. Макоклюев, Б. И. Влияние колебаний метеорологических факторов на электропотребление энергообъединений Текст. / Б. И. Макоклюев, В. С. Павликов, А. И. Владимиров, Г. И. Фефелова // Энергетик. 2003. - № 6. - С. 45 - 48.

83. Макоклюев, Б. И. Влияние метеорологических факторов на электропотребление Текст. / Б. И. Макоклюев, Б. С. Павликов, А. И. Владимиров, Г. И. Фефелова // Электрические станции. 2002. - № 1. - С. 26 - 31.

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

85. Макоклюев, Б. И. Прогнозирование потребления электроэнергии в АО «Мосэнерго» / Б. И. Макоклюев, А. И. Владимиров, Г. И. Фефелова // ТЭК. 2001. - № 4. - С. 56 - 57.

86. Макоклюев, Б. И. Учет влияния метеорологических факторов при прогнозировании электропотребления энергообъединений Текст. / Б. И. Макоклюев, В. Ф. Еч. // Энергетик. — 2004. № 6. - С. 15 - 16.

87. Манусов, В. 3. Нейросетевые модели для анализа и прогнозирования нагрузки энергосистемы Текст. / В. 3. Манусов, С. В. Хохлова // Электрика. 2004. - № 6. - С. 28 - 30.138

88. Манусов, В. 3. Оценка и прогнозирование электропотребления в энергосистемах на основе нечеткого регрессионного анализа Текст. / В. 3. Манусов, А. В. Могиленко, В. П. Костро-мин // Электрика. 2003. - № 7. - С. 41 - 43.

89. Меламед, А. М. Применение принципов экспертных систем для прогнозирования электропотребления Текст. / А. М. Меламед, О. А. Скрипко // Электричество. 1994. - № 1. - С. 26 - 31.

90. Михайлова, Л. В. Анализ электропотребления на Рязанском нефтеперерабатывающем заводе Текст. / Л. В. Михайлова // Промышленная энергетика. 1993. - № 1. - С. 19-21.

91. Морхов, А. Ю. Определение среднесменной мощности группы электроприемников с помощью теории нечетких множеств Текст. /А. Ю. Морхов // Известия вузов. Электромеханика. 1995. - № 1-2. - С. 121 - 123.

92. Надтока, И. И. Многофакторное моделирование электропотребления промышленного предприятия Текст. / И. И. Надтока // Известия вузов. Электромеханика. 1998. - № 2/3. -С. 72 - 74.

93. Нечитайлов, В. Ю. Прогнозирование сбытовых показателей деятельности энергосистемы с помощью аппарата нейронных сетей Текст. / В. Ю. Нечитайлов, И. А. Вилесов // Промышленная энергетика. 2002. - № 4. - С. 2 - 8.

94. Никифоров, Г. В. Анализ устойчивости регрессионных моделей электропотребления Текст. / Г. В. Никифоров // Промышленная энергетика. 1999. - № 12. - С. 18 - 20.

95. Никифоров, Г. В. Совершенствование нормирования и планирования электропотребления в промышленном производстве Текст. / Г. В. Никифоров // Промышленная энергетика. -1999. № 3. - С. 27 - 29.

96. Нифонтов, И. Н. Ранговые оценки электропотребления промышленных предприятий Текст. / И. Н. Нифонтов, М. Г. Ошурков, О. Е. Лагуткин // Электрика. 2003. - № 12. - С. 18 -22.

97. Новиков, С. С. Оперативное прогнозирование электропотребления металлургического предприятия как средство снижения рыночных рисков Текст. / С. С. Новиков // Вестник МЭИ. 2008. № 1. - С. 91 - 97.

98. Олейников, В. К. Нормирование энергозатрат при многономенклатурном производстве Текст. / В. К. Олейников, Г. В. Никифоров // Промышленная энергетика. — 2000. — № 6. — С. 30 -32.

99. Перова, М. Б. Прогнозирование в региональной электроэнергетике / М. Б. Перова, И. В. Булавин, В. М. Санько. -Вологда. НПЦ «Легия», 2001. 73 с.

100. Политов, Е. А. Выбор модели для долгосрочного прогнозирования электропотребления промышленного предприятия Текст. / Е. А. Политов, И. В. Воронов, В. М. Ефременко // Вестник КузГТУ. 2006. - № 6. - С. 71 - 73.

101. Политов, Е. А. Принципы построения прогнозной модели электропотребления промышленного предприятия на основе искусственной нейронной сети Текст. / Е. А. Политов, И. В. Воронов, В. М. Ефременко // Вестник КузГТУ. 2009. - № 5. -С. 58 - 60.

102. Попов, Э. В. Экспертные системы / Э. В. Попов. М.: Наука, 1987. 520 с.

103. Постановление Правительства Российской Федерации от 31 августа 2006 года № 529 «О совершенствовании порядка функционирования оптового рынка электрической энергиимощности) // Российская газета. 2006. - № 194. - С. 18-19.140

104. Программное обеспечение для объектов энергетики Электронный ресурс. // ООО Научно-производственное предприятие «ВНИКО». URL: http://vniko.ru/ioom/index.php?option=:com content&task=view&id =20&Itemid=45 (дата обращения: 01.02.2009).

105. Программно-технологическое обеспечение для энергетики Электронный ресурс. // Энергостат. URL: http://www.energostat.ru/products (дата обращения: 01.02.2009).

106. Родина, Л. С. Моделирование режимов электропотребления предприятий транспорта нефти Текст. / Л. С. Родина, Н.

107. B. Токочакова, Ю. Н. Колесник // Вестник МЭИ. 2002. - № 3.1. C. 71 74.

108. Родина, Л. С. Моделирование электропотребления участков нефтепровода с учетом состава насосных агрегатов Текст. / Л. С. Родина, Н. В. Токочакова, Ю. Н. Колесник, С. И. Поло-винко // Вестник МЭИ. 2005. - № 2. - С. 61 - 65.

109. Родина, Л. С. Структурные закономерности суточного электропотребления энергосистемы Текст. / Л. С. Родина, Н. В. Токочакова, В. Н. Токочаков // Промышленная энергетика. -1996. № 11. - С. 26 - 28.

110. Саитбаталова, Р. С. Некоторые вопросы составления и анализа электробаланса на промышленных предприятиях Текст. / Р. С. Саитбаталова, Р. У. Галеева // Промышленная энергетика. 1996. - № 5. - С. 2 - 3.

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

112. Саитбаталова, Р. С. Статистическая оценка фактического удельного расхода электроэнергии на выпуск продукции141

113. Текст. // Р. С. Саитбаталова, Р. У. Галеева, Филиппов Н. А. // Промышленная энергетика. 2002. - № 12. - С. 29 - 30.

114. Самосейко, В. Ф. Математическое моделирование потребления электроэнергии производственными системами Текст. / В. Ф. Самосейко, В. А. Шошмин // Электричество. -1995. № 3. - С. 23 - 29.

115. Славгородский, В. Б. Влияние сезонного изменения температуры на электропотребление Магнитогорского металлургического комбината Текст. / В. Б. Славгородский, В. П. Пруда-ев, Ю. П. Коваленко // Промышленная энергетика. 1998. - № 12. - С. 12 - 17.

116. Стоянов, Ст. Д. Участие быстроменяющихся электрических нагрузок в графиках нагрузок промышленных предприятий Текст. / Ст. Д. Стоянов, Хр. Ст. Богданов // Промышленная энергетика. 1994. - № 3. - С. 42 - 46.

117. Суднова, В. В. Повышение качества планирования электропотребления на основе статистического анализа Текст. /

118. B. В. Суднова, А. Е. Якимов // Электричество. 1992. - № 5.1. C. 12 16.

119. Сушков, В. В. Оптимизация электропотребления нефтедобывающих предприятий Текст. / В. В. Сушков, А. Д. Гельд // Промышленная энергетика. 1998. - № 8. - С. 12 - 14.

120. Таряник, Н. А. Математические модели прогнозирования расхода электрической энергии с учетом сезонного фактора142

121. Текст. / Н. А. Таряник // Промышленная энергетика. 1992. -№ 12. - С. 22 - 25.

122. Теория прогнозирования и принятия решений: Учебное пособие / Под ред. С. А. Саркисяна. М.: Высшая школа, 1977. - 351 с.

123. Титова, Г. Р. Математическая модель прогнозирования электрической нагрузки в ЖКХ (на примере многоэтажных гаражей-стоянок) Текст. / Г. Р. Титова, Е. Д. Розанова //Известия вузов. Проблемы энергетики. 2006. - № 11-12. - С. 13 - 15.

124. Тихонов, Э. Е. Методы прогнозирования в условиях рынка: Учебное пособие / Э. Е. Тихонов. Невинномысск, 2006. -211 с.

125. Усихин, В. Н. О нормировании и планировании электропотребления на промышленных предприятиях Текст. / В. Н. Усихин // Промышленная энергетика. 1997. - № 4. - С. 30 - 37.

126. Федотов, А. И. Нормирование электропотребления на основе математического моделирования Текст. / А. И. Федоров, Г. В. Вагапов // Известия вузов. Проблемы энергетики. 2008. -№ 9-10. - С. 130 - 133.

127. Филиппов, С. Г. Ценологический подход к нормированию и прогнозированию электропотребления Текст. / С. Г. Филиппов // Электрика. 2004. - № 7. - С. 18-21.

128. Фокин, Ю. А. Вероятностно-статистические методы в расчетах систем электроснабжения. М.: Энергоатомиздат, 1985.- 240 с.

129. Фокин, Ю. А. Формальные приемы выбора метода прогнозирования режимов электропотребления объектов ЭЭС Текст. / Ю. А. Фокин, С. В. Минаков // Вестник МЭИ. 2001. -№ 1. - С. 9 - 15.

130. Фокин, Ю. А. Экспериментальное исследование вероятностно-статистических характеристик нагрузок в электро-снабжающей системе Текст. / Ю. А. Фокин, И. С. Пономаренко, В. С. Павликов // Электричество. 1983. - № 9. - С. 9 - 15.

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

132. Хорьков, С. А. Методики составления баланса и расчета рангового распределения норм электропотребления многономенклатурного производства Текст. / С. А. Хорьков // Промышленная энергетика. 2007. - № 10. - С. 23 - 27.

133. Четыркин, Е. М. Статистические методы прогнозирования / Е. М. Четыркин. М.: Финансы и статистика, 1979. - 199 с.

134. Шидловский, А. К. Расчеты электрических нагрузок систем электроснабжения промышленных предприятий / А. К. Шидловский, Г. Я. Вагин, Э. Г. Куренный. М.: Энергоатомиздат, 1992. - 223 с.

135. Шумилова, Г. П. Краткосрочное прогнозированиеэлектрических нагрузок с использованием искусственных ней144ронных сетей Текст. / Г. П. Шумилова, Н. Э. Готман, Т. Б. Старцева // Электричество. 1999. - № 10. - С. 6 - 12.

136. Шумилова, Г. П. Модель суточного прогнозирования нагрузок ЭЭС с использованием нечетких нейронных сетей Текст. / Г. П. Шумилова, Н. Э. Готман, Т. Б. Старцева // Известия Академии наук. Энергетика. 2001. —№ 4. — С. 52 — 59.

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

138. Ярушкина, Н. Г. Нечеткие нейронные сети с генетической настройкой / Н. Г. Ярушкина. — М.: Финансы и статистика, 2004. 320 с.

139. Deductor Электронный ресурс. // Basegroup.ru : Deductor. URL: http://basegroup.ru/deductor/ (дата обращения: 01.02.2009)

140. Gilchrist, W. Statistical Forecasting / W. Gilchrist. -London: John Wiley & Sons, 2001. 540 p.

141. Fogel, D. B. Evolutionary computation: Toward a New Philosophy of Machine Intelligence / D. B. Fogel. Piscataway, NJ: IEEE Press, 1995. - 340 p.

142. Hirota, K. A Disturbed Model of Fuzzy Set Connectives / K. Hirota, W. Pedrycz // Fuzzy Sets and Systems. 1994. - V. 68. -P. 157 - 170.

143. Kohonen, T. Self-organizing Maps. Heidelberg: Springer Verlag, 1995. - 256 p.

144. Makridakis, S. Forecasting: methods and applications. / S. Makridakis, S. Wheelwright, R. Hyndman. N-Y.: John Wiley & Sons, 1998. - 420 p.

145. Mennon, A. Characterization of class of sigmoid functions with applications to neural networks / A. Mennon, K. Mehrota, C. K. Mohan, S. Ranka // Neural networks. 1996. - № 9. - P. 819 -835.

146. Pedrycz, W. A Distributed Fuzzy System Modeling / W. Pedrycz, C. W. Lam, A. Roch // IEEE Transactions on System, Man and Cybernetics. 1995. - № 5. - P. 41 - 43.

147. Zadeh, L. A. Fuzzy Logic, Neural Network and Soft Computing // Communication of the ACM. 1994. - № 3. - P. 78 - 84.