автореферат диссертации по процессам и машинам агроинженерных систем, 05.20.02, диссертация на тему:Совершенствование прогнозирования электропотребления сельскохозяйственного предприятия нейросетевым методом

ЧУВИЛКИН Александр Викторович

СОВЕРШЕНСТВОВАНИЕ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ НЕЙРОСЕТЕВЫМ МЕТОДОМ

Специальность 05.20.02 - Электротехнологии и электрооборудование в сельском хозяйстве (по техническим наукам)

2 4 НОЯ 2011

Автореферат диссертации на соискание ученой степени кандидата технических наук

Мичуринск-наукоград РФ 2011

005003507

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Мичуринский государственный аграрный университет»

Научный руководитель:

доктор технических наук, профессор Гордеев Александр Сергеевич

Официальные оппоненты:

доктор технических наук, профессор Гришин Иван Иванович

кандидат технических наук, профессор Набатов Константин Александрович

Ведущая организация:

федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Саратовский государственный технический университет»

Защита состоится 16 декабря 2011 г. в 13ш часов на заседании диссертационного совета ДМ 220.041.03 при Мичуринском государственном аграрном университете по адресу: 393760, г. Мичуринск, ул. Интернациональная,101, зал заседаний диссертационного совета.

С диссертацией можно ознакомиться в библиотеке университета ФГБОУ ВПО МичГАУ, с авторефератом - на сайтах Высшей аттестационной комиссии Министерства образования и науки Российской Федерации vak.ed.gov.ru и ФГБОУ ВПО МичГАУ www.mgau.ru.

Отзывы на автореферат в двух экземплярах, заверенные гербовой печатью, просим направлять ученому секретарю диссертационного совета по адресу: 393760, г. Мичуринск, ул. Интернациональная, 101.

Автореферат разослан «> » ноября 2011 года.

Ученый секретарь диссертационного совета, кандидат технических наук, доцент

Михеев Н.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы

В структуре энергетических затрат на производство сельскохозяйственной эодукции в Российской Федерации доля электрической энергии достигает 11%-5%. Из-за относительно небольшого электропотребления сельскохозяйственные эедприятия являются участниками розничного рынка электроэнергии. Работа на эзничном рынке предполагает для каждого предприятия заключение договоров на эставку электроэнергии, в соответствии с которыми необходимо заявлять панируемый объем электропотребления на год с помесячной детализацией. При гклонении фактического объема потребленной электрической энергии гносительно договорного на предприятие накладываются штрафные санкции.

Кроме того, прогнозные значения электропотребления необходимы при роектировании и реконструкции систем электроснабжения сельскохозяйственного редприятия.

Поэтому важное значение для сельскохозяйственного предприятия имеет рогнозирование электропотребления, что на сегодняшний день является сгуальной научной и практической задачей.

Изучение вопросов прогнозирования связано с именами таких учёных, как: 1акоклюев Б.И.- программный комплекс «Энергостат», Кудрин Б.И., Гнатюк В.И., агуткин O.E., Ощурков М.Г.- прогнозирование с применением рангового анализа, оронов И.В.- нейростетевой подход при прогнозировании электропотребления, ещинская Т.Б. и др.

Для прогнозирования электропотребления применяются методы экспертных ценок, экстраполяции, регрессионные модели, ранговый анализ и др. Однако эти етоды не учитывают особенности сельского хозяйства и, как следствие, обладают ольшой ошибкой прогнозирования. Для минимизации ошибки прогнозирования пектропотребления при изменении параметров и условий сельскохозяйственного роизводства предлагается использовать нейросетевую модель.

Работа выполнялась в Федеральном государственном бюджетном бразовательном учреждении высшего профессионального образования Мичуринский государственный аграрный университет» в соответствии с Межведомственной координационной программой фундаментальных и риоритетных прикладных исследований по научному обеспечению развития гропромышленного комплекса Российской Федерации на 2006-2010 гг. по роблеме IX «Научное обеспечение повышения машинно-технологического и нергетического потенциала сельского хозяйства России», а также в рамках осударственного контракта № 2009-1.1-000-082 по теме «Разработка системы нергетического менеджмента на предприятиях АПК» (2009-2011 гг.).

Целью работы является совершенствование методики прогнозирования потребления электрической энергии сельскохозяйственным предприятием при изменении параметров и условий производства с применением нейросетевой модели, минимизирующей ошибку прогнозирования.

Объект исследований: электропотребление сельскохозяйственного предприятия.

Предмет исследований: временные зависимости электропотреблен. сельскохозяйственного предприятия от параметров и условий произволен сельскохозяйственной продукции.

Методика исследований. В работе использовались методы математическс статистики, динамического, нейросетевого моделирования и рангового анализа.

Параллельно с теоретическими исследованиями разрабатывалис компьютерные математические модели, которые реализовывались в программнь пакетах Statistica, Matlab(Simulink, Neural Networks Toolbox, Statistics Toolbox MathCad, MS Office.

Исследования, включающие сбор и анализ информации, обучение моделей прогнозирование электропотребления осуществлялись на сельскохозяйственнь предприятиях Тамбовской и Курской областей.

Научная новизна работы состоит в: - обосновании методики выбора архитектуры и адаптации к параметрам условиям сельскохозяйственного производства динамической нейросетевой моде; прямой передачи сигнала с возможностью обучения и накопления результате обеспечивающей ощибку моделирования электропотребления не более 6%.

- обосновании методики прогнозирования электропотреблен! сельскохозяйственного предприятия динамической нейросетевой модель? позволяющей осуществлять его помесячное прогнозирование со среднегодовс ошибкой не более 4%, минимизация которой достигается выявление недостоверных данных, путём интервального оценивания гиперболически распределения электропотребления, и их заменой ретроспективными данными.

- результатах анализа электропотребления сельскохозяйственно! предприятия, заключающихся в зависимости электропотребления от структур! объемов и метеорологических условий производства продукции.

Научная гипотеза. Необходимое качество прогнозирован! электропотребления сельскохозяйственного предприятия может быть достигну путём анализа ретроспективных данных, параметров и условий производства.

Рабочая гипотеза. Минимизация ошибки прогнозирования нейросетевс моделью может быть осуществлена обнаружением недостоверных данных i электропотреблению методами интервального оценивания и их последующ! заменой ретроспективными данными.

Практическая значимость работы заключается в создании методш прогнозирования электропотребления сельскохозяйственного предприяти позволяющей определять перспективные объемы электропотребления д. заключения договоров с поставщиками электрической энергии с максимальн« экономией средств на её оплату. Разработаны компьютерные программш продукты и база данных, которые позволяют осуществлять помесячно прогнозирование электропотребления и производить текущее уточнение прогноза.

На защиту выносятся:

- методика прогнозирования электропотребления сельскохозяйственно предприятия динамической нейросетевой моделью;

- методические основы исследования зависимости электропотребления i параметров и условий производства сельскохозяйственной продукции;

- методика создания базы данных для прогнозирования электропотребления гльскохозяйственного предприятия.

Реализация результатов исследований. В ходе работы были обследованы редприятия Тамбовской и Курской областей, даны предложения по организации прогнозирования электропотребления. Разработанная методика прогнозирования ринята и используется на сельскохозяйственных предприятиях - ФГУП учхоз лемзавод «Комсомолец», СХПК «Родина» Тамбовской области; СПК «Русь» урск-ой области. Результаты исследований используются в учебном процессе 1ичуринского государственного аграрного университета при изучении дисциплин Энергоменеджмент в АПК», «Информационные технологии в энергетике».

Апробация работы. Основные положения и результаты диссертационной аботы доложены, обсуждены и одобрены на: XXI Международной научной онференции «Математические методы в технике и технологиях» г. Тамбов, 2008; сероссийской научно-практической конференции «Инновационно - техническое беспечение ресурсосберегающих технологий в АПК» г. Мичуринск, 2009; научно-рактической конференции «Инновационные технологии производства, хранения и ереработки плодов и ягод», г. Мичуринск, 2009; III Международной выставке -1нтернет - конференции «Энергообеспечение и строительство» г. Орёл, 2009; аучно-практической конференции «Комплексное решение вопросов нергосбережения и ресурсосбережения для инновационного развития гропромышленного комплекса», г. Рязань, февраль 2010г.; семинаре «Управление лектрохозяйством предприятий агропромышленного комплекса», г. Мичуринск, 1арт 2010г.

Публикация результатов работы. По теме диссертации опубликовано 8 ечатных работ, в том числе 3 в изданиях, рекомендованных ВАК РФ.

Структура и объём работы. Диссертация состоит из введения, пяти глав, общих выводов, библиографического списка и приложений. Работа содержит 161 границу основного текста, 84 рисунка, 27 таблиц и 12 приложений. 1иблиографический список включает в себя 124 наименования работ отечественных : зарубежных авторов.

СОДЕРЖАНИЕ РАБОТЫ

Во введении показана актуальность темы исследования, научная новизна, практическая значимость, изложены цель, объект и предмет исследования, сформулированы основные положения, выносимые на защиту.

Первая глава «Методы прогнозирования электропотребления сельскохозяйственного предприятия» посвящена изучению сельскохозяйственного предприятия как объекта прогнозирования, а также анализу существующих методов прогнозирования электропотребления. Согласно Федеральному закону «Об электроэнергетике», а также «Основным положениям функционирования розничных рынков электрической энергии» в силу своего небольшого электропотребления сельскохозяйственное предприятие является участником розничного рынка электроэнергии (рисунок 1).

При заключении договора с энергосбытовой компанией на поставку электр

энергии энергослужбе пре, приятия необходимо заявля" планируемый объём потре! ления электрической энерги За 15 дней до начала следук щего месяца предприят! вправе корректирова-

заявленный ранее объём.

Однако, особенное' сельскохозяйственного пре, приятия как потребитез электроэнергии

Рисунок 1. Сельскохозяйственное предприятие в структуре рынка электроэнергии

электропотребление последующего года может значительно отличаться от потре' ления предыдущего года, что обуславливается влиянием различных условий и п раметров производства. По результатам проведённого анализа в таблице 1 качестве примера представлены условия и параметры, которые могут оказыва" влияние на электропотребление сельскохозяйственного предприятия.

Таблица 1. Условия и параметры, которые могут оказывать влияние на электропотребление сельскохозяйственного предприятия

Параметры и условия

Обозначение

Наименование параметра

Ед. измерения

_Ри, Рш_ Рот Ри,

Рио

температура воздуха _ атмосферное давление влажность воздуха

скорость ветра количество осадков

'С

мм.рт.ст. %

м/с мм

Основное производство

О 2 X .. 'V Ррт масса переработанного зерна масса произведённого молока кг кг

и а — Н л * & __________Ррц масса произведённого мяса кг

со 2 Вспомогательное производство

к а. о «3 ...........Ру^?______ расход горюче- смазочных материалов л

С Ъке р ........Г_*М_________ количество потребленного корма приплод животных численность животных кормовые единиць голов голов

Социальные параметры Рст месяц наименование

Рса количество дней в месяце количество рабочих дней ед. ед.

Ф

в5 §

рт

частота сети уровень напряжения

Гц

Для анализа электропотребления использовались понятия однопрофильно! (выпуск одного вида продукции) и многопрофильного (выпуск нескольких вид( продукции) предприятий.

При изучении работы сельскохозяйственного предприятия были выделены 1едующие его особенности как объекта прогнозирования электропотребления:

- влияние на производство метеорологических условий;

- удалённость электропотребителей предприятия друг от друга;

- графики нагрузки отдельных потребителей имеют сезонный характер;

- производства, корпуса, здания, цеха не имеют отдельных приборов учёта отребляемой электроэнергии;

- достоверность данных по электропотреблению отдельных производств в силу гсутствия приборов учёта электропотребления достаточно низкая, субъективна, а ногда - фальсифицирована.

Под прогнозированием понимается научно обоснованная оценка наиболее гроятного электропотребления сельскохозяйственного предприятия, которое буславливается входными и выходными параметрами и условиями.

По времени упреждения прогнозы делятся на долгосрочные (несколько лет), реднесрочные (от месяца до года), краткосрочные (от суток до месяца) и перативные (на несколько минут, следующий час). Для сельскохозяйственных редприятий актуальным является среднесрочный прогноз.

Методы прогнозирования электропотребления - экстраполяции, экспертной ценки, среднего и скользящего среднего, декомпозиции временного ряда, егрессионные модели, рангового анализа и др., позволяют выполнить прогноз с шибкой более 20%. Например, для метода декомпозиции временного ряда, рисунок , ошибка составляет 17-21%.

а б

Рисунок 2. Прогноз электропотреблення предприятий методом декомпозиции временного ряда: а- многопрофильного; б- однопрофильного

Поэтому для прогнозирования электропотребления сельскохозяйственных редприятий было предложено использовать модели на основе нейронных сетей, [ля прогнозирования электропотребления целесообразно использовать следующие ипы сетей: однослойные сети - линейная сеть; многослойные сети - сеть прямой ередачи, динамическая нейронная сеть, каскадная сеть прямой передачи; сеть с братными связями - сеть Элмана. Например, уравнение динамической нейронной ети прямой передачи сигнала имеет вид:

Е = ршеГш{И'2: • яу + Ь2).

Определены функции активации /, которые можно применять при создань нейросетевой модели прогнозирования электропотребления (линейна: логистическая сигмоидальная, гиперболического тангенса).

Для восстановления утерянных, неучтенных, фальсифицированных ил полученных с большой ошибкой данных по электропотреблению в работ используются известные динамические модели электротехнических устройсп созданные, например, в пакете прикладных программ МаНа (81тиНпк/51тРо\уег8у51ет5). В процессе исследований были разработан динамические модели сельскохозяйственных объектов — фермы крупного рогатог скота, зернотока, пилорамы, машинотракторной мастерской и др.

В результате вышеизложенного для разработки методики прогнозировани электропотребления сельскохозяйственных предприятий необходимо решит следующие задачи:

- разработать методику формирования и создать информационную баз ретроспективных данных помесячного электропотребления сельскохозяйственны предприятий с учетом параметров и условий производства;

- разработать методику выбора нейросетевой модели и её адаптации условиям сельскохозяйственного производства для обеспечения заданной ошибк прогноза;

- провести статистический анализ потребления электроэнергии с применение нейросетевой модели в зависимости от параметров и условий производства;

- минимизировать ошибку прогнозирования нейросетевым методом путё совершенствования выбора, подготовки и обработки данных п электропотреблению;

- разработать методику прогнозирования электропотребления и дат рекомендации по её применению на сельскохозяйственном предприятии.

Во второй главе «Теоретические основы минимизации ошибк прогнозирования электропотребления сельскохозяйственного предприятия представлены результаты теоретических исследований, направленных на снижени ошибки прогнозирования электропотребления сельскохозяйственного предприятия.

В качестве примера на рисунке 3 приведена структурная схема многослойно нейронной модели. Вход Р представляет собой матрицу параметров и условш количество которых равно числу столбцов (Ри - метеорологические, Рс- социальны! Рг- параметры электрической сети, Рр- параметры, связанные с выпуском основно продукции, Ру- параметры вспомогательных производств). Строки отражаю изменение параметров и условий с течением времени I. Сила влияния элементе входа Р на нейрон пы (¡=1,2,..., б) определяется их весом \Ук|(1=1,2,..., б), образуя те самым вектор весов XVк к-го слоя сети:

" р р р р р 1 ги\ гс\ гг\ р\ \\ [IV гт *]

р= р р р р р н 2 гс2 г2 р2 гп II и £ IV " и

Р Р Р Р Р 1 ш 1 а1 п 1 рг1

Каждый нейрон пи (7 =1...в) первого слоя сети включает суммирующий элемент который складывает произведение весов IV, и элемента вектора входа Р со смещением Ьп (¡=1 ...я). Полученная сумма является аргументом функции активации ; при этом с каждого нейрона формируется выход а и 0=1...я), образуя вектор выходам к-1.

ак=1=ДР-\У,+Ь,) (3)

Вектор выхода ак_, служит входом для последующего слоя (к=2) и т.д. Выход нейронной сети - электропотребление Е:

Е=а,а2-...аи. (4)

входные данные

первый слой,к=1

выходной к-ый слой

ри \ г

Рс / /

Рг / .1

\

Рр / \ \

Ру \

Рисунок 3. Структурная схема многослойной нейронной модели

Для моделирования электропотребления нейронную сеть необходимо обучить. Для обучения в нейронную сеть необходимо подать набор примеров её желаемого поведения - входной вектор Р (с параметрами и условиями производства) и целевой выход Е (электропотребление). Во время обучения веса и смещения настраиваются так, чтобы минимизировать функционал ошибки. В качестве такого функционала принимается среднеквадратичная ошибка между выходом сети а и целевым выходом электропотребления Е, который определяется обучающей выборкой:

J=\YL(E?-af)г

(5)

Параметры для и рог юыро^ан на

Ж

где У- функционал;{> объём выборки; к- номер слоя сети; q- номер выборки; 5 -число нейронов выходного слоя;ач = [а?к] - вектор сигнала на выходе сети; Еч = [£,''] - вектор целевых значений электропотребления на выходе сети для выборки с

номером q.

После обучения

осуществляется прогнозирование (рисунок 4). На вход нейросете-вой модели подаётся матрица Р с предполагаемыми значениями параметров и условий: (Р,)пр, (Рр),ч„ (РУ)пр, (Рс)„р, (Рг),у, Выход сети представляет собой электропотребление Е, соответствующее данному набору пара-

Параметры для об

I1— ' < I I г— "■

0ЩЗ р,

Нейросетевая модель

Электролотребление

Е, кВт*ч

Рисунок 4. Прогнозирование электропотребления с применением нейросетевой модели

метров во времени t.

Если принять, что результат прогнозирования Е„р равен электропотреблению £, тогда величина Епр будет складываться из действительного электропотребления и ошибки прогнозирования:

Е„р=Ед+е,, (6)

где Ед -действительное значение электропотребления;

е, -ошибка прогнозирования.

Ошибка прогнозирования е, в свою очередь зависит от характеристик сети (её архитектуры, метода обучения и т.д.), а также от качества исходных данных, которые представляют процесс электропотребления с той или иной ошибкой.

Задача минимизации ошибки прогнозирования е, в условиях сельскохозяйственного производства может решаться путем:

- минимизации ошибки метода прогнозирования.

- снижения ошибки представления исходных данных по электропотреблению.

Абсолютную ошибку прогнозирования можно вычислить по формуле:

е, = Е-ЕПР, (7)

где е, - ошибка прогнозирования;

Е- исходные данные по электропотреблению;

Епр- прогноз электропотребления.

Ошибка прогнозирования е, складывается из ошибки представления исходной информации еи и ошибки метода прогнозирования ем:

£/= £м- (8)

Ошибка метода ем обусловлена теми математическими основами, которы применяются для создания и обучения модели прогнозирования. Учитывая, что большинство из рассмотренных методов при прогнозировании электропотребления сельскохозяйственного предприятия имеет недопустимо большую ошибку, в данно работе предлагается использовать, исходя из многочисленных публикаций и наши предварительных исследований, метод нейросетевого моделирования.

Ошибка метода прогнозирования с применением нейросетевой модели е, складывается из ошибки, определяемой архитектурой нейронной сети sAP и ошибк обучения So/;:

£м= ЕАр+ Soi;. (9

Под архитектурой нейронной сети понимается её структура, состоящая и входного слоя нейронов, блоков функций активации, промежуточных и выходны слоёв нейронов, а также связей между ними. Ошибка, определяемая архитектуро нейронной сети еаг, складывается из ошибки, зависящей от типа сети е7г, числ слоёв б/с, числа нейронов функции активации е/.

Zai^ Етс+ £к+ %+ Ef. (1С

Тип сети определяется структурой связей между элементами. Поэтому одной и задач создания метода прогнозирования на основе нейронной сети должно являться исследование ошибки для различных архитектур, т.е. наборов, соотношений, типо связей, методов обучения.

Ошибка обучения <'.>;/, складывается из ошибки алгоритма обучения Еоа ошибки представления исходных данных Ец\

£он= £()л+ О')

Ошибка алгоритма обучения е0а зависит от самого алгоритма обучения, может достигать нескольких процентов. Наиболее распространёнными являются алгоритмы, основанные на методе обратного распространения ошибки.

Ошибка представления исходной информации для прогнозирования Сц\

£я= £э+ £я+ £у, О2)

где еэ- ошибка учёта исходных данных по электропотреблению; еп- ошибка в определении параметров производства; £у- ошибка в определении условий производства.

Исходные данные по электропотреблению Е и действительные данные Ед имеют разное значение, так как в исходных данных заведомо могут содержаться ошибки, вызванные неточностью, фальсификацией, недостоверностью и т.д.

Ошибки в определении параметров еп и условий еу производства заключаются в том, что исходные данные могут быть искажены или плохо спрогнозированы (увеличено или уменьшено количество производимой продукции, ошибки в определении реальной температуры воздуха, и т.д.).

Исходя из вышеизложенного, абсолютную ошибку учёта исходных данных по электропотреблению можно представить в виде суммы:

еэ=£т+£()+ сф+ еХ , (13)

где Ег абсолютная ошибка из-за погрешности технических средств учёта электропотребления;е0- абсолютная ошибка протоколирования данных, вызванная непреднамеренными действиями энергослужбы предприятия; еф- абсолютная ошибка протоколирования данных, вызванная преднамеренными действиями энергослужбы предприятия (фальсификация данных); ех~ абсолютная ошибка протоколирования данных, вызванная хищениями электроэнергии, которая не учитывается техническими средствами измерения.

Таким образом, целевой вектор электропотребления Е может быть представлен в виде суммы вектора действительных значений Ед и вектора ошибок 83.

Е=Ед+гэ. (14)

Одним из важных этапов в минимизации ошибки нейросетевого прогнозирования электропотребления - это создание обучающей выборки, от состава, полноты, качества которой зависят время обучения и достоверность получаемых моделей. Обучающая выборка содержит целевой вектор Е. Если этот вектор содержит ошибку ее, то алгоритм обучения выдаст вектор весовых коэффициентов с большей ошибкой обучения е0б-

Поэтому необходима дополнительная проверка информации по электропотреблению на выявление недостоверных данных, что является важным при создании методики прогнозирования.

Реальное электропотребление сельскохозяйственного предприятия, рисунок 5, зависит от времени (сезона). Среднеквадратичные отклонения а, электропотребления Е(0, полученные по многолетним данным, с течением времени отличаются в несколько раз, рисунок 6.

—дицлми-нчиий ряд »ienT|ionoipe6«e

■ дейсшигепьиос зпекцюиахрейлемие f дДО

70000 60000 50000 40000 30000 20000

\

Л «0 v

Л--

i подготовки д.1Н11Ых£э(0 h

V

E-jW

12345S7S9 10111213 14 1515171819 20 21222324252627 28 293031323333 35 B6 Врем» I. чеша!

Рисунок 5. Пример динамического ряда электропотребления E(t)

Для выявления недостоверных данных по электропотреблению был применён ранговый анализ. Данные по электропотреблению Eft) по каждому объекту предприятия за период времени t (месяц) приводятся к эмпирическому ранговому распределению Е(г), которое представляет собой убывающую последовательность значений электропотребления Е, упорядоченная таким образом, что каждое последующее значение меньше предыдущего, где г- ранг электропотребления. На рисунке 7 изображены, полученные в результате сортирования, данные рисунка 5 по убыванию и их аппроксимирующая зависимость Е(г), соответствующая средним много-времяt,месяцы летним значениям.

Рисунок 6. Среднеквадратичные отклонения сп В соответствии с величиной

динамического ряда электропотребления E(t) электропотребления каждому временному интервалу (месяцу) t присваивается ранг г (первое значение ранга r= 1 соответствует месяцу с наибольшим электропотреблением, последнее - с наименьшим).

Доверительный интервал ранжированных данных электропотребления Е(г), полученный по многолетним значениям, рассчитывается по формуле:

Д(г)=|±г^| (15)

л/и

где п- объём выборки значений электропотребления; т- значение аргумента функции Лапласа Ф(т) - стандартизированные значения при котором Ф(т )=у/2:

Ф(г) ' ¡е

dx

^¡Ъг 0

где Ф(т) - вероятность появления электропотребления Е, ровно т раз;

у- доверительная вероятность.

(г)

т-пу

sjny(\-y)' В результате получены доверительные границы:

минимальная

максимальная

EmJr)<E(r)<E^(r).

тах(г) (16)

Будем считать недостоверными данные, выходящие за пределы доверительного интервала ±А(г), рисунок 7. Если значение электропотребления Е(г) выходит з пределы переменного доверительного интервала ±А(г), то такие данные

признаются недостоверными и их необходимо либо исключить из модели, либо уточнить их значения (точки 1,2, 3, рисунок 7).

Рисунок 7. Ранговое распределение Е(г) и его доверительные интервалы: Ет1ч(г) - максимальный,

Етт(г)- минимальный

На рисунке 8 изображена блок- схема по шагам, отражающая системность действий, направленных на снижение ошибки прогнозирования электропотребления сельскохозяйственного предприятия.

0. Начало. Выбор источника данных (1). Источником данных электропотребления сельскохозяйственного предприятия, могут быть данные приборов учёта, базы данных (бухгалтерские документы: счета на оплату и т.д.). В случае отсутствия данных, они могут быть получены путём динамического моделирования процесса электропотребления.

1. В случае получения данных с приборов учёта (2) последние направляются в блок (9) на проверку нулевых значений.

2. В случае использования данных электропотребления непосредственно с базы данных, последние направляются в блок (11) для дальнейшей проверки.

3. В случае полного отсутствия данных осуществляется процесс моделирования электропотребления для данного объекта и данного времени. Результаты моделирования подаются в блок (11) для дальнейшей обработки.

4. Основная проверка данных производится в блоке (11). На этот блок поступают данные с базы данных (4), приборов учёта (2,9), блока динамического моделирования (3): если |Е,(1)-Ме(1)|<Д(1), то данные достоверны, и поступают в модель прогнозирования (12) и базу данных (4). В противном случае требуется произвести уточнение методом динамического моделирования в блоке (3).

5. Прогнозирование осуществляется в блоке (12), на вход которого подаются данные с блока определения достоверности данных (11), с базы данных электропотребления Е(0 (4), с базы данных параметров производства Р](0 (5), условий производства РиКО (6), архив результатов обучения (7), а также алгоритм обучения (13).

6. Результаты прогнозирования документируются в блоке (14).

Рисунок 8. Блок- схема системности действий, направленных на снижение ошибки прогнозирования электропотребления сельскохозяйственного предприятия

В третьей главе «Методика, оборудование и приборы для исследования электропотребления сельскохозяйственного предприятия» приведены методики: создания базы данных электропотребления, условий и параметров сельскохозяйственного производства; выбора нейросетевой модели

прогнозирования и адаптации к реальным условиям работы; исследования электропотребления сельскохозяйственного предприятия методом Монте-Карло, исследования ошибки прогнозирования нейросетевой моделью.

Предлагается методик

формирования базы данных. Данные хранятся в виде двумерных таблиц Microsoft Office Excel (Рисунок 9). Все таблицы имеют одинаковую структуру: столбцы содержат значения параметров и условий, строки - их изменение с течением времени. Рабочие книги каждого файла состоят из двух листов. Первый лист предназначен для сбора и

1Л1Л д.мшмх

Ml k'll'oiiuii'j iui Ulli ill'l дш'иянп m лик..

• TtO^MV C^ lKJ »1-я

.....:i:::;::i

Lr.......

Рисунок 9. Структура базы данных «Электропотребление предприятием АПК»

хранения информации. Второй лист содержит данные для прогнозирования.

В базе содержатся: данные по электропотреблению предприятия (файл «Electro.xls»); данные по выпуску продукции (файл «Product.xls»); данные по вспомогательным производствам (файл «Proizvodstvo.xls»); данные по

метеорологическим условиям (файл «Klimat.xls»); сводная таблица данных для прогнозирования (файл «Prognoz_Electro»).

Для получения информацию по расходу электроэнергии использовались установленные на предприятиях приборы учёта (ЦЭ6803В, "Меркурий-201", "Меркурий" -230, ЦЭ 6807П, СЭТ За 02-34-03/1П, САЗ-З и др.) Для получения информации о режимах электропотребления отдельного объекта в исследованиях использовался прибор «ПЭМ-02»- Прибор энергетика многофункциональный для

измерения электроэнергетических величин (частоты сети F, значений фазных напряжений Ua, Ub, Uc; значений фазных токов las lb> 1сэ активной мощности по каждой фазе Ра, Рь, Рс; активной мощности по всем фазам Psum; полной мощности Ssum, коэффициента мощности Kps и др.), рисунок 10.

Методика создания нейросетевой модели прогнозирования электропотребления состоит из этапов: подготовки информации для выбора нейросетевой модели; предварительного выбора нейросетевых моделей

прогнозирования; адаптации и окончательного выбора модели (проверка адекватности).

Подготовка информации для выбора нейросетевой модели прогнозирования заключалась в создании из базы данных трёх выборок - обучающей, контрольной и тестовой.

Для предварительного выбора архитектуры нейросетевой модели, был разработан алгоритм, который включает в себя следующие этапы (рисунок 11):

1. Выбор начальной конфигурации сети: тип сети, число слоев -(однослойные или двухслойные), функции активации, число нейронов;

2. Обучение сети на обучающей выборке по методу обратного распространения ошибки при различных обучающих алгоритмах;

3. Моделирование сети. Подача в сеть данных контрольной выборки.

4. Оценка качества обучения нейросетевой модели.

Адаптация нейросетевой модели к реальным условиям сельскохозяйственного производства достигалась выбором алгоритма обучения, подбором числа нейронов и функции активации.

Окончательный выбор архитектуры нейросетевой модели состоял в её проверке на адекватность. Для этого в обученную нейросетевую модель подавались неизвестные ей, но реальные данные параметров и условий производства, после чего производилась оценка ошибки прогноза.

1 - дисплей; 2 - клавиатура: 3 - светодиод подключения адаптера питания: 4 - светодпод индикатора выхода: 5 -светодиод заряда аккумулятора: 6 - разъем питания; ~ -ИК-порт.

Рисунок 10. Общий вид прибора ПЭМ-02

ВЫБОР ОБУЧАЮЩЕГО АЛГОРИТМА

Лпгортм Лсмсиосрга-Маркварлта

ОлношагоиыЙ »и

ТТорогонШГалгор обратного распространен»

У'ШИОКН

Алгоритм Флетчера -Рнвса

Алгоритм Полака-Риосиры

Алгоритм обучения Бройдсна, Флстчсра, Гольафарба и Шано

Алгоритм «а основ« метола сопряжённого градиента с обратным распространением и рссыршми а модификации ГЬ'.хпа-Ьиспс

Выбор архитектуры нейросетевой модели

Групповое обучение

Алгоритм рачнектного спуска с выбором параметра скорости

Алгоршм градиентного спуска < возмущением

илпптаиисй параметра с корост насгройки

Алгоритм обучения с регуляризацией по БаЯесу

А 11 орш •.: ■' I радиста с кпа шиькхоиовым подходом » _модификации Моллера_

Оценка качества обучения

„„

обучения

с

Склонность к переобучению

ОБУЧЕНИЕ НЕЙРОННОЙ СЕТИ МЕТОДОМ ОБРАТНОГО РАСПРОСТРАНЕНИЯ ОШИБКИ

Контрольная выборка

Рисунок 11. Алгоритм выбора нейросетевой модели

Л

А-гШпА шаг тахА, < /

/ Задание —У числа / прогонра. К /

Загрузка п«о1иос1е« рдспредв(тени11 параметров

Г

ЕН

Г ен^роция случайных

даль ^

Накопление Прогнозной информации

%

К хз >

х

Рисунок 12. Алгоритм моделирования электропотребления с применением метода Монте-Карло

Для исследования влияния параметров и условий производства на прогнозное электропотребление был применён метод Монте-Карло, алгоритм которого с применением нейросетевой модели приведен на рисунке 12.

В четвёртой главе «Результаты экспериментальных исследований и | их анализ» приведены результаты исследований нейросетевых моделей прогнозирования электропотребления сельскохозяйственных предприятий.

При реализации методики выбор \ архитектуры нейросетевой моделг: были выбраны модели, имеющи наименьшие ошибки и время обуче ния.

Ошибки моделирования электропотребления после проведения адаптации нейросетевых моделей к параметрам и условиям сельскохозяйст^

венного производства, приведены в таблице 2.

При исследовании нейросетевых моделей находилось: число нейронов, при котором наступает переобучение сети (рисунок 13); число нейронов, необходимое для достижения заданной ошибки прогнозирования.

Таблица 2. Ошибки моделирования некоторых нейросетевых моделей после адаптации к

параметрам и условиям сельскохозяйственного производства

Тип предприятия Тип нейронной сети Функция активации Алгоритм обучения Ошибка обучения Ошибка моделирования Д,%

Гиперболическая тангенциальная Групповое 0,01 11

о X л Прямой передачи Логистическая сигмоидальная В модификации Моллера 0,1 10

5 -©■ Логистическая сигмоидальная Пауэла-Биеле 0,1 8

р. с о Логистическая сигмоидальная Градиентного спуска с возмущением 0,1 11

о вв Логистическая сигмоидальная Одношаговый метод секущей 0,1 12

Элмана Логистическая сигмоидальная В модификации Моллера 0,1 12

прямой Логистическая сигмоидальная Градиентного спуска с возмущением 0,1 11

4) 0 1 Логистическая сигмоидальная Одношаговый метод секущей 0,01 15

п; •е- Динамическая Логистическая сигмоидальная Бройтона, Флетчера, Гольдфарба и Шано 0,1 14

о а с Каскадная Гиперболическая тангенциальная В модификации Моллера 0,1 13

X о Элмана Логистическая сигмоидальная Градиентного спуска 0,1 12

Гиперболическая тангенциальная В режиме случайного представления входа 0,1 15

М-количество нейронов М-копичество нейронов

а б

Рисунок 13. Изменение среднеквадратичной ошибки обучения сети с увеличением числа нейронов ]М: а- при отсутствии переобучения; б- при переобучении

В результате для прогнозирования электропотреблення многопрофильного предприятия была выбрана двухслойная динамическая нейронная сеть с логистической сигмоидальной функцией активации, имеющая 11 нейронов в скрытом слое, использующая для обучения алгоритм Пауэла - Биеле, имеющая относительную ошибку моделирования не более 6%; для однопрофильного предприятия - двухслойная динамическая нейронная сеть с логистической сигмоидальной функцией активации, имеющая 8 нейронов в скрытом слое,

использующая для обучения алгоритм Бройтона, Флетчера Гольдфарба и Шано, имеющая ошибку моделирования не более 6%.

При выборе параметров и условий производства сельскохозяйственного предприятия была произведена проверка гипотез о видах интегральных функций плотностей распределений Р(Р). Оказалось, что условия и параметры производства у разных типов предприятий могут иметь нормальные, логнормальные и экспоненциальные функции плотностей вероятностей распределения.

Исследования влияния параметров и условий производства на электропотребление проводились на основе нейросетевых моделей с применением метода Монте-Карло. Для этого были использованы функции плотностей распределения параметров и условий производства Р(Р).

В результате были получены зависимости электропотребления Е от случайно распределённых величин параметров и условий производства Р, соответствующие конкретному

предприятию. Например, на рисунке 14 представлена зависимость электропотребления однопрофильного предприятия от массы переработанного зерна.

масса переработанного зерна Ррг. ц ,ПОЛуЧеННЫв реЗуЛЬТЭТЫ

Рисунок 14. Зависимость электропотребления Е показывают, что параметры и условия однопрофильного предприятия (СХПК производства могут оказывать разное «Родина») от массы переработанного зерна Рр2 влияние на электропотребление

многопрофильного и однопрофильного предприятий, что объясняется особенностью технологических процессов на предприятиях при производстве продукции. Поэтому, для минимизации ошибки прогнозирования нейросетевая модель должна быть обучена на ретроспективных данных конкретного предприятия.

Прогнозирование электропотребления осуществлялось на примере ретроспективных данных параметров, условий и электропотребления многопрофильного сельскохозяйственного предприятия - ФГУП учхоз - племзавод «Комсомолец», и однопрофильного сельскохозяйственного предприятия - СХПК «Родина». Для минимизации ошибки была проведена корректировка исходной информации по электропотреблению путём выявления недостоверных данных, с применением метода интервального оценивания гиперболического распределения электропотребления, и их заменой ретроспективными данными.

На рисунке 15 представлена графическая визуализация реального и прогнозного электропотребления, полученного с применением нейросетевой модели - до и после корректировки данных. Среднегодовая относительная ошибка прогнозирования для предприятия ФГУП учхоз - племзавод «Комсомолец» корректировкой данных была снижена на 0,8% (относительно исходного прогноза улучшена на 15%) и составляет 4%, для СХПК «Родина» - на 1,9% (относительно исходного прогноза улучшена на 34%) и составляет 3,7%.

—Реальное »лектропо греоление

—Реальное члектуюпофейление Е. кВт*ч

Время!. месяцы

Время I, месяцы

С1 ^

Рисунок 15. Графики реального и прог нозного электропотребления предприятий до и после корректировки данных: а - многопрофильного (учхоз - племзавод «Комсомолец»); б- однопрофильного (СХПК «Родина»)

В пятой главе «Предложения по использованию нейросетевой модели прогнозирования электропотребления сельскохозяйственного предприятия» приведена методика прогнозирования электропотребления и результаты расчётов экономической эффективности от её применения.

Методика предусматривает процесс прогнозирования в три этапа: сбор информации об электропотреблении, условиях и параметрах производства; обучение системы прогнозирования; прогнозирование. Данная методика прогнозирования электропотребления реализована в программе «Рго§пог БНР», разработанной на базе пакета прикладных программ МаНаЬ, и предназначенная для составления прогнозов электропотребления сельскохозяйственных предприятий на основе нейронных сетей (рисунок 16). Обучение нейросетевой модели, а также прогнозирование электропотребления осуществляется при работе программы с

базой данных «Электропотребление предприятием АПК». Структура программы предусматривает

представление результатов

прогнозирования, возможности анализа ошибок прогнозирования и архивацию результатов.

На рисунке 17 представлены графики, на которых изображены реальное электропотребление,

заявленное в договоре

электроснабжения и прогнозное, полученное с применением

нейросетевой модели. Ошибка заявленного электропотребления от реального составляет по разным месяцам 5%-40%, а иногда достигает более 100%, в то время, как среднегодовая спрогнозированная с применением нейросетевой модели не превышает 5%.

рросыог¡нр

Прогнозирование электропотребления

Для работы программы иео6*одшо еыгалнлгь загрузку бз31»-даннь«

Анализ дэннь»

Создание прогноза

Оценка степени детния

' V*. |

• елк'

Рисунок 16. Интерфейс программы для прогнозирования электропотребления

При использовании программы «Рго§пог БНР» для составления заявки электропотребления для многопрофильного предприятия (учхоз - племзавсд «Комсомолец») экономия денежных средств может составить более 180 тыс. руб.; чистый дисконтированный доход за 10 лет эксплуатации программы -более 1 млн. руб.; индекс доходности - 13,9; срок окупаемости- 0,5 года.

Для однопрофильного предприятия (СХПК «Родина) использовани программы «Рго§пог БНР» позволяет сэкономить более 110 тыс.руб.; чистый дисконтированный доход за 10 лет эксплуатации программы - более 700 тыс. руб.; индекс доходности - 8,9; срок окупаемости- 0,7 года.

—Реальное >ЦЩ|||ГО1Ц|||Д||'||[||1 —Реальное хкпропотрейгсжкЕ. кВт»ч

Время I. месяцы Время I. месяцы

а б

Рисунок !7. Графики электропотребления предприятий- реального Е, заявленного в договоре электроснабжения Ез и спрогнозированного нейросетевой модели Епр: а- многопрофильного (учхоз - племзавод «Комсомолец»); б- однопрофильного (СХПК «Родина»)

ОБЩИЕ ВЫВОДЫ

1. Взаимоотношения между поставщиком и потребителем электроэнерги основаны на договорных отношениях, когда превышение потреблени электроэнергии, или её недобор, ведёт к определённым штрафным санкциям дл : потребителей. В связи с этим возрастает роль прогнозирования электропотреблени сельскохозяйственного предприятия на заданный период времени. Существующу методы прогнозирования не учитывают особенностей сельскохозяйственног производства и имеют ошибку прогноза 20% и более.

2. Разработана методика формирования базы данны «Электропотребление предприятием АПК», предназначенная для сбора, хранениг, обработки и прогнозирования потребления электроэнергии сельскохозяйственны предприятием, позволяет осуществлять предварительную структуризацию верификацию информации в режиме реального времени с возможность!. интеграции в систему прогнозирования. Структура базы данных адаптируется : структуре предприятия по параметрам производства и метеорологически условиям для ретроспективного, настоящего и прогнозного времени.

3. Разработана методика выбора архитектуры и адаптации к параметрам с условиям сельскохозяйственного производства динамической нейросетевой модел прямой передачи сигнала, с возможностью обучения и накопления результатов^

^воляющая обеспечивать ошибку моделирования электропотребления гльскохозяйственного предприятия не более 6%.

4. Проведён анализ и получены линейные зависимости тектропотребления от случайно распределённых параметров и условий

производства сельскохозяйственной продукции для различных по структуре типов предприятий. Величины и знаки коэффициентов эластичности Э для одной и той же продукции, параметров и условий однопрофильных и многопрофильных предприятий могут быть различны (для однопрофильного предприятия- по емпературе воздуха Э=-0,04, по влажности воздуха Э=0,45, по массе переработанного зерна Э=0,22; для многопрофильного предприятия- по температуре воздуха Э=-0,14, по влажности воздуха Э=-6,13, по массе переработанного зерна Э=-0,02). С целью минимизации ошибки прогнозирования это предполагает необходимость производить адаптацию нейросетевой модели с учётом структуры производства сельскохозяйственного предприятия.

5. Минимизацию ошибки прогнозирования нейростевой моделью предлагается осуществлять верификацией исходной информации по электропотреблению сельскохозяйственного предприятия и выявлением недостоверных данных, с применением метода интервального оценивания гиперболического распределения электропотребления, с последующей их заменой ретроспективными данными, что позволяет улучшить прогноз электропотребления для однопрофильного предприятия на 34%, для многопрофильного - на 15 % относительно исходного прогноза.

6. Разработана методика прогнозирования электропотребления сельскохозяйственного предприятия, включающая сбор информации об электропотреблении, условиях и параметрах производства, обучение системы прогнозирования на базе динамической нейросетевой модели, позволяющая в реальном времени осуществлять его помесячное прогнозирование со среднегодовой ошибкой не более 4%.

7. Экономическая эффективность применения данной методики при заключении договоров на поставку электроэнергии с энергосбытовой компанией на примере многопрофильного предприятия - ФГУП учхоз - племзавод «Комсомолец» будет составлять более 180 тыс. рублей в год, на примере однопрофильного предприятия - СХПК «Родина» - более 110 тыс. рублей в год.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ ОТРАЖЕНО В СЛЕДУЮЩИХ ПУБЛИКАЦИЯХ

Публикации в изданиях, рекомендованных ВАК

1. Чувилкин A.B. Прогнозирование электропотребления объектов с применением искусственных нейронных сетей [Текст] / Чувилкин A.B., Гордеев A.C. //Вопросы современной науки и практики: Университет им. В.И. Вернадского,-2008.-№2(12).- с.32-37.

2. Чувилкин A.B. Влияние метеорологических и производственных факторов на потребление электроэнергии предприятий АПК [Текст] / Чувилкин A.B., Гордеев A.C. // Вестник Мичуринского государственного аграрного университета.-2010.-№1.- с. 176-181.

3. Чувилкин A.B. Динамическое моделирование электропотребления. [Текст]// Механизация и электрификация сельского хозяйства.-2011.-№1-с.21-23.

Публикации в журналах, сборниках научных трудов и материалах конференций

4. Чувилкин A.B. Прогнозирование потребления электроэнергии сельскохозяйственными предприятиями с использованием нейронных сетей. [Текст] / A.B. Чувилкин, A.C. Гордеев // Математические методы в технике и технология (ММТТ-21): сб.тр. XXI Междунар.науч.конф. в 11 т.; под общ. ред. д-ра техн. Hayi проф. B.C. Балакирева. - Изд-во Тамб. гос. техн. ун-та, 2008 -т. 11.; 268 с. -160 экз. с.144-148.

5. Чувилкин A.B. Система прогнозирования потребления электроэнерги сельскохозяйственных предприятий [Текст] // Инновационно- техническс обеспечение ресурсосберегающих технологий АПК: сб. науч. Тр. Междунар. нау1 практ. конф. 4-5 мая 2009 г.- Мичуринск: Изд-во Мичуринског госагроуниверситета, 2009-220с.- с.18-23.

6. Чувилкин A.B. Прогнозирование электропотребления предприятий АП [Текст] / Гордеев A.C., Чувилкин A.B. // Инновационные технологии производств; хранения в переработки плодов и ягод: мат. науч.-практ. конф. 5-6 сентября 200 года в г. Мичуринске Тамбовской области.- с. 167-173.

7. Чувилкин A.B. Модель для прогнозирования электропотреблени сельскохозяйственными предприятиями [Текст] / Гордеев A.C., Чувилкин А.Е //Энергообеспечение и строительство: сб. мат. III междунар. выставки-Интернеп конференции памяти проф. В.Г. Васильева ( к 60- летию со дня рождения) 18-2 ноября 2009 г., г. Орёл.- с.71-77.

8. Чувилкин A.B. Моделирование электроснабжения предприятий АП [Текст]// Инженерное обеспечение инновационных технологий в АПК: сб. науч.т) Междунар. науч.практ. конф. 13-14 мая 2010 года,- Мичуринск: Изд-в Мичуринского госагроуниверситета.- 2011.- с. 215- 220.

Регистрация базы данных

9. Свидетельство о государственной регистрации базы данных №201162038 от 24.05.2011 г. Энергопотребление предприятием агропромышленного комплекс [Текст] / Гордеев A.C., Чувилкин A.B., Дроздов Д.В.; заявитель и правообладатех ФГОУ ВПО МичГАУ: заявка №2011620258 от 08.04.2011 г.

Отпечатано в издательско-полиграфическом центре МичГАУ Подписано в печать 01.11.11г. Формат 60x84 '/ !(„ Бумага офсетная № 1. Усл.печ.л. 1,2 Тираж 120 экз. Ризограф Заказ № 16689

Издательско-полиграфический центр Мичуринского государственного аграрного университета 393760, Тамбовская обл., г. Мичуринск, ул. Интернациональная, 101, тел.+7 (47545) 5-55-12

ВВЕДЕНИЕ.

ГЛАВА 1. МЕТОДЫ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ.

1.1 Сельскохозяйственное предприятие как потребитель электроэнергии.

1.2 Методы прогнозирования электропотребления.

1.3 Динамическое моделирование электропотребления сельскохозяйственного предприятия.

1.4 Задачи исследования.

ГЛАВА 2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МИНИМИЗАЦИИ ОШИБКИ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПРЕБЛЕНИЯ

СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ.

2.1 Основы прогнозирования электропотребления нейросетевым методом.

2.2 Теоретический анализ ошибки прогнозирования электропотребления нейросетевым методом.

2.3 Снижение ошибки представления исходных данных по электропотреблению сельскохозяйственного предприятия.

2.4 Методические основы прогнозирования электропотребления сельскохозяйственного предприятия на базе нейросетевой модели.

ГЛАВА 3. МЕТОДИКА, ОБОРУДОВАНИЕ И ПРИБОРЫ ДЛЯ ИССЛЕДОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ.

3.1 Методика формирования базы данных «Электропотребление предприятием агропромышленного комплекса».

3.2 Приборы и оборудование, используемые для исследований.

3.3 Методика выбора архитектуры нейросетевой модели электропотребления и её адаптации к условиям сельскохозяйственного производства.

3.4 Методика исследования влияния параметров и условий производства на электропотребление методом Монте-Карло.

3.5 Методика исследования ошибки прогнозирования электропотребления нейросетевой моделью.

ГЛАВА 4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ И ИХ АНАЛИЗ.

4.1 Результаты исследований выбора архитектуры нейросетевой модели и её адаптации к параметрам и условиям сельскохозяйственного производства.

4.2 Результаты исследования влияния на электропотребление параметров и условий производства.

4.3 Результаты исследования электропотребления методом Монте-Карло.

4.4 Оценка ошибки прогнозирования электропотребления.

4.5 Минимизация ошибки прогнозирования электропотребления.

ГЛАВА 5. ПРЕДЛОЖЕНИЯ ПО ИСПОЛЬЗОВАНИЮ НЕЙРОСЕТЕВОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ.

5.1 Методика прогнозирования электропотребления сельскохозяйственного предприятия.

5.2 Практическая реализация прогнозирования электропотребления сельскохозяйственного предприятия.

5.3 Экономическая эффективность прогнозирования электропотребления сельскохозяйственного предприятия.

Актуальность темы

Задача планирования потребления электроэнергии всегда была важна для правильного расчета процессов ее приобретения и расходования, а сейчас стала весьма актуальной в связи с преобразованиями в российской электроэнергетике. После проведённой реформы были образованы новые субъекты рынка электроэнергии [98] - генерирующие компании, сетевые организации, сбытовые компании, а сам рынок разделился на оптовый и розничный.

В структуре затрат на производство сельскохозяйственной продукции доля электрической энергии достигает 11%-13% [32, 110]. Поэтому в соответствии с законодательством Российской Федерации из-за относительно небольшого электропотребления сельскохозяйственные предприятия являются участниками розничного рынка электроэнергии [69].

Работа на розничном рынке предполагает для каждого предприятия заключение договоров на поставку электроэнергии, в соответствии с которыми необходимо заявлять планируемый объем электропотребления на год с помесячной детализацией не позднее двух месяцев до начала очередного периода регулирования. При отклонении фактического объема потребленной электрической энергии относительно договорного на предприятие накладываются штрафные санкции. Чем серьезнее отклонения, тем более крупные суммы предприятие вынуждено заплатить за допущенные несоответствия [69, 73, 74].

Таким образом, в условиях современного энергорынка для сельскохозяйственного предприятия важное значение имеет создание модели прогнозирования электропотребления, позволяющей минимизировать отклонения потребляемой электроэнергии от заявленной.

Кроме того, прогнозные значения электропотребления необходимы при проектировании и реконструкции систем электроснабжения сельскохозяйственного предприятия.

Для прогнозирования электропотребления применяются методы экспертных оценок, экстраполяции, регрессионные модели, ранговый анализ и др. Однако эти методы не учитывают особенности сельского хозяйства, а потому зачастую обладают большой ошибкой прогнозирования. Для минимизации ошибки прогнозирования электропотребления при изменении параметров и условий сельскохозяйственного производства предлагается использовать нейросетевую модель.

Изучение вопросов прогнозирования связано с именами таких учёных, как: Макоклюев Б.И.- программный комплекс «Энергостат», Кудрин Б.И., Гнатюк В.И., Лагуткин O.E., Ощурков М.Г.- прогнозирование с применением рангового анализа, Воронов И.В.- нейростетевой подход при прогнозировании электропотребления, Лещинская Т.Б. и др.

Целью работы является совершенствование методики прогнозирования потребления электрической энергии сельскохозяйственным предприятием при изменении параметров и условий производства с применением нейросетевой модели, минимизирующей ошибку прогнозирования.

Объект исследований: электропотребление сельскохозяйственного предприятия.

Предмет исследований: временные зависимости электропотребления сельскохозяйственного предприятия от параметров и условий производства сельскохозяйственной продукции.

Методика исследований. В работе использовались методы математической статистики, динамического, нейросетевого моделирования и рангового анализа.

Параллельно с теоретическими исследованиями разрабатывались компьютерные математические модели, которые реализовывались в программных пакетах Statistica, Matlab(Simulink, Neural Networks Toolbox, Statistics Toolbox), MathCad, MS Office.

Исследования, включающие сбор и анализ информации, обучение моделей и прогнозирование электропотребления осуществлялись на сельскохозяйственных предприятиях Тамбовской и Курской областей.

Научная новизна работы состоит в:

1. Обосновании методики выбора архитектуры и адаптации к параметрам и условиям сельскохозяйственного производства динамической нейросетевой модели прямой передачи сигнала с возможностью обучения и накопления результатов, обеспечивающей ошибку моделирования электропотребления не более 6%.

2. Обосновании методики прогнозирования электропотребления сельскохозяйственного предприятия динамической нейросетевой моделью, позволяющей осуществлять его помесячное прогнозирование со среднегодовой ошибкой не более 4%, минимизация которой достигается выявлением недостоверных данных, путём интервального оценивания гиперболического распределения электропотребления, и их заменой ретроспективными данными.

3. Результатах анализа электропотребления сельскохозяйственного предприятия, заключающихся в зависимости электропотребления от структуры, объемов и метеорологических условий производства продукции.

Научная гипотеза. Необходимое качество прогнозирования электропотребления сельскохозяйственного предприятия может быть достигнуто путём анализа ретроспективных данных, параметров и условий производства.

Рабочая гипотеза. Минимизация ошибки прогнозирования нейросетевой моделью может быть осуществлена обнаружением недостоверных данных по электропотреблению методами интервального оценивания и их последующей заменой ретроспективными данными.

Практическая значимость работы заключается в создании методики прогнозирования электропотребления сельскохозяйственного предприятия, позволяющей определять перспективные объемы электропотребления для заключения договоров с поставщиками электрической энергии с максимальной экономией средств на её оплату. Разработаны компьютерные программные продукты и база данных, которые позволяют осуществлять помесячное прогнозирование электропотребления и производить текущее уточнение прогноза.

На защиту выносятся:

- методика прогнозирования электропотребления сельскохозяйственного предприятия динамической нейросетевой моделью;

- методические основы исследования зависимости электропотребления от параметров и условий производства сельскохозяйственной продукции; методика создания базы данных для прогнозирования электропотребления сельскохозяйственного предприятия.

Реализация результатов исследований. В ходе работы были обследованы предприятия Тамбовской и Курской областей, даны предложения по организации прогнозирования электропотребления. Разработанная методика прогнозирования принята и используется на сельскохозяйственных предприятиях - ФГУП учхоз - племзавод «Комсомолец», СХПК «Родина» Тамбовской области; СПК «Русь» Курской области. Результаты исследований используются в учебном процессе Мичуринского государственного аграрного университета при изучении дисциплин «Энергоменеджмент в АПК», «Информационные технологии в энергетике».

Апробация работы. Основные положения и результаты диссертационной работы доложены, обсуждены и одобрены на: XXI Международной научной конференции «Математические методы в технике и технологиях» г. Тамбов, 2008; всероссийской научно-практической конференции «Инновационно -техническое обеспечение ресурсосберегающих технологий в АПК» г. Мичуринск, 2009; научно- практической конференции «Инновационные технологии производства, хранения и переработки плодов и ягод», г. Мичуринск, 2009; III Международной выставке - Интернет - конференции

Энергообеспечение и строительство» г. Орёл, 2009; научно-практической конференции «Комплексное решение вопросов энергосбережения и ресурсосбережения для инновационного развития агропромышленного комплекса», г. Рязань, февраль 2010г.; семинаре «Управление электрохозяйством предприятий агропромышленного комплекса», г. Мичуринск, март 2010г.

Публикация результатов работы. По теме диссертации опубликовано 8 печатных работ, в том числе 3 в изданиях, рекомендованных ВАК РФ.

Структура и объём работы. Диссертация состоит из введения, пяти глав, общих выводов, библиографического списка и приложений. Работа содержит 161 страницу основного текста, 84 рисунка, 27 таблиц и 12 приложений. Библиографический список включает в себя 124 наименования работ отечественных и зарубежных авторов.

ОБЩИЕ ВЫВОДЫ

1. Взаимоотношения между поставщиком и потребителем электроэнергии основаны на договорных отношениях, когда превышение потребления электроэнергии, или её недобор, ведёт к определённым штрафным санкциям для потребителей. В связи с этим возрастает роль прогнозирования электропотребления сельскохозяйственного предприятия на заданный период времени. Существующие методы прогнозирования не учитывают особенностей сельскохозяйственного производства и имеют ошибку прогноза 20% и более.

2. Разработана методика формирования базы данных «Электропотребление предприятием АПК», предназначенная для сбора, хранения, обработки и прогнозирования потребления электроэнергии сельскохозяйственным предприятием, позволяет осуществлять предварительную структуризацию и верификацию информации в режиме реального времени с возможностью интеграции в систему прогнозирования. Структура базы данных адаптируется к структуре предприятия по параметрам производства и метеорологическим условиям для ретроспективного, настоящего и прогнозного времени.

3. Разработана методика выбора архитектуры и адаптации к параметрам и условиям сельскохозяйственного производства динамической нейросетевой модели прямой передачи сигнала, с возможностью обучения и накопления результатов, позволяющая обеспечивать ошибку моделирования электропотребления сельскохозяйственного предприятия не более 6%.

4. Проведён анализ и получены линейные зависимости электропотребления от случайно распределённых параметров и условий производства сельскохозяйственной продукции для различных по структуре типов предприятий. Величины и знаки коэффициентов эластичности Э для одной и той же продукции, параметров и условий однопрофильных и многопрофильных предприятий могут быть различны (для однопрофильного предприятия- по температуре воздуха Э=-0,04, по влажности воздуха Э=0,45, по массе переработанного зерна Э=0,22; для многопрофильного предприятия-по температуре воздуха Э=-0,14, по влажности воздуха Э=-6,13, по массе переработанного зерна Э=-0,02). С целью минимизации ошибки прогнозирования это предполагает необходимость производить адаптацию нейросетевой модели с учётом структуры производства сельскохозяйственного предприятия.

5. Минимизацию ошибки прогнозирования нейростевой моделью предлагается осуществлять верификацией исходной информации по электропотреблению сельскохозяйственного предприятия и выявлением недостоверных данных, с применением метода интервального оценивания гиперболического распределения электропотребления, с последующей их заменой ретроспективными данными, что позволяет улучшить прогноз электропотребления для однопрофильного предприятия на 34%, для многопрофильного - на 15 % относительно исходного прогноза.

6. Разработана методика прогнозирования электропотребления сельскохозяйственного предприятия, включающая сбор информации об электропотреблении, условиях и параметрах производства, обучение системы прогнозирования на базе динамической нейросетевой модели, позволяющая в реальном времени осуществлять его помесячное прогнозирование со среднегодовой ошибкой не более 4%.

7. Экономическая эффективность применения данной методики при заключении договоров на поставку электроэнергии с энергосбытовой компанией на примере многопрофильного предприятия - ФГУП учхоз племзавод «Комсомолец» будет составлять более 180 тыс. рублей в год, на примере однопрофильного предприятия - СХПК «Родина» - более 110 тыс. рублей в год.

1. Артюнов, A.JT. О перспективах использования основных и альтернативных видов топлива в сельскохозяйственном производстве России Текст. / A.J1. Артюнов // Проблемы прогнозирования,2010.-№3- с.82-92 .

2. Баврин, И.И. Теория вероятностей и математическая статистика. Текст.: Учебник / И.И. Барвин. М.: Высш. шк., 2005.- 160 е.: ил.

3. Барский, А.Б. Нейронные сети: распознавание, управление, принятие решений. Текст./А.Б. Барский. М.: Финансы и статистика, 2004.-176 е.: ил.- (Прикладные информационные технологии).

4. Богданов, В. А. Математическая модель оперативного прогнозирования активных нагрузок энергосистем. Текст. / В.А. Богданов, В.И. Кочкарев. // Электрические станции.-1974.-№4.

5. Боровиков, В.П. STATISTIC А Статистический анализ и обработка данных в среде Windows. Текст. / В.П. Боровиков. И.П. Боровиков.- М., 1998. -592 с.

6. Буторин, В. К. Как "жил" и ценологически "умирал" Беловский цинковый завод. Новокузнецкий филиал Кемеровского государственного университета. Текст. / В.К. Буторин, С.А. Шипилов, Т.М. Бочкаева // Общая и прикладная ценология. 2007. - № 5.- С. 46-48.

7. Вороновский, Т.К. Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Текст. / Т.К. Вороновский, К.В. Махотило, С.А. Сергеев // ПРОБЛЕМИ ЗАГАЛБН01 ЕНЕРГЕТИКИ.-№14/2006.

8. Гавриловая, Т.А. Базы знаний интеллектуальных систем: Учебное пособие / Г.А. Гаврилова, В.Ф. Хорошевский.- СПб: Питер, 2001.- 382 с.

9. Галушкин, А.И. Нейрокомпьютеры. Текст. / А.И. Галушкин // М.: ИПРЖР, 2000.532 с.

10. Галушкин, А.И. Теория нейронных сетей. Кн. 1. Текст. : Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2000. - 416 е.: ил. (Нейронные компьютеры и их применение).

11. Герман, И.М. Элементы алгоритма прогноза электропотребления в энергообъединении, энергосистемах и на подстанциях. Вып.5 Текст. / И.М. Герман, C.B. Федосеева, В.М. Калинина Тр. ИНЭУМ, 1973.

12. Гмурман, В.Е. Теория вероятностей и математическая статистика: Учебное пособие для втузов Текст. / В.Е. Гмурнман. М.: Высшая школа, 1997.-497 с.

13. Гнатюк, В.И. Моделирование систем: Учебник Текст. / В.И. Гнатюк, Л.И. Двойрис и др. Калининград: КПИ, 2009. - 650 с.

14. Гнатюк, В.И. Закон оптимального построения техноценозов Текст. / В.И. Гнатюк. М.: Изд-во ТГУ - Центр системных исследований, 2005. - 384 с. - (Выпуск 29. Ценологические исследования).

15. Гнатюк, В.И. Закон оптимального построения техноценозов Электронный ресурс. / В.И. Гнатюк // Компьютерная версия, перераб. и доп. -М.: Изд-во ТГУ Центр системных исследований, 2005 - 2010. - Режим доступа: http://gnatukvi.ru/ind.html.

16. Гнатюк, В.И. Обработка ранговой параметрической поверхности методом «Singular Spectrum Analysis». (Опыт применения пакета Mathcad-2001) Текст. / В.И. Гнатюк, Д.В. Луценко // Калининградский технический университет. Электрика. 2007. - № 11.— С. 28-32.

17. Гнатюк, В.И. Моделирование процесса электропотребления объектов техноценоза Текст. / В.И. Гнатюк // Электрика. № 4. - М.: Наука и технологии, 2004. - С. 36 - 41.

18. Гнатюк, В.И. Оптимальное построение техноценозов. Теория и практика. Текст. / В.И. Гнатюк. М.: Центр системных исследований, 1999.272 с. - (Выпуск 4. Ценологические исследования).

19. Гнатюк, В.И. Оптимальное построение техноценозов. Теория и практика Текст. / В.И. Гнатюк. М.: Центр системных исследований, 1999. -272 с. - (Выпуск 9. Ценологические исследования).

20. Гнатюк, В.И. Ранговый анализ и энергосбережение Текст. / В.И. Гнатюк, А.Е. Северин // Калиниград: ЗНЦ НТ РАЕН-КВИ ФПС РФ, 2003.-120 с.

21. Голубин, Е.А. Анализ зависиомсти нагоузки потребителей энергосистем от температурных уловий Текст. / Е.А. Голубин, Б.Г. Юркин, В.П. Колесников // Электрические станции.-1967.- №8.

22. Гордеев, A.C. Автоматизированная обработка яблок Текст. : дис. . д-ра тех. наук : 05.13.07 /Гордеев Александр Сергеевич. М.: 1996 г.

23. Гордеев, A.C. Моделирование в агроинженерии: Учеб. Пособ. Текст. / A.C. Гордеев. -Мичуринск: Изд-во Мичуринского госагроуниверситета, 2008. 282 с.

24. ГОСТ Р ИСО/ТО 10017-2005. Статистические методы. Руководство по применению в соответствии с ГОСТ Р ИСО 9001.- М.: Изд-во стандартов, 2005.

25. ГОСТ Р 50779.21-96. Статистические методы. Правила определения и методы расчета статистических характеристик по выборочным данным. Часть 1. Нормальное распределение.- М.: Изд-во стандартов, 1996.

26. Гришин, И.И. Измерение внутреннего сопротивления в образцах копытного рога Текст. / И.И. Гришин //Механизация и электрификация сельского хозяйства №6, 2004, с. 21.

27. Гришин, И.И. Лечение коров при мастите полем УВЧ Текст. / И.И. Гришин //Ветеранария, Агропромиздат, 2004, с.20.

28. Губанов, М.В. Состояние сельской электрификации и её перспективы Текст. / М.В. Губанов, Т.Б. Лещинская // Механизация и электрификация сельского хозяйства, 2000. -№ 3.- С. 2-4.

29. Гужов, Н.П. Статистическое прогнозирование режимов электропотребления предприятий: Учеб.пособие Текст. / Н.П. Гужов // Новосиб.электротехн. ин-т. Новосибирск, 1992 г. - 106 с.

30. Данилюк, A.B. Опыт применения искусственных нейронных сетей в электроэнергетике Текст. / A.B. Данилюк // Вестник гос. ун-та "Львовская политехника": компьютерная инженерия и информационные технологии, 1999. -№380.-С. 116-120.

31. Дмитриев, А. Н. Руководство по оценке экономической эффективности инвестиций в энергосберегающие мероприятия Текст. /АН. Дмитриев, И. Н. Ковалев, Ю. А. Табунщиков, Н. В. Шилкин. М.:АВОК-ПРЕСС, 2005. - 120 с. - 4000 экз.

32. Дьяконов, В.П. MATHCAD 2000: учебный курс / В.П. Дьяконов. -СПБ.: Питер, 2000. 592 с.

33. Дьяконов, В.П. MATLAB 6.5 SP1/7+ Simulink 5/6 в математике и моделировании. Серия "Библиотека профессионала" Текст. / В.П. Дьяконов,-М.: СОЛОН Пресс, 2005,- 576 е.: ил.

34. Ермаков, С.М. Метод Монте-Карло и смежные вопросы : изд.2-е Текст. / С.М. Ермаков // Главная редакция физико математической литературы изд-ва "Наука", 1975.

35. Каллан, Р. Основные концепции нейронных сетей Текст. / Роберт Калан; Пер. с англ.- М.: Издательский дом "Вильяме", 2001- с. ил.- Парал. тит. англ.

36. Карпов, В.В. Многофакторная модель суммарной нагрузки энергосистемы Текст. / В.В. Карпов // Тр. ЛПИ. -1977.-№357.

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

38. Корн Г. Справочник по математике: определения, теоремы, формулы: для научн. работников и инженеров Текст. / Г. Корн, Т. Корн; пер. с англ. И.Г. Арамановича [ и др.]; под общ. ред. И.Г. Арамановича. М.: Наука, 1978.-832 с.

39. Коуден, Д. Статистические методы контроля качества. Текст. / Д. Коуден; пер. с англ. под ред. Б.Р. Левина. М.: Изд-во физико - математической литературы, 1961.

40. Крисилов В. А. Представление исходных данных в задачах нейросетевого прогнозирования Электронный ресурс. / В.А. Крисилов, К.В. Чумичкин, A.B. Кондратюк / Режим доступа: http://neuroschool.narod.ni/articles.html#theory.- 01.10.2011.

41. Круг, П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры» Текст. / П.Г. Круг. М.: Издательство МЭИ, 2002.- 176 с.

42. Круглов, B.B. Искусственные нейронные сети. Теория и практика Текст. / В.В. Круглов, В.В. Борисов ; 2-е изд. // стереотип.-М.: Горячая линия -Телеком, 2002.-382 е.: ил.

43. Кудрин, Б.И. Введение в технетику Текст. / Б.И. Кудрин // Томск: Изд-во ТГУ, 1993.-552 с.

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

45. Кудрин, Б.И. Ценологический ранговый анализ в электрике Текст. / Б. И. Кудрин, О. Е. Лагуткин, М. Г. Ошурков. М.: Техника, 2008. 116 с. - ( Вып.40. «Ценологические исследования»).

46. Кудрин, Б.И. О потерях электрической энергии и мощности в электрических сетях Текст. / Б.И. Кудрин // Электрика №3 2003. -С.3-9.

47. Кудрин, Б.И. Очерки полевого учёта Текст. / Б.И. Кудрин. М.: Центр системных исследований, 1998. - 192с. - (Вып. 6. «Ценологические исследования»).

48. Курбанский, Н.В. Прогнозирование электрической нагрузки с использованием искусственных нейронных сетей Текст. / Н.В. Курбанский,

49. B.Г. Томин // Электрика, 2006.- №7- С.26-31.

50. Лагуткин, O.E. Оценка развития промышленного предприятия по критериям Н-распределения Текст. / O.E. Лагуткин // Электрика -2007.- №5.1. C.44-46.

51. Логанина, В.И. Статистические методы управления качеством продукции: учебное пособие Текст. / В.И. Логанина, A.A. Федосеев, В.Г. Христолюбов.- М.: КДУ, 2008.- 242 е.: табл., ил.

52. Лю, Б. Теория и практика неопределённого программирования Текст. / Б.Лю; Пер. с англ.- М.: Бином. Лаборатория знаний, 2005.- 416 е.: ил.-(Адаптивные и интелектуальные системы).

53. Макоклюев, Б.И. Анализ и планирование электропотребления. Текст. / Б.И. Макоклюев // Энергоатомиздат,2008. 296 е.: ил.

54. Максимей, И.В. Имитационное моделирование на ЭВМ Текст. / И.В. Максимей . М.: Издательство «Радио и связь», 1988. - 231 с.

55. Математический портал Электронный ресурс. / Режим доступа: http: matlab.exponenta.ru/neuralnetwork.

56. Медведев, B.C. Нейронные сети. MATLAB 6 Текст. / B.C. Медведев, В.Г. Потёмкин ; под общ. ред. к.т.н. В.Г. Потёмкина. М.: ДИАЛОГ-МИФИ, 2002.-496с.-(Пакеты прикладных программ; Кн.4).

57. Метеорологический сайт Электронный ресурс. / Режим доступа: http: www.gismeteo.ru. -01.05.2011.

58. Метеорологический сайт. Электронный ресурс. / Режим доступа: http: www.rp5.ru. -01.05.2011.

59. Мещеряков, В.В. Задачи по статистике и регрессионному анализу с MATLAB Текст. / В.В. Мещеряков. М.: Диалог- МИФИ, 2009-448 с.

60. Набатов, К.А. Информационное моделирование жизненного цикла электротехнических систем / К.А.Набатов, A.B. Баранов, О.Г. Иванова, Ю.С. Сербулов, Ю.Ю. Громов // Системы управления и информационные технологии, 2008 г., №2.3, с. 347 350.

61. Набатов, К.А. Синтез и анализ живучести сетевых систем : монография / Ю.Ю. Громов, В.О. Драчев, К.А. Набатов, О.Г. Иванова. М. : «Издательство Машиностроение-1», 2007. - 152 с. - 400 экз.

62. Осовский, С. Нейронные сети для обработки информации Текст. / С. Осовский; Пер. с польского И.Д. Рудинского.- М.: Финансы и статистика, 2002.-344 е.: ил.

63. Паклин, Н.Б. Бизнес аналитика: от данных к знаниям Текст. / Н.Б. Паклин, В.И. Орешков. - СПб.: Питер, 2009.-624 е.: ил.-(+СО).

64. Поляков, В.Б. Прогнозирование влияния климатических факторов на потребление электроэнергии Текст. / В.Б. Поляков, A.M. Пяткин // Энергетика и электрификация.- 1971. -№2.

65. Правила оптового рынка электрической энергии (мощности) переходного периода Электронный ресурс. / Утверждены Постановлением

66. Правительства Российской Федерации №643 от 24.10.2003: ред. №344 от1505.2010. Режим доступа: http://www.garant.ru. - 01.10.2011.

67. Правила устройства электроустановок Текст.: Все действующие разделы ПУЭ 6 и ПУЭ - 7, 7-й выпуск. - Новосибирск: Сиб.унив. изд-во,2007, -854 е., ил.

68. Прогноз погоды на средние сроки Текст. // Труды ордена Ленина гидрометеорологического научно-исследовательского центра СССР. выпуск 280.-Ленинград.- Гидрометеоиздат.- 1986.

69. Резников, В.П. Детерминированно вероятностная обучающая интегральная система (ДВОИС) Текст. / В.П. Резников // Изв.АН СССР. Сер. Энергетика и транспорт. 1969. №3.

70. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечёткие системы. Текст. / Д. Рутковская, М. Пилиньский, Л. Рутковский ; Пер. с польск. И.Д. Рудинского.- М.: Горячая линия Телеком, 2006.- 452 е.: ил.

71. Сайт Открытого акционерного общества "Администратор торговой системы" Электронный ресурс. / Режим доступа: http://www.atsenergo.ru.0110.2011.

72. Сайт фирмы "Марс- Энерго" Электронный ресурс. / Режим доступа: http://www.mars-energo.ru. 01.10.2011.

73. Сайт фирмы программы "Энергостат" Электронный ресурс. / Режим доступа: http://energostat.ru. 01.10.2011.

74. Сайт фирмы программы "ОеёисШг" Электронный ресурс. / Режим доступа: http://www.basegroup.ru. 01.10.2011.

75. Селищев, A.C. Микроэкономика. Текст. / A.C. Селищев. Спб.: Питер, 2002.- 448 с: ил,- (Серия "Учебники для вузов").

76. Сенатов, В. В. Центральная предельная теорема. Точность аппроксимации и асимптотические разложения Текст. / В.В. Сенатов. -М.:Либроком,2009.-352 с.

77. Сергеев, A.B. Программные средства прогнозирования и оптимизация плановых показателей энергетических балансов региональной энергосистемы Текст. / A.B. Сергеев //М.: НЦ ЭНАС, 2003.

78. Соболь, И.М. Метод Монте Карло Текст. / И.М. Соболь . - М., «Наука», 1968, 64 с.( «Популярные лекции по математике», вып. 46).

79. Староверов, Б.А. Комплексное применение нейронных сетей для автоматизации прогнозирования электропотребления на региональном уровне Текст. / Б.А. Староверов, М.А. Мормылёв // Вестник ИГЭУ.-2009, Вып. 4.

80. Степнов, М.Н. Статистические методы обработки результатов механических испытаний: справочник Текст. / М.Н. Степнов.- М. Машиностроение, 1985.- 232 е., ил.

81. Сухарев, А.Г. Курс методов оптимизации Текст. / А.Г. Сухарев, A.B. Тимохов, В.В. Федоров // М.: Наука, 1986. 328 с.

82. Сюткин, Б.Д. Влияние метеофакторов на режим потребления электроэнергии Текст. / Б.Д. Сюткин, В.М. Брдюгов. М.: ВДНХ СССР.- 1977. - (Тезисы докл. на совещании по теме «Оптимизация режимов работы энергосистем»).

83. Терехов, В.А. Нейросетевые системы управления Текст. / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин и др. СПб.: СПбГУ, 1999.

84. Тимченко, В.Ф. Интервальный однофакторный метод краткосрочного прогнозирования суточного электропотребления энергосистем Текст. / В.Ф. Тимченко, В.Х. Ежилов // Электричество.-1976.№2.

85. Тимченко, В.Ф. Колебания нагрузки и обменной мощности энергосистем Текст. / В.Ф. Тимченко.- М.: Энергия, 1975.

86. Торопов, A.C. Анализ и прогнозирование расхода электроэнергии нетяговыми потребителями железных дорог Текст.: автореф. дис. . кандид. тех. наук :05.20.03 / Торопов Андрей Сергеевич; Сибирский федеральный университет.- Красноярск, 2007.-19 с.

87. Федеральный закон об «Электроэнергетике» (с изменениями на 4 июня 2011 года): одобрен Советом Федерации 12 марта 2003 года. Электронный ресурс. / Режим доступа: http://www.garant.ru. 01.10.2011.

88. Франс, Дж. Математические модели в сельском хозяйстве Текст. / Дж. Франс, Дж. Х.М. Торнли ; Пер. с англ. A.C. Каменского; под ред. Ф.И. Ерошенко.; Предисл. Ф.И. Ерошенко и A.C. Каменского.- М.: Агропромиздат, 1987.400 с.

89. Фуфаев, В.В. Повышение эффективности электроремонта воздействием на структуру множества электрооборудования при эксплуатации и техническом перевооружении промышленных предприятий. Текст. // Автореф. канд. тех. н. М., 1987, 19 с.

90. Черненко, П.А. Определение информативности и краткосрочное прогнозирование периодически нестационарных случайных процессов в электроэнергетических системах Текст. / П.А. Черненко, Г.Г. Кузнецов // Ин-т электродинамики АН УССР: Препр., 1977. №157.

91. Черных, И.В. Моделирование электротехнических устройств в MATLAB, SimPowerSystems и Simulink Текст. / И.В. Черных . М: ДМК Пресс; СПб.: Питер, 2008.-288 е.: ил.

92. Чувилкин, A.B. Динамическое моделирование иэлектропотребления Текст. / A.B. Чувилкин // Механизация и электрификация сельского хозяйства. 2011, №1.- с. 21-23.

93. Шаталов, В.И. Краткосрочное прогнозирование суммарной нагрузки энергосистем с учётом метеорологических условий Текст. : автореф. дис.канд.тх.наук / В.И. Шаталов ; Новосибирск, 1976. 20с.

94. Шаханов, B.C. Комплекс программ внутрисуточного прогнозирования нагрузок энергообъединений и энергосистем Текст. / B.C. Шаханов, H.H. Данилов, В.Т. Николаев, B.C. Гармаш, Б.И. Макоклюев. М.: Энергоиздат, 1982.- (Сб. трудов Энергосетьпроект).

95. Шишкин, С.А. Компенсация реактивной мощности и потери электроэнергии в сельских распределительных сетях 6 (10)/0,4 кВ Текст. / С.А.

96. Шишкин // Механизация и электрификация сельского хозяйства, 2003. № 10 -С. 21-23.

97. Шкала Чеддока для оценки корреляции Электронный ресурс. / Режим доступа: http://marktika.ru/tables.htm#. 10.02.2011.

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

99. Электронный учебник StatSoft Электронный ресурс. / Режим доступа: http://www.statsoft.ru. 01.05.2011.

100. Якимов, А.Е. Имитационные модели статического состояния ценоза Текст. / А.Е. Якимов // Кибернетические системы ценозов: Синтез и управление. М.: Издательство «Наука», 1991. - С. 27 - 36.

101. Яхъева, Г.Э. Нечёткие множества и нейронные сети: Учебное пособие Текст. / Г.Э Яхъева.- М.: Интернет Университет Информационных Технологий; Бином. Лаборатория знаний, 2006,- 316 е.: ил., табл.- (Серия «Основы информационных технологий»).

102. Battiti, R. First and second order methods for learning: Between steepest descent and Newton's method Text. / R. Battiti // Neural Computation. 1992.-Vol.4,N 2. P. 141-166.

103. Box, G. Time Series Analysis, Forecasting and Control Text. / G. Box, G. M. Jenkins // San Francisco: Holden Day, second edition, 1976.

104. Dillon, T.S. Short Term Load Forecasting Using an Adaptive Neural Network Text. /T.S. Dillon, S. Sestito and S. Leung // Electrical Power and Energy Systems, vol. 13, no. 4, Aug. 1991.

105. Gross, F.D. Short Term Load Forecasting Text. / F.D. Gross, G. Galiana //ProcsIEEE, 1987, v.75, N12, pp. 1558-1573.

106. Hagan, M.T. Neural Network Design Text. / M.T. Hagan, H.B. Demuth // Boston, MA: PWS Publishing, 1996.

107. Hsu, Y.Y., and Yang C.C. Design of Artificial Neural Networks for Short-Term Load Forecasting Text. / Y.Y. Hsu , C.C. Yang // IEE Proceedings-C Generation Transmission and Distribution 138.5 (1991): 414-418.

108. Park, D.C. Electric load forecasting using an artificial neural network Text. / D.C. Park, R.J. Marks, L.E. Atlas, M.J. Damborg // IEEE Transactions on Power Systems, Vol. 6, No. 2, May 1991, pp. 442-449.

109. Rosenblat, F. Principles of Neurodynamics. Washington D.C.: Spartan Press, 1961. Text. / F. Rosenblat // Пер. с англ. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1965.

110. Vemuri, S. On-line Algorithms for Forecasting Hourly Loads of an Electric Utility Text. / S. Vemuri, W.L. Huang, D.J. Nelson // IEEE Trans on Power Apparatus and Systems, 1981, v. 100, N8, pp.3775-3784.