Прогнозирование электропотребления промышленных предприятий с помощью искусственных нейронных сетей
На правах рукописи
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
Кемерово – 2010 2
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 15 00 на заседании диссер тационного совета Д 212.102.01 в Государственном образовательном учре ждении высшего профессионального образования «Кузбасский государ ственный технический университет» по адресу: 650000, г. Кемерово, ул. Ве сенняя, 28.
Факс: (3842) 36-16-
С диссертацией можно ознакомиться в библиотеке Государственного образовательного учреждения высшего профессионального образования «Кузбасский государственный технический университет».
Автореферат разослан «_13_»сентября2010 г.
Ученый секретарь А. Г. Захарова диссертационного совета
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность работы. Прогнозирование величины электропотребле ния промышленного предприятия является важной научно-технической зада чей. Необходимость точного прогнозирования электропотребления обуслов лена 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 опреде лять его конкурентоспособность. В настоящее время большинство крупных промышленных предприятий России покупает электроэнергию на оптовом рынке электроэнергии и мощности. Плата за электроэнергию для таких пред приятий складывается из платы за фактический объем потребленной элек троэнергии и платы за отклонение объема фактически потребленной электро энергии от планового объема потребления. Чем больше отклонения фактиче ских объемов электропотребления от заявленных, тем больше дополнитель ных расходов на электроэнергию несет предприятие.
В настоящее время прогнозирование электропотребления на большин стве промышленных предприятий производится на основе метода эксперт ных оценок, который в большинстве случаев не может обеспечить требуе мую 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 электропотреб ления промышленного предприятия, путем создания прогнозной модели электропотребления, учитывающей его зависимость от влияющих факторов.
Идея работы заключается в комплексном использовании искусствен ных 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 электро энергию на оптовом рынке электроэнергии и мощности.
2. Сравнить существующие методы прогнозирования электропотребле ния промышленных предприятий и выбрать оптимальный метод для прогно зирования электропотребления в условиях работы предприятия на оптовом рынке электроэнергии и мощности.
3. Разработать методику создания прогнозной модели электропотреб ления промышленного предприятия для выбранного метода прогноза.
4. Разработать методику оценки влияния параметров окружающей сре ды 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 пара метров и параметров окружающей среды.
6. Создать с помощью разработанных методик и полученных зависимо стей прогнозную модель электропотребления, учитывающую влияние на электропотребление влияющих факторов.
7. Проверить и оценить качество работы полученной прогнозной моде ли путем сравнения фактических и прогнозных значений электропотребления многономенклатурного предприятия.
Основные научные положения, выносимые на защиту:
1. Для построения прогнозной модели электропотребления промыш ленного 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 электропотребле ния позволяет значительно повысить точность прогноза за счет использова ния зависимостей электропотребления от влияющих факторов, полученных в процессе обучения искусственной нейронной сети.
Научная новизна работы заключается в следующем:
1. Разработана методика определения зависимостей электропотребле ния промышленного предприятия от влияющих на него параметров с помо щью искусственной нейронной сети, отличающаяся комплексным использо ванием генетических алгоритмов для определения внутренней конфигурации нейронной сети и экспертной оценки системы электроснабжения промыш ленного предприятия для выбора набора входных параметров нейронной се ти.
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 промышлен ных предприятиях, покупающих электроэнергию на оптовом рынке электро энергии 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 при менением современных математических методов прогнозирования и экспе риментальной 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 про изводстве продукции.
Практическая ценность работы состоит в том, что полученные тео ретические и практические результаты могут быть использованы:
– для снижения величины финансовых издержек предприятий, возни кающих при отклонении фактических объемов электропотребления от объе мов, заявленных к покупке на рынке электроэнергии, путем использования прогнозных моделей электропотребления предприятий с учетом индивиду альных особенностей каждого предприятия;
– для проведения на предприятии организационных мероприятий в ча сти 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 кон ференции «Современные пути развития машиностроения и автотранспорта Кузбасса» (г. Кемерово, 2007 г.);
VII Международной научно-практической конференции «Современные энергетические системы и комплексы и управ ление ими» (г. Новочеркасск, 2007 г.);
Третьей научно-технической конфе ренции 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, четы рех глав, заключения, списка используемой литературы из 147 наименова ний, двух приложений и содержит 153 страницы текста, 22 таблицы и 36 ри сунков.
ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность темы, сформулированы цель и задачи исследования, отмечены научная новизна и практическая ценность ре зультатов работы, представлены основные положения, выносимые на защиту.
В первой главе производится анализ состояния проблемы прогнозиро вания электропотребления промышленных предприятий, работающих на оптовом рынке электроэнергии. Устанавливается, что ошибки прогнозирова ния электропотребления определяют величину дополнительных финансовых затрат предприятия, связанных с оплатой отклонений фактически потреблен ной электроэнергии от плановых (заявленных на оптовый рынок электро энергии) значений электропотребления.
Производится исследование теоретических работ, посвященных про гнозированию электропотребления, и существующих программных комплек сов, 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 дру гих работах предлагаются математико-статистические, вероятностные мето ды, методы регрессионного анализа, методы, основанные на искусственных нейронных сетях и др. Применение вышеперечисленных методов вкупе с со временными электронно-вычислительными комплексами позволяет созда вать программные средства для прогнозирования электропотребления про мышленных предприятий.
Проведенные исследования показали, что существующие программные комплексы, предназначенные для прогнозирования электропотребления, об ладают существенным недостатком, а именно – отсутствием учета объемов производства продукции промышленных предприятий при прогнозировании их электропотребления. В условиях рыночной экономики планы производ ства продукции определяются, прежде всего, конъюнктурой рынка сбыта производимой продукции. При условии, что выпускаемая продукция пред приятия 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 мно гом ориентировочным и подлежит уточнению в темпе процесса производ ства. В свою очередь объемы производства продукции будут в той или иной степени определять величину электропотребления промышленного предпри ятия.
Следовательно, оптимальной для прогнозирования электропотребления промышленного предприятия будет являться такая прогнозная модель, кото рая будет обладать хорошей адаптивностью к быстроменяющимся условиям окружающей среды и позволит учитывать производственные показатели предприятия.
Во второй главе производится анализ существующих методов прогно зирования временных рядов с точки зрения применимости этих методов для построения на их основе прогнозной модели электропотребления промыш ленного предприятия. Достоинства и недостатки этих методов прогнозиро вания временных рядов, при использовании их для прогнозирования элек тропотребления приведены в табл. 1.
Таблица Достоинства и недостатки методов прогнозирования электропотребления Методы прогно- Достоинства Недостатки зирования Интуитивные ме- Возможность применения в Зависимость качества тоды прогноза тех случаях, когда неприме- прогноза от квалифика нимы формализованные ме- ции экспертов;
низкая тоды прогноза степень возможной ав томатизации прогноза Прогнозная экс- Простота реализации про- Жесткая фиксация мо траполяция гнозной модели;
возмож- дели тренда;
отсутствие ность прогнозирования на адаптивности;
невоз основе минимального набора можность учета множе входных данных ства влияющих пара метров;
необходимость большого объема ис ходных данных Корреляционный и Возможность учета влияния Низкая адаптивность;
регрессионный широкого набора параметров жесткие требования к анализ на электропотребление исходным данным;
сложность реализации Модели ARIMA Хорошая способность по вы- Низкая адаптивность;
явлению и учету сезонных сложность реализации;
влияющих параметров низкая точность в усло виях высокой неопреде ленности величины электропотребления Адаптивные мето- Хорошие адаптивные спо- Сложность определения ды прогнозирова- собности;
хорошие способ- набора входных пара ния ности по долгосрочному про- метров;
необходимость гнозированию большого набора вход ных данных Прогнозирование с Хорошие адаптивные и Сложность определения помощью искус- обобщающие способности;
набора входных пара ственных нейрон- высокая помехозащищен- метров и конфигурации ных сетей (далее – ность;
способность к само- сети ИНС) обучению Прогнозирование с Хорошие адаптивные и Сложность реализации помощью гибрид- обобщающие способности;
ных систем, осно- высокая помехозащищен ванных на ИНС ность;
способность к само обучению и самонастройке ИНС;
высокая степень воз можной автоматизации Путем анализа цели и задач краткосрочного прогноза электропотреб ления на рынке электроэнергии, а также достоинств и недостатков основных методов прогнозирования временных рядов, были получены следующие вы воды:
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 потребле ния электроэнергии от фактического.
2. Прогнозная модель должна быть адаптивной, для быстрого измене ния 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 электропо требления 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 электропо требления промышленного предприятия, является гибридная система, на ос нове многослойного персептрона, созданного с применением генетических алгоритмов для выбора оптимальных параметров сети.
В третьей главе разрабатывается методика создания прогнозной моде ли предприятия на основе искусственной нейронной сети.
Для определения оптимального набора входных параметров прогноз ной модели электропотребления была проанализирована типовая схема си стемы электроснабжения промышленного предприятия. На каждом уровне системы электроснабжения были определены параметры, влияющие на вели чину электропотребления (рис. 1), и проведена оценка пригодности этих па раметров к включению в прогнозную модель в качестве входных.
На основании анализа влияющих параметров был сделан вывод, что в качестве входных параметров прогнозной модели электропотребления необ ходимо выбирать параметры окружающей среды (день недели, час суток, долгота дня, температура воздуха и т.п.) и объемы выпуска продукции по це хам или производственным линиям.
Для отбора входных параметров прогнозной модели электропотребле ния целесообразно применить метод коллективных экспертных оценок, с участием представителей технологических служб предприятия и службы главного энергетика.
После отбора входных параметров необходимо определить оптималь ную внутреннюю конфигурацию нейронной сети (число скрытых слоев, чис ло нейронов в скрытом слое, крутизну активационной функции и т.д.). Для этого был разработан алгоритм, основанный на методе генетического отбора.
Ур. Параметры СЭС 35-500 кВ Объем выпуска продук ции предприятием;
пара ГПП метры окружающей сре ды 6-10 кВ Объем выпуска продук ции предприятием;
пара метры окружающей сре- РП ды Объем выпуска продук- ЦТП ции производственной линии M M 0,4 кВ Объем выпуска продук ции цеха Объем выпуска продук ции группы электропри- РП ЩО РП емников Объем выпуска продук ции (совершенной полез ной работы) каждым M M M M станком и агрегатом Рис. 1. Параметры, влияющие на электропотребление 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 M 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 (MSE), ко рень этой ошибки (RMSE) и средняя абсолютная ошибка прогноза в процен тах (MAPE) на тестовом множестве.
4. Половина особей поколения с наихудшими оценками качества про гнозирования 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 до стигнуто 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 всех сетей на протяжении заданного количества по колений.
Подготовка обучающего и проверочного множества исходных данных N – число Генерация популяции M особей ИНС с поколений параметрами в заданных пределах M – число особей в n= поколении Нет Если n = N Да Обучение M особей популяции ИНС на обучающем множестве Оценка прогнозных способностей каждой особи ИНС на проверочном множестве Отбор M/2 особей ИНС с наименьшей величиной ошибки прогноза Рекомбинация отобранных ИНС, создание M особей поколения n+1, внесение мутаций в их структуру n=n+ Отбор наилучшей ИНС из M особей поколения N Настроенная и обученная ИНС Рис. 2. Настройка внутренней структуры нейронной сети с помощью генети ческого отбора Методика, заключающаяся в комплексном использовании трех мето дов: искусственных нейронных сетей, генетических алгоритмов отбора и экспертных оценок позволит создать прогнозную модель электропотребле ния промышленного предприятия, учитывающую особенности предприятия, специфику его производства и технологических процессов. При этом полу ченная прогнозная модель будет адаптивной, умеющей подстраиваться под быстроменяющиеся условия рыночной экономики.
В четвертой главе для экспериментальной проверки методики созда ния 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 моде ли создавались при помощи разработанной автором программы «NeuroStorm», интерфейс которой приведен на рис. 3.
Рис. 3. Интерфейс программы «NeuroStorm» Прогнозная модель «А» показала хорошие прогностические способно сти в те периоды времени, когда выпуск продукции КОАО «Азот» был ста билен (рис. 4 и рис. 5).
99 98 98 97 97 W, кВт*ч 96 96 95 95 94 94 93 510 520 530 540 550 560 570 580 590 600 610 620 630 640 650 660 Час исходного множеств а Факт Прогноз Рис. 4. Сравнение фактической и прогнозной величины электропотребления КОАО «Азот» на проверочной части исходного множества данных «Февраль 2009» (прогнозная модель «А») 93 92 91 W, кВт*ч 90 89 88 87 580 590 600 610 620 630 640 650 660 670 680 690 700 710 720 730 Час исходного множеств а Факт Прогноз 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 использова лись час суток (с 1-го по 24-й), тип дня (рабочий, выходной), температура окружающей среды, значение электропотребления за предыдущий час – H-1.
В случае резких изменений объемов выпуска продукции прогнозные способности модели существенно ухудшались (рис. 6).
112 110 108 106 W, кВт*ч 104 102 100 98 96 580 590 600 610 620 630 640 650 660 670 680 690 700 710 720 730 Час исходного множеств а Факт Прогноз 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 дополне ние к уже используемым в модели «А» использовались параметры, получен ные 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 ос новных видов).
Прогнозная модель «Б», учитывающая объемы выпуска продукции, по казала хорошие результаты прогноза при любых изменениях этих объемов (рис. 6).
112 110 108 W, кВт*ч 106 104 102 100 580 590 600 610 620 630 640 650 660 670 680 690 700 710 720 730 Час исходного множеств а Факт Прогноз 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 про гноза, 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 Сравнение ошибок прогнозных моделей «А» и «Б» Ошибка Модель Февраль Март Апрель Май Июнь 2009 2009 2009 2009 «А» 0,841 0,765 1,339 6,841 1, MAPE, % «Б» 0,782 0,581 1,076 1,507 1, «А» 1069 923 1736 7888 RMSE, кВтч «Б» 1011 662 1281 1848 Сравнив величину ошибки прогноза электропотребления КОАО «Азот», можно сделать вывод, что добавление объемов производства про дукции 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 добавле ние в прогнозную модель в качестве входных. Так, например, прогнозирова ние электропотребления КОАО «Азот» на последние 7 дней множества «Май 2009», с помощью модели «Б» (с учетом объемов производства продукции) позволило снизить ошибки MAPE и RMSE более чем в четыре раза.
В свою очередь прогнозная модель «А» обеспечивает небольшую ве личину ошибки прогноза при минимальном наборе входных данных в усло виях стабильных объемов выпуска продукции. С учетом приведенных выше качеств прогнозных моделей, наиболее оптимальной представляется следу ющая схема прогнозирования электропотребления КОАО «Азот»:
1. Использование прогнозной модели «А» для предварительного про гноза электропотребления на неделю вперед. Такой прогноз позволит специ алистам предприятия более точно планировать энергобалансы на средне срочный период, рассчитывать ожидающиеся затраты на покупку электро энергии на оптовом рынке и, как следствие, повысит качество экономическо го планирования на предприятии в целом.
2. Использование прогнозной модели «Б» для окончательного (уточня ющего) прогноза электропотребления на сутки вперед. Полученные прогноз ные значения необходимо использовать при подаче заявок на величину элек тропотребления, при работе КОАО «Азот» на оптовом рынке электроэнер гии. Это позволить снизить отклонения заявленной величины электропотреб ления от фактической и, как следствие, снизить вызываемые этими отклоне ниями дополнительные затраты КОАО «Азот» при покупке электроэнергии с оптового рынка.
Дальнейшего снижения ошибки прогнозирования можно добиться сле дующими мероприятиями:
1. Организацией почасового планирования и учета объемов выпуска продукции.
2. При прогнозировании электропотребления в качестве плановой ве личины выпуска продукции использовать уточненный план выпуска продук ции на следующие сутки, с учетом текущих изменений, а не величину, запла нированную перед началом текущего месяца.
ЗАКЛЮЧЕНИЕ В диссертационной работе дано новое решение актуальной задачи по вышения точности прогнозирования электропотребления промышленного предприятия, имеющей существенное значение для повышения эффективно сти 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 оце нок.
Основные результаты, полученные в процессе теоретических и практи ческих исследований, сводятся к следующему:
1. Произведена оценка необходимости снижения ошибки прогнозиро вания электропотребления промышленных предприятий, покупающих элек троэнергию на оптовом рынке электроэнергии и мощности.
2. Произведен сравнительный анализ методов прогнозирования элек тропотребления для целей построения прогнозной модели электропотребле ния предприятия, покупающего электроэнергию на оптовом рынке. Наилуч шим из рассмотренных методов прогноза был определен метод, основанный на искусственных нейронных сетях.
3. Разработана методика создания прогнозной модели электропотреб ления промышленного предприятия, основанной на искусственной нейрон ной сети, полученной в результате комплексного использовании генетиче ских алгоритмов и метода экспертной оценки.
4. Для экспериментальной проверки разработанной методики:
4.1. Произведена экспертная оценка структуры системы электро снабжения 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 электропотреб лении и производстве продукции КОАО «Азот» за пять месяцев 2009 года (февраль – июнь).
5. Доказано уменьшение ошибки прогноза при добавлении в прогноз ную модель параметров, позволяющих учитывать объемы производства про дукции предприятием.
6. Предложен алгоритм прогнозирования электропотребления про мышленных предприятий с последовательным применением двух прогноз ных 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 электропотребле ния энергосистем с помощью искусственных нейронных сетей / И. В. Воро нов, 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 ме тодов их обучения / И. В. Воронов, Е. А. Политов, В. М. Ефременко //Вестник КузГТУ. – 2007. – № 3. – С. 38 – 42.
5. Воронов И. В. Определение параметров, влияющих на электропо требление промышленного предприятия, с помощью метода экспертных оце нок / 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. Во ронов, В. М. Ефременко // Вестник КузГТУ. – 2006. – № 6. – С. 71 – 73.
7. Политов Е. А. Принципы построения прогнозной модели электро потребления промышленного предприятия на основе искусственной нейрон ной сети / Е. А. Политов, И. В. Воронов, В. М. Ефременко // Вестник КузГТУ. – 2009. – № 5. – С. 58 – 60.
Подписано в печать Формат 60х84/16. Бумага офсетная. Отпечатано на ризографе.
Объем 1,0 п.л. Тираж 100 экз. Заказ ГУ Кузбасский государственный технический университет 650000, Кемерово, ул. Весенняя, Типография ГУ Кузбасский государственный технический университет 650000, Кемерово, ул. Д. Бедного, 4А