Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Анализ и прогнозирование режимных параметров и характеристик в системах электроэнергетики на базе технологий искусственного интеллекта

Диссертация: Анализ и прогнозирование режимных параметров и характеристик в системах электроэнергетики на базе технологий искусственного интеллекта
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Новых принципов функционирования рынков ЭЭ повлекло за собой и существенное изменение договоров энергоснабжения и куплипродажи. Энергоснабжающие организации и потребители (субъекты РРЭ) в сложившихся на данный момент условиях заинтересованы в достоверном планировании (прогнозировании) потребностей в ЭЭ и проведении эффективного анализа по её использованию. Вследствие этого существенно возрастает… Читать ещё >

Содержание

  • Глава 1. ПОСТАНОВКА ЗАДАЧ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ РЕЖИМ-I НЫХ ПАРАМЕТРОВ И ХАРАКТЕРИСТИК ДЛЯ СУБЪЕКТОВ РОЗНИЧНОГО ' РЫНКА ЭЛЕКТРОЭНЕРГИИ
    • 1. 1. Задача анализа режимных параметров и характеристик для субъектов розничного рынка электроэнергии
      • 1. 1. 1. Анализ режимных параметров и характеристик для электрических сетей субъектов розничного рынка
      • 1. 1. 2. Анализ потерь электрической энергии в электрических сетях субъектов розничного рынка
    • 1. 2. Общая характеристика методов анализа данных и визуализации Бозмож-{ ности их применения в задачах электроэнергетики
    • 1. 3. Задача прогнозирования режимных параметров и характеристик в электрических сетях субъектов розничного рынка
    • 1. 4. Обзор существующих методов прогнозирования и их практическая реализация в задачах электроэнергетики
    • 1. 5. Выводы к главе 1
  • Глава 2. ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ ЭЛЕКТРОЭНЕРГЕТИКИ
    • 2. 1. Характеристика программных продуктов по искусственным нейронным сетям и генетическим алгоритмам
    • 2. 2. Обзор практического использования искусственных нейронных сетей в электроэнергетических задачах
    • 2. 3. Структура искусственных нейронных сетей
    • 2. 4. Генетические алгоритмы
    • 2. 5. Процедуры предварительной обработки информации на базе нелинейного анализа данных и структур искусственных нейронных сетей и генетических алгоритмов
    • 2. 6. Выводы к главе 2
  • Глава 3. ПРИМЕНЕНИЕ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЗАДАЧАХ АНАЛИЗА И ПРОГНОЗИРОВАНИЯ РЕЖИМНЫХ ПАРАМЕТРОВ И ХАРАКТЕРИСТИК В ЭЛЕКТРИЧЕСКИХ СЕТЯХ СУБЪЕКТОВ РОЗНИЧНОГО РЫНКА
    • 3. 1. Кластерный анализ и визуализация режимных параметров и характеристик в электрических сетях на базе карт Кохонена
    • 3. 2. Кластерный анализ потерь электрической энергии на базе карт Кохонена
    • 3. 3. Прогнозирование режимных параметров и характеристик в электрических сетях с использованием методов искусственного интеллекта
    • 3. 4. Сравнительный анализ предложенных подходов с существующими программными реализациями методов анализа и прогнозирования режимных параметров и характеристик
      • 3. 4. 1. Программный комплекс «РАП-95»
      • 3. 4. 2. Программный комплекс по прогнозированию процессов электропотребления «ПРОГНОЗ»
    • 3. 5. Выводы к главе 3
  • Глава 4. РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ
    • 4. 1. Анализ расчётных и сверхнормативных потерь электроэнергии в электрических сетях Братского энергорайона
    • 4. 2. Анализ потребления электрической энергии бытовым сектором в электрических сетях Братского энергорайона
    • 4. 3. Суточное прогнозирование электрической нагрузки в энергорайонах г. Ир-, кутска
    • 4. 4. Прогнозирование сверхнормативных потерь в распределительных электрических сетях Братского энергорайона
    • 4. 5. Прогнозирование температуры наружного воздуха для тепловых сетей Братского энергорайона
    • 4. 6. Выводы к главе 4

Анализ и прогнозирование режимных параметров и характеристик в системах электроэнергетики на базе технологий искусственного интеллекта (реферат, курсовая, диплом, контрольная)

Актуальность проблемы. В современных условиях реформирования электроэнергетики России и перехода оптового рынка электроэнергии (ЭЭ) к розничному [1], первоочередной задачей является формирование новых отношений между субъектами рынка при обеспечении чётко отлаженных взаимоотношений между потребителем и энергоснабжающей организацией.

В соответствии с Федеральным законом «Об электроэнергетике» [2] на розничных рынках электроэнергии (РРЭ) основными участниками являются оптовые покупатели-перепродавцы (энергосбытовые организации — ЭСО) и потребители (рис. В.1). Взаимоотношения на рынке полностью контролирует государство в лице региональных энергетических комиссий (РЭК) [3], кото

Предприятие-потребитель (энергоснабжающая организация)

Конечные потребители

О—ООО ь

Розничный рынок электроэнергии

Рис. В.1. Общая структура взаимоотношений на отечественном рынке электроэнергии рые устанавливают экономически обоснованные тарифы, как на отпуск, так и на покупку ЭЭ. Купля-продажа ЭЭ осуществляется по строго установленным тарифам. При превышении заявленного объёма потребления ЭЭ РЭК взимает штрафы, размер которых компенсирует расходы на дополнительную выработку ЭЭ.

Оптовый рынок ЭЭ состоит из двух частей:

• регулируемый сектор;

• сектор свободной торговли и балансирующий рынок.

Тарифы в регулируемом секторе определяет Федеральная служба по тарифам (ФСТ). Сектор свободной торговли предусматривает свободное ценообразование, когда тариф на ЭЭ является равновесной ценой спроса и предложения. Так, с 1-го ноября 2003 года в России введена продажа ЭЭ на федеральном оптовом рынке электроэнергии в размере до 15% от общей выработки по свободно формируемым ценам. Отклонения фактического графика нагрузок субъекта оптового рынка от заявленных значений больше определенного процента приводит к покупке электроэнергии с балансирующего рынка по более высокой цене. Отклонение в меньшую сторону также «карается» оплатой за недопоставленную электроэнергию, определяемую разницей между заявленным и фактическим потреблением ЭЭ по установленным расценкам.

Следует подчеркнуть, что изменение принципов функционирования отечественного рынка ЭЭ [3], приводит к повышению требований, предъявляемым к показателям качества прогнозных расчётов (точности, достоверности, информативности, быстродействию и т. д.). К сожалению, на сегодняшний момент далеко не все отечественные электрические сети и энергорайоны в должной степени обеспечены современными средствами учёта ЭЭ, что приводит к значительному дефициту исходной информации для задач анализа и прогнозирования, а, следовательно, затрудняет их решение.

Введение

новых принципов функционирования рынков ЭЭ повлекло за собой и существенное изменение договоров энергоснабжения и куплипродажи. Энергоснабжающие организации и потребители (субъекты РРЭ) в сложившихся на данный момент условиях заинтересованы в достоверном планировании (прогнозировании) потребностей в ЭЭ и проведении эффективного анализа по её использованию. Вследствие этого существенно возрастает ответственность в достоверном решении задач анализа и прогнозирования режимных параметров* [4, 5] (в первую очередь, электрической нагрузки потребителей, перетоков мощности и т. д.) и характеристик (потерь электроэнергии, температуры наружного воздуха и т. д.) для каждого конкретного ЭСО.

Одним из путей повышения качества решения указанных задач, с учётом выделенных проблем, является использование современных технологий искусственного интеллекта (ТИИ), в частности наиболее популярных и эффективных структур ТИИ — искусственных нейронных сетей (ИНС). Необходимо подчеркнуть, что ТИИ не связаны с алгоритмическими вычислениями, и, следовательно, не требуют построения сложных вычислительных моделей объекта. В нашей стране вопросами применения методов искусственного интеллекта для решения электроэнергетических задач занимаются в Институте систем энергетики им. Мелентьева СО РАН (ИСЭМ СО РАН), Отделе энергетики Института социально-экономических и энергетических проблем Севера Коми, Новосибирском государственном техническом университете (НГТУ), Уральском государственном техническом университете (УГТУ УПИ) и ряде других организаций. Решению отдельных аспектов этой многогранной проблемы посвящены работы Богатырёва JI. JL, Воропая Н. И., Гамма А. З., Глазуновой A.M., Колосок И. Н., Курбацкого В. Г., Манова H.A., Манусова В. З., Михайлова М. Ю., Успенского М. И., Хохлова М. В., Чукреева Ю. Я., Этингова П. В. и других.

В данной работе представлены результаты исследований и практические методы решения задач анализа и прогнозирования режимных параметров и характеристик (РПХ) на базе современных ТИИ в системах электро в зарубежных публикациях используется термин «regim var» — режимная переменная энергетики низшего иерархического уровня* [1- 6]. Предложенные подходы ориентированы для применения в расчётах энергосбытовых и других сетевых организаций — субъектов РРЭ** с учётом современных условий.

Целью работы является разработка подходов на базе современных ТИИ для низшего уровня электроэнергетической системыпозволяющих, в рамках субъектов РРЭ, эффективно решать задачи анализа и прогнозирования РПХ. /

Для достижения этой цели в работе были поставлены и решены следующие задачи:

1. Исследование известных методов и алгоритмов анализа данных, используемых при решении электроэнергетических задач.

2. Анализ существующих методов и подходов по прогнозированию

РПХ.

3. Анализ современных ТИИ, применяемых в электроэнергетике.

4. Изучение алгоритмов и процедур предварительной обработки исходных данных и возможности их практического использования в задачах анализа и прогнозирования РПХ в электрических сетях субъектов РРЭ.

5. Разработка нейросетевой процедуры визуализации РПХ для анализа основных технических и экономических показателей ЭСО.

6. Разработка нейросетевого метода кластерного анализа потерь электроэнергии в распределительных электрических сетях субъектов РРЭ.

7. Разработка подходов к прогнозированию РПХ на базе современных методов искусственного интеллекта (ПМИИ***)

Методы исследования. Для решения поставленных задач в работе использовались методы математической статистики, современные технологии согласно [1- 6] к ним относят структурные подразделения энергосистемы, являющиеся частью РРЭ (ЭСО, электросетевые и энергоснабжающие организации, потребители ЭЭ и т. д.) согласно [7], под субъектами РРЭ понимаются следующие: потребители ЭЭ, гарантирующие поставщики, энергосбытовые организации, исполнйтели коммунальных услуг, сетевые организации и иные владельцы объектов электросетевых хозяйств, а также производители (поставщики) ЭЭ в работе под сокращением ПМИИ будем понимать подход к прогнозированию РПХ методами искусственного интеллекта искусственного интеллекта, алгоритмы и процедуры нелинейного анализа данных. Для выполнения экспериментальных исследований и практических расчётов были использованы современные программные пакеты по искусственному интеллекту.

Научная новизна

1. На базе современных методов искусственного интеллекта предложены оригинальные подходы к прогнозированию РПХ для субъектов РРЭ, использующие специализированные процедуры предварительной обработки информации, что позволяет значительно упростить решение задачи прогнозирования и существенно повысить точность прогноза.

2. Разработана нейросетевая процедура адаптивного анализа и визуализации РПХ, позволяющая эффективно выделить особенности и различия в режимах работы электрической сети.

3. Разработан нейросетевой метод кластерного анализа потерь электроэнергии на базе самоорганизующихся карт Кохонена, позволяющий в электрических сетях субъектов РРЭ эффективно выявлять «очаги» потерь ЭЭ* с выяснением причин их возникновения и осуществлять текущее планирование потерь ЭЭ, даже в условиях дефицита исходной информации.

4. Выполнен сравнительный анализ эффективности использования предложенных «интеллектуальных» подходов анализа и прогнозированию РПХ с традиционными вероятностно-статистическими методами. Показана целесообразность применения методов искусственного интеллекта в задачах анализа и прогнозирования РПХ в новых рыночных условиях.

Практическая ценность. Результаты проведённых исследований свидетельствуют о том, что разработанные методы и подходы на базе современных ТИИ целесообразно использовать в ЭСО, электросетевых и энергоснаб-жающих организациях для решения задач анализа и прогнозирования различных РПХ. в общем случае, под «очагом» потерь ЭЭ будем понимать участок электрической сети с повышенными фактическими потерями ЭЭ.

Один из предложенных в работе методов прогнозирования в настоящее время применяется в Братском муниципальном теплоэнергетическом предприятии (МБ ТЭП) ЖКХ МО г. Братска при формировании тарифов на ЭЭ и тепловую энергию (ТЭ).

Основное практическое значение работы заключается в повышении эффективности используемых методов анализа и прогнозирования РПХ, что продиктовано новыми рыночными условиями функционирования российской электроэнергетики.

Реализация работы. Исследования, представленные в диссертационной работе, выполнены в рамках хоздоговорных работ с ЭСО (организациями электрических сетей и теплоэнергетическими предприятиями). При использовании предложенного подхода по прогнозированию РПХ в задаче определения расхода тепловой энергии (ТЭ) для МБ ТЭП ЖКХ МО г. Братска достигнут экономический эффект порядка 644 ООО (Шестьсот сорок четыре тысячи) рублей в год. (акт внедрения от 23 марта 2005 г.)

Часть полученных в диссертационной работе результатов, в настоящее время, отражена в учебном пособии Курбацкий В. Г., Томин Н. В. АСДУ энергосистем. Братск: ГОУ ВПО «БрГУ», 2005. -62 с. и используется в дисциплине «АСДУ энергосистем» для специальности 14 020 565.

Апробация работы. Материалы работы докладывались и обсуждались на международных, всероссийских, региональных конференциях, в том числе на:

1. International Scientific-Practical Conference «Communication-2004» (Киргизия, г. Бишкек, 2004 г.)

2. XLII, XLIII Международных студенческих конференциях «Студент и научно-технический прогресс» (НГУ, г. Новосибирск, 2004 (диплом И-ой степени), 2005 гг.)

3. II Всероссийской научно-тсхничсской конференции «Энергосистема: управление, качество, конкуренция» (УГТУ-УПИ, г. Екатеринбург, 2004 г.)

4. Открытом конкурсе Московского энергетического института на лучшую научную работу студентов по разделам № 42 «Энергетика, электротехника и энергетическое машиностроение» и № 43 «Энергосберегающие технологии» (г. Москва, 2005 г., диплом Министерства образования науки России)

5. XII, XIII Всероссийских семинарах «Нейроинформатика и её приложения» (ИВМ СО РАН, г. Красноярск, 2004, 2005 гг.)

6. IV Всероссийской научно-технической конференции с международным участием «Энергетика: управление, качество и эффективность использования энергоресурсов» (АмГУ, г. Благовещенск, 2005 г.)

7. Научно-технических конференциях Братского государственного университета (БрГУ, г. Братск 2003;2006 гг.)

8. Конференции молодых ученых ИСЭМ СО РАН (г. Иркутск, 2006 г., диплом Гран-при)

9. Всероссийской научно-техническая конференции студентов, аспирантов и молодых учёных «Научная сессия ТУ СУР -2006» (г. Томск, 2006 г.)

10. V Международной конференции «Энергетическая кооперации в Азии: механизмы, риски, барьеры» (г. Якутск, 2006 г.).

11. III International workshop «Liberalization and modernization of power systems: risk assessment and optimization for asset management» (ИСЭМ СО РАН, г. Иркутск, 2006 г.)

Публикации. По теме диссертации опубликовано более 30 печатных работ

Основные результаты, представленные в данной работе, можно сформулировать следующим образом:

1. Детальный анализ современного электроэнергетического рынка России и методов анализа и прогнозирования РПХ позволил выделить ряд особенностей, а именно:

• сложная система взаимоотношений (ОРЭ, РЭК, ФСТ, потребители) и необходимость получения «прозрачной картины» по обслуживаемым электрическим сетям требуют от ЭСО применения эффективных методов оценки и анализа РПХ;

• сложившаяся в новых рыночных условиях система взаимоотношений ЭСО и конечных потребителей нередко приводит к дополнительным финансовым затратам, связанных с отклонением фактического потребления ЭЭ от утверждённого объёма ЭЭ, что, в значительной степени, предопределяет актуальность задачи прогнозирования РПХ для ЭСО;

• вследствие слабой наблюдаемости отечественных электрических сетей и недостаточной проработки вопросов анализа и визуализации данных, эффективным решением отмеченных трудностей является использование карт данных. При этом наиболее популярным способом представления карт данных являются диаграммы Хилтона;

• для уровня субъектов РРЭ при прогнозировании нестационарных реализаций РПХ со значительным содержанием нерегулярной составляющей, целесообразно использование современных структур ИНС и ГА;

2. Проанализированы практические разработки по использованию ИНС при решении задач анализа и прогнозирования РПХ, что, в конечном итоге, позволяет говорить о более высокой эффективности «интеллектуальных» методов по сравнению с традиционными алгоритмическими подходами. На основании этого выделены основные структуры ИНС и ГА, позволяющие эффективно решать указанные задачи, и тем самым «выйти» из «замкнутого круга» новых рыночных требований и современных российских реалий, получив значительно лучшие решения по сравнению с традиционными методиками.

3. Установлено, что использование алгоритмов и процедур предварительной обработки информации на базе ТИИ, таких как нелинейный анализ главных компонент, нейрогенетический отбор и метод имитации отжига, позволяют свести к минимуму ряд негативных особенностей, связанных с представительными массивами информации, свойственных задачам анализа и прогнозирования РПХ для энергопредприятий низшего уровня иерархии.

4. Разработан нейросетевой подход адаптивного анализа и визуализации РПХ, позволяющий эффективно выделить особенности и различия в режимах работы электрической сети и своевременно выявить ненормальные режимы.

5. Использование кластерного подхода при анализе потребления ЭЭ населением в электрических сетях Братского энергорайона позволило:

• выделить ряд общих особенностей электропотребления в рамках полученных групп, что значительно упрощает задачу анализа составляющих потребления ЭЭ и позволяет достаточно эффективно проводить общий мониторинг энергорайона;

• используя динамические свойства кластерных структур, в удобной и простой форме отслеживать изменения особенностей каждого конкретного сетевого участка и на их основании вырабатывать те или иные действенные мероприятия;

• получить «интеллектуальную» динамическую базу данных по потреблению ЭЭ, которая ввиду оригинальных свойств нейросетевой модели 80 М осуществляет анализ ситуации в энергорайоне, связанной с потреблением ЭЭ бытовым сектором.

6. Разработай нейросетевой метод кластерного анализа потерь электроэнергии на базе карт Кохонена, позволяющий эффективно выявлять «очаги» потерь ЭЭ и осуществлять системное прогнозирование, даже в условиях серьёзного дефицита исходной информации.

7. Применение предложенного кластерного подхода в электрических сетях Братского энергорайона при анализе потребления ЭЭ населением, позволило:

• визуализировать с помощью диаграмм Хилтона весь массив информации о потерях ЭЭ в виде компактных групп и эффективно выявить конкретные объекты и участки с «очагами» потерь ЭЭ, а также определить причины возникновения этих «очагов»;

• осуществить перспективную оценку уровня потерь ЭЭ с мобилизацией усилий участков энергосбыта указанных ЭП лишь на тех участках и объектах энергорайона, которые вносят наиболее существенное влияние на задаваемый среднегодовой уровень потерь ЭЭ.

8. На базе современных методов искусственного интеллекта предложен оригинальный подход к прогнозированию РПХ — ПМИИ, использующий специализированные процедуры (SA, NGIS, NPSA) предварительной обработки информации, что позволяет значительно упростить решение задачи прогнозирования и существенно повысить точность прогноза.

9. Применение предложенного подхода ПМИИ, позволило:

• получить высокую точность прогноза электрической нагрузки в ряде энергорайонов г. Иркутска порядка 1.1−1.5% в сравнении с традиционными регрессионными (модель АПРСС) — 2.5−9,5% и нейросетевыми прогнозами (модель MLP) — 2.5−4.0%

• обеспечить низкие ошибки не превышающие 15%при прогнозировании величины СПЭ в распределительных электрических сетях 0.4−10 кВ МБ ТЭП ЖКХ г. Братска, по сравнению с невысокой точностью, порядка 50%, традиционных подходов (модель АРПСС).

• в задаче распределения ТЭ для тепловых сетей МБ ТЭП ЖКХ г. Братска обеспечить высокую точность прогнозов tHB порядка 1−2°С, по сравнению с прогнозами МНК — 4−5°С и получить экономический эффект порядка 644 ООО руб./год.

10. Сопоставление предложенных подходов на базе ТИИ с методиками, реализованными в современных программных комплексах «РАП-95» и «ПРОГНОЗ», свидетельствует о том, что «интеллектуальные» подходы, в отличие от традиционных методик, в большей степени удовлетворяют основным требованиям, предъявляемые к задачам анализа и прогнозирования РПХ.

ЗАКЛЮЧЕНИЕ

Показать весь текст

Список литературы

  1. Постановление правительства Российской Федерации «О реформировании электроэнергетики Российской федерации». М.: постановление от 11 июля 2001 г. № 526
  2. Федеральный закон. Об электроэнергетике. М.: 26 марта 2003 г. № 35-Ф3
  3. Постановление правительства Российской Федерации «О ценообразовании в отношении электрической и тепловой энергии в Российской Федерации». М.: постановление от 26 февраля 2004 г. № 109
  4. Электроэнергетические системы в примерах и иллюстрациях: Учебное пособие для вузов / под ред. В. А. Веникова. М.: Энергоатомиздат, 1983. -504 с.
  5. A.C. Формирование параметров модели ЭЭС для управления электрическими режимами / Бердин A.C., Крючков П. А. Екатеринбург: УГ-ТУ: 2000.- 107 с.
  6. Энергетика XXI века: Условия развития, технологии, прогнозы / JI.C. Беляев и др.- Отв. ред. Н. И. Воропай. Новосибирск: Изд-во «Наука», 2004. -386 с.
  7. Постановление правительства Российской Федерации «Правила функционирования розничных рынков электрической энергии в переходный период реформирования электроэнергетики. М.: постановление от 31 августа 2006 г. № 530
  8. С.А. Проблемы энергосбытовой компании потребителя в рыночных условиях / Аринин С. А., Федосеева A.B. // Электрика. 2006. — № 9. -С. 8−10.
  9. .И. Реформа электроэнергетики и права потребителей / Кудрин Б. И. // Промышленная энергетика. 2007. — № 2. — С. 2−8.
  10. А.З. Наблюдаемость электроэнергетических систем / Гамм А. З., Голуб И. И. М.: Наука, 1990. — 220 с.
  11. А.З. Сенсоры и слабые места в электроэнергетических системах / Гамм А. З., Голуб И. И. Иркутск: СЭИ СО РАН, 1996. — 99 с.
  12. Kazi A. Multi-agent environment for Intelligent Diagnosis in Power Systems / A. Kazi и др. // Paper ISAP 2001 Conference, Budapest, Hungary, June 18−21 Budapest, 2001, Pp. 323−330.
  13. Sang-Ho Lee. Fuzzy Expert System for Fault Section Diagnosis Considering the Operating Sequences / Sang-Ho Lee и др. // Paper ISAP 2001 Conference, Budapest, Hungaiy, June 18−21 Budapest, 2001, Pp. 56−62
  14. Ю.С. Методы расчёта нормативов технологических потерь электроэнергии в электрических сетях / Железко Ю. С. // Электричество. -2006.-№ 12.-С. 10−17.
  15. Методические указания по расчёту регулируемых тарифов и цен на электрическую (тепловую) энергию) на розничном (потребительском) рынке. Приказ Федеральной службы по тарифам от 6 августа 2004 г. № 20-э/2.
  16. Н.В. Анализ динамики потребления электроэнергии в России за 1990 2001 гг. / Лисицын Н. В. // Энергетик. — 2003. -№ 1. — С. 3−7.
  17. A.B. Расчёт, анализ и нормирование потерь электроэнергии в электрических сетях: Руководство для практических расчётов / Артемьев A.B., Железко Ю. С., Савченко O.B. М.: Изд-во НЦ ЭНАС, 2003. — 280 с.
  18. Нормативы технологического расхода электрической энергии (мощности) на её передачу (потерь), принимаемые для целей расчёта и регулирования тарифов на электрическую энергию Информационный бюллетень ФЭК, 2000. № 11
  19. Ю.С. Выбор мероприятий по снижению потерь электроэнергии в электрических сетях: Руководство для практических расчётов / Железко Ю. С. М.: Энергоатомиздат, 1989. — 176 с.
  20. О.Н. Алгоритмы оценки потерь электроэнергии в электрической сети и их программная реализация / Войтов О. Н., Семенова Л. В., Чел-панов А.В. // Электричество. 2005. — № 10. — С. 20−26
  21. Gamm A.Z. A graph approach to determining the contribution factors of electric power supplies and losses / Gamm A.Z., Golub L.L., Grishin Y.A., Voitov O.N. Conference «Modern Electric Power System». — Wroslaw, September 2002.
  22. В.Г. Анализ потерь электроэнергии в распределительных сетях. / В. Г. Курбацкий, Н. В. Томин, И. С. Овсянникова // Интеллектуальные и материальные ресурсы Сибири: Сб. науч. тр. Иркутск: Изд-во БГУЭП, 2006.-С. 120−127.
  23. А.Ю. Визуализация многомерных данных / Зиновьев А. Ю. Красноярск: ИПЦ КГТУ: 2000. 168 с.
  24. С.А. Классификация многомерных наблюдений / Айвазян С. А., Бежаева З. И., Староверов О. В. М.: Наука, 1974. — 240 с.
  25. В.П. Прогнозирование в системе STATISTICA в среде Windows: Основы теории и интенсивная практика на компьютере: Учеб. пособие / В. П. Боровиков, Г. И. Ивченко. 2-е изд., перераб. и доп. — М.: Финансы и статистика, 2006. — 368 с.
  26. А.Н. Нейроинформатика / Горбань А. Н. и др. Новосибирск: Наука. Сибирское предприятие РАН, 1998. 296 с.
  27. Diamantaras К. Principal component neural networks, theory and applications / K. Diamantaras S., Kung. N. Y.: Wiley, 1996.
  28. Karhunen К. Uber lineare methoden in der Wahrsceinlichkeitsrechnung / K. Karhunen, Anales Academiae Scientiarum Fennicae, Series AI: Mathematica-Physica, 1947. vol. 37. — p. 3−79, (Transi.: RAND Corp., Santa Monica, CA, Rep. T-131, Aug. 1960)
  29. Гамм A.3. Вероятностные методы расчёта режимов электроэнергетических систем / А. З. Гамм, В. Г. Курбацкий. Братск: БрИИ, 1990. — 91 с.
  30. Д. В. Сравнительные модели прогнозирования электрической нагрузки / Д. В. Бэнн, Е. Д. Фармер: Пер. с англ. М.: Энергоатомиздат, 1987.200 с.
  31. В.Г. Управление в электроэнергетике с использованием методов искусственного интеллекта / В. Г. Курбацкий, Н. В. Томин // Электрика. 2005. — № 9. — С. 20−28
  32. А.З. Обнаружение грубых ошибок телеизмерений в электроэнергетических системах / А. З. Гамм, H.H. Колосок. Новосибирск: Наука, 2000. -152 с.
  33. А.З. Робастные методы оценивания состояния электроэнергетических систем и их реализация с помощью генетических алгоритмов / А. З. Гамм, И. Н. Колосок, P.A. Заика // Электричество. 2005. — № 10. — С. 2−8
  34. H.A. Новые информационные технологии в задачах оперативного управления электроэнергетическими системами / H.A. Манов и др. -Екатеринбург, Изд-во УрО РАН, 2002. 205 с.
  35. Управление электроэнергетическими системами новые технологии и рынок: сб. ст. / под ред. H.A. Манова. — Сыктывкар.: Коми научный центр УрО РАН, 2004.-298 с.
  36. В.Г. Практика использования новых информационных технологий для прогнозирования и анализа отдельных характеристик сетевых энергопредприятий / В. Г. Курбацкий, Н. В. Томин // Проблемы энергетики. -№ 3−4.-С. 84−91.
  37. A.B. Прогнозирование электропотребления в энергосистеме с учётом температуры воздуха и освещённости / A.B. Демура и др. // Электрика.-2005.-№ 3.-С. 18−21
  38. И.Н. Повышение достоверности телеизмерительной информации в ЭЭС на основе контрольных уравнений: автореф. дисс. на соисканиеучёной степени докт. техн. наук: защищена 27.04.04 / И. Н. Колосок. Иркутск: Изд-во ИСЭМ СО РАН, 2004. 50 с.
  39. Н.И. Методы управления физико-техническими системами энергетики в новых условиях / Н. И. Воропай и др. Новосибирск: Наука, 1995.-335 с.
  40. Marusic Ante. Kohonen Neural Network Applied to Distance Protection of a Double-Circuit Line / Ante Marusic, Srdjan Skok // Paper ISAP 2001 Conference, Budapest, Hungary, June 18−21, 2001. Pp. 71−76.
  41. Roberto Caldon. Artificial Neural Networks Based Voltage Control in Distribution Systems with Dispersed Generation / Roberto Caldon, Andrea Scala // Paper ISAP 2001 Conference, Budapest, Hungary, June 18−21, 2001. Pp. 95−103.
  42. Devaraj D. Performance of neural based contingency ranking with reduced input features / D. Devaraj, B. Yegnanarayana // Paper ISAP 2001 Conference, Budapest, Hungary, June 18−21, 2001. Pp. 95−103.
  43. Marks R.J. Automatic Feature Extraction for Neural Network Based Power Systems Dynamic Security Evaluation / R.J. Marks и др. // Paper ISAP 2001 Conference, Budapest, Hungary, June 18−21, 2001 Pp. 111−117.
  44. Chi-Li-Ma Hamold. A Free-Model Based Adaptive Neuro-Controller Design for a Boiler-Turbine Plant / Chi-Li-Ma Harnold, Kwang Y. Lcc // Paper ISAP 2001 Conference, Budapest, Hungary, June 18−21, 2001. Pp. 117−123.
  45. Э.А. Оперативное управление режимами региональной энергосистемы с использованием технологий искусственных нейронных сетей /
  46. Э.А. Алла, Ю. Я. Чукреев, М. В. Хохлов // Электричество. 2000. — № 4. — С. 210.
  47. Н.Э. Применение искусственных нейронных сетей в задачахоперативного управления режимами электроэнергетических систем / Н.Э.
  48. , Ю.Я. Чукреев, М.В. Хохлов. Сыктывкар, 2000. Вып. 56. — 24 с. (Мер. препринтов «Новые науч. методики»)
  49. В.Г. Прогнозирование электрической нагрузки с использованием искусственных нейронных сетей / В. Г. Курбацкий, Н. В. Томин // Электрика 2006 — № 7. — С. 26−32
  50. Hikaru Aoyama. ANN-Based Short-Term Load Forecasting with Considerations of the Error Characteristics / Hikaru Aoyama, Hiroyuki Mori, Kenta Ishi-guro, Torn Kondo // Paper ISAP 2001 Conference, Budapest, Hungary, June 1821, 2001.-Pp. 231−237.
  51. Bitzer B.E. Intelligent Forecasting Systems Thematic Network Activities and Achievements / B.E. Bitzer, T.M. Papazoglou, A. Servida // Paper ISAP 2001 Conference, Budapest, Hungary, June 18−21, 2001. Pp. 193−200.
  52. A.P. Alves da Silca. Enchancing Neural Network Based Load Forecasting Via Preprocessing / A.P. Alves da Silca, A.J. Rocha Reis, M.A. FJ-Sarkawi, R.J. Marks II // Paper ISAP 2001 Conference, Budapest, Hungary, June 18−21, 2001. -Pp. 76−85.
  53. Ossowski S. Selforganizing neural networks for short term load forecasting in power system / S. Ossowski, K. Siwek // Engineering Applications of Neural Networks (EANN), Gibraltar, 1998. Pp. 253−256.
  54. С. Нейронные сети для обработки информации / С. Оссов-ский. пер. с польского И. Д. Рудинского. — М.: Финансы и статистика, 2004. -344 с.
  55. Р.А. Применение генетических алгоритмов для достоверизациителеинформации в ЭЭС: автореф. дисс. на соискание учёной степени канд.1. Г"техн. наук: защищена 18.10.06'/ Р. А. Заика. Иркутск: Изд-во ИСЭМ СО v РАН, 2002. 19 с.
  56. Godberg D. Algorytmy genetyczne / D. Godberg. Warszawa: WNT, 1995.
  57. Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning / D.E.Goldberg. Reading, MA: Addison-Wesley, 1989
  58. Holland J.H. Adaptation in natural and artificial systems. An introductory analysis with application to biology, control, and artificial intelligence / J.H. Holland. London: Bradford book edition, 1994. p. 211.
  59. Jarmo T. Alander. An Indexed Bibliography of Genetic Algorithms / T. Alander Jarmo: Years 1957−1993.
  60. Zaden L.A. Fuzzy algorithms / L.A. Zaden // Information and control 1968. -Vol. 12. N2.- Pp. 233−238
  61. Tatsuya Iizaka. Water Flow Forecasting using Analyzable Structured Neural Network / Tatsuya Iizaka, Tetsuro Matsui, Yoshikazu Fukuyama // Paper ISAP 2001 Conference, Budapest, Hungary, June 18−21, 2001. Pp. 237−243.
  62. Goto Y. A prediction of river flow into a dam for hydro-power plant by artificial neural network taking account of accumulated rain fall / Y. Goto K. Ichiya-nagi, et al., Proc. oflPEC, Vol.2, 1995. Pp.702−706
  63. Нечёткие множества в моделях управления и искусственного интеллекта / под ред. Д. А. Поспелова. М.: Наука, 1986. — 206 с.
  64. JI.JI. Решение электроэнергетических задач в условиях неопределённости / Л. Л. Богатырёв Екатеринбург: УГТУ-УПИ, 1995, — 116 с.
  65. Прикладные нечёткие системы / Под ред. Т Тэрано, К. Асан, М. Сучено. -М.: Мир, 1993.
  66. Tompkins W. Analysis of hidden units of back propagation model by SVD / W. Tompkins, Xue Q, Hu Y // Proc. IJCNN, Washington, 1990. Pp. 739−742.
  67. Sugeno M. Fuzzy identification of systems and its application to modeling and control / M. Sugeno, T. Takagi // IEEE Trans. SMC, 1985. Pp. 116−132.
  68. Kasabov N. Foundations of neural networks, fuzzy systems and knowledge engineering / N. Kasabov. London: Bradford Book MIT Press, 1996.
  69. С. Нейронные сети. / С. Хайкин. Полный курс. 2-е издание.: Пер. с англ. — М.: Издательский дом «Вильяме», 2006. — 1104 с.
  70. Rugh W. Nonlinear Systems: a Volterra approach / W. Rugh N.Y.: J. Hopkins Press, 1981.
  71. Tran Hoai L. Sieci neuronowe rekurencyjne gradientowe algorytmy uc-zace I zastosowania w identyfikacji nieliniowych obiektow dynamicznych. Praca dyplomowa / L. Tran Hoai- Warszawa: Politechnika Warszawska, 1997.
  72. Narendra K.S. Identification and control of dynamical systems using neural networks / K.S. Narendra, K. Parthasarathy // IEEE Trans. Neural Networks, 1990. -Vol. 1.- Pp. 4−27
  73. Lippmann R. An indroduction to computing with neural nets / R. Lippmann //IEEE ASSP Magazine, 1987, April. Pp. 4−22.
  74. Порядок расчёта нормативных технологических потерь электроэнергии Приказ Минпромэнерго РФ от 4 октября 2005 г. № 267
  75. Н.С. Повышение конкурентоспособности энергосбытовых компаний гарантирующих поставщиков на розничном рынке электроэнергии / Н. С. Александрова // Промышленная энергетика. — № 2. — 2007. -С.9−12.
  76. В.Э. Снижение потерь электроэнергии в электрических сетях. Динамика, структура, методы анализа и мероприятия / В. Э. Воротницкий, M.А. Калинкина, Е. В. Комкова, В. И. Пятигор // Энергосбережение. -2005.-№ 2.-С. 90−94.
  77. Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс. М.: Мир, 1974. — Вып. 1,2.
  78. В.З. Методы оценивания потерь электроэнергии в условиях неопределённости / В. З. Манусов, А. В. Могиленко // Электричество. 2003. -№ 3.-С. 2−8
  79. В.Г. Анализ потерь электрической энергии на базе современных алгоритмов искусственного интеллекта. / В. Г. Курбацкий, Н. В Томин // Электричество. № 4. — 2007 — С. 5−12
  80. Н.И. Развитие методов адаптации нечётких АРВ для повышения динамической устойчивости сложных электроэнергетических систем / Н. И. Воропай, П. В. Этингов // Электричество. -№ 11.- 2003. С.2−10
  81. Н.В. Использование программных продуктов по искусственным нейронным сетям при решении задач энергетики / Н. В. Томин. Там же где и 24. С. 110−120
  82. Ф. Принципы нейродинамики. Персептрон и теория механизмов мозга. / Ф. Розенблатт. М.: Мир, 1965. — 480 с.
  83. Ф. Нейрокомпьтерная техника: Теория и практика / Ф. Уоссермен. М.: Мир, 1992. — 240 с.
  84. Rumelhart D.E. Parallel Distributed Processing: Explorations in the Microstructure of Cognition / D.E. Rumelhart, J.L. McClelland. vol. 1, Cambridge, MA: MIT Press, 1986
  85. Kohonen T. Self-organized formation of topologically correct feature maps / T. Kohonen // Biological Cybernetics. 1982. — Vol. 43. — Pp. 59−69
  86. Kohonen T. Self-organizing maps. / T. Kohonen. Berlin ets: Spzinger, 1995. XV. 362 p.
  87. Riter H. Neural Computation and Self-Organizing Maps: An Introduction, Reading / H. Riter, T. Martinetz, K. Schulten. MA: Addison-Wesley, 1992.
  88. Cover T. Geometrical and statistical properties oa systems of linear inequalities with applications in pattern recognition / T. Cover // IEEE Trans. Electronic Computers, 1965. Vol. 14. — Pp. 326−334
  89. Leonard J.A., Kramer M.A. Radial basis function networks for classifying process faults // IEEE Control System Magazine, 1991, April. Pp. 598−605
  90. Chen D., Cowan C.F., Grant P.M. Orthogonal least squares learning algorithm for radial basis function networks // IEEE Trans. Neural Networks, 1991. -Vol. 2-Pp. 302−309
  91. Hopfield J. Simple «neural» optimization networks an A/D converter, signal decision circuit and a linear programming circuit / J. Hopfield, D. Tank // IEEE Trans, on Circuit and Systems, 1986, Vol. CAS-33, N5, Pp. 533−541.
  92. Haykin S. Neural networks, a comprehensive foundation / S. Haykin. -N.Y.: Macmillan College Publishing Company, 1994
  93. Batzel Kwang Y. Lee. Sensorless Operation of the Permanent Magnet Synchronous Motor Using the Diagonally Recurrent Neural Network. / D. Todd, Batzel Kwang Y. Lee, Fellow. Paper ISAP 2001 Conference, Budapest, Hungary, June 18−21, 2001, Pp. 300−306.
  94. Tran Hoai L. Sieci neuronowe rekurencyjne gradientowe algorytmy uc-zace i zastosowania w identyfikacji nieeliniowych obiektow dynamicznych / L. Tran Hoai. — Praca dyplomowa — Warszawa: Politechnika Warszawska, 1997.
  95. Bellman R. Adaptive Control Processes: A Guided Tour / R. Bellman. -Princeton, NJ: Princeton University Press, 1961
  96. Kramer M.A. Nonlinear principal component analysis using autoassociative neural networks. AIChE Journal. V. 37, No. 2. PP. 233−243.
  97. LeBlank M., Tibshorany N. Adaptive principal surfaces. Journal of the American Statistical Association. 1994, Mar. V. 89, No. 425. PP. 53−64.
  98. Kikpatrick S., Gelatt C.D. Veccht M. P. Optimization by simulated annealing // Science, 1983. — Vol. 220. Pp. 671−680
  99. Johnson D., Aragon C., Schevon C. Optimization by simulated annealing: an experimental evaluation. Part I: graph partitioning // Operations Reasearch, 1989.-Vol.24.-Pp. 1−10.
  100. В.Г. Анализ потерь электрической энергии на базе карт Кохонена / В. Г. Курбацкий, Н. В. Томин. Там же где и 34. С. 289−292
  101. В.Г. Применение сети Кохонена в анализе потерь электрической энергии / В. Г. Курбацкий, Н. В. Томин // Нейроинформатика и её приложения: Материалы XIII Всероссийского семинара, 7−9 октября 2005 г. -Красноярск: Изд-во ИВМ СО РАН, 2005. С. 52−53
  102. Методика расчета нормативов технологических потерь электроэнергии в электрических сетях, — М.: ВНИИЭ, 2004 г.
  103. В.Г. Перспективное планирование сверхнормативных потерь электроэнергии в электрических сетях на базе искусственных нейронных сетей / В. Г. Курбацкий, Н. В. Томин // Вестник Иркутского отделения АН ВШ, 2006, № 2.-С. 157−165.
  104. В.Г. Применение самоорганизующихся карт Кохонена в решении электроэнергетических задач. / В. Г. Курбацкий, Н. В. Томин //Там же где и 34. С. 101−110
  105. Kyrbatsky V.G. The employment of new information technology on the problems of power network control / V.G. Kurbatsky, N.V. Tomin // International Scientific-Practical Conference «Communication-2004», Kirgizkaya republic, Bishkek, 2004. Pp. 81−86
  106. В.Г., Томин H.B. Краткосрочное прогнозирование электрической нагрузки с использованием новых информационных технологий // В. Г. Курбацкий, Н. В. Томин // Вестник Амурского государственного университета. Выпуск 27, 2004. С. 48−51
  107. A.M. Достоверизация критических измерений с помощью ИНС / A.M. Глазунова, И. Н. Колосок // Энергосистема: управление, качество, безопасность: Сб. докл. Всероссийской науч.-техн. конф. Екатеринбург: УГТУ-УПИ, 2001 — С. 122−125.
  108. Н.В. Анализ и прогнозирование режимных параметров и характеристик в электрических сетях на базе методов искусственного интеллекта / Томин Н. В // Труды XXXVI конференции конкурса научной молодёжи ИСЭМ СО РАН, Иркутск, 2006. — С. 32−39
  109. Программно-вычислительный комплекс ОПЭ-1. Свидетельство об официальной регистрации программ для ЭВМ № 2 003 612 593 Иркутск: ИСЭМ СО РАН, 2003 г.
  110. В.Г. Прогнозирование режимных параметров и характеристик в энергетике с помощью искусственных нейронных сетей / В. Г. Курбацкий, Н. В. Томин // Там же и где 34. С. 165−173.
  111. , В.Г. Применение искусственных нейронных сетей при формировании тарифов на тепловую и электрическую энергию / В. Г. Курбацкий, Н. В. Томин // Промышленная энергетика. 2006. — № 7. — С. 7−11
  112. В.Г. Прогнозирование характеристик потерь энергии при формировании тарифов на основе нейросетевых моделей. / В. Г. Курбацкий, Н. В Томин // Энергетик. № 3. — 2007 — С. 2−15
  113. В.И. Метод наименьших квадратов (геометрические свойства, альтернативные подходы, приложения). Новосибирск: Наука. Сиб. Изд. Фирма РАН, 1995.
Заполнить форму текущей работой

На отлично!