Диплом, курсовая, контрольная работа
Помощь в написании студенческих работ

Краткосрочное прогнозирование электропотребления в операционной зоне регионального диспетчерского управления с учетом фактора освещенности

Диссертация: Краткосрочное прогнозирование электропотребления в операционной зоне регионального диспетчерского управления с учетом фактора освещенности
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Публикации. По результатам диссертации опубликовано 11 печатных работ (2,84 п.л.), в том числе 2 статьи в изданиях, рекомендованных ВАК. Зарегистрированы 2 программы для ЭВМ: «Тест MLP» и «Краткосрочный прогноз электропотребления с учетом освещенности». Получено положительное решение о выдаче патента на полезную модель. и. Результаты, полученные в диссертационной работе, показывают, что I для… Читать ещё >

Содержание

  • Список сокращений и обозначений

1 Обзор и анализ современных методов и математических моделей прогнозирования электропотребления.

1.1 Временные ряды электропотребления.

1.2 Методы анализа и прогнозирования временных рядов электропотребления.

1.2.1 Общие положения о методах.

1.2.2 Анализ методов, используемых в настоящее время для прогнозирования электропотребления.

1.2.3 Использование искусственных нейронных сетей при прогнозировании электропотребления.

1.2.3.1 Многослойный персептрон, как один из способов реализации искусственных нейронных сетей.

1.2.3.2 Построение модели многослойного персептрона.

1.2.3.3 Подготовка исходных данных и обучение нейронной сети.

1.3 Проблемы прогнозирования и направления исследования.

1.4 Выводы.

2 Анализ временных рядов электропотребления и определяющих его факторов.

2.1 Временные ряды электропотребления и факторы, влияющие на него.

2.2 Сезонные и метеорологические факторы, влияющие на электропотребление.

2.2.1 Инструментальные замеры метеорологических факторов, влияющих на электропотребление.

2.2.2 Температура и освещенность: анализ их влияния на электропотребление в операционной зоне Ростовского регионального диспетчерского управления.

2.2.3 Продолжительность светового дня.

2.3 Влияние экономических факторов на электропотребление.

2.4 Анализ взаимосвязей между факторами, влияющими на электропотребление.

2.4.1 Взаимосвязь облачности и освещенности.

2.4.2 Взаимосвязь электропотребления, освещенности и статуса дня.

2.4.3 Взаимосвязь электропотребления, температуры и долготы светового дня.

2.4.4 Взаимосвязь электропотребления, освещенности и долготы светового дня.

2.4.5 Взаимосвязь электропотребления, температуры и освещенности.

2.5 Многофакторная регрессионная модель электропотребления.

2.6 Выводы.

3 Модель прогнозирования электропотребления и её программная реализация.

3.1 Выбор и обоснование модели прогнозирования электропотребления.

3.2 Структура прогнозной модели.

3.2.1 Входной и выходной слои нейронов.

3.2.2 Глубина погружения авторегрессионной компоненты и количество скрытых нейронов.

3.3 Основные принципы работы прогнозной модели.

3.3.1 Общая схема работы модели.

3.3.2 Предобработка данных.

3.3.3 Алгоритм обратного распространения ошибки.

3.3.4 Интерпретация данных в прогнозной модели.

3.4 Интерфейсные элементы программной реализации прогнозной модели.

3.5 Выводы.

4 Исследование прогнозной модели электропотребления для различных региональных диспетчерских управлений.

4.1 Влияния учета температуры воздуха, типа дня и дня недели на точность прогнозировния.

4.2 Особенности прогнозирования электропотребления с учетом освещённости в различные сезоны года.

4.3 Анализ результатов прогнозирования электропотребления с учетом освещенности в течение суток.

4.4 Исследование способности модели выполнять точное прогнозирование при недостоверной входной информации и при существенных изменениях электропотребления.

4.5 Проверка качества прогнозирования на соответствие требованиям ОАО «СО-ЕЭС».

4.6 Выводы.

Краткосрочное прогнозирование электропотребления в операционной зоне регионального диспетчерского управления с учетом фактора освещенности (реферат, курсовая, диплом, контрольная)

Актуальность темы

диссертации. Все потребители электроэнергии заинтересованы в снижении затрат при её приобретении. Потребители, будучи участниками оптового рынка электроэнергии и мощности (ОРЭМ), могут минимизировать затраты путем составления точных заявок на приобретаемую электроэнергию, а значит — выполнением точных прогнозов. Одним из способов точного прогнозирования является создание адекватной прогнозной математической модели, которая позволит учитывать различные влияющие на электропотребление (ЭП) факторы. К ним относятся и метеорологические факторы. Последние в той или иной степени постоянно находятся во взаимосвязи с процессом ЭП. Например, в филиале ОАО «Системный оператор Единой энергетической системы» (СО-ЕЭС) «Региональное диспетчерское управление энергосистемами Ростовской области и Республики Калмыкия» (Ростовское РДУ), изменение освещенности при переходе от ясного до пасмурного состояния неба в течение дня может вызвать повышение потребляемой мощности на 100 150 МВт, для другого филиала ОАО «СО-ЕЭС» «Региональное диспетчерское управление энергосистемы Кубани» (Кубанское РДУ) (Краснодарский край и Республика Адыгея) — на 150−200 МВт.

Повышение точности прогнозирования электропотребления способствует увеличению качества диспетчерского управления и, как следствие, увеличению надежности функционирования всей энергосистемы в целом.

Таким образом, с одной стороны для менее затратного функционирования на ОРЭМ, а с другой — для выполнения более качественного диспетчерского управления в РДУ на сегодняшний день, актуальным является выполнение прогнозирования ЭП с наименьшей величиной ошибки. / с.

Целью данной работы является повышение точности краткосрочного прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений за счет учета естественной освещенности.

Для достижения поставленной цели в данной работе ставятся и решаются следующие задачи исследования.

1 Исследование влияния естественной освещенности на величину ЭП.

2 Анализ взаимосвязи ЭП и продолжительности светового дня.

3 Установление взаимосвязей между влияющими на ЭП факторами.

4 Выбор типа многофакторной математической модели для описания и прогнозирования суточных часовых графиков ЭП.

5 Разработка математической модели прогнозирования электропотребления, учитывающей естественную освещенность.

6 Тестирование модели прогнозирования на временных рядах фактического электропотребления.

7 Оценка точности прогнозирования при учете влияющих факторов на различных временных интервалах.

8 Оценка точности прогнозирования при учете естественной освещенности.

9 Исследование влияния недостоверной входной информации на точность прогнозирования ЭП.

10 Исследование способности модели выполнять точное прогнозирование при существенных изменениях ЭП.

11 Установление соответствия уровня ошибки прогнозирования требованиям ОАО «СО-ЕЭС».

Методы исследования. При решении поставленных задач использовались регрессионный и факторный анализметоды математической статистикиметоды математического моделирования многомерных временных рядов с использованием искусственных нейронных сетей.

Экспериментальные исследования модели проводилось с использованием ЭВМ.

Основные положения, выносимые на защиту.

1 Результаты анализа взаимосвязей между электропотреблением и освещенностью, а также между освещенностью и другими влияющими факторами и полученные аналитические зависимости.

2. Методика выбора исходных данных для обучения нейронной сети и прогнозирования электропотребления.

3 Прогнозная нейросетевая модель электропотребления для диспетчерских служб региональных диспетчерских управлений.

Научная новизна работы заключается в следующем.

1 Впервые установлены закономерности и аналитические зависимости взаимосвязей между электропотреблением, температурой воздуха и естественной освещенностью, позволяющие учитывать данные метеофакторы в прогнозной модели.

2 Методика выбора объема исходных данных из суточного графика освещенности для обучения нейронной сети и прогнозирования электропотребления, отличающаяся тем, что вместо интегральных значений освещенности используются часовые данные и позволяющая повысить точность моделирования электропотребления.

3 Разработана модель для прогнозирования электропотребления на территориях операционных зон региональных диспетчерских управлений, основанная на методе искусственных нейронных сетей, отличающаяся тем, что в ней в качестве одного из влияющих факторов учитываются значения естественной освещенности, что позволяет повысить точность прогнозирования, а также имеется возможность изменения структуры сети (количество нейронов во входном и скрытом слоях) в процессе её обучения.

Практическая значимость результатов диссертационной работы заключается в выявленных связях между ЭП и естественной освещенностью. Определена значимость факторов, влияющих на процесс ЭП в регионе.

Разработано и зарегистрировано программное обеспечение реализации методики повышения точности прогнозирования электропотребления путем учета освещенности для региональных диспетчерских управлений.

Результаты работы позволили усовершенствовать программный комплекс «Прогноз-ЭТО», установленный в Ростовском и Кубанском РДУ.

Разработанная модель может быть использована для прогнозирования электропотребления в филиалах ОАО «СО-ЕЭС» — региональных диспетчерских управлениях, филиалах ОАО «Федеральная сетевая компания Единой энергетической системы», оптовых генерирующих компаниях и территориальных генерирующих компаниях, региональных сетевых компаниях, энергосбытовых компаниях, а также в диспетчерских управлениях отдельных предприятий, которые являются членами оптового или розничного рынков электроэнергии и мощности.

Достоверность полученных результатов подтверждена корректностью поставленных задач, обоснованностью принятых решений и рекомендацийприменением математических моделей со свойствами, требуемыми для решения задач прогнозированиявеличиной ошибки прогнозирования ЭП менее 5%, которая рассчитана по утвержденной методике. Модель апробирована с использованием фактических данных ЭП и метеорологических данных за период с 2007 г. по 2011 г. по территориям операционных зон двух РДУ. Экспериментальные данные, использовавшиеся для тестирования прогнозной модели, получены с применением сертифицированных систем телемеханики и автоматизированных систем коммерческого учета электроэнергии (АСКУЭ).

Внедрение результатов. Результаты работы включены в два отчета о научно-исследовательских работах, выполненных для филиала ОАО «СО-ЕЭС» «Ростовское РДУ» в 2008;2010 гг. предприятием ООО НПП «ВНИКО», а также вучебный процесс ЮРГТУ (НПИ) при подготовке инженеров и магистров по направлению «Электроэнергетика и.

I. электротехника". Результаты работы использованы в программном комплексе «Прогноз-ЭТО» при краткосрочном прогнозировании электропотребления в Ростовском и Кубанском РДУ и при подготовке на энергетическом факультете ЮРГТУ (НПИ) специализированных групп, обучающихся по заданию ОАО «СО-ЕЭС».

Апробация работы. Основные положения диссертационной работы обсуждались и получили положительную оценку на XXXI, XXXII и XXXIII сессиях всероссийского научного семинара Академии наук Российской Федерации «Кибернетика электрических систем» (ЮРГТУ, г. Новочеркасск) в 2009, 2010 и 2011 годах. Результаты представлялись на IX и X международных научно-практических конференциях «Современные энергетические комплексы и системы и управление ими» (ЮРГТУ, г. Новочеркасск) в 2009 и 2010 годахна X международной научно-практической конференции «Компьютерные технологии в науке производстве, социальных и экономических процессах» (ЮРГТУ, г. Новочеркасск) в 2009 г.- на региональной научно-практической конференции студентов, аспирантов и молодых ученых вузов Ростовской области «Студенческая научная весна-2011» (ЮРГТУ, г. Новочеркасск) — на международной молодёжной научно-технической конференции «Электроэнергетика глазами молодежи» (СамГТУ, г. Самара) в 2011 г.

Результаты работы представлялись на «Первом молодежном инновационном конвенте Южного Федерального округа» (г. Ростов-на-Дону, КВЦ «Вертол-Экспо», 29−30 октября 2009 г.) и на V Южно-Российском форуме «Энергоэффективная экономика» (г. Ростов-на-Дону, КВЦ «Вертол-Экспо», 17−19 ноября 2010 г.).

Публикации. По результатам диссертации опубликовано 11 печатных работ (2,84 п.л.), в том числе 2 статьи в изданиях, рекомендованных ВАК. Зарегистрированы 2 программы для ЭВМ: «Тест MLP» и «Краткосрочный прогноз электропотребления с учетом освещенности». Получено положительное решение о выдаче патента на полезную модель. и.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка использованной литературы из 195 наименований отечественных и зарубежных авторов, 15 приложений, представленных на 44 листах. Работа изложена на 231 странице машинописного текста, включая 5 таблиц и 87 иллюстраций.

8 Результаты работы могут использоваться при разработке и совершенствовании моделей краткосрочного и оперативного прогнозирования ЭП для крупных промышленных комплексов, работающих на ОРЭМ, энергосбытовых компаниях, региональных диспетчерских управлениях и т. п.

9 Результаты исследований использовались для повышения эффективности работы ПО «Прогноз — ЭТО» при его адаптации и опытной эксплуатации в Ростовском и Кубанском РДУ.

10 Результаты, полученные в диссертационной работе, показывают, что I для повышения точности прогнозирования ЭП необходим учет освещенности, однако целесообразно использовать другие метеофакторы и учитывать доминирующую категорию электропотребителей территории, для которой выполняется данное прогнозирование. «* ¦.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе на основе анализа статистических данных выполнены теоретические обобщения влияющих на ЭП факторов и получено решение важной научно-технической проблемы повышения точности краткосрочного прогнозирования ЭП для территорий операционных зон РДУ с учетом естественной освещенности.

Показать весь текст

Список литературы

  1. Основы построения промышленных электрических сетей/ Г. М. Каялов, А. Э. Каждан, И. Н. Ковалев и др. М.: Энергия. 1978. — 352 с.
  2. В.В., Савенко A.B. Синтез симметричной электрической сети с распределенными нагрузками по критерию максимального экономического эффекта компенсации реактивной мощности/ Изв. вузов. Электромеханика. -2008. -№ 1.- С. 84−86.
  3. В.В., Тропин В. В. Расширение границ использования приближенной формулы при определении модуля вектора прямой последовательности в трехфазной трехпроводной системе упрощенным методом/ Изв. вузов. Электромеханика. 2011. — № 5. — С. 84−85.
  4. Цифровая обработка сигналов на основе теоремы Уиттекера-Котельникова-Шеннона / М. А. Басараб и др. М.: Радиотехника, 2004. — 72 с.
  5. Дж. Анализ временных рядов. Прогноз и управление / Дж. Бокс, Г. Дженкинс.-М.: Мир, 1974. Вып.1.- 406 с.
  6. Г. С. Анализ временных рядов и прогнозирование/ Г. С. Кильдишев, А. А. Френкель.- М.: Статистика, 1973. 103 с.
  7. Т.А. Статистические методы прогнозирования : учеб. пособие для вузов/ Т. А. Дуброва. М.: ЮНИТИ-ДАНА, 2003.- 206 с.
  8. А.Л. Электрическая нагрузка энергосистемы. Выравнивание графика/ А. Л. Гуртовцев, Е.П. Забелло// Новости Электротехники. 2008. — № 5 (53). — С. 18−23.
  9. A.B. Системы контроля, распознавания и прогнозирования электропотребления: модели, методы, алгоритмы и средства / A.B. Седов, И. И. Надтока.- Ростов-н/Д: Из-во Ростов. ун-та, 2002 320 с.
  10. И.В. Методы вероятностного моделирования в расчетаххарактеристик электрических нагрузок потребителей / И. В. Жежеленко, 1
  11. Ю.Л. Саенко, В. П. Степанов. М.:Энергоатомиздат, 1990. — 123 с.
  12. П.Шидловский A.K. Введение в статистическую динамику систем энергоснабжения / А. К. Шидловский, Э. Г. Куренный, — Киев: Наукова думка, 1984. 273 с.
  13. Farmer E.D. The prediction of load on a power system /E.D. Farmer, M.J. Potton.- Proc. Third IF AC Conf., London, 1966. — P. 215−224.
  14. Электрические нагрузки промышленных предприятий/ С. Д. Волобринский и др. Д.: Энергия, 1971. — 264 с.
  15. В.И. Взаимная корреляция в расчетах характеристик графиков электрической нагрузки/ В. И. Гордеев //Электричество. 1978-№ 8.-С. 17−21.
  16. A.B. Микропроцессорные устройства контроля и прогнозирования в системах управления электроэнергетическими объектами с дискретно-распределенными параметрами: автореф. дис. на соиск. канд.техн.наук. / A.B. Седов. Новочеркасск, 1995. — 18 с.
  17. Ту Дж. Принципы распознавания образов /Дж. Ту, Р. Гонсалес. -М.: Мир, 1978.-412 с.
  18. П.Р. Лекции по эргодической теории : пер. с англ. и доп / П. Р. Халмош Ижевск: Изд. дом «Удмуртский университет», 1959. — 136 с.
  19. Дж. Измерение и анализ случайных процессов /Дж. Бендат, А. Пирсол. М.: Мир, 1974. — 464 с.
  20. Дж. Прикладной анализ случайных данных /Дж. Бендат, А. Пирсол- М.: Мир, 1989. 540 с.
  21. Современные методы идентификации систем/ Под ред. П.Эйкоффа. М.: Мир, 1983.-400 с.
  22. Справочник по математике для научных работников и инженеров. -М.: Наука, 1984−832 с.
  23. Broomhead D.S. On the qualitative analysis of experimental dynamical systems / D.S. Broomhead, G.P. King //Nonlinear Phenomena and Chaos: ed. by S. Sarkar -Bristol:AdamHilger, 1986.-P. 113−144.
  24. В.И. Управление электропотреблением и его прогнозирование / В. И. Гордеев, И. Е. Васильев, В. И. Щуцкий. Ростов н/Д: Изд-воРГУ, 1991.-104 с.
  25. А.Ф. Вопросы прикладного анализа случайных процессов /А.Ф. Романенко, Г. А. Сергеев. М.: Сов. Радио, 1968. — 200 с.
  26. Дж. Краткосрочное прогнозирование нагрузки / Дж. Гросс, Ф. Д. Гальяна. ТИИЭР, 1986. -Т.75, № 12. — С. 6−23.
  27. Нарр Н.Н. Optimal power dispatch A comprehensive survey //IEEE Trans, on Power Apparatus and Systems. — 1977, Vol. PAS-96, № 3. — P. 841−854.
  28. А.З. Оптимизация режимов энергообъединений в новых экономических условиях /А.З. Гамм// Электричество 1993- № 11. — С. 1−8.
  29. В.Ф. Прогнозирование режимов электропотребления нерегулярных дней/ В. Ф. Тимченко, А. М. Меламед, А.М.Скрипко// Электрические станции. 1987.- № 5. — С. 52−57.
  30. .И. Моделирование электрических нагрузок электроэнергетических систем/ Б. И. Макоклюев, В. Н. Костиков // Электричество. 1994. -№ 10.- С. 13−16.
  31. A.M. Анализ влияния температуры на изменения месячного электропотребления энергосистем/ A.M. Меламед // Исследования в области устойчивости и режимов электропотребления энергосистем. Труды ВНИИЭ.- 1979.-№ 57.-С.131−140.
  32. .И. Учет влияния метеорологических факторов при прогнозировании электропотребления энергообъединений/ Б.И. Макоклюев// Электрик 2004.-№ 6. — С. 15−16.i l
  33. Прогнозирование электропотребления в энергосистеме с учетом температуры воздуха и освещенности / И. И. Надтока и др.// Электрика-2005.-№ 3.-С. 18−21.
  34. Plaut G. Spells of low-frequency oscillations and weather regimes in the northern hemisphere / G. Plaut, R. Vautard //Journal of the Atmospheric Sciences-1994.- Vol. 51.-P. 210−236.
  35. И.И. Анализ зависимости электропотребления в энергосистеме от температуры воздуха /И.И. Надтока, О. А. Сухомлинова,
  36. A.А. Мальцева// Методы и алгоритмы прикладной математики в технике, медицине и экономике: материалы III науч.-практ. конф., г. Новочеркасск, 17 января 2003 г.: В 3 ч./ Юж.-Рос. гос. техн. ун-т.-Новочеркасск: ООО НПО «Темп», 2002. 4.1. — С. 9−13.
  37. А.В. Прогнозирование электропотребления на основе многофакторного регрессионного и корреляционного анализов / А. В .Белан,
  38. B.И.Гордеев// Проблемы энергосбережения, 1991. № 7. — С. 54−59.
  39. А.А. Прогнозирование числа повреждений на трубопроводах и динамики роста трещин на необогреваемых элементах паровых котлов ТЭС: автореф. дис. канд. техн. наук./ А. А. Беляков. -Иваново, 2010.-20 с.
  40. Е.А. Комплексное статистическое исследование потребления и себестоимости электрической и тепловой энергии в регионе :на примере Республики Марий Эл: дис. канд. экон. наук. / Е. А. Бодров. -Йошкор-Ола, 2007. 166 с.
  41. Everette S. Gardner, Jr. Exponential smoothing: The state of theart -Part II Электронный ресурс. // Режим доступа: http://www.bauer.uh.edu/ gardner/docs/pdf/Exponential-Smoothing.pdf. 2005.
  42. Viktor. Прогнозирование временных рядов при помощи экспоненциального сглаживания Электронный ресурс. // Режим доступа: http://www.mql5.com/ru/articles/318. Прогнозирование временных рядов при помощи экспоненциального сглаживания./ '. 1711. I I1 *
  43. Liu C.C., Pierce D.A., Song H. Intelligent Application to Power System// IEEE Computer Application in Power.- 1997.- October.- Vol.№ 2.- P. 21−24.
  44. .И. Введение в технетику/ Б. И. Кудрин // Томск: Изд-во ТГУ, 1993.-522 с.
  45. К. Фильтр Калмана-Бьюси: пер. с нем./ К. Браммер, Г. Зиффлинг// М.: «Наука», 1982. 257 с.
  46. Г. Спектральный анализ и его приложения : пер. с англ. В.Ф. Писаренко/ Г. Дженкинс, Д. Ватте. М.: Мир, 1971, Вып.1. — 317 с.
  47. Интеллектуальный метод диагностирования и прогнозирования технического состояния мехатронных комплексов, эксплуатируемых в экстремальных условиях/ Мехатроника, автоматизация, управление. — 2011.-№ 3. С. 47−51.
  48. A.B. Моделирование и прогнозирование на основе искусственных нейронных сетей/ A.B.Демура // Изв. вузов. Электромеханика. -2005.-№ 5.-С. 29−32
  49. С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. -М.'."Финансы и статистика", 2002.- 344 с.
  50. С.К. Адаптивное прогнозирование временных рядов в электроэнергетике/ С. К. Гурский. М.:"Наука и техника", 1983.-271 с.
  51. Анализ временных рядов Электронный ресус.: электронный учебник StatSoft- 2011. Режим доступа: http://www.bsu.ru/content/hec/ biometria/modules/sttimser.html
  52. Н.Ш. Эконометрика: учебник для вузов/ Н. Ш. Кремер, Б. А. Путко.- М.: ЮНИТИ. ДАНА, 2002. — 317 с.
  53. В.Г. Эконометрика : Электронный ресурс.: учеб. курс (учеб.-метод. комплекс).- 2010. Режим доступа: http://www.e-college.ru/ xbooks/xbookO 19/book/index/index.html?go=part-010*page.htm
  54. A.A. Математический аппарат для инвестора Электронный ресурс. 2009. — Режим доступа: http://vernikov.ru/component/ k2/item/148.html
  55. C.B. Эконометрика: Учеб. пособие/ C.B. Арженовский, О. Н. Федосова — Рост. гос. экон. ун-т. Ростов н/Д., — 2002. — 112 с.
  56. A.A. Математические методы построения прогнозов /
  57. A.А.Грешилов, В. А. Стакун, A.A. Стакун.— М.: Радио и связь, 1997.- 112 с.
  58. Т. Прикладные нечеткие системы: Нечеткие множества: пер. с япон. Ю. Н. Чернышова /Т. Тэрано, К. Асаи, М. Сугено.- М.: Мир, 1993. -368 с.
  59. В.В. Нечеткая логика и искусственные нейронные сети/
  60. B.В. Круглов, М. И. Дли, Р. Ю. Голупов. — М.: Физматлит, 2000. — 224 с.
  61. А.Ю. Совершенствование методов расчета электрических нагрузок и управление электропотреблением в условиях нечеткойинформации: автореф. дис. канд. техн. наук/ А. Ю. Морхов. Новочеркасск: Новочер. гос. техн. ун-т, 1994. — 17 с.
  62. A.B. Регулирование напряжения в системах электроснабжения с использованием нечеткой логики: автореф. дис. канд. техн. наук/ A.B. Мятеж. Новосибирск, 2009. — 22 с.
  63. В.И. Ранговый анализ техноценозов/ В. И. Гнатюк, O.E. Лагуткин.- Калининград: ЗНЦ НТ РАЕН КВН ФПС РФ, 2000. — 86 с.
  64. Ю.К. Целочисленное аппроксимирование ранговых распределений и идентификация техноценозов/ Ю. К. Крылов, Б. И. Кудрин. -Вып. 11. Ценологические исследования. М.: Центр системных исследований, 1999.-80 с.
  65. С.Д. Электрические нагрузки промышленных предприятий/ С. Д. Волобринский, Г. М. Каялов, П. Н. Клейн.- JL: Энергия, 1974.-264 с.
  66. Bucy R.S., Joseph P.D. Filtering for Stochastic Processes with Applications to Guidance: 2nd Edition// John Wiley & Sons Inc. 1968.
  67. Википедия свободная энциклопедия. Фильтр Калмана. — 2012. -Электронный ресурс.// Режим доступа: http://ru.wikipedia.org/wiki/%DO% A4%D0%B8%D0%BB%D 1%8C%D 1%82%D1%80%D0%9A%D0%B0%D0% BB%D0%BC%D0%B0%D0%BD%D0%B0. — Фильтр Калмана.
  68. Н.Э. Метод «Гусеница''-SSA: анализ временных рядов: учеб. пособие/ Н. Э. Голяндина. СПб., 2004. — 76 с.
  69. П.Ф. Некоторые свойства метода главных компонент / П.Ф. Андрукович// Многомерный статистический анализ в социально-экономических исследованиях. М.: Наука, 1974. — С. 189−228.i V i i1' tI
  70. С. Нейронные сети: полный курс, 2-е изд.: пер. с англ. / С. Хайкин. М.: Издательский дом „Вильяме“, 2006.- 1104 с.
  71. Ф. Нейрокомпьютерная техника: Теория и практика/ Ф. Уоссермен.- М.: Мир, 1992.- 240 с.
  72. Kohonen Т. Self-organization and associative memory: 2nd Edition// Berlin: Springer Verlag. 1984. — 225 p.
  73. A.B. Использование искусственной нейронной сети в качестве многомерной модели при планировании электропотребления предприятий / А.В. Демура// Изв. вузов Сев.-Кав. регион. Техн. науки. -1996.-№ 3.-С. 102−108.
  74. А.В. Краткосрочное прогнозирование суточных графиков нагрузки на основе искусственных нейронных сетей / А.В.Демура// Изв. вузов. Электромеханика.- 1998. № 2. — С.69−71.
  75. В.Г. Краткосрочное прогнозирование электрической нагрузки с использованием новых информационных технологий/ В. Г. Курбацкий, Н.В. Томин// Вестник Амурского государственного университета. 2004. — Вып. 27. — С. 48−51i ¦ 175i if»
  76. Гибридная интеллектуальная система прогнозирования нестационарных временных рядов/ В. Г. Курбацкий, В. Г. Сидоров, В. А. Спиряев, Н.В. Томин// Винеровские чтения: тр. IV Всерос. конф. -Иркутск: ИрГТУ, 2011. -Ч.Н, С. 166−175.
  77. К.Д. Прогнозирование потребления электроэнергии фабрикой окускования горно-обогатительного комбината методом искусственных нейронных сетей: дис.. канд. техн. наук: 05.09.03/ К. Д. Белов. -Екатеринбург, 2008. 236с.
  78. Е.С. Система краткосрочного прогнозирования электрической нагрузки: дис.. канд. техн. наук: 05.09.03/ Е. С. Анушина. -Санкт-Петербург, 2009. 137 с.
  79. О. А. Моделирование процесса электропотребления при краткосрочном прогнозировании методами ортогональных разложений: дис.. канд. техн. наук: 05.13.18/ O.A. Сухомлинова. Ростов-н/Д, 2005. -185 с.
  80. A.A. Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем: автореф. дис. канд. техн. наук: 05.13.10 / А. А. Глебов. Астрахань, 2006. — 19 с.
  81. A.C. Математические модели временных рядов на основе аппарата искусственных нейронных сетей и программный комплекс для их реализации: автореф. дис. канд. техн. наук: 05.13.18/ A.C. Козадаев. -Тамбов, 2008. 19 с.
  82. Д.А. Прогнозирование процессов электропотребления на железнодорожном транспорте: дис.. канд. техн. наук: 05.13.18/ Д. А. Яковлев. Иркутск, 2006. — 155 с.
  83. Р.В. Разработка статистических моделей прогнозирования электропотребления и графиков нагрузки ЭЭС: автореф. дис. канд. техн. наук: 05.14.02 / Р. В. Зимин. Новосибирск, 2008 — 19 с.
  84. Н.В. Анализ и прогнозирование режимных параметров и характеристик для субъектов розничного рынка электроэнергии на базе технологии искусственного интеллекта: автореф. дис. канд. техн. наук: 05.14.02 / Н. В. Зимин. Иркутск, 2007 — 28 с.
  85. Е.А. Комплексное статистическое исследование потребления и себестоимости электрической и тепловой энергии в региона (на примере Республики Марий Эл): автореф. дис. канд. техн. наук: 08.00.12/ Е. А. Бодров. Йошкор-Ола, 2007. — 24 с.
  86. C.B. Краткосрочное прогнозирование электрической нагрузки промышленных предприятий и применением интеллектуальных информационных технологий: автореф. дис. канд. техн. наук: 05.14.02/ C.B. Радыгина. Новосибирск, 2010 — 26 с.
  87. Дж. Краткосрочное прогнозирование нагрузки / Дж. Гросс, Ф. Д. Гальяна. // ТИИЭР.-1986. -Т.75, № 12. С. 6−23.
  88. В.И. Краткосрочное прогнозирование электрических нагрузок промышленных предприятий/ В. И. Доброжанов// Изв. вузов. Энергетика-1987. -№ 1. -С. 8−12.
  89. .И. Прогнозирование потребления электроэнергии в АО «Мосэнерго» / Б. И. Макоклюев, А. И. Владимиров, Г. И. Фефелова// Топливно-энергетический комплекс. 2001.- № 4. — С. 56−57.
  90. A.M. Суточное прогнозирование нагрузки ЭЭС с учетом прогнозов температуры/ A.M. Шнейдер, Т. А. Такерева, Д.А. Шиффман//
  91. Сравнительные модели прогнозирования электрической нагрузки энергосистем", пер. с англ. М.: Энергоатомиздат, 1987. — С. 74−91.
  92. П.В. Концепция разработки системы прогнозирования электропотребления промышленного предприятия в условиях оптового рынка / ПВ. Валь, Ю. П. Попов // Промышленная энергетика 2011. — № 10. -С. 31—35.
  93. Подсистема «Анализ и планирование суточных графиков» (Энергостат 1.1) Электронный ресурс. / Программно-технические решения для энергетики 2011. — Режим доступа: http://energostat.ru/products/l 1/
  94. Технология РСДУ Электронный ресурс. / ООО «ЭМА» 2011. -Режим доступа: http://www.ema.ru/solutions/rsdu/
  95. Технологии анализа данных Электронный ресурс./ BaseGroupLabs 2011. — Режим доступа: http://www.basegroup.ru/deductor/description/
  96. EleQuant Электронный ресурс. / Products and Solution 2004. -http://www.elequant.com/products/agora/loadforecast.html. — AGORA Load Forecast.
  97. Itron Электронный ресурс. Products detail — 2011. — Режим доступа: http://www.itron.com/pages/productsdetail.asp7idHtr000483 .xml -System MetrixIDR.
  98. Программное обеспечение краткосрочного прогнозирования электрической нагрузки энергосистемы/ Л. Г. Ворыпаев, М. Б. Коневский, В. А. Мясников, A.B. Демура, К. Н. Исаев, И. И. Надтока, A.B. Седов// Изв. вузов. Электромеханика.- 1996.- № 3. С. 119−120.
  99. И.С. Применение нейронных сетей для управления энергопотреблением / И. С. Коберси, В. В. Шадрина // Известия ЮФУ. Техн. науки.- 2008.- № 7. С.190—195.
  100. Т.Н. Применение аппарата нечеткой логики и нейронных сетей для управления техническим состоянием модулей движения технологического оборудования / Т. Н. Круглова // Вестник компьютерных и информационных технологий. 2010. — № 8. — С. 28−35
  101. В.В. Искусственные нейронные сети. Теория и практика/ В. В. Круглов, В. В. Борисов.- 2-е изд., стереотип.- М.: Горячая линия -Телеком, 2002.- 382 с.
  102. А.Г. Персептроны/ А. Г. Ивахненко.- Киев: Наукова думка, 1974.- 378 с.
  103. А. Синтез и распознавание речи. Современные решения Электронный ресурс. /А.Фролов, Г. Фролов. 2003. — Режим доступа: www. frolov-lib.ru/books/hi/ch04.html
  104. И.В. Нейронные сети: основные модели: учеб. пособие к курсу «Нейронные сети» для студентов 5 курса магистратуры каф. Электроники физического фак-та Воронеж, гос. ун-та/ И. В. Заенцев. -Воронеж, 1999.-76 с.
  105. С. Нейронные сети: Основные положения Электронный ресурс. / С. Короткий. Режим доступа: http://vgam2004.narod.ru/iis/neuro obzor-2.doc/
  106. Т.В. Применение нейронной сети для аппроксимации данных / Т. В. Филатова // Кибернетика. 2004. — № 284. — С. 121 — 125.
  107. Rosenblatt F. The Perceptron: a probabilistic model for information storage and organization in the brain/ F. Rosenblatt // Psychological Review, 1958, vol. 65. P.386−408.гi> * к
  108. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности/ Г. К. Вороновский, К. В. Махотило, С. Н. Петрашев, С. А. Сергеев. Харьков: Основа, 1997. — 112 с.
  109. К.В. Розробка методик еволюцшного синтезу нейрос1ткових компонешлв систем управлшня: Автореф. дис.канд. техн. наук: 05.13.06 / Харювський держ. полггехшчний ун-т. Харюв, 1998. — 17 с.
  110. Ю.В. Прогнозирование количественных характеристик процессов /Ю.В. Чуев, Ю. Б. Михайлов, В. И. Кузьмин.- М.: Советское радио, 1975.-398 с.
  111. А. Регрессия, псевдоинверсия и рекуррентное оценивание / А.Альберт.-М.: Наука, 1977.-223 с.
  112. Э. Искусственный интеллект / Э. Хант.- М.: Мир, 1978.-558 с.
  113. Н.Г. Нечеткие нейронные сети с генетической настройкой/ Н.Г. ЯрушкинаЛ Лекция научной школы конференции «Нейроинформатика-2004». М.: Финансы и статистика, 2004. — 320 с.
  114. Информационно-аналитическая и торгово-операционная система.
  115. Рынок продукции, услуг и технологий для энергетики Электронный ресурс. i
  116. В.И. Лекции о технике, техноценозах и техноэволюции. -Компьютерная версия, перераб. и доп. Калининград: БНЦ РАЕН — КВИ ФПС РФ, 2000. — Архив в сети Интернет: http://gnatukvi.narod.ru/zipf-iles/lexc.zip
  117. В.И. Закон оптимального построения техноценозов / В. И. Гнатюк. М.: Изд-во ТГУ, 2005. — Вып. 29: Ценологические исследования.- 384 с.
  118. В.И. Оптимальное построение техноценозов. Теория и практика / В. И. Гнатюк. М.: Центр системных исследований, 1999. — Вып. 9: Ценологические исследования.- 272 с.
  119. Л.А. Введение в идентификацию объектов управления/ Л. А. Растригин, Н. Е. Маджаров. М.: Энергия, 1977. — 216 с.
  120. Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов / Ю. П. Лукашин. М.:Финансы и статистика, 2003. — 415с.
  121. .И. Моделирование электрических нагрузок электроэнергетических систем / Б. И. Макоклюев, В. Н. Костиков // Электричество.- 1994.- № 10. С. 13−16.
  122. Д.В. Сравнительные модели прогнозирования электрической нагрузки: Пер с англ./ Д. В. Бэнн, Е. Д. Фармер М.: Энергоатомиздат, 1987. -200с.
  123. А.И. Прикладная статистика/ А. И. Орлов. — М.: Экзамен, 2006. —671 с.
  124. А.И. Математика случая: Вероятность и статистика. -основные факты: учеб. пособие / А. И. Орлов. М.: МЗ-Пресс, 2004. — 110 с.
  125. М. Дж. Многомерный статистический анализ и и временные ряды/ М. Дж. Кендалл, А. Стьюарт.- М.: Наука, 1976.-736 с.
  126. И.И. Система контроля естественной освещенности для прогнозирования электропотребления/ И. И. Надтока, A.B. Демура, Д. В. Безъязычный, В.В. Горбачев// Изв. вузов. Электромеханика. 2008. -Спец. вып.-С. 166- 167.
  127. И.И. Анализ зависимостей электропотребления от температуры воздуха и освещенности в операционной зоне Ростовского РДУ/ И. И. Надтока, С.О. Губский// Изв. вузов. Электромеханика. 2009. — Спец. вып. — С. 105−107.
  128. И.И. Анализ зависимостей электропотребления от метеофакторов в операционной зоне Кубанского РДУ/ И. И. Надтока, С.О. Губский// Изв. вузов. Электромеханика. 2010. — Спец. вып. — С. 106 108.
  129. Goliana F.D. Identification of stochastic electric load models from physical data/ F.D. Goliana, E. Handschin, A. Fiechter. IEEE Trans., Ac-19. -1974.-№ 6.-P. 887−893.
  130. .И. Методика обеспечения почасового прогнозирования электропотребления предприятий с учетом погодных факторов / Б. И. Кудрин, A.B. Мозгалин// Вестник МЭИ.- 2007. № 2. — С. 45−47.
  131. Облачность Электронный ресурс. / Большой энциклопедический словарь.- 2010.— Режим доступа: http://scnc.ru/enc.php?mode=showart&id =42 358&slog=&alpha=l6/. Большой энциклопедический словарь.
  132. .А. Физическая метеорология / Б. А. Семенченко. М.: Аспект-Пресс, 2002. — 415 с.
  133. С.И., Шведова Н. Ю. Толковый словарь русского языка: 80 000 слов и фразеологических выражений. 4-е изд., М., 1997. — 944 с.
  134. Погода Электроный ресурс./ Meteoblue. Rostov. 2012. — Режим доступа: http://www.meteoblue.com/ruRU/weather/forecast/week/rostovru 288 679.- Погода в Ростове-на-Дону.
  135. Погода по часам в Ростове-на-Дону Электронный ресурс. -Прогноз погоды на AccuWeather 2012. — Режим доступа: http:// www.accuweather.com/ru/ru/rostov-na-donu/295 146/hourly-weather-forecast/ 295 146? hour=33. — Погода по часам в Ростове-на-Дону.
  136. ОДУ Юга), на основе математической прогнозной модели, отработанной в Ростовской области и Республике Калмыкия: отчет о НИР в 2 т. Т. 1/ И. И. Надтока и др. Новочеркасск.: ООО НЛП «ВНИКО», 2010. — 136 с.
  137. .И. Анализ и планирование электропотребления/ Б. И. Макоклюев. -М.: Энергоатомиздат, 2008. 296 с.
  138. .И. Влияние колебаний метеорологических факторов на энергопотребление энергообъединений/ Б. И. Макоклюев, B.C. Павликов, А. И. Владимиров, Г. И. Фефелова// Энергетик. 2003. — № 6. — С. 14−19.
  139. A.A. Оценка зависимости режима электропотребления от влияния различных факторов Электронный ресурс.// Сибирский федеральный университет. 2010. — Режим доступа — http://conf.sfu-kras.ru/sites/ mn201 l/thesis/s4/s4l 57. pdf
  140. Т.М. Статистика : учеб.пособие. СПб.: СПбГУ ИТМО, 2005. — 190 с.
  141. Э.М. В 2011 году рынок электроэнергии ждет либерализация. Компьютерная версия. — Казань: ОАО «Татэнергосбыт», 2009. — Архив в сети Интернет: http://www.tatenergosbyt.ru/download/ prezen2808200902.ppt.
  142. И.Н. Возможности генерирующих компаний на ОРЭМ/ И. Н. Панов, Е. А. Пахомова // Энергорынок. 2007.- № 8(45). — С. 68−71.
  143. Облака Электронный ресурс. Википедия. Свободная энциклопедия: 2011.— Режим доступа: http://ru.wikipedia.org/wiki/ %D2%F3%F7%E8 /. — Википедия. Свободная энциклопедия.
  144. И.И., Корнюкова O.A., Васильева С. С. Освещенность и облачность: их влияние на прогнозирование электропотребления/ И. И. Надтока, И. И. Корнюкова, С.С. Васильева// Изв. вузов. Электромеханика. 2010. — Спец. вып. — С. 104−105.
  145. В.И. Режимы коммунально-бытового электропотребления/ В. И. Михайлов, М. В. Тарнижевский, В. Ф Тимченко. -М.: Энершатомиздат, 1993. -288 с. i 186
  146. Bishop С.М. Neural Networks for Pattern Recognition/ C.M. Bishop. -Oxford University Press.- 1995.
  147. E.A. Разработка методов тестирования потребителей электроэнергии / E.A. Шестова// Известия ЮФУ. Техническиенауки. 2008. -№ 7.-С. 154—159
  148. Anil К., Jain, Jianchang Мао, K.M. Mohiuddin. Artificial Neural Networks: A Tutorial. IEEE Computer, March, 1996. — Vol.29, №.3. — P. 31−44
  149. Ripley B.D. Pattern Recognition and Neural Networks// Cambridge University Press, 1996.
  150. А.И. Теория нейронных сетей. М.: ИПРЖР, 2000. -Сер. «Нейрокомпьютеры и их применение», Кн. 1. — 416 с.
  151. П.В. Концепция разработки системы прогнозирования электропотребления промышленного предприятия в условиях оптового рынка/ П. В. Валь, Ю.П. Попов// Промышленная энергетика. 2011.- № 10. -С. 31−35.{
  152. Мак-Каллок У. С. Логическое исчисление идей, относящихся к нервной активности/ У.С. Мак-Каллок, В. Питтс// Автоматы. М.: ИЛ. 1956. -С. 362 — 384.
  153. А.Н. Нейронные сети на персональном компьютере/ А. Н. Горбань, Д. А. Россиев. Новосибирск: Наука, 1996. — 276 с.
  154. Stone M.N. The Generalized Weierstrass Approximation Theorem// Math. Mag., 1948.-V. 21.-P. 167−183.
  155. Статистический портал StatSoft. Теорема Колмогорова Электронный ресурс.- 2010.// Режим доступа: http://www.statsoft.ru/home/Iportai/ colmogorov. htm Теорема Колмогорова.
  156. Hornik К. Multilayer feedforward networks are universal approximators / K. Hornik, M. Stinchcombe, H. White // Neural Networks, 1989. -Vol. 2. -P. 359−366.
  157. Cybenko G. Approximation by superpositions of a sigmoidal fonction. // Mathematics of Control, Signal and Systems, 1989. Vol. 2. -P. 303−314
  158. Л.А., Курейчик B.B., Курейчик B.M. Генетические алгоритмы :учеб. пособие/ Л. А. Гладков, В. В. Курейчик, В. М. Курейчик. 2-е изд. -М: Физматлит, 2006. — 320 с. iV1 I 11. 'II1. X, ! * 1h * () ' «M
  159. A.A. Вычислительные методы для инженеров: учеб. пособие/ A.A. Амосов, Ю. А. Дубянский, Н. В. Копченова. — М.: Высш. шк., 1994. —544 с.
  160. Методика контроля точности прогноза потребления: Распоряжение руководителя оперативного штаба по совершенствованию конкурентного балансирующего рынка ОАО «Системный оператор единой энергетической системы» от 14 апреля 2011 № 132.
  161. Rumelhart D.E. Learning internal representations by error propagation. In Parallel distributed processing/ D.E. Rumelhart, G.E. Hinton, R.J. WilliamsLondon: MIT Press, 1986. vol. 1.-550 p.
  162. A.H. Обучение нейронных сетей. M.: СП ParaGraph, 1990. — 160 с.
  163. С.А. Лекции по теории и приложениям искусственных нейронных сетей.- ВНИИТФ Снежинск, 2004. — 72 с.
  164. A.A. Нейрокомпьютинг и его применения в экономике и бизнесе (серия «Учебники экономико-аналитического института МИФИ» под ред. проф. В.В. Харитонова) / А. А. Ежов, С. А. Шумский. М.: МИФИ, 1998. -224 с.
  165. Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений / И. И. Надтока, A.B. Демура, С. О. Губский, А. Я. Ваколюк, В.В. Горбачев// Вестник СамГТУ. 2012, № 1(33) — С. 163−168.
Заполнить форму текущей работой

На отлично!