Краткосрочное прогнозирование электрической нагрузки промышленных предприятий с применением интеллектуальных информационных технологий тема диссертации и автореферата по ВАК РФ 05.14.02, кандидат технических наук Родыгина, Светлана Викторовна

• Родыгина, Светлана Викторовна
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Родыгина, Светлана Викторовна

ВВЕДЕНИЕ

ГЛАВА 1 ЗАДАЧИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ НА СОВРЕМЕННОМ ЭТАПЕ РАЗВИТИЯ ЭЛЕКТРОЭНЕРГЕТИКИ

1.1 Задача учёта и контроля электрической энергии

1.2 Статистические исследования электрических нагрузок

1.3 Повышение эффективности прогноза за счёт внедрения интеллектуальных информационных технологий для решения задачи прогнозирования

1.4 Актуальность задачи прогнозирования в условиях рынка электрической энергии

1.5 Выводы

ГЛАВА 2 МОДЕЛИ И МЕТОДЫ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ

2.1 Постановка задачи прогнозирования

2.2 Цели использования и особенности реализации методов прогнозирования

2.3 Обзор традиционных методов прогнозирования

2.4 Методы обучения нейронных сетей и анализ нейросетевого прогнозирования

2.5 Выбор нейросетевого алгоритма для решения задачи краткосрочного прогнозирования электрической нагрузки

2.6 Выводы

ГЛАВА 3 ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВОГО АЛГОРИТМА ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ

3.1 Постановка задачи прогнозирования

3.2 Анализ развития промышленных предприятий

3.3 Предлагаемая методология прогнозирования электрической нагрузки с помощью интеллектуальных информационных технологий

3.4 Описание нейросетевого алгоритма прогнозирования электрической нагрузки

3.5 Практическая реализация задачи прогнозирования электрической нагрузки

3.6 Выводы

ГЛАВА 4 МОДЕЛЬ АВТОРЕГРЕССИИ И ПРОИНТЕГРИРОВАННОГО СКОЛЬЗЯЩЕГО СРЕДНЕГО ДЛЯ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ

4.1 Постановка задачи

4.2 Построение модели авторегрессии и проинтегрированного скользящего среднего при краткосрочном прогнозировании нагрузки

4.3 Модель ARIMA для машиностроительного завода

4.4 Модель ARIMA для газонефтеперерабатывающего завода

4.5 Сравнительный анализ и обсуждение результатов расчёта

4.6 Выводы

ГЛАВА 5 СРАВНЕНИЕ ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВЫХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ

5.1 Постановка задачи

5.2 Сравнительный анализ алгоритмов обучения многослойных персептро-нов

5.3 Определение минимально достаточного периода предистории для задачи краткосрочного прогнозирования

5.4 Краткосрочное прогнозирование электрической нагрузки с учётом изменяющейся топологии электрической сети

5.5 Выводы 166 ЗАКЛЮЧЕНИЕ

Введение диссертации (часть автореферата) на тему «Краткосрочное прогнозирование электрической нагрузки промышленных предприятий с применением интеллектуальных информационных технологий»

Актуальность темы

Одной из основных частей любого проекта электроснабжения промышленных предприятий является определение ожидаемых электрических нагрузок. Именно нагрузки определяют необходимые технические характеристики элементов электрических сетей - сечения и марки проводников и токопроводов, мощности и типы трансформаторов. Преувеличение ожидаемых нагрузок приводит к перерасходу проводов и кабелей и неоправданному омертвлению средств, вложенных в избыточную стоимость мощность трансформаторов, преуменьшение - к излишним потерям в сетях, перегреву проводников и трансформаторов, повышенному тепловому износу и. сокращению нормального срока их «жизни».

В обоих случаях приведённые затраты, которые являются критерием экономичности принимаемых проектных решений, а также себестоимости передачи электроэнергии возрастают. Точное определение электрических нагрузок обеспечивает правильный выбор и экономичную работу средств компенсации реактивной мощности и устройств регулирования напряжения, а также релейной защиты и автоматики.

Проблемам изучения закономерностей и изменения электрической нагрузки во времени, прогнозированию электрических нагрузок в процессе планирования электрическими режимами электроэнергетических систем (ЭЭС) посвящено большое количество работ. Большой вклад в изучение этих вопросов внесли Д.А. Арзамасцев, А.А. Бесчинский, А.З. Гамм, П.И. Головкин, Ю.М. Коган, И.Н. Колосок, Б.И. Кудрин, В.З. Манусов, A.M. Меламед, JI.A. Мелентьев, А.С. Некрасов, В.Ф. Тимченко, С.А. Совалов, Т.А. Филиппова, Г.П. Шумилова, D. Neubor, R. L. King и др.

Прогнозирование нагрузки относится к такому классу задач, где зависимость между входными и выходными переменными сложна, а нахождение закономерностей в больших объёмах данных требует нетривиальных алгоритмов и занимает много времени. На настоящий момент спектр методик прогнозирования достаточно широк. Однако сегодня все большее распространение получают интеллектуальные информационные технологии (ИИТ), связанные с использованием искусственных нейронных сетей (ИНС).

Нейронные сети являются перспективной альтернативой традиционным методам решения нелинейных задач прогнозирования временных рядов (BP). Эффективность применения нейросетевых алгоритмов для решения задач прогнозирования обусловлено следующими причинами: реализации простой, но достаточно эффективной схемы вычислений; возможности применения, как при непрерывном, так и при дискретном характере переменных.

Применение ИНС обусловлено тем, что нейронные сети позволяют воспроизводить чрезвычайно сложные зависимости, которые сопутствуют плохо формализованным задачам. А также предпочтение их традиционным моделям обусловлено тем, что не требуется построения модели объекта, не теряется работоспособность при неполной входной информации.

По сравнению с линейными методами статистики (линейная регрессия, авторегрессия, линейный дискриминант) нейронные сети позволяют эффективно строить нелинейные зависимости, более точно описывающие наборы данных.

Наиболее ценное свойство нейронных сетей - способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности зависимостей между входными и выходными данными.

Прогнозирование режимных параметров и технико-экономических показателей является одной из-важных задач, как при планировании, так и при ведении текущих режимов ЭЭС. Создание условий для свободной конкуренции на оптовом рынке электроэнергии является частью комплекса мероприятий, проводимых в рамках реформирования отрасли, и направлено на выработку нового механизма образования цен на электрическую энергию, отражающего баланс интересов производителей и потребителей электроэнергии. Цена ошибок прогнозирования и планирования становится всё более высокой. Оценочные расчеты, проводимые для энергообъединения России с уровнем месячного потребления около 1500 млн. кВт-ч, показали, что улучшение качества прогнозирования только месячного потребления на 0,1% способно в настоящих условиях снизить затраты на оплату отклонений от плана по поставкам электроэнергии на 3-5 млн. рублей в год. Еще больший эффект приносит уточнение краткосрочного и оперативного прогноза графиков потребления мощности.

График нагрузки каждого предприятия формируется под влиянием большого количества различных факторов, полный учёт которых невозможен вследствие техноценологических свойств предприятия. Кроме того, всегда существуют отклонения от запланированного режима ведения технологического процесса, что заставляет руководствоваться не только планированием, но и прогнозированием электропотребления предприятия.

В условиях современного энергорынка для крупных предприятий, важное значение, имеет создание системы прогнозирования почасового потребления электрической энергии в операционные сутки, позволяющей минимизировать отклонения потребляемой от заявленной на рынке на сутки вперед мощности. Разработанные ранее методы прогнозирования были ориентированы на стационарные условия развития экономических процессов.

Таким образом, актуальным является совершенствование методов анализа и прогнозирования электрической мощности на основе искусственных нейронных сетей, а так же минимизация ошибки прогнозирования при использовании небольшого объема ретроспективной информации.

Цель и задачи работы

Целью диссертационной работы является разработка моделей расчёта краткосрочного (до двух суток вперед) прогнозирования электрической нагрузки предприятий различных отраслей промышленности с применением искусственных нейронных сетей, а так же оценка возможности применения методов искусственных нейронных сетей для снижения погрешности планирования технико-экономических показателей в условиях современного энергорынка. На основе методов искусственного интеллекта возможно предсказание более точного значения переменных, важных в процессе принятия решений. Эти методы анализируют ретроспективные исторические данные о переменной с целью оценить ее будущее изменение.

Для достижения поставленной цели решены следующие задачи исследования:

- создана информационная база ретроспективных данных электрической нагрузки двух промышленных предприятий различных по потребляемой мощности, по значениям температуры окружающего воздуха региона с учётом типа дня и номера рассматриваемого временного интервала в сутках;

- проведен анализ степени влияния погодных условий и типа дня на точность краткосрочного прогнозирования электрической нагрузки;

- выбраны и адаптированы прогностические аппараты традиционного вероятностно-статистического метода прогнозирования и методов ИНС для обеспечения необходимой точности и устойчивости прогноза;

- разработаны математические модели краткосрочного прогнозирования электрической нагрузки, основанные на нейросетевом анализе с учётом зависимости электрической нагрузки от ряда факторов;

- показана эффективность применения нейронных сетей на уменьшение ошибки прогноза электрической нагрузки с учётом выхода на оптовый рынок;

- выполнен сравнительный анализ методов нейросетевых алгоритмов и математической статистики при решении задач прогнозирования электрической нагрузки для необходимости постоянного поддержания электрического баланса - точного соответствия генерирующих мощностей уровню потребления.

Методы исследований

При решении поставленных задач были использованы теоретически обоснованные методы математического моделирования и прогнозирования временных рядов, теория искусственных нейронных сетей, математические пакеты STATISTICA и STATISTICA Neural Networks.

Научная новизна

Научная новизна работы заключается в том, что впервые:

1 Разработана структура базы данных электрической нагрузки для использования нейросетевого моделирования при краткосрочном прогнозировании нагрузки промышленных предприятий и обоснован необходимый минимум периода предистории по часовым и суточным расходам мощности.

2 Дано обоснование применения определенного класса интеллектуальных информационных технологий в виде нейросетевых методов для прогнозирования краткосрочного потребления электрической нагрузки, отличающихся различными компонентами исходной информации, такими как электрическая нагрузка (P(t)), температура (7), рабочие и праздничные (выходные) дни (D) и учёт изменяющейся топологии электрической сети, для обеспечения более высокой точности прогнозирования.

3 Выявлен значимый параметр модели авторегрессии и проинтегрированного скользящего среднего, влияющий на величину ошибки краткосрочного прогнозирования электрической нагрузки.

4 Разработаны и исследованы нейросетевые модели различной архитектуры, функций активации и алгоритмов обучения искусственных нейронных сетей, позволяющие улучшить качество прогноза за счёт снижения ошибки краткосрочного прогнозирования электрической нагрузки промышленных предприятий.

Достоверность результатов

Достоверность полученных результатов и выводов подтверждается сопоставлением результатов анализа и прогнозирования электрической нагрузки с традиционным методом, к которому относится модель авторегрессии и проинтегрированного скользящего среднего и достаточно хорошим совпадением с реальными данными.

Практическая значимость

Выполненный анализ, а также разработанные модели исследования электрической нагрузки предприятия с использованием нейросетевых моделей для цели краткосрочного прогнозирования нагрузки промышленных предприятий могут использоваться в городских электрических сетях, проектных и исследовательских организациях.

Предложенные модели нейросетевого прогноза являются более эффективными при прогнозе параметров электропотребления по сравнению с моделью авторегрессии и проинтегрированного скользящего среднего.

Исследовано влияние погодных условий, типа дня и учёт изменяющейся топологии электрической сети на точность краткосрочного прогнозирования электрической нагрузки.

На защиту выносится следующие положения:

1 Основные принципы формирования ретроспективных данных почасового и суточного электропотребления в форме временных рядов вместе с атрибутами, влияющими на качество прогноза.

2 Обоснование использования нейросетевых моделей в форме многослойного персептрона, включая выбор оптимальной архитектуры нейронной сети, функции активации и метода обучения.

3 Методика прогнозирования основанная на модели авторегрессии и проинтегрированного скользящего среднего с выявлением более значимого параметра.

4 Результаты прогнозирования максимумов электрической нагрузки предприятия и суточных графиков для трёх сменных и односменных технологических производств.

5 Результаты влияния изменения топологии электрической сети на качество прогнозирования электрической нагрузки.

Апробация работы

Основные положения и научные результаты диссертационной работы докладывались и обсуждались на региональной научной конференции «Наука, техника, инновации НТИ-2002» (Новосибирск, 2002); научной студенческой конференции «Дни науки НГТУ-2003» (Новосибирск, 2003); на девятой международной научно-практической конференции «Современные техника и технологии» (Томск, 2003); международной научно-технической конференции «Электроэнергетика, электротехнические системы и комплексы» (Томск, 2003); на 10-ой, 11-ой, 13-ой всероссийской научно-технической конференции «Энергетика: Экология, надёжность, безопасность» (Томск, 2004, 2005, 2007); на второй всероссийской научно-технической конференции «Энергосистема: управление, качество, конкуренция» (Екатеринбург, 2004); всероссийской научной конференции «Наука, технологии, инновации НТИ-2006» (Новосибирск, 2006); всероссийской научно-технической конференции «Электроэнергия: от получения и распределения до эффективного использования» (Томск, 2006, 2008).

Публикации

Основное содержание диссертации опубликовано в четырнадцати печатных работах, в том числе в одной статье периодического издания по перечню ВАК.

Структура и объем работы

Диссертация состоит из введения, 5 глав, заключения, списка литературы и приложения. Общий объём 185 страниц текста. Основной материал изложен на 170 страницах текста, иллюстрирован 62 рисунками, содержит 32 таблицы. Список литературы включает 98 наименований.

Заключение диссертации по теме «Электростанции и электроэнергетические системы», Родыгина, Светлана Викторовна

5.5 Выводы

По полученным результатам расчета краткосрочного прогнозирования максимумов электрической нагрузки промышленных предприятий с применением интеллектуальных информационных технологий, можно сделать следующие выводы:

1 Применение метода сопряженных градиентов для задачи прогнозирования потерпело неудачу, так как в процессе обучения алгоритм попал в локальный минимум, обучение остановлено на сотых итерациях и от дальнейшего его рассмотрения нам пришлось отказаться.

2 Из рассмотренных выше методов обучения многослойных персептронов произведён сравнительный анализ по количеству итераций для достижения определенного уровня малости ошибки. Как видно из рисунка. 5.15, наименьшее количество эпох на обучение у метода обратного распространения ошибки, следовательно, и времени на обучение затрачивается меньше.

Метод Левенберга-Марквардта

Метод квазиНьютона

Обратное распространение ошибки

О 1000 2000 3000 4000 5000

Эпохи

Рисунок. 5.15 - Сравнительный анализ методов по количеству итераций обучения

3 Основной критерий, по которому производился сравнительный анализ -это минимальная ошибка прогнозирования. Исследования показали, что наилучший результат у метода квази-Ньютона - ошибка равна 1,7% (рисунок. 5.16).

Обратное Метод квази- Метод распространение Ньютона Левенбергаошибки Марквардта

Рисунок 5.16 - Сравнительный анализ методов по ошибки прогнозирования

4 При определении минимально достаточного периода предистории для задачи краткосрочного прогнозирования электрической нагрузки промышленных предприятий был выбран минимальный шаг движения по выборке равный семи, который представляет собой недельный интервал и результатом расчёта явился период равный шестидесяти трём, при котором выявилась минимальная ошибка модели нейронной сети равная 1,75%.

5 После сравнительного анализа методов обучения по ряду критериев сделали вывод, что алгоритм квази-Ньютона является лучшим, так как он имеет наименьшую ошибку прогнозирования. Это связано с тем, что при нахождении минимума среднеквадратичной ошибки вычисляется шаг с помощью матрицы вторых частных производных поверхности ошибок.

6 Рассмотрев краткосрочное прогнозирование электрической нагрузки с учётом изменяющейся топологии электрической сети, а в частности, с учётом отключений автотрансформаторов, определили наилучшую архитектуру нейросети для данной задачи, которая показала допустимую абсолютную ошибку модели с которой предприятие может работать на ОРЭМ и составляющей 2,56%.

ЗАКЛЮЧЕНИЕ

Основная направленность диссертационной работы связана с теоретическим обоснованием, разработкой и исследованием новых научных моделей и методов краткосрочного прогнозирования электрической нагрузки промышленных предприятий, основанных на моделировании искусственных нейронных сетей.

К наиболее ценным и существенным полученным результатам следует отнести:

1 Произведён анализ интеллектуальных информационных технологий для решения задачи прогнозирования, и сделан вывод о целесообразности использования искусственных нейронных сетей при решении поставленной задачи для промышленных предприятий в условиях свободной конкуренции на оптовом рынке электроэнергии.

2 Классифицированы по входным параметрам исходные данные, необходимые для прогнозирования электрической нагрузки промышленных предприятий различных отраслей промышленности с учётом возможности их сбора в условиях реально работающего производства.

3 Показана целесообразность применения в электроэнергетике интеллектуальных информационных технологий, в частности методов искусственных нейронных сетей для задачи краткосрочного прогнозирования электрической нагрузки.

4 На основании проведенных исследований представлена нейросетевая модель решения задачи краткосрочного прогнозирования электрической нагрузки промышленных предприятий различных отраслей промышленности. Исследованы различные функции активации нейронной сети и выбрана тригонометрическая функция гиперболического тангенса, при использовании которой получены минимальные ошибки модели. Практическая реализация полученных алгоритмов выполнена с использованием статистических данных для часовых интервалов электрической нагрузки за период с 2006 по 2007 год.

5 Установлено, что при решении задачи краткосрочного прогнозирования электрической нагрузки с помощью нейросетевого алгоритма, в котором использовались различные методы обучения искусственных нейронных сетей, наилучшие результаты показал квази-Ньютоновский метод, при этом абсолютная погрешность модели прогнозирования на суточном интервале не превысила 2 %.

6 Выявлены более значимые параметры модели авторегрессии и проинтегрированного скользящего среднего, такие как параметр скользящего среднего и сезонный параметр скользящего среднего, которые значительно влияют на качество ошибки краткосрочного прогнозирования электрической нагрузки, которая составила не более 9%.

7 Выполнен сравнительный анализ вероятностно-статистических методов и нейросетевых алгоритмов в задачах краткосрочного прогнозирования электрической нагрузки промышленных предприятий. Показано, что ошибка прогнозирования нейросетевого алгоритма прогнозирования меньше, чем при решении данной задачи вероятностным методом.

БИБЛИОГРАФИЧЕСКИЙ

СПИСОК ИСПОЛЬЗОВАННОЙ

Список литературы диссертационного исследования кандидат технических наук Родыгина, Светлана Викторовна, 2010 год

1. Н. Нечеткие множества в моделях управления иискусственного интеллекта Текст. / А. Н. Аверкин, И. 3. Батыршин, А. Ф.

2. Блишун ; под ред. Д. А. Поспелова. М. : Мир, 1986. - 312 с.

3. Автоматизация управления энергообъединениями Текст. / под ред. С. А. Совалова. М. : Энергия, 1979. - 432 с.

4. Алгоритмы и схемотехника аналоговых нейрокомпьютеров Текст. / Ю. П. Ланкин [и др.] // Нейрокомпьютеры и их применение : сб. докл. VII Всерос. конф. М. : ИПРЖР, 2001. - С. 566-569.

5. Анушина, Е. С. Система краткосрочного прогнозирования электрической нагрузки Текст. : автореф. дис. . канд. техн. наук / Е. С. Анушина. СПб., 2009. - 18 с.

6. Базы данных Текст. / В. В. Корнеев [и др.]. М. : Изд. Молгачева С. В., 2001.-494 с.

7. Базы данных. Интеллектуальная обработка информации Текст. / В. В. Корнеев, А. Ф. Гареев, С. В. Васютин, В. В. Райх. М. : Нолидж, 2001. -496с.

8. Бак, С. И. Проекты и исследования о схеме электроснабжения кустов нефтяных скважин на месторождениях Западной Сибири Текст. / С. И. Бак, Д. Г. Демечева // Пром. энергетика. 2005. - № 9. - С. 42-47.

9. Баринов, В. А. Режимы энергосистем: методы анализа и управления Текст. / В. А. Баринов, С. А. Совалов. М. : Энергоатомиздат, 1990. - 439 с.

10. Беркинблит, М. Б. Нейронные сети Текст. / М. Б. Беркинблит. М. : МИРОС, 1993.-99 с.

11. Боровиков, В. П. Statistica. Искусство анализа данных на компьютере: для профессионалов Текст. / В. П. Боровиков. 2-е изд. - СПб. : Питер, 2003. -688 с.

12. Боровиков, В. П. Прогнозирование в среде Statistica в среде Windows. Основы теории и интенсивная практика на компьютере Текст. / В. П. Боровиков, Г.И. Ивченко. М. : Финансы и статистика, 2000. — 384 с.

13. Веников, В. А. Оптимизация режимов электростанций и энергосистем Текст. / В. А. Веников, В. Г. Журавлев, Т. А. Филиппова. М. : Энергоатомиздат, 1990. - 350 с.

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

15. Волков, Э. П. Проблемы и перспективы развития электроэнергетики России Текст. / Э. П. Волков. М. : Энергоатомиздат, 2001. — 432 с.

16. Волобринский, С. Д. Электрические нагрузки и балансы промышленных предприятий Текст. / С. Д. Волобринский. JI. : Энергия, 1976. - 128 с.

17. Галушкин, А. И. Нейрокомпьютеры Текст. / А. И. Галушкин М. : Радиотехника, 2000. - 524 с.

18. Гелиг, А. X. Динамика импульсных систем и нейронных сетей Текст. / А. X. Гелиг. Л. : Изд-во ЛГУ, 1982. - 1991 с.

19. Гнатюк, В. И. Закон оптимального построения техноценозов Электронный ресурс. / В. И. Гнатюк. изд. перераб. и доп. - М. : Изд-во ТГУ, Центр системных исследований, 2005; 2008. - Режим доступа : http://gnatukvi.narod.ru/ ind.html. - Загл. с экрана.

20. Головкин, П. И. Энергосистема и потребители электрической энергии Текст. / П. И. Головкин. М. : Энергоатомиздат, 1984. - 359 с.

21. Головко, В. А. Нейронные сети: обучение, организация и применение Текст. : учеб. пособие для вузов / общ. ред. А. И. Галушкина М. : ИПРЖР, 2001. - 256 с. - (Нейрокомпьютеры и их применение. Кн. 4.)

22. Голяндина, Н. Э. Метод «Гусеница» SSA: прогноз временных рядов Текст. : учеб. пособие / Н. Э. Голяндина. - СПб. : ВВМ, 2004. - 52 с.

23. Горбань, А. Н. Обучение нейронных сетей Текст. / А. Н. Горбань. М. : СП Параграф, 1990. - 159 с.

24. Гофман, И. В. Нормирование электропотребления энергии и энергетические балансы промышленных предприятий Текст. / И. В. Гофман. -М.; Л. : Энергия, 1966. 320 с.

25. Гужов, Н. П. Статистическое прогнозирование режимов электропотребления Текст. / Н. П. Гужов. Новосибирск, 1992. - 106 с.

26. Данилов, Д. Л. Главные компоненты временных рядов: метод «Гусеница» Текст. / Д. Л. Данилов, А. А. Жиглявский. СПб. : Изд-во СПбГУ, 1997.-308с.

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

28. Дунаев, В. В. Алгоритмические основы испытаний : учеб. Текст. / В. В. Дунаев, О. М. Поляков, В. В. Фролов. М. : Изд-во М-ва обороны СССР, 1991.-428 с.

29. Ермоленко, П. С. Среднесрочное прогнозирование электропотребления нефтегазодобывающего производства классическими методами Текст. / П. С. Ермоленко, Д. В. Луценко // Электрика. 2009. - № 6. - С. 14-17.

30. Иванов, Е. Г. Анализ влияния температуры воздуха на электропотребление Текст. / Е. Г. Иванов // Электрика. 2002. - № 8. -С. 38-42.

31. Ивахненко, А. Г. Самоорганизация прогнозирующих моделей Текст. / А. Г.Ивахненко, Й. А. Мюллер- Киев : Технша, 1985. 223 с.

32. Косолапова, JI. Г. Эволюция популяций. Дискретное математическое моделирование Текст. / Л. Г. Косолапова, Б. Г. Ковров. Новосибирск : Наука, 1988. - 93 с.

33. Кричевский, М. Л. Введение в искусственные нейронные сети : учеб. пособие Текст. / М. Л. Кричевский. СПб., 1999. - Ч. И. - 140 с.

34. Круглов, В. В. Искусственные нейронные сети. Теория и практика Текст. / В. В. Круглов, В. В. Борисов. М. : Горячая линия - Телеком, 2001. -382 с.

35. Кудрявцев, В. В. Основы контроля и диагностики Текст. / В. В. Кудрявцев. СПб. : Изд-во ВИККИ им. А.Ф. Можайского, 1993. - 157с.

36. Левиуш, А. И. Методика прогнозирования энергопотребления групп точек поставки на оптовом рынке электроэнергии и мощности Текст. / А. И. Левиуш, Г. М. Поляк // Электр, станции. 2008. - № 8. - С. 33-40.

37. Майника, Э. Алгоритмы оптимизации на сетях и графах Текст. / Э. Майника.-М. : Мир, 1981.-323с.

38. Малков, С. Ю. Прогнозирование оптового рынка электрической энергии Текст. / С. Ю. Малков, А. С. Малков, Д. С. Величкин // Энергия. 2008. - № 3. - С. 22-27.

39. Медведев, В. С. Нейронные сети. Matlab 6 Текст. / В. С. Медведев, В. Г. Потемкин. М. : Диалог, Мифи, 2002. - 489 с.

40. Меламед, И. И. Задача коммивояжера. Вопросы теории Текст. / И. И. Меламед, С. И. Сергеев, И. X. Сигал // Автоматика и телемеханика. 1989. -№9. - С. 3-30.

41. Меламед, И. И. Задача коммивояжера. Приближенные алгоритмы Текст. / И. И. Меламед, С. И. Сергеев, И. X. Сигал // Автоматика и телемеханика. -1989. -№11. -С. 3-27.

42. Меламед, И. И. Задача коммивояжера. Точные методы Текст. / И. И. Меламед, С. И. Сергеев, И. X. Сигал // Автоматика и телемеханика. 1989. -№10.-С. 3-29.

43. Мельников, Н. А. Электрические сети и системы Текст. / Н. А. Мельников. М. : Энергия, 1975. - 463 с.

44. Мкртчян, С. О. Нейроны и нейронные сети Текст. / С. О. Мкртчян. -М. : Энергия, 1971.-232 с.

45. Мукосеев, Ю. JI. Электроснабжение промышленных предприятий Текст. Ю. JI. Мукосеев. М. : Энергия, 1973. - 584 с.

46. Мунхжаргал, С. Разработка и исследование нейросетевых алгоритмов краткосрочного прогнозирования нагрузки центральнойэлектроэнергетической системы Монголии Текст. : автореф. дис. . канд. техн. наук / С. Мунхжаргал. Новосибирск, 2004. - 20 с.

47. Назаров, А. А. Морфологическое прогнозирование развития военной техники Текст. / А. А. Назаров. М. : Изд-во М-ва обороны СССР, 1986. -252 с.

48. Назаров, А. В. Нейросетевые алгоритмы прогнозирования и оптимизации систем Текст. / А. В. Назаров, А. И. Лоскутов. — СПб. : Наука и Техника, 2003. 384 с.

49. Нейронные сети: история развития теории : учеб. пособие / под общ. ред.: А. И. Галушкина, Я. 3. Цыпкина. М. : ИПРЖР, 2001. - 840 с. -(Нейрокомпьютеры и их применение; Кн. 5).

50. Новиков, С. С. Методика оперативного планирования и управления электропотреблением крупнотоннажных электросталеплавильных печей при работе на оптовом рынке электроэнергии Текст. : автореф. дис. . канд. техн. наук / С. С. Новиков. М., 2008. - 20 с.

51. Новые информационные технологии в задачах оперативного управления электроэнергетическими системами Текст. Екатеринбург : Изд-во УрО РАН, 2002. - 205 с.

52. Оссовский, С. Нейронные сети для обработки информации Текст. / пер. с пол. И. Д. Рудинского. М. : Финансы и статистика, 2002. - 344 с.

53. Поляк, Г. М. Методология прогнозирования потребления участников ОРЭМ Текст. / Г. М. Поляк // Энергорынок. -2008. № 2. - С. 62-65.

54. Поикратов, Б. К. Моделирование перспективных суточных режимов электропотребления энергетических систем / Б. К. Понкратов // Вопросы развития энергетики. М. : Наука, 1964. - С. 24-30.

55. Порошин, В. И. Экспертные системы в прогнозировании графиков электропотребления Текст. / В. И. Порошин, Н. А. Машалова // Вест. УГТУ-УПИ. Проблемы управления электроэнергетикой в условиях конкурентного рынка. Екатеринбург, 2005. - № 12. - С. 125-127.

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

57. Прохорович, В. Е. Прогнозирование состояния сложных технических комплексов Текст. / В. Е. Прохорович. СПб. : Наука, 1999. - 158 с.

58. Пугачев, В. С. Статистические методы в технической кибернетике Текст. / В. С. Пугачев. М. : Сов. радио, 1971. - 186 с.

59. Резников, А. П. Детерменированно-вероятностная обучающаяся информационная система (ДВОИС) Текст. / А. П. Резников // Изв. АН СССР. Энергетика и транспорт. 1969. - № 3. - С. 20-30.

60. Суворовцев, И. С. Нейронные сети: введение в современную информационную технологию Текст. / И. С. Суворовцев, В. И. Клюкин, Р. Н. Пивоварова. Воронеж, 1994. - 103с.

61. Терехов, В. А. Нейросетевые системы управления Текст. / В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин. М. : Радиотехника, 2002. - 480 с. -(Нейрокомпьютеры и их применение. Кн. 8.)

62. Уоссерман, Ф. Нейрокомпьютерная техника. Теория и практика Текст. / Ф. Уоссерман. М. : Мир, 1990. - 240 с.

63. Хохлова, С. В. Нейросетевые модели для анализа и прогнозирования нагрузки энергосистемы Текст. / С. В. Хохлова, В. 3. Манусов // Электрика. -2004.-№6. -С. 28-30.

64. Хохлова, С. В. Применение ИНС для решения задач в электроэнергетике Текст. 1 С. В. Хохлова // Дни науки НГТУ-2002 : тез. докл. студ. конф. / под ред. проф. М. А. Кувшиновой. Новосибирск : Изд-во НГТУ, 2002. - С. 8687.

65. Хохлова, С. В. Прогнозирование нагрузки на базе искусственной нейронной сети Текст. / С. В. Хохлова // Дни науки НГТУ-2003 : материалы науч. студ. конф. / под ред. М. А. Кувшиновой. Новосибирск : Изд-во НГТУ, 2003. - С.73—74.

66. Хронусов, Г. С. Формирование эффективных режимов электропотребления промышленных предприятий Текст. / Г. С. Хронусов. -Екатеринбург : Изд-во УГГА, 1998 Ч. 1. - 340 с.

67. Чокин, Ш. Ч. Управление нагрузкой электроэнергосистем Текст. / Ш. Ч. Чокин, Э. Э. Лойтер. Алма-Ата : Наука, 1985. - 286 с.

68. Шпилева, В. А. Ретроспективная оценка эффективности и проблема прогноза внутреннего энергообеспечения Тюменской области Текст. /

69. B. А. Шпилева, Е. В. Пуршина // Энергетика. 2004. - № 4. - С. 5-8.

70. Шумилова, Г. П. Краткосрочное прогнозирование электрических нагрузок с использованием искусственных нейронных сетей Текст. / Г. П. Шумилова, Н. Э. Готман, Т. Б. Старцева // Электричество. 1999. - № 10.1. C. 6-12.

71. A hybrid fazzy, neural network bus load modeling and predication Текст. / H. R. Kassaei, A. Keyhahi, T. Wong, M. Rahman // IEEE Trans. Power Syst. -1999.-Vol. 14, № 2.-C. 718-724.

72. A novel approach to electrical load Forecasting based on a neural network Текст. / D. Srinivasan [et al.] // INNC-91. Singapoure, 1991. - P. 1172-1177.

73. Alexandre, P. Alves da Silva, Luciano S. Moulin. Confidence artificial neural networks for short-term load forecasting Текст. / P. Alexandre // IEEE Transactions on Power Systems. 2000. - Vol. 15, № 4. - P. 1191-1196.

74. ALFA. Automated Load Forecasting Assistant Текст. / К. Jabbour, J. Riveros, D. Landbereng, W. Meyer // IEEE Transactions on Power Syst. 1988. — Vol. 3,№3.-P. 908-914.

75. An architecture for the intelligent detection and alleviation of overloaded transmission lines Текст. / R. L. King, D. Novosel // Electr. Power Syst. Res (Switzerland). 1994. - Vol. 30, № 3. - P. 241-250.

76. Artificial neural networks for power systems Текст. / D. Neubor [et al.] // Cigre Tf 38.06.06, Electra. 2006. - № 159.-P. 77-101.

77. Gupta, P. C. A stochastic approach to peak power demand forecasting in electric utility system Текст. / P. C. Gupta // IEEE Trans., PAS-90. 1971. - P. 824-832.

78. Matteewman P. D. Techniques for load prediction in the electricity supply industry Текст. / P. D. Matteewman, H. Nicholson // Proc. IEEE. 1968. - Vol. 115.-P. 1451^157.

79. Sakurai Kyoko. Study on electric load forecasting using a neural network Текст. / Sakurai Kyoko // Tokyo. Inf. And Commun. Eng. And Electron. Eng. Dep. Univ. Tokyo, 1992. - №41. - C. 145-150.

80. Vemuri, S. Load forecasting using stochastic models Текст. / S. Vemuri, E. F. Hill, R. Balasubramanian // Proc. 8th PICA Conf. (1973), Minneapolis MN, IEEE. New York, 1973. - P. 31-37.