Построение моделей долгосрочного прогноза потребления электроэнергии и мощности промышленными предприятиями тема диссертации и автореферата по ВАК РФ 05.09.03, кандидат технических наук Политов, Евгений Александрович

• Политов, Евгений Александрович
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Политов, Евгений Александрович

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

Глава 1. ПРОБЛЕМЫ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ ПРОМЫШЛЕННЫМИ ПРЕДПРИЯТИЯМИ

1.1. Оптовый рынок электроэнергии

1.2. Оптовый рынок мощности

Глава 2. МЕТОДЫ ПРОГНОЗИРОВАНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ

2.1. Прогнозная модель

2.2. Классификация методов прогнозирования

2.3. Анализ методов прогнозирования электропотребления

2.4. Выбор метода составления модели прогноза

Глава 3. МЕТОДИКА ПОСТРОЕНИЯ МОДЕЛИ ПРОГНОЗА ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ ПРОМЫШЛЕННЫМ ПРЕДПРИЯТИЕМ

3.1. Выбор входных параметров модели

3.2. Выбор выходных параметров модели

3.3. Выбор методов формирования обучающего и проверочного множеств

3.4. Выбор способов верификации модели

Глава 4. ВНУТРЕННЯЯ СТРУКТУРА ПРОГНОЗНОЙ МОДЕЛИ

4.1. Строение искусственных нейронных сетей

4.2. Методы построения внутренних связей прогнозной модели

4.3. Уточнение параметров прогнозной модели

Глава 5. ПРОГНОЗ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ

5.1. Программная реализация

5.2. Анализ входных параметров

5.3. Анализ выходных параметров

5.4. Расчет модели 1

5.5. Расчет модели 6

5.6. Расчет модели 11

5.7. Расчет модели 16

5.8. Сравнение результатов расчета

5.9. Раздельное прогнозирование потребления на технологические и санитарно-технические нужды

5.10. Влияние величины шага прогноза на точность прогноза

5.11. Влияние размера обучающего множества на точность прогноза

5.12. Определение удельного электропотребления

5.13. Среднесрочное прогнозирование потребления электроэнергии

5.14. Прогнозирование потребления мощности

5.15. Рекомендации по дальнейшему повышению точности прогноза

ЗАКЛЮЧЕНИЕ

Литература

Введение диссертации (часть автореферата) на тему «Построение моделей долгосрочного прогноза потребления электроэнергии и мощности промышленными предприятиями»

ВВЕДЕНИЕ

Актуальность работы. В условиях рыночной экономики, при существовании сложной системы взаимоотношений в сфере производства, распределения и потребления электрической энергии, моделирование и прогнозирование потребления электроэнергии и мощности становится сложной задачей как на краткосрочном, так и на долгосрочном периоде, когда на первый план выходит влияние переменных рыночных факторов.

Прогнозирование потребления электроэнергии и мощности отдельными участниками оптового рынка электроэнергии и мощности важно не только для всей энергосистемы в целом, но и для отдельного предприятия, и даже для его цехов и участков. Формирование универсального аппарата моделирования и прогнозирования электропотребления и мощности для различных уровней иерархии промышленных предприятий позволило бы сократить расходы на оплату электроэнергии при покупке ее на оптовом и розничном рынках электроэнергии и мощности, качественно определить влияние различных технологических условий и факторов производства на электропотребление или мощность нагрузки, выбрать наиболее эффективные стратегии энергосбережения и направление мероприятий по экономии электрической энергии.

При решении задачи прогнозирования необходимо учитывать значительное число факторов, влияющих на изменение электропотребления предприятий. Следует учитывать изменение выработки продукции под воздействием экономических условий, влияние плана ремонтов оборудования, зависимость от метеорологических и прочих факторов.

Многообразие влияющих факторов, сложность прогноза самих этих факторов не позволяют однозначно определить оптимальный метод прогнозирования для решения данной задачи.

Целью работы является повышение точности долгосрочного прогноза электроэнергии и мощности промышленных предприятий путем построения многофакторных моделей потребления электрической энергии и мощности промышленными предприятиями, учитывающих структуру технологических процессов предприятий.

Идея работы состоит в представлении системы электроснабжения промышленного предприятия в виде совокупности прогнозных моделей, относящихся к разным производственным процессам.

Задачи исследований:

1. Проанализировать действующие автоматизированные системы долгосрочного прогнозирования электропотребления, выявить применяемые методы прогнозирования, ключевые особенности, достоинства и недостатки.

2. Разработать методику построения модели прогноза потребления электрической энергии и мощности промышленным предприятием, реализовать расчеты по методике в виде соответствующего программного обеспечения, проверить методику на примере выбранного предприятия.

3. Разработать методику формирования обучающего множества данных для прогнозной модели, которая бы позволила учесть нестандартные режимы работы технологического и электрического оборудования промышленного предприятия.

4. Установить влияние разделения модели на части для отдельного прогнозирования параметров, определяющих электропотребление технологических процессов предприятия, и прогнозирования параметров,

определяющих потребление промышленного предприятия на санитарно-технические нужды (освещение, вентиляция, вспомогательные нужды).

5. Произвести анализ влияния способа построения внутренней структуры прогнозной модели, состава входных параметров модели, величины шага прогноза и размера обучающего множества на точность долгосрочного прогноза электропотребления.

6. Разработать и опробовать метод определения удельного расхода электроэнергии для производства каждого вида учитываемой продукции с помощью построенной модели прогноза.

Основные научные положения, выносимые на защиту:

1. Разработанная математическая модель, основывающаяся на искусственной нейронной сети, параметры которой настраиваются с помощью алгоритмов генетического отбора, и использующая информацию о существующих технологических связей между производственными процессами для построения своей внутренней структуры, позволяет повысить точность долгосрочного прогноза потребления электроэнергии и мощности промышленным предприятием.

2. Применение предложенного алгоритма формирования обучающего множества данных, учитывающего различные режимы работы систем электроснабжения промышленных предприятий, позволяет повысить точность долгосрочного прогноза потребления электроэнергии и мощности на период ремонтов электрического и технологического оборудования.

3. Модель долгосрочного прогноза электропотребления промышленного предприятия на основе искусственных нейронных сетей, использующая в составе входных параметров объемы производства продукции, позволяет определить удельный расход электроэнергии на выработку

продукции без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом предприятия.

4. Установленные зависимости точности прогноза от построения внутренней структуры модели, состава входных и выходных параметров, величины шага прогноза и размера обучающего множества позволяют определить параметры прогнозной модели для требуемой точности прогноза.

Научная новизна работы заключается в следующем:

— разработана методика построения долгосрочного прогноза потребления электрической энергии и мощности промышленным предприятием на основе аппарата искусственных нейронных сетей, отличающаяся: использованием информации о действующей технологии производства для построения своей внутренней структуры; раздельным прогнозированием параметров, определяющих электропотребление технологических процессов предприятия, и параметров, определяющих потребление промышленного предприятия на санитарно-технические нужды;

— разработан алгоритм формирования обучающего множества данных, учитывающий различные режимы работы систем электроснабжения промышленных предприятий, и позволяющий повысить точность прогнозирования моделью периодов ремонта электрического и технологического оборудования;

— разработан алгоритм определения удельного расхода электроэнергии на выработку продукции в условиях недостаточности данных, отличающийся отсутствием необходимости прямых замеров потребления электроэнергии каждым технологическим процессом предприятия;

— впервые установлена зависимость точности долгосрочного прогноза электропотребления промышленного предприятия от построения

внутренней структуры прогнозной модели, от величины шага прогноза и размера обучающего множества.

Методы исследования. Исследования проводились на основании теории математического моделирования, теории системного анализа, теории корреляционно-регрессионного анализа, теории искусственных нейронных сетей, теории генетических алгоритмов отбора и нечеткой логики, теории компьютерного моделирования и обработки данных.

Достоверность научных положений и выводов подтверждается экспериментальной проверкой разработанной методики создания прогнозной модели для долгосрочного прогноза потребления электроэнергии и мощности путем создания прогнозных моделей для предприятий химической, нефтеперерабатывающей, угледобывающей отрасли и цветной металлургии.

Для построения моделей использовались выходные данные систем коммерческого учета электроэнергии предприятий и данные об объемах выпуска продукции.

Практическая значимость состоит в том, что полученные в работе результаты могут быть использованы:

— при планировании потребления электроэнергии и мощности предприятием либо его цехами в зависимости от производственных, метеорологических и прочих факторов;

— при разработке прогнозных моделей электропотребления для любых типов промышленных предприятий на долгосрочный период и среднесрочный период;

— при определении удельных расходов электроэнергии на выработку продукции в условиях недостаточности данных, без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом;

— при разработке мероприятий, направленных на снижение финансовых издержек предприятия по оплате потребляемой электроэнергии и мощности на оптовом и розничном рынках.

Реализация результатов работы. На основе предложенных в работе методов составления модели прогноза электропотребления разработана модель долгосрочного прогноза электропотребления ОАО «Азот», принятая в Управлении главного энергетика предприятия в качестве дополнения к существующим методам долгосрочного прогнозирования электропотребления.

Апробация работы. Основные положения диссертации докладывались на следующих конференциях: всероссийская научно-техническая конференция «Современные пути развития машиностроения и автотранспорта Кузбасса», 2007 г.; VII международная научно-практическая конференция «Современные энергетические системы и комплексы и управление ими», г. Новочеркасск, 2007 г.; Разработки молодых специалистов в области электроэнергетики 2008: III научно-техническая конференция ОАО «НТЦ электроэнергетики», г. Москва, 22-26 сентября 2008 г.; молодежная программа «Russia Power 2011» «Инвестирование в будущее», г. Москва, 29 марта 2011 г.

Публикации. Материалы диссертации опубликованы в 11 печатных работах в соавторстве с другими авторами, из них 4 статьи в рекомендуемых ВАК изданиях, 3 статьи в сборниках трудов конференций.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Работа изложена на 147 страницах текста, содержит 55 рисунков, 26 таблиц, список литературы включает 113 наименований.

Заключение диссертации по теме «Электротехнические комплексы и системы», Политов, Евгений Александрович

Выводы:

1. Точность прогноза в значительной степени зависит от сложности расчетной модели.

2. Использование обратной связи делает модель более восприимчивой к самым последним изменениям прогнозируемой величины, но применение обратной связи без дополнительных механизмов целесообразно только на простых моделях сети.

3. Введение плана производства продукции как входного параметра позволяет значительно повысить точность прогноза, но применение этого плана целесообразно в случае сложных сетей, учитывающих цеха раздельно.

4. Наилучшей по качеству получившегося прогноза электропотребления получилась сеть с иерархической структурой связей, включающую в себя как обратные связи, так и планы выработки продукции.

5. Разделение в модели параметров, относящихся к электропотреблению технологических процессов и электропотреблению на санитарно-технические нужды, на разные персептроны, позволяет повысить точность прогноза.

6. При значениях коэффициента заполнения, близких к 1, предпочтительней использовать шаг прогноза, равный одним суткам, а при более низких — равный одному месяцу.

7. При использовании плана выработки продукции минимальная глубина выборки данных для входного множества меньше, чем в случае отсутствия такого входного параметра модели.

8. Использование дополнительных связей для настройки сети в соответствии с действующей технологией производства позволило уменьшить ошибку прогноза на 0,4 %.

9. Построенные прогнозные модели позволяют с достаточной точностью определить удельное электропотребление каждого вида учитываемой продукции без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом.

10. Методика построения модели долгосрочного прогнозирования потребления мощности схожа с методикой построения модели долгосрочного прогнозирования электропотребления, отличия состоят в процедуре выбора состава входных и выходных параметров.

11. Не во всех случаях оправдано использование ИНС при долгосрочном прогнозировании потребления мощности. Анализ графиков потребления мощности позволяет определить необходимость применения ИНС.

ЗАКЛЮЧЕНИЕ

В диссертационной работе на основании выполненных автором исследований дано решение актуальной задачи повышения точности прогнозирования электропотребления и мощности на долгосрочный период, имеющей существенное значение для повышения эффективности эксплуатации систем электроснабжения промышленных предприятий.

Повышение точности долгосрочного прогноза электроэнергии и мощности промышленных предприятий достигается путем построения многофакторных моделей потребления электрической энергии и мощности промышленными предприятиями, учитывающих структуру технологических процессов предприятий.

Основные научные и практические результаты диссертационной работы состоят в следующем:

1. Разработана методика долгосрочного прогнозирования потребления электроэнергии и мощности промышленными предприятиями на основе искусственных нейронных сетей, генетического алгоритма и метода конфигурации связей нейронной сети согласно действующей технологии производства и структуры СЭС предприятия.

2. Применение оптимизированного алгоритма генетического отбора позволило увеличить устойчивость ГА в процессе работы. Модель прогнозирования, оптимизированная с помощью ГА, показала лучший результат в работе, чем модели с эвристически подобранными параметрами.

3. Применение разработанной методики позволило улучшить точность прогноза потребления электроэнергии и мощности по сравнению с существующей системой долгосрочного прогнозирования предприятия.

4. Проведен сравнительный анализ моделей на основе шестнадцати различных архитектур ИНС для целей долгосрочного прогнозирования электропотребления. В результате анализа установлено:

4.1. Использование обратной связи делает модель более восприимчивой к самым последним изменениям прогнозируемой величины, но применение обратной связи без дополнительных механизмов целесообразно только на простых моделях сети.

4.2. Введение плана производства продукции как входного параметра позволяет значительно повысить точность прогноза, но применение этого плана целесообразно в случае сложных сетей, учитывающих цеха раздельно.

4.3. Наилучшей по качеству получившегося прогноза электропотребления получилась сеть с иерархической структурой связей, включающую в себя как обратные связи, так и планы выработки продукции. Применение метода конфигурации связей ИНС согласно действующей технологии производства позволило уменьшить ошибку прогноза и сократить время обучения модели.

5. Раздельное прогнозирование электропотребления предприятия на технологические и санитарно-технические нужды приводит к уменьшению ошибки прогноза.

6. Предложен алгоритм формирования обучающего множества данных для прогнозной модели, позволяющий значительно увеличить точность прогноза в случаях проведения ремонтов элементов системы электроснабжения предприятия, нестандартных режимов работы электрооборудования.

7. Проведено исследование влияния шага прогноза на точность долгосрочного прогноза электропотребления. При значениях коэффициента заполнения, близких к 1, предпочтительней использовать шаг прогноза, равный одним суткам, а при более низких — равный одному месяцу.

8. Проведено исследование влияния размера обучающего множества на точность долгосрочного прогноза электропотребления. Модель, использующая в качестве входного параметра объемы выработки продукции, показала лучшую устойчивость к сокращению размера обучающего множества.

9. Проведены расчеты среднесрочного прогнозирования электропотребления для целей заключения биржевых контрактов.

10. Построенные с помощью предложенной методики прогнозные модели позволяют с достаточной точностью определить удельное электропотребление каждого вида учитываемой продукции без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом.

11. Сформулированы направления развития методики построения прогнозной модели с целью дальнейшего повышения точности прогноза.

12. Создано программное обеспечение для расчета произвольных ИНС и выбора их параметров с помощью генетических алгоритмов, позволяющее получать различные модели ИНС для последующих экспериментальных исследований и выполнять над ними процедуру генетической оптимизации.

Список литературы диссертационного исследования кандидат технических наук Политов, Евгений Александрович, 2012 год

Литература

1. Постановление Правительства Российской Федерации от 31 августа 2006 года N2 529 «О совершенствовании порядка функционирования оптового рынка электрической энергии (мощности)» // Российская газета. - 2006. - № 194. - С. 18-19.

2. Постановление Правительства Российской Федерации от 31 августа

2006 года № 530 «Об утверждении Правил функционирования розничных рынков электрической энергии в переходный период реформирования электроэнергетики» // Российская газета. — 2006. — № 194. — С. 19-20.

3. Основные принципы функционирования нового оптового рынка электроэнергии (мощности) [Электронный ресурс] // ОАО «Дальневосточная энергетическая компания»: [сайт]. [2009]. URL: http://www.dvec.ru/elektr_market/elek6.php (Дата обращения 02.06.2009).

4. Постановление Правительства Российской Федерации от 7 апреля

2007 года № 205 «О внесении изменений в некоторые акты Правительства Российской Федерации по вопросу определения объемов продажи электрической энергии по свободным (нерегулируемым) ценам» // Российская газета. — 2007. — № 4342. — С. 16-17.

5. Список контрактов СДД, находящихся в обращении [Электронный ресурс] // Московская энергетическая биржа: [сайт]. [2011]. http: //www.arena-trade.ru/contracts_list.asp.

6. Постановление Правительства Российской Федерации от 28 июня

2008 года № 476 «О внесении изменений в некоторые постановления

Правительства Российской Федерации во вопросам организации конкурентной торговли генерирующей мощностью на оптовом рынке электрической энергии (мощности)» // Российская газета. — 2008. — № 138.-С. 15-16.

7. Шидловский, А. К. Расчеты электрических нагрузок систем электроснабжения промышленных предприятий / А. К. Шидловский, Г. Я. Вагин, Э. Г. Куренный. — М. : Энергоатомиздат, 1992. — 224 с.

8. Овчаренко, А. С. Технико-экономическая эффективность систем электроснабжения промышленных предприятий / А. С. Овчаренко, М. Л. Рабинович. — Киев : Техшка, 1977. — 172 с.

9. Тышкевич, И. В. Прогнозирование электропотребления оборудования текстильных предприятий на основе искусственных нейронных сетей : дис... канд. техн. наук : 05.09.03. — Иваново: ИГЭУ, 2005.- 158 с.

10. Воропай, Н. И. Методы управления физико-техническими системами энергетики в новых условиях / Н. И. Воропай, Н. Н. Новицкий, Е. В. Сеннова. — Новосибирск : Наука, 1995. — 334 с.

11. Меламед, А. М. Современные методы анализа и прогнозирования режимов электропотребления в электроэнергетических системах / А. М. Меламед // Итоги науки и техники. Энерг. системы и их автоматизация. — 1988. — Т. 4. — С. 4-11.

12. Владимирова, Л. П. Прогнозирование и планирование в условиях рынка : учеб. пособие / Л. П. Владимирова. — М. : Издательский дом «Дашков и К», 2000. — 308 с.

13. Черныш, Е. А. Прогнозирование и планирование в условиях рынка : учеб. пособие / Е. А. Черныш. - М. : ПРИОР, 1999. - 176 с.

14. Курбацкий, В. Г. Управление в электроэнергетике с использованием методов искусственного интеллекта / В. Г. Курбацкий, Н. В. Томин // Электрика. - 2005. - № 9. - С. 20-28.

15. Курбацкий, В. Г. Искусственные нейронные сети в задачах управления энергосистемами / В. Г. Курбацкий, Н. В. Томин // Вестник УГТУ УПИ. Проблемы управления электроэнергетикой в условиях конкурентного рынка. — 2005. — № 12. — С. 222-229.

16. Теория прогнозирования и принятия решений : учеб. пособие / Под ред. С. А. Саркисяна. — М. : Высш. Школа, 1977. — 351 с.

17. Краснощекое, П. С. Принципы построения моделей / П. С. Красно-щеков, А. А. Петров. - М. : МГУ, 1983. - 264 с.

18. Штойер, Р. Многокритериальная оптимизация: теория, вычисления и приложения / Р. Штойер, — М. : Радио и связь, 1992. — 504 с.

19. Чу ев, Ю. В. Прогнозирование количественных характеристик процессов / Ю. В. Чуев, Ю. Б. Михайлов, В. И. Кузьмин, — М. : Сов. радио, 1975. - 400 с.

20. Тихонов, Э. Е. Методы прогнозирования в условиях рынка: учеб. пособие / Э. Е. Тихонов. — Невинномысск, 2006. — 221 с.

21. Бокс, Д. Анализ временных рядов. Прогноз и управление: Пер. с англ. / Д. Бокс, Г. Дженкинс. - М. : Мир, 1974. - 406 с.

22. Сазонов, В. Г. Планирование и прогнозирование в условиях рынка : учеб. пособие / В. Г. Сазонов. — Владивосток : ТИДОТ ДВГУ,

2001,- 146 с.

23. Рабочая книга по прогнозированию / Под ред. И. В. Бестужева-Лады. - М. : Мысль, 1982. - 430 с.

24. Касти, Д. Большие системы. Связность, сложность и катастрофы: Пер. с англ. / Д. Касти. - М. : Мир, 1982. - 216 с.

25. Лисичкин, В. А. Теория и практика прогностики / В. А. Лисичкин. - М. : Наука, 1972. - 223 с.

26. Справочник по электропотреблению в промышленности / Под ред. Г. П. Минина, Ю. В. Копытова. - М. : Энергия, 1978. - 496 с.

27. Кудрин, В. А. Электроснабжение промышленных предприятий: Учебник для вузов / В. А. Кудрин. — М. : Энергоатомиздат, 1995. — 357 с.

28. Макоклюев, Б. И. Анализ и планирование режимных параметров энергообъединений на основе специализированных программных комплексов / Б. И. Макоклюев, А. В. Антонов // Сборник докладов Открытой всероссийской научно-технической конференции «Управление режимами единой энергосистемы России». — М. : НЦ ЭНАС,

2002. — С. 101-105.

29. Томин, Н. В. Характеристика программных продуктов по искусственному интеллекту в решении электроэнергетических задач / Н. В. Томин // Энергетика: управление, качество и эффективность использования энергоресурсов, сб. труд. IV Всерос. науч.-техн.

конф. Благовещенск: АмГУ. — Благовещенск : АмГУ, 2005. — С. 41-47.

30. Томин, Н. В. Использование программных продуктов по искусственным нейронным сетям при решении задач энергетики / Н. В. Томин // Вестник Иркутского отделения АН ВШ. — 2006. — № 2. — С. 110-120.

31. Макоклюев, Б. И. Прогнозирование потребления электроэнергии в АО «Мосэнерго» / Б. И. Макоклюев, А. И. Владимиров, Г. И. Фефе-лова // ТЭК. - 2001. -№4,- С. 56-57.

32. Макоклюев, Л. В. Статистический анализ и планирование технико-экономических показателей энергообъединений на основе программного комплекса «Энергостат» / J1. В. Макоклюев, JI. В. Салманов, А. В. Антонов // Энергетик. - 2002. С. 12-14.

33. Антонов, Л. В. Опыт внедрения и эксплуатации в энергообъединениях России программного комплекса подготовки данных и расчетов прогнозов электропотребления и балансов «Энергостат» / JI. В. Антонов, Б. И. Макоклюев // Вестник ВНИИЭ.- 2004. — С. 31-34.

34. Макоклюев, Б. И. Учет влияния метеорологических факторов при прогнозировании электропотребления энергообъединений / Б. И. Макоклюев, В. Ф. Еч // Энергетик. - 2004. - № 6. - С. 15-16.

35. Программное обеспечение для объектов энергетики [Электронный ресурс] // ООО Научно-производственное предприятие «ВНИКО»: [сайт]. [2004J- URL:

http://vniko.ru/joom/index.php?option=com_ content$task=view $id=20$Itemid=4-5 (Дата обращения 22.05.2009).

36. Программный комплекс «Модель оптимального управления электропотреблением техноценоза» [Электронный ресурс] // Гнатюк В. И. Техника, техносфера, энергосбережение: [сайт]. [2000]. URL: http://gnatukvi.ru/iacom.htrn (Дата обращения 25.05.2009).

37. Гнатюк, В. И. Оптимальное построение техноценозов. Теория и практика. — Выпуск 9. Ценологические исследования / В. И. Гнатюк. — М. : Центр системных исследований, 1999. — 272 с.

38. Гнатюк, В. И. Ранговый анализ и энергосбережение / В. И. Гнатюк, А. Е. Северин. - Калининград : ЗНЦ HT РАЕН -КВИ ФПС РФ, 2003. - 120 с.

39. Система «Энерго-Прогноз» [Электронный ресурс] // StatSoft Russia: [сайт]. [2009]. URL: http://www.statsoft.ru/statportal

/tabID__39 /МЫ__293 /ModelD__0/ PageID__200

/DesktopDefault.aspx (Дата обращения 26.05.2009).

40. Боровиков, В. П. Прогнозирование в системе STATISTICA в среде Windows / В. П. Боровиков, И. Г. Ивченко. — М. : Финансы и Статистика, 2006. — 368 с.

41. Нейронные сети. STATISTICA Neural Networks / Под ред. В. П. Боровикова. — М. : Горячая Линия — Телеком, 2006. — 184 с.

42. Комплекс программ планирования и анализа долгосрочных энергетических режимов и основных производственных показателей энергосистем и энергообъединений (комплекс

ПРЭС) [Электронный ресурс] // Филиал ОАО «НТЦ электроэнергетики» — Всесоюзный научно-исследовательский институт электроэнергетики (ВНИИЭ): [сайт]. [2009J. URL: http://vniie.ntc-power.ru/service/automation/pres (Дата обращения 26.05.2009).

43. Бирман, Э. Г. Сравнительный анализ методов прогнозирования / Э. Г. Бирман // НТК - 1986. - Т. 1. - С. 11-16.

44. Льюис, К. Д. Методы прогнозирования экономических показателей: Пер. с англ. / К. Д. Льюис. — М. : Финансы и статистика, 1986,- 132 с.

45. Бэнн, Д. В. Сравнительные модели прогнозирования электрической нагрузки: Пер. с англ. / Д. В. Бэнн, Е. Д. Фармер. — М. : Энерго-атомиздат, 1987. — 200 с.

46. Четыркин, Е. М. Статистические методы прогнозирования / Е. М. Четыркин. — М. : Финансы и статистика, 1979. — 199 с.

47. Елущенко, В. В. Прогнозирование, 3-е изд. / В. В. Глущенко. — М. : Вузовская книга, 2000. — 208 с.

48. Трисеев, Ю. П. Долгосрочное прогнозирование экономических процессов / Ю. П. Трисеев. — Киев : Наукова Думка, 1987. — 132 с.

49. Еолуб, Д. Матричные вычисления / Д. Голуб, Ч. Ван-Лоун. — М. : Мир, 1999.- 549 с.

50. Вендат, Д. С. Прикладной анализ случайных данных: Пер. с англ. / Д. С. Бендат, А. Пирсол. - М. : Мир, 1989. - 540 с.

51. Картавых, Н. Я. Прогнозирование электропотребления по группам потребителей региона с использованием модели Холта-Винтера / Н. Я. Картавых, Э. М. Косматов // XXIX Неделя науки СПбГТУ. Материалы межвузовской научной конференции.Ч.VII. — 2001. — С. 156-157.

52. Кендэл, М. Временные ряды: Пер. с англ. / М. Кендэл. — М. : Финансы и статистика, 1981. — 200 с.

53. Порошин, В. И. Экспертные системы в прогнозировании графиков электропотребления / В. И. Порошин, Н. А. Машалова // Вестник УГТУ-УПИ. Проблемы управления электроэнергетикой в условиях конкурентного рынка. — 2005. — № 12. — С. 61-67.

54. Доброе, Г. М. Экспертные оценки в научно-техническом прогнозировании / Г. М. Добров, Ю. В. Ершов, — Киев : Наукова Думка, 1974.- 159 с.

55. Морозова, Т. Г. Прогнозирование и планирование в условиях рынка : учеб. пособие для вузов / Т. Г. Морозова, Т. Г. Пикулькин, В. Ф. Тихонов ; Под ред. Т. Г. Морозовой. - М. : ЮНИТИ-ДАНА, 1999.- 318 с.

56. Каллан, Р. Основные концепции нейронных сетей / Р. Каллан. — М. : Вильяме, 2002. - 287 с.

57. Combining Artificial Neural Networks and Heuristic Rules in a Hybrid Intelligent Load Forecast System / R. R. B. de Aquino, A. A. Ferreira, M. A. Carvalho et al. // Artificial Neural Networks - ICANN 2006, 16th International Conference, Athens, Greece, September 10-14, 2006. Proceedings, Part II / Ed. by S. D. Kollias, A. Stafylopatis, W. Duch,

E. Oja. — Vol. 4132 of Lecture Notes in Computer Science. — Springer, 2006. - Pp. 757-766.

58. Хайкин, С. Нейронные сети. Полный курс: Пер. с англ. / С. Хайкин. - М. : Вильяме, 2006. - 1104 с.

59. Воронов, И. В. Обзор типов искусственных нейронных сетей и методов их обучения / И. В. Воронов, Е. А. Политов, В. М. Ефре-менко // Вестник КузГТУ. - 2007. - № 3. - С. 38-42.

60. Теория и практика нечетких гибридных систем / И. 3. Батыршин, А. А. Недосекин, А. А. Стецко и др. ; Под ред. Н. Г. Ярушкиной. — М. : Физматлит, 2007. - 207 с.

61. Ватищев, Д. И. Многокритериальный выбор с учетом индивидуальных предпочтений / Д. И. Батигцев, Д. Е. Шапошников. — Нижний Новгород : ИПФ РАН, 1994. - 92 с.

62. Ватищев, Д. И. Генетические алгоритмы решения экстремальных задач / Д. И. Ватищев. — Воронеж : ВГТУ, 1995. — 69 с.

63. Вороновский, Г. К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г. К. Вороновский. — Харьков : Основа, 1997. — 107 с.

64. Ямполъский, С. М. Прогнозирование научно-технического прогресса / С. М. Ямпольский,— М. : Статистика, 1974. — 207 с.

65. Воронов, И. В. Применение нейронных сетей для прогнозирования электропотребления промышленных предприятий / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Современные пути развития

машиностроения и автотранспорта Кузбасса: Труды I Всероссийской научно-технической конференции, 24-25 октября 2007 г. — Кемерово : ГУ КузГТУ, 2007. - С. 276-279.

66. Воронов, И. В. Применение нейронных сетей для прогнозирования электропотребления промышленных предприятий в условиях работы ОРЭ / И. В. Воронов, Е. А. Политов, А. А. Шевченко // Современные энергетические системы и комплексы и управление ими: Материалы VII Междунар. науч.-практ. конф., г. Новочеркасск, 20 апр. 2007 г.: В 2 т. — Т. 2. — Новочеркасск : ЮРГТУ, 2007,- С. 5-8.

67. Ни, Z. Neuro-fuzzy short-term load forecast and generation control of electrical power systems : Ph.D. thesis / advisor: Rahmat Shoureshi, Div. of Engineering. — 2000.

68. Brockmann, W. Different Models to Forecast Electricity Loads : Tech. Rep. 26 / W. Brockmann, S. Kuthe : 2001.

69. Харман, Г. Современный факторный анализ / Г. Харман. — М. : Статистика, 1972. — 486 с.

70. Ивахненко, А. Г. Долгосрочное прогнозирование и управление сложными системами / А. Г. Ивахненко. — Киев : Наукова Думка, 1975.- 340 с.

71. Воронов, И. В. Методика выбора входных параметров нейронной сети для прогнозирования электропотребления промышленного предприятия / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. - 2009. - № 3. - С. 62-64.

72. Сальников, А. X. Нормирование потребления и экономия топливо-энергетических ресурсов / А. X. Сальников, JI. А. Шевченко. — М. : Энергоатомиздат, 1986. — 240 с.

73. Кистенёв, В. К. Прогнозирование годового электропотребления модернизированным методом наискорейшего спуска / В. К. Кистенёв, П. Ю. Лукьянов, Д. А. Яковлев // III Межрегиональная научно-практическая конференция. Технические науки, технологии и экономика. — Чита : ЧГУ, 2003. — С. 169-174.

74. Кудрин, Б. И. Учёт технологических факторов при нормировании расходов электроэнергии и прогнозировании электропотребления химических предприятий / Б. И. Кудрин, С. В. Жичкин // Промышленная энергетика. — 2002. — Т. 12. — С. 24-28.

75. Макоклюев, Б. И. Методология и система моделей прогноза электропотребления / Б. И. Макоклюев // Рынок Электротехники. — 2007. - № 4. - С. 23-26.

76. Шумилова, Г. П. Модель суточного прогнозирования нагрузок ЭЭС с использованием нечетких нейронных сетей / Г. П. Шумилова, Н. Э. Готман, Т. Б. Старцева // Известия Академии наук. Энергетика. - 2001. -№4,- С. 52-59.

77. Heine, S. Optimizing Load Forecast Models using an Evolutionary Algorithm / S. Heine, I. Neumann // Second European Congress on Intelligent Techniques and Soft Computing - EUFIT'94 / Ed. by H. J. Zimmermann. — Vol. 3. — Promenade 9, D-52076 Aachen : Verlag der Augustinus Buchhandlung, 1994. - Pp. 1690-1694.

78. Сюсюкин, А. Ю. Основы электроснабжения предприятий: учеб. пособие для вузов / А. Ю. Сюсюкин. — Тюмень : Тюменский государственный нефтегазовый университет, 2003. — 193 с.

79. Гужов, Н. П. Статистическое прогнозирование режимов электропотребления предприятий : учеб. пособие / Н. П. Гужов. —• Новосибирск : Новосиб. электротехн. ин-т, 1995. — 106 с.

80. Воронов, И. В. Определение параметров, влияющих на электропотребление промышленного предприятия с помощью метода экспертных оценок / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. - 2009. - № 5. - С. 61-64.

81. Голенко, Д. И. Статистические модели в управлении производством / Д. И. Голенко. — М. : Статистика, 1973. — 368 с.

82. Политов, Е. А. Использование нейронной сети для долгосрочного прогнозирования электропотребления промышленного предприятия / Е. А. Политов, И. В. Воронов, В. М. Ефременко // Вестник КузГТУ. - 2006. - № 6. - С. 71-73.

83. Воронов, И. В. Использование нейронной сети для краткосрочного прогнозирования электропотребления промышленного предприятия / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. - 2006. - № 6. - С. 73-74.

84. Политов, Е. А. Долгосрочное прогнозирование электропотребления с применением искусственных нейронных сетей / Е. А. Политов // Разработки молодых специалистов в области электроэнергетики 2008: Сборник докладов третьей научно-технической конференции ОАО «НТЦ электроэнергетики». 22-26

сентября 2008 г. — M. : ОАО «НТЦ электроэнергетики», 2008. — С. 140-142.

85. Глебов, А. А. Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем / А. А. Глебов // Южно-Российский вестник геологии, географии и глобальной энергии. - 2006. - № 7. - С. 142-146.

86. Воронов, И. В. Создание прогнозной модели электропотребления предприятия химической отрасли на основе искусственных нейронных сетей / И. В. Воронов, Е. А. Политов // Промышленная энергетика. — 2011. — № 3. — С. 23-28.

87. Онлайн калькулятор: Восход и закат солнца [Электронный ресурс] // Онлайн калькуляторы: [сайт]. [2001]. URL: http://planetcalc.ru/300/ (Дата обращения 16.05.2009).

88. Расчет времени восхода и захода солнца, продолжительности светового дня [Электронный ресурс] // Часовые пояса России: [сайт]. URL: http://www. timezone.ru/suncalc.php ?tid=39 (Дата обращения 17.05.2009).

89. Ismail, Z. A Backpropagation Method for Forecasting Electricity Load Demand / Z. Ismail, F. A. Jamaluddin // Journal of Applied Sciences. - 2008.

90. Тарасенко, P. А. Метод анализа и повышения качества обучающих выборок нейронных сетей для прогнозирования временных рядов : дис... канд. техн. наук : 05.13.06.— О. : Одесский национальный политехнический ун-т., 2002. — 145 с.

91. Царегородцев, В. Г. Оптимизация предобработки данных: константа Липшица обучающей выборки и свойства обученных нейронных сетей / В. Г. Царегородцев // Нейрокомпьютеры: разработка, применение. - 2003. - № 7. - С. 3-8.

92. Эконометрика / Под ред. И. И. Елисеевой. — М. : Финансы и статистика, 2005. — 575 с.

93. Янч, Э. Прогнозирование научно-технического прогресса / Э. Янч. - М. : Прогресс, 1974. - 380 с.

94. Михайлов, Ю. Б. Алгоритм выбора прогнозирующей зависимости, обеспечивающей наилучшую точность прогноза / Ю. Б. Михайлов // Приборы и системы. Управление, контроль, диагностика. - 2000. - Т. 12. - С. 11-19.

95. Глаголев, А. И. Долгосрочное прогнозирование газового рынка / А. И. Глаголев, С. С. Демин,— М. : Институт энергодиалога «Восток-Запад», 2003. — 128 с.

96. Pasemann, F. Dynamics of a single model neuron / F. Pasemann // Int. J. of Bifurcation and Chaos. - 1993. - Vol. 3, no. 2. - Pp. 271-278.

97. Галушкин, А. И. Теория нейронных сетей / А. И. Галушкин. — M. : ИПРЖР, 2000.- 416 с.

98. Уоссермен, Ф. Нейрокомпыотерная техника: Теория и практика: Пер. с англ. / Ф. Уоссермен. — М. : Мир, 1992. - 260 с.

99. Hinton, G. Е. Connectionist Learning Procedures / G. E. Hinton // Artificial Intelligence. - 1989. - Vol. 40. - Pp. 185-234.

100. Werbos, P. J. Beyond regression: New tools for prediction and analysis in the behavioral sciences : Ph.D. thesis / Harvard University. — 1974.

101. Галушкин, А. И. Синтез многослойных систем распознавания образов / А. И. Галушкин. — М. : Энергия, 1974. — 368 с.

102. Яхзяева, Г. Э. Нечеткие множества и нейронные сети / Г. Э. Яхъ-яева. — М. : Лаборатория знаний, 2008. — 320 с.

103. Минский, М. Персептроны / М. Минский, С. Пайперт. — М. : Мир, 1971.- 365 с.

104. Hebb, D. О. The Organization of Behavior: A Neuropsychological Theory / D. O. Hebb. - New York : Spartan Books, 1962. - 335 pp.

105. Kohonen, T. SelfOrganization and Associative Memory, Third Edition / T. Kohonen. — New York : Springer-Verlag, 1989. — 312 pp.

106. Иванов, M. H. Анализ роста курса акций с применением нейронных сетей / М. Н. Иванов // Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» Сб.докл. — 2002. — С. 756-772.

107. Rosenblatt, F. Principles of neurodynamics / F. Rosenblatt. — New York : Spartan Books, 1962. — 616 pp.

108. Политов, E. А. Принципы построения прогнозной модели электропотребления промышленного предприятия на основе искусственной нейронной сети / Е. А. Политов, И. В. Воронов, В. М. Ефременко // Вестник КузГТУ. - 2009. - № 5. - С. 58-60.

109. Воронов, И. В. Краткосрочное прогнозирование электропотребления энергосистем с помощью искусственных нейронных сетей /

И. В. Воронов, Е. А. Политов // Электрические станции. — 2009. —• № 12.-С. 15-18.

110. Сарычев, Н. А. Исследование влияния выбора параметров обучения на скорость обучения ИНС / Н. А. Сарычев, А. Е. Сметанников, Д. А. Филиппов // Математическое и программное обеспечение вычислительных систем: Межвуз. сб. науч. трудов, — М. : Минобразования России, НИЦПрИС, 1998,- С. 93-95.

111. Горбань, А. Н. Обучение нейронных сетей / А. Н. Горбань. — М. : СП ПараГраф, 1990. - 160 с.

112. Артемкин, Д. Е. Метод реализации генетических алгоритмов обучения искусственных нейронных сетей на кластерных архитектурах / Д. Е. Артемкин // Новые информационные технологии: Межвуз. сб. науч. трудов. - Рязань : РГРТА, 2002. - С. 11-14.

113. Анушина, Е. С. Прогнозирование временных рядов на основе интеллектуальных вычислительных технологий / Е. С. Анушина // Интеллектуальные системы. — 2009. — № 1. — С. 84-90.