WWW.KNIGI.KONFLIB.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

 
<< HOME
Научная библиотека
CONTACTS

Pages:     | 1 |   ...   | 9 | 10 || 12 | 13 |

«УДК 621.311 Закарюкин В.П., Крюков А.В., Раевский Н.В., Яковлев Д.А. МОДЕЛИРОВАНИЕ И ПРОГНОЗИРОВАНИЕ ПРОЦЕССОВ ЭЛЕКТРОПОТРЕБЛЕНИЯ НА ЖЕЛЕЗНОДОРОЖНОМ ТРАНСПОРТЕ Под ред. ...»

-- [ Страница 11 ] --

Рис. 4.15. Результаты прогноза месячного электропотребления по ТП- Для оценки точности прогнозирования были определены относительные погрешности прогнозирования месячного электропотребления =(| W-WНС|)/W100 %. Здесь W – месячное значение электропотребления, тыс.кВтч; WНС – прогнозные значения месячного электропотребления, полученные с помощью нейронной модели. Результаты расчетов сведены в табл. 4.6 и представлены на рис. 4.19-4.21.

Фактическое Нейрон- Фактическое Нейрон- Фактическое Нейронэлектропо- ная сеть, электропо- ная сеть, электропо- ная сеть, Месяц Январь Февраль Март Апрель Июнь Июль Август Сентябрь Октябрь Ноябрь тыс. кВтч тыс. кВтч тыс. кВтч Рис. 4.19. Относительная погрешность прогнозирования по ТП- Погрешность, % Рис. 4.20. Относительная погрешность прогнозирования ТП- Погрешность, % Рис. 4.21. Относительная погрешность прогнозирования ТП- Представленные результаты показывают, что погрешность прогнозирования электропотребления не превышает 4.5%, а в среднем составляет 2.4%.

1. Нейросетевые модели обладают высокой аппроксимирующей способностью и позволяют обрабатывать статистическую информацию и выполнять прогнозные оценки. Наиболее приемлемыми для прогноза электропотребления следует считать многослойные нейронные сети.

2. Для определения состава входных параметров нейронной сети и формирования рациональной обучающей выборки можно использовать метод экспертных оценок или статистическое оценивание. Проведенный корреляционный анализ выделенных экспертным путем факторов показал, что наиболее тесная связь с электропотреблением имеют грузооборот железной дороги и среднемесячная температура воздуха.

3. Обучение нейронной сети для прогноза электропотребления тяговыми подстанциями может быть выполнено на основе информации по тяговой подстанции с наибольшим электропотреблением. Нейронная сеть, обученная по информации подстанции первого ранга, дает хорошие результаты при прогнозировании потребления остальных подстанций.

4. Результаты контрольного прогнозирования показывают, что погрешность прогнозирования электропотребления с помощью разработанной нейронной сети не превышает 4.5%, а в среднем составляет 2.4%.

ЗАКЛЮЧЕНИЕ

В рамках проведенных исследований получены следующие основные результаты.

1. Обоснована необходимость системного подхода к решению задачи прогнозирования электропотребления на магистральных железных дорогах в условиях изменения факторов эндогенного и экзогенного характера.

Разработана методика применения имитационного моделирования систем тягового электроснабжения для прогнозирования расхода электроэнергии отдельной тяговой подстанции.

2. Показано, что системы электроснабжения железных дорог являются структурами техноценологического типа и для описания процессов электропотребления на тяговых подстанциях можно использовать гиперболическое Н-распределение.

3. На основе компьютерного моделирования с использованием массива статистической информации за 5 лет показано, что для целей прогнозирования расхода электрической энергии на ТП наиболее приемлемы многослойные нейронные сети.

4. Предложена структура нейросетевой модели, предназначенная для прогнозирования электропотребления по уровню отделения дороги;

при этом уменьшается длина требуемой предыстории без снижения точности прогноза.

5. Разработана методика прогнозирования ЭП на железнодорожном транспорте с применением нейросетевого моделирования, позволяющая снизить расходы на оплату электроэнергии на 15...20% за счет корректного формирования договорных величин заявленного электропотребления.

6. Определены наиболее эффективные средства прогнозирования ЭП для организационно-структурных уровней железнодорожной магистрали.

7. Разработан программный продукт «Учет и прогнозирование электропотребления», предназначенный для хранения и обработки информации об ЭП, а также для выполнения прогнозов электропотребления на ТП на основе рангового анализа.

9. Практическое использование разработанных методик, алгоритмов и программного продукта позволяет получить следующие результаты:

• снижение затрат на приобретение планового объема электроэнергии;

• минимизацию отклонения фактического потребления электроэнергии от планового;

• обоснованное определение лимитов электропотребления при заключении договоров на использование электроэнергии;

• оптимизацию договоров с нетранспортными потребителями электроэнергии, получающими питание от тяговых подстанций.

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Авдеев, В.А. Информационный банк «Черметэнерго» [Текст] /В.А.

Авдеев, Б.И. Кудрин, А.Е Якимов.– М.: Электрика, 1995. – 400 с.

2. Алексейчук, А.И. Моделирование распределённых систем со структурированными потоками сообщений [Текст] /А.И. Алексейчук, М.Д.

Шапот // Известия РАН. Теория и системы управления. – №5. – 1999. – С.

117–120.

3. Амосов, Н.М. Нейрокомпьютеры и интеллектуальные работы [Текст] /Н.М. Амосов и др. – Киев: Наукова думка, 1991. – 365 с.

4. Арутюнян, Р.В. Прогноз электропотребления: анализ временных рядов, геостатистика, искусственные нейронные сети [Текст] / Р.В. Арутюнян, В.И. Богданов, Л.А. Большое и др. – Препринт / ИБРАЭ №99-05. – М., 1999. – 45с.



5. Беркульцев, М.В. Применение генетического алгоритма к построению минимально допустимой обучающей выборки для нейросетевой системы принятия решений [Текст] / М.В. Беркульцев, А.К. Дьячук, С.Д.

Оркин // Известия РАН. Теория и системы управления. - № 5. - 1999.- С.

172–176.

6. Бесков, Б.А. Проектирование систем энергоснабжения электрических железных дорог [Текст] / Б.А. Бесков и др. – М.: Транспорт, 1963. – 471 с.

7. Бокс, Д. Анализ временных рядов [Текст]/ Д. Бокс.- М.: Мир, 1974.

8. Бокс, Дж. Анализ временных рядов. Прогноз и управление [Текст]/ Дж. Бокс, Г. Дженкис. – М., Мир, 1974.

9. Большов, Л.А. Прогнозирование энергопотребления: современные подходы и пример исследования [Текст] /Л.А. Большов, М.Ф. Каневский, Е.А. Савельева и др. // Известия РАН: энергетика. – №6. – 2004. – С.

74-92.

10. Боровиков, В.П. Прогнозирование в системе Stastica в среде Windows. Основы теории и интенсивная практика на компьютере [Текст] /В.П. Боровиков, Г.И. Ивченко. – М.: Финансы и статистика, 1999. – 384 с.

11. Бородулин, Б.М. Симметрирование токов и напряжений на действующих тяговых подстанциях переменного тока [Текст] / Б. М. Бородулин // Вестник ВНИИЖТ. – №2. – 2003.

12. Бэнн, Д.В.. Сравнительные модели прогнозирования электрической нагрузки [Текст] /Д.В. Бэнн, Е.Д. Фармер. – М.: Энергоатомиздат, 1987. – 200 с.

13. Васильев, В.И. Распознающие системы [Текст] /В.И. Васильев – Киев: Наукова думка. 1998. – 143 с.

14. Вентцель, Е.С. Теория вероятностей [Текст] / Вентцель Е. С. – М.: Наука, 1969. – 400с.

15. Галушкин, А.И. Нейросетевые алгоритмы оптимального выбора подмножества векторов случайной многомерной выборки [Текст] /А.И.

Галушкин // Нейрокомпьютер. – № 1, 2. – 1997. – С. 39–48.

16. Гамм, А.З. Обнаружение плохих данных в телеизмерениях для АСДУ ЭЭС на основе контрольных уравнений [Текст] /А.З. Гамм И.Н. Колосок. – Иркутск: ИСЭМ СО РАН, 1998. – 47 с.

17. Гамм, А.З. Обнаружение грубых ошибок телеизмерений в электроэнергетических системах [Текст] /А.З. Гамм, И.Н. Колосок. – Новосибирск: Наука, 2000. – 150 с.

18. Гамм, А.З. Наблюдаемость электроэнергетических систем [Текст] / А.З. Гамм, И.И. Голуб. – М.: Наука, 1990. – 220 с.

19. Гамм, А.З. Методологические вопросы оценивания и идентификации в электроэнергетических системах [Текст] / А.З. Гамм // Вопросы оценивания и идентификации в энергетических системах. – Иркутск, 1974.

– С. 29-51.

20. Гамм, А.З. Идентификация характеристик ошибок измерений при оценивании состояния [Текст] /А.З. Гамм, И.Н. Колосок //Электронное моделирование. – №3. – 1986. – С. 45-50.

21. Гамм, А.З. Методы оценки дисперсий ТИ в ЭЭС [Текст] / А.З.

Гамм, A.M. Глазунова, И.Н. Колосок, В.В. Овчинников // Электричество. – №7. – 1997. – С. 282-287.

22. Гамм, А.З. Вероятностные методы расчета режимов электроэнергетических систем [Текст] / А.З. Гамм, В.Г. Курбацкий. – Братск:

БрИИ, 1990. - 90с.

23. Герасимов Л.Н. Корреляционный метод достоверизации измерений перетоков в реальном времени [Текст] /Л.Н. Герасимов // Информационное обеспечение диспетчерского управления в электроэнергетике. – Новосибирск, 1985. – С. 80-90.

24. Глюшинский, В.Г. Инженерное прогнозирование [Текст] /В.Г.

Глюшинский. – М.: Энергоатомиздат. – 1982.

25. Головкин, Б.Н. Прогноз электропотребления промышленного предприятия в условиях нестабильности экономики [Текст] / Б.Н. Головкин, В.Н. Пирогов, А.П. Старцев // Промышленная энергетика. – №2. – 1996. – С. 8-12.

26. Горбань, А.Н. Обобщённая аппроксимационная теорема и вычислительные возможности нейронных сетей [Текст] / А.Н. Горбань // Соросовский образовательный журнал. – Т.1. – 1998. – С. 12–24.

27. Горбань, А.Н. Нейроинформатика [Текст] / А.Н. Горбань, В.Л.

Дунин–Барковский, А.Н. Кирдин и др. – Новосибирск: Наука, 1998. – 28. Горбань, А.Н. Нейронные сети на персональном компьютере [Текст] / А.Н. Горбань, Д.А. Россиев. – Новосибирск: Наука, 1996. – 276 с.

29. Горбань, А.Н. Обучение нейронных сетей [Текст] / А.Н. Горбань. – М.: СП параграф, 1990.– 160 с.

30. Гордиенко, Е.К. Искусственные нейронные сети I. Основные определения и модели [Текст] / Е.К. Гордиенко, А.А. Лукьяница // Техн.

кибернетика. – №5. – 1994. – С. 79–91.

31. Гришин, Ю.А. Программно-вычислительный комплекс "Оценка" оценивания состояния ЭЭС в реальном времени [Текст] / Ю.А. Гришин, И.Н. Колосок, E.С. Коркина и др. // Электричество. – №2. – 1990. – С. 8-16.

32. Гришин, Ю.А. Программа оценивания состояния ЭЭС в реальном времени на ЕС1010 [Текст] / Ю.А. Гришин // Статистическая обработка оперативной информации в электроэнергетических системах. – Иркутск, 1979. – С. 201-214.

33. Гришин, Ю.А. Адаптивный комплекс динамического оценивания состояния ЭЭС [Текст] / Ю.А. Гришин, И.Л. Плотников // Информационное обеспечение диспетчерского управления в электроэнергетике. - Новосибирск, 1985. – С.119-130.

34. Демура, А.В. Применение нейронной сети Кохонена для классификации суточных графиков нагрузки [Текст] /А.В. Демура // Техническая электродинамика. Энергетические системы и установки. – № 4. – 1995. – С.

76-77.

35. Доррер, М.Г. Интуитивное предсказание нейросетями взаимоотношений в группе [Текст] / Доррер М.Г. // Методы нейроинформатики. – Красноярск, 1998. – С. 111-129.

36. Дрейпер, Н. Прикладной регрессионный анализ [Текст] / Н.

Дрейпер, Г. Смит. – М.: Статистика, 1973. – 392 с.

37. Дулесов, В.А. Прогнозирование электропотребления предприятий на основе искусственных нейронных сетей [Текст]: дис. … канд. техн.

наук / В.А. Дулесов. – М., 1992. – 153 с.



Pages:     | 1 |   ...   | 9 | 10 || 12 | 13 |