Информационно-методическое обеспечение прогнозирования часовых объемов электропотребления при выходе предприятия на оптовый рынок электрической энергии

• Автор: Мозгалин, Алексей Владимирович
• Шифр специальности: 05.09.03
• Научная степень: Кандидатская
• Год защиты: 2007
• Место защиты: Москва
• Количество страниц: 139 с. : ил.

Е ЭЛЕКТРООБЕСПЕЧЕНИЕ КРУПНЫХ ПРЕДПРИЯТИЙ ЧЕРНОЙ МЕТАЛЛУРГИИ В УСЛОВИЯХ РЕСТРУКТУРИЗАЦИИ ЭЛЕКТРОЭНЕРГЕТИКИ
1.1. Электрическое хозяйство металлургических предприятий как объект прогнозирования
1.2. Параметры промышленного электропотребления и возникновение задачи их прогнозирования
1.3. Современные методы прогнозирования и границы их применимости
1.4. Цели и задачи исследования
2. СОВРЕМЕННЫЙ МАТЕМАТИЧЕСКИЙ АППАРАТ КРАТКОСРОЧНОГО И ОПЕРАТИВНОГО ПРОГНОЗИРОВАНИЯ РАСХОДА ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ (МОЩНОСТИ)
2.1. Ценологические основы прогнозирования электропотребления предприятий
2.2. Основы нейросетевого прогнозирования с применением
обучения методом обратного распространения ошибки
2.3. Методы построения нейросетевых моделей для целей краткосрочного прогнозирования электропотребления с учетом ценологичности объекта прогнозирования
2.4. Особенности анализа временных рядов
3. РАЗРАБОТКА МЕТОДИКИ РАБОТЫ НА ОСНОВЕ ПРЕДЛАГАЕМОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЕМ ПРЕДПРИЯТИЯ
3.1. Формализация перечня исходных данных для почасового прогнозирования электропотребления на сутки вперед
3.2. Анализ прогнозных данных и обоснование применимости выбранного метода прогнозирования

3.3. Структура предлагаемся! системы прогнозирования электропотребления металлургического предприятия
3.4. Определение зависимости точности прогнозирования от
параметров используемой модели
4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРЕДСКАЗАНИЯ (ПРОГНОЗИРОВАНИЯ) И ОПЕРАТИВНОГО УПРАВЛЕНИЯ НАГРУЗКОЙ
4.1. Выбор и адаптация программного пакета для целей прогнозирования с учетом выбранной методики
4.2. Практическая реализация системы прогнозирования электропотребления промышленного предприятия
4.3. Устойчивость и методы достижения требуемой точности почасового прогнозирования на сутки вперед
4.4. Рекомендации по использованию адаптированных программных
средств в условиях промышленного предприятия
ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК ИСПОЛЬЗОВАННОЙ
ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЯ
Приложение 1. Перечень металлургических предприятий с
потребляемой мощностью более 20 МВт
Приложение 2. Характеристики программных пакетов, наиболее
часто применяемых для целей эмулирования нейронных сетей
Приложение 3. Перечень факторов, способных оказывать влияние на
почасовое электропотребление предприятия
Приложение 4. Средние значения и дисперсия мощности по дням недели и по типам дней за январь 2005 г

Актуальность работы. В последние годы в связи с производимыми реформами произошло многократное увеличение стоимости топливно-энергетических ресурсов (ТЭР). По данным Росстата [62] из всех естественных монополий лишь рост тарифов на электроэнергию превысил средний показатель по промышленности, при этом цены на электроэнергию в период с 1993 по 2004 г выросли в 677 раз. Для крупных металлургических предприятий до 11% в себестоимости продукции составляет электрическая энергия [34]. Под давлением рынка потребители (промышленные предприятия) начинают осознавать, что им необходимо минимизировать затраты на электроэнергию.
С 2001 г. происходит реформирование электроэнергетики [54], сопровождающееся изменениями правил заказа электрической энергии. В 2003 г. с принятием законов [66, 67] был образован оптовый рынок электрической энергии и начали работать сектора свободной торговли оптового рынка электроэнергии в Европейской части России и Урала. В 2005 г. к торговой системе оптового рынка присоединились участники Сибирской ценовой зоны. С 1 сентября 2006 г. начал работу новый оптовый рынок энергии и мощности (ОРЭ) с измененными правилами работы. При этом участники, потребление которых Федеральной службой по тарифам России включено в сводный прогнозный баланс производства и поставок электрической энергии (мощности) на оптовом рынке, и для которых установлены соответствующие тарифы (покупатели в бывшем регулируемом секторе, а также новые участники оптового рынка, включаемые в пилотные проекты по заключению долгосрочных регулируемых договоров), покупают весь объем своего потребления на ОРЭ.
Для крупных промышленных предприятий одним из основных путей для снижения затрат на покупку электрической энергии в ситуации реформирования электроэнергетики является выход на ОРЭ. Это позволяет значительно снизить стоимость потребленной энергии, так как стоимость

ски выведенным формулам, использующим для определения числа нейронов такую характеристику сети, как число синаптических весов в многослойной сети с сигмоидальными передаточными функциями:
тЫ/{^2Ы+1)< £,,
п - размерность входного сигнала (количество входных нейронов); т - размерность выходного сигнала (количество выходных нейронов);
//-число элементов обучающей выборки.
Также применяются и другие соотношения:
2(т+Ь+п) < N < 10(т+Ь+п), (2.12)
где Ь - число нейронов в скрытых слоях.
Число весов Ь\> можно легко определить, зная архитектуру сети, число нейронов в каждом слое, и количество входов у каждого нейрона.
Несмотря на то, что функцией активации может быть любая нелинейная функция, для увеличения скорости обучения сети желательна антисимметричность (биполярность) функции активации, т.е. /(г) = -/(у). Наиболее часто употребляемым примером такой функции активации является (2.7).
Инициация весовых коэффициентов, проводимая обычно перед началом обучения сети, производится случайными значениями из области допустимых значений. При слишком больших значениях весовых коэффициентов нейроны могут перейти в режим насыщения, что приведет к малым значениям локальных градиентов и медленном процессе обучения при использовании алгоритма обратного распространения ошибки. При слишком малых значениях весовых коэффициентов алгоритм будет работать медленно в области начала координат поверхности ошибок, что особенно заметно для антисимметричной функции активации, такой, как гиперболический тангенс.
Согласно [73], значения весовых коэффициентов должны быть равномерно распределены таким образом, чтобы иметь нулевое среднее значение.