Краткосрочное прогнозирование электрической нагрузки промышленных предприятий с применением интеллектуальных информационных технологий

• Автор: Родыгина, Светлана Викторовна
• Шифр специальности: 05.14.02
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Новосибирск
• Количество страниц: 185 с. : ил.

ОГЛАВЛЕНИЕ
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 АЫМА для машиностроительного завода
4.4 Модель АММА 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
ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ

Если задача будет решаться с помощью нейронной сети, то необходимо собрать данные для обучения. Обучающий набор данных представляет собой набор наблюдений, для которых указаны значения входных и выходных переменных. Первый вопрос, который нужно решить, - какие переменные использовать и сколько (и каких) наблюдений собрать.
Выбор переменных осуществляется интуитивно. Опыт работы в данной предметной области поможет определить, какие переменные являются важными. Для начала имеет смысл включить все переменные, которые могут влиять на результат - на последующих этапах сокращается это множество.
Нейронные сети могут работать с числовыми данными, лежащими в определенном ограниченном диапазоне. Это создает проблемы в случаях, когда данные имеют нестандартный масштаб, когда в них имеются пропущенные значения, и когда данные являются нечисловыми. Числовые данные масштабируются в подходящий для сети диапазон, а пропущенные значения можно заменить на среднее значение (или на другую статистику) этой переменной по всем имеющимся обучающим примерам.
Вопрос о том, сколько наблюдений нужно иметь для обучения сети, часто оказывается непростым. Известен ряд эвристических правил, увязывающих -число необходимых наблюдений с размерами сети (простейшее из них гласит, что число наблюдений должно быть в десять раз больше числа связей в сети). На самом деле это число зависит также от (заранее неизвестной) сложности того отображения, которое нейронная сеть стремится воспроизвести. С ростом количества переменных количество требуемых наблюдений растет нелинейно, так что уже при довольно небольшом (например, пятьдесят) числе переменных может потребоваться огромное число наблюдений. Эта трудность известна как "проклятие размерности".
Для большинства реальных задач бывает достаточно нескольких сотен или тысяч наблюдений. Для особо сложных задач может потребоваться еще большее количество, однако очень редко может встретиться (даже тривиальная)