Прогнозирование электропотребления промышленных предприятий с помощью искусственных нейронных сетей

• Автор: Воронов, Иван Викторович
• Шифр специальности: 05.09.03
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Кемерово
• Количество страниц: 153 с. : ил.

Содержание
Введение
1. Прогнозирование электропотребления промышленных предприятий в условиях оптового рынка электроэнергии и мощности
1.1 Необходимость повышения точности прогнозирования электропотребления для промышленных предприятий
1.2 Существующие подходы к прогнозированию электропотребления промышленных предприятий
1.3 Современные средства прогнозирования электропотребления
1.3.1 Программный комплекс «Созвездие»
1.3.2. Решения по прогнозу потребления на базе платформы «Deductor Studio»
1.3.3. Программные продукты ООО НПП «ВНИКО»
1.3.4. Программный комплекс «Энергостат»
1.4 Анализ существующих систем прогнозирования электропотребления промышленных предприятий
1.5 Выводы
2. Выбор метода прогноза для построения прогнозной модели электропотребления промышленного предприятия
2.1. Методы прогнозирования
2.1.1. Понятие прогнозной модели
2.1.2. Классификация методов прогнозирования
2.2. Обзор методов прогнозирования электропотребления
2.2.1. Основные методы прогнозирования временных рядов
2.2.2 Прогнозная экстраполяция
2.2.3. Корреляционный и регрессионный анализ

2.2.4. Прогнозирование на базе АШМА моделей
2.2.5. Адаптивные методы прогнозирования
2.2.6 Прогнозирование с использованием искусственных нейронных сетей
2.2.7. Прогнозирование с использованием гибридных систем
2.3. Оценка качества прогноза и прогнозной модели
2.4. Выбор метода для краткосрочного прогнозирования электропотребления промышленного предприятия
2.5. Выводы
3. Построение прогнозной модели электропотребления промышленного предприятия на основе искусственной нейронной сети
3.1. Основные принципы построения прогнозной модели электропотребления промышленного предприятия на основе искусственной нейронной сети
3.2. Анализ параметров, влияющих на электропотребление предприятия, на различных уровнях его системы электроснабжения
3.3. Методика выбора параметров, влияющих на электропотребление промышленного предприятия на основе метода экспертных оценок
3.4. Алгоритм построения внутренней структуры прогнозной модели электропотребления промышленного предприятия
3.5. Выводы
4. Определение закономерностей и построение прогнозной модели электропотребления КОАО «Азот»
4.1. Структура электропотребления КОАО «Азот»
4.2. Построение прогнозной модели электропотребления

КОАО «Азот» на основе ИНС с применением генетических алгоритмов
4.2.1. Выбор конфигурации ИНС
4.2.2. Формирование обучающего и проверочного множества входных и выходных данных
4.2.3. Формирование, конфигурирование, обучение и проверка ИНС на обучающем и тестовом множествах входных и выходных данных
4.2.4. Оценка качества полученной прогнозной модели «А»
4.3. Выявление параметров, от которых зависит электропотребление КОАО «Азот» с помощью метода экспертных оценок
4.4. Построение прогнозной модели электропотребления КОАО «Азот» с учетом результата экспертной оценки параметров, от которых зависит электропотребление КОАО «Азот»
4.5. Сравнение полученных прогнозных моделей, оценка их качества, рекомендации по повышению точности прогноза
4.6 Оценка ожидаемого экономической эффекта от снижения ошибки прогноза, при использовании созданных прогнозных моделей
4.7. Выводы Заключение Список литературы Пр иложение 1 Приложение

124 126 128 147

где а,- - коэффициенты модели (коэффициенты регрессии); yj, Ху — соответственно значения у'-й функции (зависимой переменной) и г-й независимой переменной (называемой также предиктором или регрессором); г,- - случайная ошибка; п - число независимых переменных в модели. В ряде случаев полагается, что а, свободный член, и х0] = 1 •
Задача построения модели множественной регрессии сводится к определению регрессионных коэффициентов на основе имеющихся данных об объекте прогноза и влияющих на него факторов. Таким образом корреляционные и регрессионные методы, могут учитывать влияние широкого набора параметров на выходную прогнозную величину электропотребления. Этим объясняется тот факт, что большинство из существующих прогнозных моделей электропотребления построены на основе этих методов [70, 73].
В то же время получение прогнозов с помощью многофакторных регрессионных моделей предполагает неизменность значений коэффициентов этих моделей во времени [95].
В процессе работы промышленного предприятия возможно появление новой информации, что требует корректировки значений регрессионных коэффициентов его прогнозной модели. Такая корректировка является весьма трудоемкой процедурой, требующей большого количества исходных данных и объемов вычислений.
Этот факт наряду с весьма жесткими требованиями, предъявляемыми к исходной информации, приводит к тому, что динамическое изменение характеристик прогнозной модели электропотребления промышленного предприятия зачастую невозможно.
В ряде случаев требования прогнозной модели к исходной информации для реальных наблюдений оказываются невыполненными, поэтому получаемые оценки оказываются неэффективными, а прогноз — неточным.