Метод прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких алгоритмов

• Автор: Бажинов, Алексей Николаевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Череповец
• Количество страниц: 172 с. : ил.

ОГЛАВЛЕНИЕ
Введение
1 Общая характеристика проблемы прогнозирования потребления электроэнергии предприятием черной металлургии.
1.1 Анализ существующих методов и средств прогнозирования потребления электроэнергии

1.2 Характеристика потребления электроэнергии как объекта прогнозирования.

1.3 Определение требований к математическому обеспечению метода прогнозирования потребления электроэнергии предприятием черной металлургии.
1.4 Выводы.
2 Математическое обеспечение метода прогнозирования потребления электроэнергии предприятием черной металлургии

2.1 Разработка методики обобщенной оценки объемов потребления электроэнергии

2.2 Разработка методик предварительной обработки технологических параметров в системе прогнозирования
2.2.1 Методика восстановления отсутствующих данных в рядах ретроспективной информации.
2.2.2 Методика редактирования аномальных значений в
рядах ретроспективной информации.
2.3 Разработка методики определения влияющих факторов на
потребление электроэнергии.
2.4 Разработка метода прогнозирования потребления электроэнергии
2.4.1 Метод прогнозирования потребления электроэнергии на основе нейронечеткой сети.
2.4.2 Модификация структуры нейронечеткой сети
2.4.3 Обучение модифицированной нейронечеткой сети
2.5 Выводы.
3 Алгоритмы обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии
3.1 Алгоритмы предварительной обработки технологических параметров в системе прогнозирования.
3.1.1 Алгоритм восстановления отсутствующих данных в
рядах ретроспективной информации.
3.1.2 Алгоритм редактирования аномальных значений в
рядах ретроспективной информации.
3.2 Алгоритм определения влияющих факторов на потребления электроэнергии.
3.3 Алгоритм обучения нейронечеткой сети
3.4 Алгоритм взаимодействия модулей системы
3.5 Обобщенный алгоритм функционирования системы
прогнозирования потребления электроэнергии.
3.6 Выводы.
4 Экспериментальные исследования метода и алгоритмов обработки информации в системе прогнозирования потребления
электроэнергии предприятием черной металлургии
4.1 Основные функциональные элементы и блоки.
4.2 Методика настройки алгоритмического обеспечения
4.3 Результаты экспериментальных исследований
4.4 Перспективы применения разработанных метода и
алгоритмов в системе прогнозирования потребления электроэнергии предприятиями черной металлургии
4.5 Выводы.
Заключение.
Список литературы


Последовательность наблюдений одного показателя (признака), упорядоченная в зависимости от последовательно возрастающих или убывающих значений другого показателя, называется динамическим рядом, или рядом динамики. Если в качестве признака, в зависимости от которого происходит упорядочивание, берется время, то такой динамический ряд называется временным рядом. Если одновременно рассматриваются несколько характеристик процесса, то в этом случае говорят о многомерных временных рядах [9]. Инерционность не исключает наличие скачков в динамике. Задачи данного типа успешно решаются методами фактографической группы: статистические методы, методы аналогий и опережающие методы []. Также эффективны методы экспертной и комбинированной группы, которые в широком смысле, заключаются в интуитивном выборе из бесчисленного множества важнейших и решающих факторов. Основная процедура прогноза заключается в сравнении всех величин и вариантов, с помощью которого устраняется все маловажное и несущественное. Несмотря на то, что эксперт, как правило, не осознает технологии эвристического прогнозирования, он дает в среднем неплохой прогноз []. В соответствии с этим были разработаны методы индивидуальных экспертных оценок, как, например, интервью и аналитические оценки. Основные методы коллективных экспертных оценок включают в свой состав методы комиссий, коллективной генерации идей, матричный метод и другие. Кроме того, при прогнозировании характеристик сложных технических объектов методы экспертного прогнозирования становятся весьма сложными и трудоемкими. Методам прогнозирования показателей электропотребления всегда уделялось большое внимание. Ряд теоретических идей, в основном опирающихся на линейные модели, был выдвинут довольно давно. Исследования базируются на основах теории моделирования процессов и систем, изложенных в работах: Айвазяна С. А., Котельникова В. А., Лукашина Ю. Г., Пугачева B. C., Растригина Л. А., Солодовникова В. В., Теряева Е. Д., Цыпкина ЯЗ. Шакаряна Ю. Г, и зарубежных ученых, таких как Box G. E.P. Jenkins G. M., Shannon С. Е., Eykhoff P. Kalman R. E., Ljung L. Rao S. R., Ту Дж. Фукунага К. Андруковича П. Ф., Бахвалова Ю. А., Галустова Г. Г., Дуброва А. Н.Д. Иванова Е. А., Колесникова A. A., Лачина В. И., Мирошника И. В., Фетисова В. Г., Фрадкова А. Л., Шамрикова Б. Развитие методов моделирования и прогнозирования электропотребления предприятием черной металлургии связано с работами таких ученых, как: Копцев Л. А., Майсюков Д. В., Михайловский В. H., Никифоров Г. В., Поварницын П. В., Рашкин Ф. А. и др. В работах Арутюняна Р. В. и Закарюкина В. Традиционно для решения задач прогнозирования временных рядов используются методы математической статистики. Однако описанные выше специфические моменты ограничивают возможности применения статистических методов. Так, необходимость краткосрочности прогноза делает неэффективным использование широкого спектра методов, основанных на анализе тренда и периодических зависимостей. Применение различных процедур сглаживания не отвечает поставленной задаче, так как при прогнозировании интерес представляет не сглаженное значение, а именно отклонение от него в будущий момент времени. Рассматриваемый временной ряд характерен тем, что в его составе присутствуют сезонные и циклические составляющие факторов, определяющих величины и профиль графика электропотребления. Следовательно временной ряд не является стационарным и не может быть преобразован к стационарному, т. Поэтому методы, разработанные для стационарных рядов, использованы быть не могут. Учитывая характер ряда, спектральный анализ также не дает приемлемых результатов [ 6]. Часто для решения задачи прогнозирования применяется аппарат множественной линейной регрессии. Это хорошо работает, если рассматриваемый процесс может быть описан линейной моделью. Однако, в нашем случае это не так. В то же время применение нелинейных регрессионных моделей проблематично. Для этого требуется явное задание характера нелинейности еще до проведения анализа, что является серьезным ограничением [].