Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем

• Автор: Глебов, Андрей Александрович
• Шифр специальности: 05.13.10
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Астрахань
• Количество страниц: 112 с. : ил.

Содержание
ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР МЕТОДОВ И ПРОГРАММНЫХ СРЕДСТВ ПО

ПРОГНОЗУ ЭЛЕКТРОПОТРЕБЛЕНИЯ

1.3. Классификация методов прогнозирования

1.2. Обзор методов прогнозирования временных рядов

1.2.1. Экстраполяционные методы прогнозирования.

1.2.2. Регрессионные методы.

1.2.3. Экспертные методы

1.2.4. Нейронные сети.

1.2.5. Мягкие вычисления. Гибридные системы.

1.3. Обзор моделей прогноза электропотребления
1.4. Обзор программных средств по прогнозу электропотребления
1.5. Выводы по первой главе.
ГЛАВА 2. МОДЕЛЬ КРАТКОСРОЧНОГО ПРОГНОЗА
ЭЛЕКТРОПОТРЕБЛЕНИЯ.
2.1 Адаптивная сеть нечеткого вывода АЫПБ
2.2. Программные средства реализации
2.3. Алгоритм отбора входных переменных.
2.4. Нормирование данных
2.5. Сглаживание данных.
2.6. Модель прогнозирования.
2.7. Синтез нейронечеткой модели типа Сугэно. Поиск оптимального вектора радиуса субтрактивной кластеризации
2.8. Выводы по второй главе.
ГЛАВА 3. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МОДЕЛИ
ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ АСТРАХАНСКОЙ
ОБЛАСТИ
3.1. Преимущества использования системы баз данных
3.2. Функциональная модель системы поддержки принятия решения при краткосрочных прогнозах электропотребления
3.3. Модель организации знаний системы поддержки принятия решений при краткосрочных прогнозах потребления электроэнергии
3.4. Информационнологическая модель системы поддержки принятия решений при краткосрочных прогнозах потребления электроэнергии
3.4.1. Семантическое моделирование
3.4.2. Выбор программного обеспечения для управления доступом к базе данных
3.4.3. Описание параметров входной информации.
3.4.4. Спецификация обработки информации
3.5. Выводы по третьей главе.
ГЛАВА 4. РЕЗУЛЬТАТЫ ОПЫТНОЙ ЭКСПЛУАТАЦИИ
АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ ПРИНЯТИЯ РЕШЕНИЙ ПРИ
КРАТКОСРОЧНЫХ ПРОГНОЗАХ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ.
4.1. Режимы работы автоматизированной СППР при краткосрочных прогнозах электропотребления
4.2. Тестирование автоматизированной системы поддержки принятия решения при краткосрочных прогнозах потребления.
4.3 Свидетельство об официальной регистрации программы для ЭВМ.
4.4 Акт внедрения программного обеспечения
4.5 Выводы по четвертой главе.
ОСНОВНЫЕ ВЫВОДЫ И ЗАКЛЮЧЕНИЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК ИСПОЛЬЗОВАННОЙ
ЛИТЕРАТУРЫ
ВВЕДЕНИЕ
Актуальность


Это программный комплекс «Энергостат» разработан в ВНИИ энергетики и рекомендован для внедрения в РДУ и программный комплекс «Прогноз БР», разработанный для обязательного внедрения в диспетчерские управления, в рамках реформирования рынка электроэнергии. Отсутствие необходимого объема статистики по электропотреблению в некоторых энергообъединениях, в том числе и в Астраханском РДУ, не позволяет использовать программу «Энергостат». Минимальный объем базы ретроспективной информации по электропотреблению составляет один год для ПО «Энергостат». Переход к рыночным отношениям в энергетике и образование новых субъектов рынка не позволяет использовать статистику, которая велась на бумажных носителях в энергообъединениях. Кроме этого стоимость данного продукта является высокой, что не позволяет апробировать ее на данных энергосистемы, а сравнение результатов прогноза с другими системами не имеет смысла, так как каждая энергосистема имеет свою специфику. Например, в Астраханской области потребление не превышает 0-0 мегаватт и состоит из потребления потребительского сектора, что делает процесс изменения нагрузки более непредсказуемым по сравнению с энергосистемами, где большую часть потребления составляет промышленный сектор. Таким образом, минимизация ошибок планирования, а так же создание такого программного обеспечения, которое позволит использовать малый объем ретроспективной информации является актуальной задачей. Анализ и классификация существующих автоматизированных систем поддержки принятия решения при краткосрочных прогнозах электропотребления, а так же существующих методов и моделей прогноза, применяемых для прогноза электропотребления. Разработка эффективной модели прогноза электропотребления. Проектирование с использованием методов системного анализа структуры базы данных, обеспечивающей реализацию эффективного хранения и использования данных телеметрии для прогноза электропотребления. Разработка алгоритмов формирования обучающих выборок для системы поддержки принятия решения при краткосрочных прогнозах. Создание комплекса программного обеспечения, реализующего автоматизацию следующих операций: запись данных с внешних источников информации, формирование обучающих выборок системы и прогноз электропотребления в реальном времени. Проверка адекватности разработанной модели и программного обеспечения. Методы исследования. Для решения поставленной задачи в работе были использованы методы математической статистики, обработки данных, регрессионного анализа, нейронных сетей, нечеткой логики, гибридных систем, теории баз данных, технологии построения реляционных баз данных. Научная новизна работы. Модель краткосрочного прогноза электропотребления, отличающаяся применением нейро-нечетких систем типа Сугэно, модифицированного алгоритма отбора входных переменных, алгоритмом поиска оптимального радиуса субтрактивной кластеризации, оптимальных методов предобработки данных, что позволило уменьшить погрешность прогноза на 5% в среднем за сутки. Модифицированный алгоритм динамического отбора входных переменных методом последовательного поиска вперед, отличающийся от традиционного выбором входных переменных на основе суммы среднеквадратичной ошибки на тренировочной и тестовой выборках. Это позволило исключить эксперта из анализа влияния независимых параметров на электропотребление и уменьшить общую погрешность прогноза на 2 % в среднем. На основе анализа алгоритмов синтеза базы нечетких правил ней-ро-нечеткой системы типа Сугэно впервые разработан и применен алгоритм поиска оптимального вектора радиуса субтрактивной кластеризации при синтезе базы нечетких правил нейро-нечеткой системы. Это позволило исключить участие эксперта при выборе значения вектора радиуса и автоматизировать процесс создания базы правил, а также уменьшить общую погрешность прогноза на 0,8% в среднем. Полученные оптимальные методы предобработки данных для ретроспективных показателей электропотребления Астраханской области, позволяющие уменьшить общую погрешность прогноза на 0,5% в среднем за сутки. Впервые разработанные концептуальная модель и структура базы данных для сбора и хранения ретроспективных данных электропотребления и данных прогноза.