Совершенствование прогнозирования электропотребления сельскохозяйственного предприятия нейросетевым методом

• Автор: Чувилкин, Александр Викторович
• Шифр специальности: 05.20.02
• Научная степень: Кандидатская
• Год защиты: 2011
• Место защиты: Мичуринск
• Количество страниц: 242 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1. МЕТОДЫ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ.

1.1 Сельскохозяйственное предприятие как потребитель электроэнергии.

1.2 Методы прогнозирования электропотребления

1.3 Динамическое моделирование электропотребления сельскохозяйственного предприятия

1.4 Задачи исследования

ГЛАВА 2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МИНИМИЗА1 ИИ ОШИБКИ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПРЕБЛЕНИЯ

СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ

2.1 Основы прогнозирования электропотребления нейросетевым методом.

2.2 Теоретический анализ ошибки прогнозирования электропотребления нейросетевым методом.
2.3 Снижение ошибки представления исходных данных по электропотреблению сельскохозяйственного предприятия
2.4 Методические основы прогнозирования электропотребления
сельскохозяйственного предприятия на базе нейросетевой модели
ГЛАВА 3. МЕТОДИКА, ОБОРУДОВАНИЕ И ПРИБОРЫ ДЛЯ ИССЛЕДОВАНИЯ ЭЛЕКТРЮТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ
3.1 Методика формирования базы данных Электропотребление предприятием агропромышленного комплекса
3.2 Приборы и оборудование, используемые для исследований
3.3 Методика выбора архитектуры нейросетевой модели электропотребления и е адаптации к условиям сельскохозяйственного производства.
3.4 Методика исследования влияния параметров и условий производства на электропотребление методом МонтеКарло.
3.5 Методика исследования ошибки прогнозирования электропотребления
нейросетевой моделью.
ГЛАВА 4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ И ИХ АНАЛИЗ.
4.1 Результаты исследований выбора архитектуры нейросетевой модели и е адаптации к параметрам и условиям сельскохозяйственного производства
4.2 Результаты исследования влияния на электропотребление параметров и условий производства.
4.3 Результаты исследования электропотребления методом МонтеКарло
4.4 Оценка ошибки прогнозирования электропотребления
4.5 Минимизация ошибки прогнозирования электропотребления.
ГЛАВА 5. ПРЕДЛОЖЕНИЯ 0 ИСПОЛЬЗОВАНИЮ НЕЙРОСЕТЕВОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ.
5.1 Методика прогнозирования электропотребления сельскохозяйственного предприятия.
5.2 Практическая реализация прогнозирования электропотребления сельскохозяйственного предприятия.
5.3 Экономическая эффективность прогнозирования электропотребления
сельскохозяйственного предприятия.
ОБЩИЕ ВЫВОДЫ
ЛИТЕРАТУРА


Составление прогноза методом экспертных оценок заключается в том, что экспертной группе ставится проблема, касающаяся определения оптимального расхода электропотребления сельскохозяйственными объектами, специализирующиеся на производстве определенною вида сельскохозяйственной продукции. Но мнения экспертов не всегда объективны. Изза утомляемости, усталости возникает вероятность появления ошибки результатов обработки, и как следствие увеличение ошибки прогнозирования. Кроме того, эксперт должен обладать необходимыми знаниями технологического процесса объекта производства, методов обработки статистической информации, иметь опыт составления прогнозов, что в сельском хозяйстве является редкостью. Составление прогнозов методами моделирования заключается в замещении изучаемого явления другим явлением, имеющим ту же или иную физическую природу, но более удобным для анализа. Под моделированием в этом случае понимается составление некоторой системы математических уравнений описывающих такие логические соотношения, которые могут помочь в изучении данного явления . Прогнозирование электропотребления моделью экстраполяции. Первым опытом прогнозирования электропотребления являлись модели с применением методов экстраполяции, основанные на подобии прогнозируемого графика электропотребления ряду графиков предыдущих дней , . В таких моделях прогноз, как правило, является простой функцией от наблюдений прогнозируемой величины в недалеком прошлом. Е1 1Е0, 1. Е1 прогноз. Однако данная модель не только не учитывает закономерности прогнозируемого процесса что в той или иной степени свойственно многим статистическим методам прогнозирования, но и не защищена от случайных изменений в данных, а также не отражает сезонные колебания и тренды. Е1 1 Е1 Е0 ЕО 1 1. Прогнозирование методом среднего и скользящего среднего. Е1 , т Е1 Е2 . Преимущество такого подхода по сравнению с простейшей моделью очевидно при усреднении сглаживаются резкие изменения и выбросы данных, что делает результаты прогноза более устойчивыми к изменчивости ряда. В прогнозе на основе среднего предполагается, что ряд усредняется по достаточно длительному интервалу времени. Однако, свежие наблюдения из прошлою лучше описывают прогноз, чем более старые значения того же ряда. Е чЕ1 Е2 Л ЕТ
При использовании данного метода модель видит только ближайшее прошлое и прогноз строится только на этих наблюдениях. Основанные на том же принципе, в работах Богданова В. Л. 4, Черненко П. А., Кузнецова Г. Г. 2 предложены методы краткосрочного прогнозирования расхода электрической энергии. Методы построены на определении последовательности значений часового активного потребления в будущем по известным значениям в прошлом. Качество прогнозов оценивается с помощью математического ожидания квадрата ошибки экстраполирования. Наилучшей считается та функция, для которой среднеквадратическое отклонение принимает наименьшее значение. При этом учитывается годовой тренд спад и подъем потребления весной и осенью, зависимость конфигурации графика нагрузки от дня недели. Годовой тренд определяется для каждого месяца сравнением потребления электроэнергии в текущем и прошлом году. Описанные выше модели используются при решении несложных задач прогнозирования на устоявшихся производствах, что в сельскохозяйственных условиях бывает довольно редко. Метод декомпозиции временного ряда. Одним из методов прогнозирования электропотребления является метод декомпозиции временного ряда, который заключается в определении факторов, влияющих на каждое значение временного ряда . Для этого выделяется каждая компонента временного ряда, вычисляется ее вклад в общую составляющую, а затем прогнозируются будущие значения временного ряда. В качестве примера на рис. Тамбовской области ФГУП учхоз племзавод Комсомолец. Рис. С течением времени электропотребление под действием различных параметров имеет колебания, хотя в целом может прослеживаться тенденция к увеличению или уменьшения расхода электроэнергии. Данную закономерность позволяет выявить тренд. На начальном этапе временной ряд электропотребления объекта логарифмируется с целью устранения нелинейности математического ожидания и дисперсии. Далее с помощью линейного метода наименьших квадратов вычисляется тренд рис. Ь1, 1. Ь коэффициенты. Рис. Б, Ес, 1. На рис.