Дипломы, курсовые, рефераты, контрольные...
Срочная помощь в учёбе

Информационно-методическое обеспечение прогнозирования часовых объемов электропотребления при выходе предприятия на оптовый рынок электрической энергии

Диссертация: Информационно-методическое обеспечение прогнозирования часовых объемов электропотребления при выходе предприятия на оптовый рынок электрической энергии
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Международной научно-технической конференции «Электроэнергия и будущее цивилизации» (г. Томск, 19−21 мая 2004 г.), XII Федеральной научно-технической конференции «Электрификация металлургических предприятий Сибири, прогнозирование параметров электропотребления и нормирования, реорганизация электроснабжения… Читать ещё >

Содержание

  • 1. ЭЛЕКТРООБЕСПЕЧЕНИЕ КРУПНЫХ ПРЕДПРИЯТИЙ ЧЕРНОЙ МЕТАЛЛУРГИИ В УСЛОВИЯХ РЕСТРУКТУРИЗАЦИИ ЭЛЕКТРОЭНЕРГЕТИКИ
    • 1. 1. Электрическое хозяйство металлургических предприятий как объект прогнозирования
    • 1. 2. Параметры промышленного электропотребления и возникновение задачи их прогнозирования
    • 1. 3. Современные методы прогнозирования и границы их применимости
    • 1. 4. Цели и задачи исследования
  • 2. СОВРЕМЕННЫЙ МАТЕМАТИЧЕСКИЙ АППАРАТ КРАТКОСРОЧНОГО И ОПЕРАТИВНОГО ПРОГНОЗИРОВАНИЯ РАСХОДА ЭЛЕКТРИЧЕСКОЙ ЭНЕРГИИ (МОЩНОСТИ)
    • 2. 1. Ценологические основы прогнозирования электропотребления предприятий
    • 2. 2. Основы нейросетевого прогнозирования с применением обучения методом обратного распространения ошибки
    • 2. 3. Методы построения нейросетевых моделей для целей краткосрочного прогнозирования электропотребления с учетом ценологичности объекта прогнозирования
    • 2. 4. Особенности анализа временных рядов
  • 3. РАЗРАБОТКА МЕТОДИКИ РАБОТЫ НА ОСНОВЕ ПРЕДЛАГАЕМОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ И УПРАВЛЕНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЕМ ПРЕДПРИЯТИЯ
    • 3. 1. Формализация перечня исходных данных для почасового прогнозирования электропотребления на сутки вперед
    • 3. 2. Анализ прогнозных данных и обоснование применимости выбранного метода прогнозирования
    • 3. 3. Структура предлагаемой системы прогнозирования электропотребления металлургического предприятия
    • 3. 4. Определение зависимости точности прогнозирования от параметров используемой модели
  • 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРЕДСКАЗАНИЯ (ПРОГНОЗИРОВАНИЯ) И ОПЕРАТИВНОГО УПРАВЛЕНИЯ НАГРУЗКОЙ
    • 4. 1. Выбор и адаптация программного пакета для целей прогнозирования с учетом выбранной методики
    • 4. 2. Практическая реализация системы прогнозирования электропотребления промышленного предприятия
    • 4. 3. Устойчивость и методы достижения требуемой точности почасового прогнозирования на сутки вперед
    • 4. 4. Рекомендации по использованию адаптированных программных средств в условиях промышленного предприятия

Информационно-методическое обеспечение прогнозирования часовых объемов электропотребления при выходе предприятия на оптовый рынок электрической энергии (реферат, курсовая, диплом, контрольная)

Актуальность работы. В последние годы в связи с производимыми реформами произошло многократное увеличение стоимости топливно-энергетических ресурсов (ТЭР). По данным Росстата [62] из всех естественных монополий лишь рост тарифов на электроэнергию превысил средний показатель по промышленности, при этом цены на электроэнергию в период с 1993 по 2004 г выросли в 677 раз. Для крупных металлургических предприятий до 11% в себестоимости продукции составляет электрическая энергия [34]. Под давлением рынка потребители (промышленные предприятия) начинают осознавать, что им необходимо минимизировать затраты на электроэнергию.

С 2001 г. происходит реформирование электроэнергетики [54], сопровождающееся изменениями правил заказа электрической энергии. В 2003 г. с принятием законов [66, 67] был образован оптовый рынок электрической энергии и начали работать сектора свободной торговли оптового рынка электроэнергии в Европейской части России и Урала. В 2005 г. к торговой системе оптового рынка присоединились участники Сибирской ценовой зоны. С 1 сентября 2006 г. начал работу новый оптовый рынок энергии и мощности (ОРЭ) с измененными правилами работы. При этом участники, потребление которых Федеральной службой по тарифам России включено в сводный прогнозный баланс производства и поставок электрической энергии (мощности) на оптовом рынке, и для которых установлены соответствующие тарифы (покупатели в бывшем регулируемом секторе, а также новые участники оптового рынка, включаемые в пилотные проекты по заключению долгосрочных регулируемых договоров), покупают весь объем своего потребления на ОРЭ.

Для крупных промышленных предприятий одним из основных путей для снижения затрат на покупку электрической энергии в ситуации реформирования электроэнергетики является выход на ОРЭ. Это позволяет значительно снизить стоимость потребленной энергии, так как стоимость электроэнергии, получаемой промышленным предприятием с ОРЭ, будет существенно ниже стоимости электроэнергии, получаемой от гарантирующего поставщика (региональной энергосистемы).

Однако данный путь снижения затрат на электрическую энергию требует от предприятия выполнения условий, необходимых для доступа и полноценной работы на ОРЭ. Для большинства предприятий с многономенклатурным производством основным ограничением является проблема прогнозирования потребления электрической энергии по часам на сутки вперед. Очевидно, что составление грамотных почасовых заявок будет невозможным без использования методик прогнозирования, отражающих внутренние свойства предприятия, как объекта прогнозирования.

Вследствие этого прогнозирование потребления электрической энергии в настоящее время является одной из основных областей исследования в области электроснабжения промышленных предприятий.

Тема прогнозирования электрической нагрузки не нова. Первые публикации по методам прогнозирования электрической нагрузки появились на рубеже десятых-двадцатых годов прошлого века [4]. В настоящее время предъявляются все более высокие требования к показателям качества прогнозных расчетов (точности, достоверности, информативности, степени автоматизации, быстродействию и т. п.) [42], диктуемые требованиями изменяющихся рыночных условий. Однако большинство публикаций в этой области касается не предприятий, а энергосистемы, что не позволяет использовать напрямую, в силу различия свойств объектов прогнозирования, эти методы на промышленных предприятиях. После реформирования электроэнергетики стало уже невозможно использовать старые методы, хорошо работавшие в стабильной экономической ситуации. В настоящее время происходит увеличение влияния на выпуск продукции высшего менеджмента предприятия, что делает потребление еще более неравномерным. Кроме того, долгое время преобладал подход, утверждавший, что потребление электрической энергии предприятием следует не прогнозировать, а планировать, что приводило к недооценке необходимости прогнозирования потребления энергии промышленными предприятиями, неизменно отличающегося от плановых показателей.

Однако реформирование электроэнергетики привело к изменению правил расчета с поставщиком электрической энергии, что потребовало изменения целей и задач прогнозирования. Выход на оптовый рынок электрической энергии предполагает для каждого предприятия, являющегося участником ОРЭ в регулируемом секторе и секторе свободной торговли, составление планового диспетчерского графика объемов почасового потребления на каждые сутки и подачу администратору торговой системы (АТС) ежедневных почасовых заявок «на сутки вперед». При этом отклонение от заявленного почасового потребления может приводить к существенному увеличению цены на электроэнергию, т.к. объемы электроэнергии, равные разнице заказанной на рынке на сутки вперед и фактически потребленной, оплачиваются по ценам балансирующего рынка (БР), что ужесточает требования к точности прогнозирования нагрузок. В случае подачи ошибочных заявок все выгоды от участия в ОРЭ могут быть утрачены, т.к. складывающаяся на БР цена электроэнергии в большинстве случаев значительно превышает цены на РСВ.

Диссертационная работа посвящена разработке методов прогнозирования электропотребления крупных промышленных предприятий с учетом новых ограничений, накладываемых рыночными отношениями в сфере электроэнергетики. Изучено влияние погодных параметров на фактическое электропотребление комбината в целом, а также обоснована возможность ценологической коррекции прогнозов электропотребления, получаемых нейросетевыми методами.

Целью диссертационной работы является разработка методики, позволяющей производить почасовое прогнозирование электропотребления крупного металлургического предприятия для каждого часа операционных суток при закупке электроэнергии на оптовом рынке электроэнергии с учетом временного технологического ряда электропотребления.

В соответствии с целью решен ряд поставленных задач:

1) создана информационная база ретроспективных данных по электропотреблению крупных металлургических предприятий и значениям температуры окружающего воздуха с учетом типа дня и номера рассматриваемого временного интервала в сутках;

2) проведен анализ степени влияния погодных условий и типа дня на точность прогнозирования потребления электрической энергии;

3) выбран и адаптирован прогностический аппарат для обеспечения необходимой точности и устойчивости прогноза;

4) произведен анализ потребления электрической энергии с привлечением методов математической статистики, нейросетевого моделирования и общей ценологии с построением математических моделей потребления в зависимости от влияющих факторов;

5) определена степень репрезентативности данных, традиционно применяемых для прогнозирования электропотребления, и доказана несостоятельность прогнозирования на их основе;

6) доказана возможность увеличения точности прогноза электропотребления предприятия при введении плановых значений загрузки цехов с учетом ценологичности предприятия;

7) даны рекомендации по внедрению методики прогнозирования электропотребления на крупных металлургических предприятиях.

Методы исследования определялись поставленными задачами. Для их решения использовались вероятностно-статистические методы анализа, ценологические и нейросетевые методы прогнозирования. Теоретические исследования сопровождались разработкой математических моделей, реализованных в виде программных средств. При выполнении работы использованы научные труды российских и зарубежных специалистов, материалы научно-технических конференций и семинаров.

Обоснованность и достоверность научных положений, выводов и рекомендаций обеспечивается математической постановкой задачи, анализом накопленных статистических данных, хорошей сходимостью теоретических расчетов с эмпирическими данными, а также корректным использованием методов исследования.

Научная новизна работы заключается в следующем:

1. Формализованы исходные данные, необходимые для прогнозирования часовых объемов электропотребления крупного промышленного предприятия с учетом возможности их сбора в условиях реально работающего производства, определена необходимая степень их полноты и точности.

2. Разработана методика исследования электропотребления предприятия с использованием нейросетевого моделирования для цели краткосрочного прогнозирования электропотребления.

3. Обосновано применение нейросетевых методов для прогнозирования почасового потребления электрической энергии, а также необходимость их коррекции для обеспечения более высокой точности прогнозирования.

4. Обоснована необходимость применения для прогнозирования электропотребления металлургических предприятий плановых значений загрузки основных цехов, выбираемых с учетом ценологических свойств предприятия в целом.

5. Разработаны методы прогноза электропотребления на базе выделенных влияющих параметров.

6. Адаптированы программные продукты, предназначенные для прогнозирования электропотребления в условиях действующего предприятия с требуемым набором характеристик.

Практическая ценность работы заключается в создании программного комплекса прогнозирования электропотребления металлургических заводов для целей выхода предприятия на оптовый рынок электрической энергии. Разработанные методы позволяют определять перспективные объемы электропотребления предприятия для заключения договоров с энергоснабжающей организацией, повышения эффективности использования энергоресурсов и экономии средств предприятия. Защищаемые положения позволяют проводить прогнозирование электропотребления крупного металлургического предприятия, а также оценить наиболее привлекательный для предприятия сектор рынка. Разработанные принципы прогнозирования могут использоваться для различных металлургических предприятий.

Реализация работы. Результаты диссертационной работы использованы для прогнозирования электропотребления Нижнетагильского металлургического комбината и Западно-Сибирского металлургического комбината.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Международной научно-технической конференции «Электроэнергия и будущее цивилизации» (г. Томск, 19−21 мая 2004 г.), XII Федеральной научно-технической конференции «Электрификация металлургических предприятий Сибири, прогнозирование параметров электропотребления и нормирования, реорганизация электроснабжения и ремонта» (г. Новокузнецк, 6−7 октября 2004 г.), XII Международной научно-технической конференции студентов и аспирантов «Радиоэлектроника электротехника и энергетика» (г. Москва, 2−3 марта 2006 г.), на научных семинарах кафедры «Электроснабжение промышленных предприятий» ИЭТ МЭИ (ТУ) в 2004;2007 гг.

Публикации. По теме диссертации опубликовано семь печатных работ [18,22,39, 45,46,47, 48].

Структура и объем работы. Диссертационная работа изложена на 133 страницах машинописного текста, содержит 34 рисунка и 3 таблицы. Работа состоит из введения, четырех глав, заключения и 4 приложений. Библиографический список использованной литературы включает 106 наименования работ отечественных и зарубежных авторов.

Основные результаты работы заключаются в следующих положениях:

1. Выделена группа методов прогнозирования, способная обеспечить необходимую точность прогнозов часовых значений электропотребления при прогнозировании на 48 часов вперед с учетом свойств металлургического комбината как объекта прогнозирования.

2. Обоснован состав исходных данных, требуемых для обеспечения устойчивого прогнозирования.

3. Разработана и обоснована методика, позволяющая добиться невыхода предприятия по потребляемой мощности за заявленные значения часовых объемов электропотребления с применением краткосрочного и оперативного прогнозирования при введении коррекции в технологический процесс на выделенных по ценологическому принципу цехах предприятия.

4. Обоснована величина требуемой погрешности краткосрочных прогнозов при использовании предложенного совместного использования краткосрочного и скользящего оперативного прогнозирования.

5. Разработана методика краткосрочного прогнозирования электропотребления предприятия с использованием нейросетевого моделирования.

6. Разработан комплекс алгоритмов и программных продуктов, предназначенный для прогнозирования электропотребления в условиях действующего предприятия.

ЗАКЛЮЧЕНИЕ

.

Показать весь текст

Список литературы

  1. В.А. Основы проектирования металлургических заводов. Монографическое издание / В. А. Авдеев, В. М. Друян, Б. И. Кудрин. М.: Интермет Инжиниринг, 2002. — 464 с.
  2. В.И. О представлении непрерывных функций нескольких переменных в виде суперпозиции функций меньшего числа переменных / В.И. Арнольд//Мат. просвещение. 1957. -№ 19. -С.41 -61.
  3. Дж. Анализ временных рядов. Прогноз и управление. В 2 томах / Дж. Бокс, Г. Дженкинс. М.: Мир, 1974. — 608 с.
  4. Д.В. Сравнительные модели прогнозирования электрической нагрузки.: Пер. с англ. / Д. В. Бэнн., Е. Д. Фармер. М.: Энергоатомиздат, 1987.- 200 с.
  5. Н. Кибернетика, или управление и связь в животном и машине. 2-е издание / Н. Винер. — М.: Наука- Главная редакция изданий для зарубежных стран, 1983.-344 с.
  6. С.Д. Электрические нагрузки промышленных предприятий / С. Д. Волобринский, Г. М. Каялов, П. Н. Клейн и др. Л.: Энергия, 1971. -264 с.
  7. В.И. Оптимальное построение техноценозов. Теория и практика/ В. И. Гнатюк Выпуск 9. Ценологические исследования. — М.: Центр системных исследований, 1999.-272 с.
  8. А. Н. Миркес Е.М. Логически прозрачные нейронные сети для производства знаний из данных / ВИНИТИ Красноярск, 1997. — 12 с. деп. в ВИНИТИ 17.07.97- № 2434-В97.
  9. А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей / А. Н. Горбань // Сибирский журнал вычислительной математики. РАН. Сиб. Отд. Новосибирск, 1998. -т. 1, № 1,-С. 11−24.
  10. А.Н. Обучение нейронных сетей. М.: изд. СССР-США СП «ParaGraph», 1990.- 160 с.
  11. А.Н. Функции многих переменных и нейронные сети / А. Н. Горбань // Соросовский образовательный журнал. № 12. — 1998. — С. 105 -112.
  12. , А.Н. Информационная емкость тензорных сетей. 4 Всероссийский рабочий семинар «Нейроинформатика и ее приложения», 5 -7 октября 1996 г., Тезисы докладов / А. Н. Горбань, Е. М. Миркес. -Красноярск: изд. КГТУ, 1996, С. 22−23.
  13. Д. Ю. Методы анализа и прогнозирования в системе управления субъектом экономики / Д. Ю. Городилин. Режим доступа: http://www.seun.ru/oldsea/Win/Joumal/j2003lr/Ekonomy/Gorodilin2.doc. -свободный. — Загл. с экрана.
  14. Дьяконов В.П. MATLAB 6.5 SP1/7 + Simulink 5/6Т. Основы применения / В. П. Дьяконов М.: Изд-во «СОЛОН-Пресс», 2005. — 800 с.
  15. В.П. Математические пакеты расширения MATLAB. Специальный справочник / В. П. Дьяконов, В. В. Круглов СПб.: Питер, 2001. -480 е.: ил.
  16. А.А. Нейрокомпьютинг и его применения в экономике и бизнесе (серия «Учебники экономико-аналитического института МИФИ» под ред. проф. В.В. Харитонова) / А. А. Ежов, С. А. Шумский. М.: МИФИ, 1998. -222 с.
  17. JT.А. Основы нового подхода к анализу сложных систем и процессов принятия решений. В кн. «Математика сегодня» / Л. А. Заде. М.: Знание, 1974.-С.5−49.
  18. Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений: Пер. с англ. Математики. Вып. 3 / Л. А. Заде. -М.: Мир, 1976.- 168 с.
  19. А.С., Мозгалин А. В. Использование баз данных при эксплуатации СЭС / А. С. Исаев, А. В. Мозгалин // Труды НИ РХТУ им. Д. И. Менделеева. Вып. № 2 (9) Новомосковск: Изд-во НИ РХТУ, 2004. -С. 86- 90.
  20. Е.С. Исследование и совершенствование режимов электропотребления металлургических производств (на примере предприятий Южного Кузбасса): дис. канд. техн. наук.: 05.09.03 / Катайцева Елена Степановна. Новокузнецк., 2002. — 165 с.
  21. М.Дж. Временные ряды / М. Дж. Кендалл. М.: Финансы и статистика, 1981, 199 с.
  22. М.Дж. Многомерный статистический анализ и временные ряды / М. Дж. Кендалл, М. Стьюарт М.: Наука, 1976.
  23. А.Н. О представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного / А. Н. Колмогоров // Докл. АН СССР. 1957. — T. l 11. -№ 5. — С. 953−966.
  24. Л.А. Нормирование и прогнозирование электропотребления в зависимости от объемов производства / Л. А. Копцев // Промышленная энергетика. 1996. -№ 3. — С. 5 — 17.
  25. В.А. Представлние исходных данных в задачах нейросетевого прогнозирования / В. А. Крисилов, К.В. Чумичкин- А. В. Кондратюк // Нейроинформатика-2003. Часть 1. -С. 184- 191.
  26. В.В. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. 2-е изд., стереотип. — М.: Горячая линия — Телеком, 2002.-382 с.
  27. В.В. Нечеткая логика и искусственные нейронные сети / В. В. Круглов, М. И. Дли, Р. Ю Голунов. М.: Физматлит, 2001. — 224 с.
  28. Кудрин Б. И Ценологическое определение параметров электропотребления многономенклатурных производств / Б. И. Кудрин, Б. В. Жилин, О. Е. Лагуткин, М. Г. Ошурков. Тула: Приокское книжное изд-во, 1994.- 122 с.
  29. .И. Введение в технетику / Б. И. Кудрин Томск: Изд-во Томск, гос. ун-та, 1991.-384 с.
  30. .И. Реструктуризация черной металлургии и план ГОЭЛРО / Б. И. Кудрин // Промышленная энергетика. 2000. — № 12. — С. 8 — 15.
  31. .И. Электроснабжение промышленных предприятий / Б. И. Кудрин. М: Энергоатомиздат, 1995. — 416 с.
  32. .И. Электроснабжение промышленных предприятий: Учебник для студентов высших учебных заведений / Б. И. Кудрин. М: Интермет Инжиниринг, 2005. — 672 с.
  33. .И. Электроэнергетика черной металлургии (передовая статья) / Б. И. Кудрин // Сталь, 1979, № 10. С. 730−734.
  34. В.Г. Управление в электроэнергетике с использованием методов искусственного интеллекта / В. Г. Курбацкий, Н. В. Томин // Электрика, 2005, № 9. С. 20 — 28.
  35. О.Е., Мозгалин А. В. Анализ временного ряда Тулачермет / О. Е. Лагуткин, А. В. Мозгалин // Пятая науч.-техн. конф. молодых ученых, аспирантов и студентов: Тез. докл. Новомосковск: Изд-во НИ РХТУ. -2003.-С. 51−52.
  36. Г. Г. Современные проблемы нелинейной динамики. Изд. 2-е, исправл. и доп. / Г. Г. Малинецкий, А. Б. Потапов. М.: Едиториал УРСС, 2002.-360 с.
  37. Н.А. Информационные технологии и совершенствование оперативного управления региональными ЭЭС / Н. А Манов, М. В. Хохлов, Г. П. Шумилова, М. И. Успенский, Ю. Я. Чукреев, И. В. Кызродев // Екатеринбург: УрО РАН, 2002. С. 6 — 42.
  38. Н.А. Новые информационные технологии в задачах оперативного управления электроэнергетическими системами / Н. А. Манов, Ю. Я. Чукреев, М. И. Успенский и др. Екатеринбург: УрО РАН, 2002. — С. 127−156.
  39. М.А. Современные методы анализа и прогнозирования режимов электропотребления в электроэнергетических системах / М. А. Меламед // Итоги науки и техники. Серия Энергетические системы и их автоматизация. 1988,. Т.4. С.4−111.
  40. Е.М. Нейроинформатика: Учеб. пособие для студентов / Е. М. Миркес. Красноярск: ИПЦ КГТУ, 2002, 347 с.
  41. А.В. Использование нейросетевого подхода для краткосрочного прогнозирования параметров электропотребления // Электрификация металлургических предприятий Сибири. Вып. 13 М: Технетика, 2007. — С. 73 — 75.
  42. А.В. Место нейросетевых методов в прогнозировании электропотребления промышленных предприятий / А. В. Мозгалин, С.В.
  43. Жичкин // Электрификация металлургических предприятий Сибири. Вып. 12- Томск: Изд-во Том. ун-та, 2005. С. 115−118.
  44. А.В., Кудрин Б. И. Методика обеспечения почасового прогнозирования электропотребления предприятий с учетом погодных факторов // Вестник МЭИ. 2007. — № 2. — С. 45 — 47.
  45. Нейрокомпьютер. Проект стандарта / Е. М. Миркес Новосибирск: Наука, Сибирская издательская фирма РАН, 1998. — 188 с.
  46. Г. В. Энергосбережение и управление энергопотреблением в металлургическом производстве / Г. В. Никифоров, В. К. Олейников, Б. И. Заславец. М.: Энергоатомиздат, 2003. — 479 с.
  47. В.П. Эконометрика. Введение в регрессионный анализ временных рядов / В. П. Носко. М: 2002. — Режим доступа: www.iet.ru/mipt/2/text/curseconometrics.htm. — свободный. — Загл. с экрана.
  48. А.И. Прикладная статистика. Учебник. / А. И. Орлов. М.: Издательство «Экзамен», 2004. — 656 с.
  49. С. Нейронные сети для обработки информации.: Пер. с польского И. Д. Рудинского / С. Осовский. М.: Финансы и статистика, 2004. -344 с.
  50. Правительство Российской Федерации. Постановление от 11 июля 2001 г. N 526 «О реформировании электроэнергетики Российской Федерации»
  51. Производственный календарь. Режим доступа: http://www.garant.ru/financier/buhpravo.htm. свободный. — Заглавие с экрана.- Язык русский.
  52. Рабочая книга по прогнозированию / Редкол.: И.В. Бестужев-Лада (отв. ред.). М.: Мысль, 1982. — 430 с.
  53. Ф. Принципы нейродинамики (Перцептроны и теория механизмов мозга) / Ф. Розенблатт. М.: Энергия, 1965. — 480 с.
  54. М.Ю. Погрешности в нейронных сетях / М. Ю. Сенашова, А. Н. Горбань, В.Л.Дунин-Барковский, А. Н. Кирдин, Е. М. Миркес и др.// Нейроинформатика. Новосибирск: Наука. — 1998.
  55. Сервер «Погода России» Архив погоды. Режим доступа: http://meteo. infospace. ru/wcarch/html/rseladmin. sht? country=176. -свободный. — Заглавие с экрана. — Язык русский.
  56. Статистика: учебное пособие / Л. П. Харченко, В. Г Долженкова, В. Г. Ионин и др.- под ред. канд. экон. наук В. Г. Ионина. Изд. 2-е, перераб. и доп. — М.: ИНФРА-М, 2002. — 384 с.
  57. Темпы роста цен на продукцию основных отраслей экономики в 1994 -2004 гг. Промышленный еженедельник. -2005. -№ 11(107)
  58. Теория статистики: Учебник / Под ред. проф. Г. Л. Громыко. 2-е изд., перераб. и доп. — М: ИНФРА-М, 2006. — 476с. — (Классический университетский учебник).
  59. Ю.Н. Анализ данных на компьютере / Ю. Н. Тюрин, А.А. Макаров- Под ред. В. Э. Фигурнова. 3-е изд., перераб. и доп. — М.: ИНФРА-М, 2003. -544 е., ил.
  60. Ф. Нейрокомпыотерная техника: теория и практика / Ф. Уоссерман. М.: Мир, 1992.
  61. Федеральный закон «Об электроэнергетике»: Официальный текст. М.: «НЦ ЭНАС», 2003.-64 с.
  62. В.В. Ценологическое влияние на электропотребление предприятия. Вып. 10. «Ценологические исследования» / В. В. Фуфаев. -Абакан: Центр системных исследований, 1999. 124 с.
  63. В.В. Основы теории динамики структуры техноценозов / В. В. Фуфаев // Математическое описание ценозов и закономерности технетики. Вып. 1. Ценологические исследования. Абакан: Центр системных исследований, 1996.-С. 156−193.
  64. В.В., Лагуткин О. Е., Матюнина Ю. В. Прогнозирование электропотребления и оценка энергосбережения по критериям Н-распределения // Промышленная энергетика. 1996. — № 9. — С. 28 — 32.
  65. С.П. Экспертные системы. Конспект лекций. Режим доступа: http://firm.trade.spb.ru/serp/maines.htm. свободный. — Заглавие с экрана. -Язык русский.
  66. С. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. / С. Хайкин. М.: Издательский дом «Вильяме», 2006. — 1104 е.: ил. — Парал. тит. англ.
  67. В.Г. Оптимизация предобработки данных для обучаемой нейросети. Критерии оптимальности предобработки / В. Г. Царегородцев // Материалы Международной конференции по нейрокибернетике Ростов-на-Дону, Т 2. С. 64 — 66.
  68. М.В. Организация краткосрочного прогнозирования параметров электропотребления крупного промышленного предприятия: дис. канд. техн. наук.: 05.09.03: защищена 23.05.03: утв. 15.07.04 / Янюшкин Максим Владимирович. М., 2004. — 136 с.
  69. Ярушкина Н. Г Нечеткие нейронные сети / Н. Г. Ярушкина // Новости искусственного интеллекта. № 2 — 3 01. — М.: МЭИ (ТУ), кафедра прикладной информатики, 2001.-С. 47−51.
  70. Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. М.: Финансы и статистика, 2004. — 320 с.
  71. Charytoniuk W. Nonparametric Regression Based Short-Term Load Forecasting / W. Charytoniuk, M.S. Chen, and P. Van Olinda // IEEE Transactions on Power Systems, Vol. 13, 1998. Pp. 725 — 730.
  72. Cho M.Y. Customer Short-Term Load Forecasting by using ARIMA Transfer Function Model / M.Y. Cho, J.C. Hwang, and C.S. Chen // Proceedings of the International Conference on Energy Management and Power Delivery, Vol. 1, 1995.-Pp. 317−322.
  73. Elman J.L. Finding structure in time / Elman J.L. Cognitive Sci. 14, 1990. -Pp. 179−211.
  74. Engle R.F. Modeling Peak Electricity Demand / R.F. Engle, С Mustafa, and J. Rice// Journal of Forecasting, 11, 1992.-Pp. 241−251.
  75. Fan J.Y. A Real-Time Implementation of Short-Term Load Forecasting for Distribution Power Systems / J.Y. Fan and J.D. McDonald // IEEE Transactions on Power Systems, Vol. 9, 1994. Pp. 988 — 994.
  76. Gross G. Short term load forecasting / Gross G. and Galiana F.D. // Proc. IEEE, Vol.75, № 12, 1987.-Pp. 1558−1573.
  77. Hagiwara M. Theoretical derivation of momentum term in back-propagation / M. Hagiwara // International Joint Conference of Neural Networks vol. 1. -Baltimore, 1992. Pp. 682 — 686.
  78. Haida T. Regression Based Peak Load Forecasting using a Transformation Technique / T. Haida and S. Muto // IEEE Transactions on Power Systems, Vol. 9, 1994.-Pp. 1788−1794.
  79. Haykin S. Neural networks, a comprehensive foundation / S. Haykin. N.Y.: Macmillan College Pablishing Company, 1994.
  80. Ho K.L. Short-Term Load Forecasting of Taiwan Power System using a Knowledge Based Expert System / K.L. Ho, Y.Y. Hsu, F.F. Chen, Т.Е. Lee, C.C. Liang, T.S. Lai, and K.K. Chen // IEEE Transactions on Power Systems, Vol. 5, 1990.-Pp. 1214−1221.
  81. Hyde O. An Adaptable Automated Procedure for Short-Term Electricity Load Forecasting / O. Hyde and P.F. Hodnett // IEEE Transactions on Power Systems, Vol. 12, 1997-Pp. 84−93.
  82. Koskela T. Time Series Prediction with Multilayer Perceptron, FIR and Elman Neural Networks / M. Lehtokangas, J. Saarinen and K. Kaski // Proc. of the World Congress on Neural Networks, 1996. INNS Press, San Diego, USA, Pp. 491— 496.
  83. Kosko B. Fuzzy systems as universal approximators / B. Kosko // IEEE Transactions on Computers, vol. 43, No. 11, November 1994. Pp. 1329−1333.
  84. Li L. A Fuzzy Elman Neural Network / Ling Li, Zhidong Deng, and Bo Zhang. Режим доступа: http://citeseer.ist.psu.edu/479 449.html. свободный. — Заглавие с экрана. — Язык английский.
  85. Lilliefors H.W. On the Kolmogorov-Smirnov test for normality with mean and variance unknown / H.W. Lilliefors // Journal of the American Statistical Association. 1967. — Vol.64. — Pp. 399 — 402.
  86. Mc Culloch W.S. A logical calculus the ideas imminent in nervous activity / W.S. Mc Culloch, W. Pitts // Bull. Mathematical Biophysics. 1943. — Vol.5. -Pp.115−133.
  87. Miranda V. Fuzzy Inference in Spatial Load Fore-casting / V. Miranda and C. Monteiro Proceedings of IEEE Power Engineering Winter Meeting, 2:1063−1068, 2000.
  88. Osowski S. Sieci neuronowe w ujeciu algorytmicznym / S. Osowski. -Warszawa: WNT, 1996.
  89. Peng M. Advancement in the Application of Neural Networks for Short-Term Load Forecasting / M. Peng, N.F. Hubele, and G.G. Karady // IEEE Transactions on Power Systems, Vol. 7. 1992. — Pp. 250−257.
  90. Rahman S. An Expert System Based Algorithm For Short Term Load Forecast / S. Rahman and R. Bhatnagar // IEEE Transactions on Power Systems, Vol. 3, No. 2, May 1988.-Pp. 392−399.
  91. Rahman S. Load Forecasting for Multiple Sites: Development of an Expert System Based Technique / S. Rahman and O. Hazim // Electric Power Systems Research, Vol. 39,1996. Pp. 161 — 169.
  92. Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain // Psychological Review. 1958. — Vol.65. -Pp. 386 -408.
  93. Rumelhart D.E. Learning Internal Representation by Error Propagation / D.E. Rumelhart, G.E. Hinton, R.J. Williams // Parallel Distributed Processing: Exploration in Microstructure of Cognition. V. l Cambridge (MA) MIT Press, 1986. — Pp. 318−362.
  94. Ruzic S. Weather Sensitive Method for Short-Term Load Forecasting in Electric Power Utility of Serbia / S. Ruzic, A. Vuckovic, and N. Nikolic // IEEE Transactions on Power Systems, 18, 2003. Pp. 1581 — 1586
  95. Skarman S.E. Short-Term Electrical Load Forecasting using a Fuzzy ARTMAP Neural Network / S.E. Skarman S.E. and M. Georgiopoulous M. // Applications and Science of Computational Intelligence, Proc. SPIE Vol. 3390, 1998, pp. 181−191.
  96. Takens F. Detecting strange attractors in turbulence / F. Takens // Lect. Notes in Math. Berlin: Springer. Vol. 898, 1981. — Pp. 336−381.
  97. Wang D.L. On temporal generalization of simple recurrent networks / D.L. Wang, X.M. Liu and S.C. Ahalt // Neural Networks 9, 1996. Pp. 1099−1118.
  98. Zadeh L.A. Fuzzy Sets / L.A. Zadeh // Information and Control, № 8, 1965. -Pp. 338−353.
Заполнить форму текущей работой

Заказал и сдал!