Электронная библиотека Веда
Цели библиотеки
Скачать бесплатно
Доставка литературы
Доставка диссертаций
Размещение литературы
Контактные данные
Я ищу:
Библиотечный каталог российских и украинских диссертаций

Вы находитесь:
Диссертационные работы России
Технические науки
Электрические станции, сети и системы

Диссертационная работа:

Родыгина Светлана Викторовна. Краткосрочное прогнозирование электрической нагрузки промышленных предприятий с применением интеллектуальных информационных технологий : диссертация ... кандидата технических наук : 05.14.02 / Родыгина Светлана Викторовна; [Место защиты: Новосиб. гос. акад. вод. трансп.].- Новосибирск, 2010.- 185 с.: ил. РГБ ОД, 61 10-5/1860

смотреть содержание
смотреть введение
Содержание к работе:

ВВЕДЕНИЕ 5

ГЛАВА 1 ЗАДАЧИ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ НА СОВРЕМЕННОМ ЭТАПЕ РАЗВИТИЯ ЭЛЕКТРОЭНЕРГЕТИКИ 12

1.1 Задача учёта и контроля электрической энергии 12

1.2 Статистические исследования электрических нагрузок 27

1.3 Повышение эффективности прогноза за счёт внедрения интеллектуальных информационных технологий для решения задачи прогнозирования 29

1.4 Актуальность задачи прогнозирования в условиях рынка электрической энергии 36

1.5 Выводы 43

ГЛАВА 2 МОДЕЛИ И МЕТОДЫ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ 44

2.1 Постановка задачи прогнозирования 44

2.2 Цели использования и особенности реализации методов прогнозирования 45

2.3 Обзор традиционных методов прогнозирования 55

2.4 Методы обучения нейронных сетей и анализ нейросетевого прогнозирования 65

2.5 Выбор нейросетевого алгоритма для решения задачи краткосрочного прогнозирования электрической нагрузки 83

2.6 Выводы 87

ГЛАВА 3 ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВОГО АЛГОРИТМА ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ 89

3.1 Постановка задачи прогнозирования 89

3.2 Анализ развития промышленных предприятий 91

3.3 Предлагаемая методология прогнозирования электрической нагрузки с помощью интеллектуальных информационных технологий 98

3.4 Описание нейросетевого алгоритма прогнозирования электрической нагрузки 103

3.5 Практическая реализация задачи прогнозирования электрической нагрузки 107

3.6 Выводы 124

ГЛАВА 4 МОДЕЛЬ АВТОРЕГРЕССИИ И ПРОИНТЕГРИРОВАННОГО СКОЛЬЗЯЩЕГО СРЕДНЕГО ДЛЯ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ 126

4.1 Постановка задачи 126

4.2 Построение модели авторегрессии и проинтегрированного скользящего среднего при краткосрочном прогнозировании нагрузки 127

4.3 Модель ARIMA для машиностроительного завода 132

4.4 Модель ARIMA для газонефтеперерабатывающего завода 141

4.5 Сравнительный анализ и обсуждение результатов расчёта 145

4.6 Выводы 146

ГЛАВА 5 СРАВНЕНИЕ ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВЫХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРИЧЕСКОЙ НАГРУЗКИ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ 148

5.1 Постановка задачи 14 8

5.2 Сравнительный анализ алгоритмов обучения многослойных персептронов 149

5.3 Определение минимально достаточного периода предистории для задачи краткосрочного прогнозирования 162

5.4 Краткосрочное прогнозирование электрической нагрузки с учётом изменяющейся топологии электрической сети 164

5.5 Выводы 166

ЗАКЛЮЧЕНИЕ 169

БИБЛИОГРАФИЧЕСКИЙ СПИСОК ИСПОЛЬЗОВАННОЙ

ЛИТЕРАТУРЫ 171

ПРИЛОЖЕНИЕ 183 

Введение к работе:

Актуальность темы

Одной из основных частей любого проекта электроснабжения промышленных предприятий является определение ожидаемых электрических нагрузок. Именно нагрузки определяют необходимые технические характеристики элементов электрических сетей - сечения и марки проводников и токопроводов, мощности и типы трансформаторов. Преувеличение ожидаемых нагрузок приводит к перерасходу проводов и кабелей и неоправданному омертвлению средств, вложенных в избыточную стоимость мощность трансформаторов, преуменьшение - к излишним потерям в сетях, перегреву проводников и трансформаторов, повышенному тепловому износу и. сокращению нормального срока их «жизни».

В обоих случаях приведённые затраты, которые являются критерием экономичности принимаемых проектных решений, а также себестоимости передачи электроэнергии возрастают. Точное определение электрических нагрузок обеспечивает правильный выбор и экономичную работу средств компенсации реактивной мощности и устройств регулирования напряжения, а также релейной защиты и автоматики.

Проблемам изучения закономерностей и изменения электрической нагрузки во времени, прогнозированию электрических нагрузок в процессе планирования электрическими режимами электроэнергетических систем (ЭЭС) посвящено большое количество работ. Большой вклад в изучение этих вопросов внесли Д.А. Арзамасцев, А.А. Бесчинский, А.З. Гамм, П.И. Головкин, Ю.М. Коган, И.Н. Колосок, Б.И. Кудрин, В.З. Ману сов, A.M. Меламед, Л. А. Мелентьев, А.С. Некрасов, В.Ф. Тимченко, С.А. Совалов, Т.А. Филиппова, Г.П. Шумилова, D. Neubor, R. L. King и др.

Прогнозирование нагрузки относится к такому классу задач, где зависимость между входными и выходными переменными сложна, а нахождение закономерностей в больших объёмах данных требует нетривиальных алгоритмов и занимает много времени. На настоящий момент спектр методик прогнозирования достаточно широк. Однако сегодня все большее распространение получают интеллектуальные информационные технологии (ИИТ), связанные с использованием искусственных нейронных сетей (ИНС).

Нейронные сети являются перспективной альтернативой традиционным методам решения нелинейных задач прогнозирования временных рядов (ВР). Эффективность применения нейросетевых алгоритмов для решения задач прогнозирования обусловлено следующими причинами: реализации простой, но достаточно эффективной схемы вычислений; возможности применения, как при непрерывном, так и при дискретном характере переменных.

Применение ИНС обусловлено тем, что нейронные сети позволяют воспроизводить чрезвычайно сложные зависимости, которые сопутствуют плохо формализованным задачам. А также предпочтение их традиционным моделям обусловлено тем, что не требуется построения модели объекта, не теряется работоспособность при неполной входной информации.

По сравнению с линейными методами статистики (линейная регрессия, авторегрессия, линейный дискриминант) нейронные сети позволяют эффективно строить нелинейные зависимости, более точно описывающие наборы данных.

Наиболее ценное свойство нейронных сетей - способность обучаться на множестве примеров в тех случаях, когда неизвестны закономерности зависимостей между входными и выходными данными.

Прогнозирование режимных параметров и технико-экономических показателей является одной из-важных задач, как при планировании, так и при ведении текущих режимов ЭЭС. Создание условий для свободной конкуренции на оптовом рынке электроэнергии является частью комплекса мероприятий, проводимых в рамках реформирования отрасли, и направлено на выработку нового механизма образования цен на электрическую энергию, отражающего баланс интересов производителей и потребителей электроэнергии. Цена ошибок прогнозирования и планирования становится всё более высокой. Оценочные расчеты, проводимые для энергообъединения России с уровнем месячного потребления около 1500 млн. кВт-ч, показали, что улучшение качества прогнозирования только месячного потребления на 0,1% способно в настоящих условиях снизить затраты на оплату отклонений от плана по поставкам электроэнергии на 3-5 млн. рублей в год. Еще больший эффект приносит уточнение краткосрочного и оперативного прогноза графиков потребления мощности.

График нагрузки каждого предприятия формируется под влиянием большого количества различных факторов, полный учёт которых невозможен вследствие техноценологических свойств предприятия. Кроме того, всегда существуют отклонения от запланированного режима ведения технологического процесса, что заставляет руководствоваться не только планированием, но и прогнозированием электропотребления предприятия.

В условиях современного энергорынка для крупных предприятий, важное значение, имеет создание системы прогнозирования почасового потребления электрической энергии в операционные сутки, позволяющей минимизировать отклонения потребляемой от заявленной на рынке на сутки вперед мощности. Разработанные ранее методы прогнозирования были ориентированы на стационарные условия развития экономических процессов.

Таким образом, актуальным является совершенствование методов анализа и прогнозирования электрической мощности на основе искусственных нейронных сетей, а так же минимизация ошибки прогнозирования при использовании небольшого объема ретроспективной информации.

Цель и задачи работы

Целью диссертационной работы является разработка моделей расчёта краткосрочного (до двух суток вперед) прогнозирования электрической нагрузки предприятий различных отраслей промышленности с применением искусственных нейронных сетей, а так же оценка возможности применения методов искусственных нейронных сетей для снижения погрешности планирования технико-экономических показателей в условиях современного энергорынка. На основе методов искусственного интеллекта возможно предсказание более точного значения переменных, важных в процессе принятия решений. Эти методы анализируют ретроспективные исторические данные о переменной с целью оценить ее будущее изменение.

Для достижения поставленной цели решены следующие задачи исследования:

- создана информационная база ретроспективных данных электрической нагрузки двух промышленных предприятий различных по потребляемой мощности, по значениям температуры окружающего воздуха региона с учётом типа дня и номера рассматриваемого временного интервала в сутках;

- проведен анализ степени влияния погодных условий и типа дня на точность краткосрочного прогнозирования электрической нагрузки;

- выбраны и адаптированы прогностические аппараты традиционного вероятностно-статистического метода прогнозирования и методов ИНС для обеспечения необходимой точности и устойчивости прогноза;

- разработаны математические модели краткосрочного прогнозирования электрической нагрузки, основанные на нейросетевом анализе с учётом зависимости электрической нагрузки от ряда факторов;

- показана эффективность применения нейронных сетей на уменьшение ошибки прогноза электрической нагрузки с учётом выхода на оптовый рынок;

- выполнен сравнительный анализ методов нейросетевых алгоритмов и математической статистики при решении задач прогнозирования электрической нагрузки для необходимости постоянного поддержания электрического баланса - точного соответствия генерирующих мощностей уровню потребления. Методы исследований

При решении поставленных задач были использованы теоретически обоснованные методы математического моделирования и прогнозирования временных рядов, теория искусственных нейронных сетей, математические пакеты STATISTIC А и STATISTIC A Neural Networks.

Научная новизна

Научная новизна работы заключается в том, что впервые:

1 Разработана структура базы данных электрической нагрузки для использования нейросетевого моделирования при краткосрочном прогнозировании нагрузки промышленных предприятий и обоснован необходимый минимум периода предистории по часовым и суточным расходам мощности.

2 Дано обоснование применения определенного класса интеллектуальных информационных технологий в виде нейросетевых методов для прогнозирования краткосрочного потребления электрической нагрузки, отличающихся различными компонентами исходной информации, такими как электрическая нагрузка (P(t)), температура (7), рабочие и праздничные (выходные) дни (D) и учёт изменяющейся топологии электрической сети, для обеспечения более высокой точности прогнозирования.

3 Выявлен значимый параметр модели авторегрессии и проинтегрированного скользящего среднего, влияющий на величину ошибки краткосрочного прогнозирования электрической нагрузки.

4 Разработаны и исследованы нейросетевые модели различной архитектуры, функций активации и алгоритмов обучения искусственных нейронных сетей, позволяющие улучшить качество прогноза за счёт снижения ошибки краткосрочного прогнозирования электрической нагрузки промышленных предприятий.

Достоверность результатов

Достоверность полученных результатов и выводов подтверждается сопоставлением результатов анализа и прогнозирования электрической нагрузки с традиционным методом, к которому относится модель авторегрессии и проинтегрированного скользящего среднего и достаточно хорошим совпадением с реальными данными.

Практическая значимость

Выполненный анализ, а также разработанные модели исследования электрической нагрузки предприятия с использованием неиросетевых моделей для цели краткосрочного прогнозирования нагрузки промышленных предприятий могут использоваться в городских электрических сетях, проектных и исследовательских организациях.

Предложенные модели нейросетевого прогноза являются более эффективными при прогнозе параметров электропотребления по сравнению с моделью авторегрессии и проинтегрированного скользящего среднего.

Исследовано влияние погодных условий, типа дня и учёт изменяющейся топологии электрической сети на точность краткосрочного прогнозирования электрической нагрузки.

На защиту выносится следующие положения:

1 Основные принципы формирования ретроспективных данных почасового и суточного электропотребления в форме временных рядов вместе с атрибутами, влияющими на качество прогноза.

2 Обоснование использования неиросетевых моделей в форме многослойного персептрона, включая выбор оптимальной архитектуры нейронной сети, функции активации и метода обучения. 

3 Методика прогнозирования основанная на модели авторегрессии и проинтегрированного скользящего среднего с выявлением более значимого параметра.

4 Результаты прогнозирования максимумов электрической нагрузки предприятия и суточных графиков для трёх сменных и односменных технологических производств.

5 Результаты влияния изменения топологии электрической сети на качество прогнозирования электрической нагрузки. Апробация работы

Основные положения и научные результаты диссертационной работы докладывались и обсуждались на региональной научной конференции «Наука, техника, инновации НТИ-2002» (Новосибирск, 2002); научной студенческой конференции «Дни науки НГТУ-2003» (Новосибирск, 2003); на девятой международной научно-практической конференции «Современные техника и технологии» (Томск, 2003); международной научно-технической конференции «Электроэнергетика, электротехнические системы и комплексы» (Томск, 2003); на 10-ой, 11-ой, 13-ой всероссийской научно-технической конференции «Энергетика: Экология, надёжность, безопасность» (Томск, 2004, 2005, 2007); на второй всероссийской научно-технической конференции «Энергосистема: управление, качество, конкуренция» (Екатеринбург, 2004); всероссийской научной конференции «Наука, технологии, инновации НТИ-2006» (Новосибирск, 2006); всероссийской научно-технической конференции «Электроэнергия: от получения и распределения до эффективного использования» (Томск, 2006, 2008).

Публикации

Основное содержание диссертации опубликовано в четырнадцати печатных работах, в том числе в одной статье периодического издания по перечню ВАК.

Структура и объем работы

Диссертация состоит из введения, 5 глав, заключения, списка литературы и приложения. Общий объём 185 страниц текста. Основной материал изложен на 170 страницах текста, иллюстрирован 62 рисунками, содержит 32 таблицы. Список литературы включает 98 наименований. 


© Научная электронная библиотека «Веда», 2003-2013.
info@lib.ua-ru.net