авторефераты диссертаций БЕСПЛАТНАЯ  БИБЛИОТЕКА

АВТОРЕФЕРАТЫ КАНДИДАТСКИХ, ДОКТОРСКИХ ДИССЕРТАЦИЙ

<< ГЛАВНАЯ
АГРОИНЖЕНЕРИЯ
АСТРОНОМИЯ
БЕЗОПАСНОСТЬ
БИОЛОГИЯ
ЗЕМЛЯ
ИНФОРМАТИКА
ИСКУССТВОВЕДЕНИЕ
ИСТОРИЯ
КУЛЬТУРОЛОГИЯ
МАШИНОСТРОЕНИЕ
МЕДИЦИНА
МЕТАЛЛУРГИЯ
МЕХАНИКА
ПЕДАГОГИКА
ПОЛИТИКА
ПРИБОРОСТРОЕНИЕ
ПРОДОВОЛЬСТВИЕ
ПСИХОЛОГИЯ
РАДИОТЕХНИКА
СЕЛЬСКОЕ ХОЗЯЙСТВО
СОЦИОЛОГИЯ
СТРОИТЕЛЬСТВО
ТЕХНИЧЕСКИЕ НАУКИ
ТРАНСПОРТ
ФАРМАЦЕВТИКА
ФИЗИКА
ФИЗИОЛОГИЯ
ФИЛОЛОГИЯ
ФИЛОСОФИЯ
ХИМИЯ
ЭКОНОМИКА
ЭЛЕКТРОТЕХНИКА
ЭНЕРГЕТИКА
ЮРИСПРУДЕНЦИЯ
ЯЗЫКОЗНАНИЕ
РАЗНОЕ
КОНТАКТЫ

Построение моделей долгосрочного прогноза потребления электроэнергии и мощности промышленными предприятиями

На правах рукописи

ПОЛИТОВ ЕВГЕНИЙ АЛЕКСАНДРОВИЧ ПОСТРОЕНИЕ МОДЕЛЕЙ ДОЛГОСРОЧНОГО ПРОГНОЗА ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ И МОЩНОСТИ ПРОМЫШЛЕННЫМИ ПРЕДПРИЯТИЯМИ Специальность 05.09.03 – Электротехнические комплексы и системы

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Кемерово – 2012 2

Работа выполнена в Федеральном государственном бюджетном образовательном учреждении высшего профессионального образования «Кузбасский государственный технический университет имени Т.Ф. Горбачева» Научный руководитель — кандидат технических наук, старший научный сотрудник Ефременко Владимир Михайлович

Официальные оппоненты:

доктор технических наук, профессор Пугачев Емельян Васильевич кандидат технических наук, доцент Нестеровский Александр Владими­ рович

Ведущая организация: Кемеровское ОАО «Азот»

Защита диссертации состоится 26 апреля 2012 г. в 12 часов на заседании диссертационного совета Д 212.102.01 в Федеральном государственном бюд­ жетном образовательном учреждении высшего профессионального обра­ зования «Кузбасский государственный технический университет имени Т.Ф. Горбачева» по адресу:

650026, г. Кемерово, ул. Весенняя, 28.

Факс: (3842) 36-16-

С диссертацией можно ознакомиться в библиотеке Федерального государ­ ственного бюджетного образовательного учреждения высшего профессио­ нального образования «Кузбасский государственный технический универ­ ситет имени Т.Ф. Горбачева».

Автореферат разослан « » 2012 г.

Ученый секретарь диссертационного совета А. Г. Захарова

Общая характеристика работы

В условиях рыночной экономики, при суще­ Актуальность работы.

ствовании сложной системы взаимоотношений в сфере производства, распре­ деления и потребления электрической энергии, моделирование и прогнозиро­ вание потребления электроэнергии и мощности становится сложной задачей как на краткосрочном, так и на долгосрочном периоде, когда на первый план выходит влияние переменных рыночных факторов.

Прогнозирование потребления электроэнергии и мощности отдельными участниками оптового рынка электроэнергии и мощности важно не только для всей энергосистемы в целом, но и для отдельного предприятия, и даже для его цехов и участков. Формирование универсального аппарата модели­ рования и прогнозирования электропотребления и мощности для различных уровней иерархии промышленных предприятий позволило бы сократить рас­ ходы на оплату электроэнергии при покупке ее на оптовом и розничном рынках электроэнергии и мощности, качественно определить влияние раз­ личных технологических условий и факторов производства на электропотреб­ ление или мощность нагрузки, выбрать наиболее эффективные стратегии энергосбережения и направление мероприятий по экономии электрической энергии.

При решении задачи прогнозирования необходимо учитывать значи­ тельное число факторов, влияющих на изменение электропотребления пред­ приятий. Следует учитывать изменение выработки продукции под воздей­ ствием экономических условий, влияние плана ремонтов оборудования, зави­ симость от метеорологических и прочих факторов.

Многообразие влияющих факторов, сложность прогноза самих этих фак­ торов не позволяют однозначно определить оптимальный метод прогнозиро­ вания для решения данной задачи.

Целью работы является повышение точности долгосрочного прогноза электроэнергии и мощности промышленных предприятий путем построения многофакторных моделей потребления электрической энергии и мощности промышленными предприятиями, учитывающих структуру технологических процессов предприятий.

Идея работы состоит в представлении системы электроснабжения про­ мышленного предприятия в виде совокупности прогнозных моделей, относя­ щихся к разным производственным процессам.

Задачи исследований:

1. Проанализировать действующие автоматизированные системы дол­ госрочного прогнозирования электропотребления, выявить применяемые методы прогнозирования, ключевые особенности, достоинства и недостатки.

2. Разработать методику построения модели прогноза потребления элек­ трической энергии и мощности промышленным предприятием, реализовать расчеты по методике в виде соответствующего программного обеспечения, проверить методику на примере выбранного предприятия.

3. Разработать методику формирования обучающего множества данных для прогнозной модели, которая бы позволила учесть нестандартные режимы работы технологического и электрического оборудования промышленного предприятия.

4. Установить влияние разделения модели на части для отдельного про­ гнозирования параметров, определяющих электропотребление технологиче­ ских процессов предприятия, и прогнозирования параметров, определяющих потребление промышленного предприятия на санитарно-технические нужды (освещение, вентиляция, вспомогательные нужды).

5. Произвести анализ влияния способа построения внутренней струк­ туры прогнозной модели, состава входных параметров модели, величины шага прогноза и размера обучающего множества на точность долгосрочного прогноза электропотребления.

6. Разработать и опробовать метод определения удельного расхода электроэнергии для производства каждого вида учитываемой продукции с помощью построенной модели прогноза.

Основные научные положения, выносимые на защиту:





1. Разработанная математическая модель, основывающаяся на искус­ ственной нейронной сети, параметры которой настраиваются с помощью алго­ ритмов генетического отбора, и использующая информацию о существующих технологических связей между производственными процессами для постро­ ения своей внутренней структуры, позволяет повысить точность долгосроч­ ного прогноза потребления электроэнергии и мощности промышленным пред­ приятием.

2. Применение предложенного алгоритма формирования обучающего множества данных, учитывающего различные режимы работы систем элек­ троснабжения промышленных предприятий, позволяет повысить точность долгосрочного прогноза потребления электроэнергии и мощности на период ремонтов электрического и технологического оборудования.

3. Модель долгосрочного прогноза электропотребления промышленного предприятия на основе искусственных нейронных сетей, использующая в составе входных параметров объемы производства продукции, позволяет определить удельный расход электроэнергии на выработку продукции без необходимости прямых замеров потребления электроэнергии каждым техно­ логическим процессом предприятия.

4. Установленные зависимости точности прогноза от построения внут­ ренней структуры модели, состава входных и выходных параметров, вели­ чины шага прогноза и размера обучающего множества позволяют определить параметры прогнозной модели для требуемой точности прогноза.

Научная новизна работы заключается в следующем:

— разработана методика построения долгосрочного прогноза потреб­ ления электрической энергии и мощности промышленным предприятием на основе аппарата искусственных нейронных сетей, отличающаяся: использова­ нием информации о действующей технологии производства для построения своей внутренней структуры;

раздельным прогнозированием параметров, определяющих электропотребление технологических процессов предприятия, и параметров, определяющих потребление промышленного предприятия на санитарно-технические нужды;

— разработан алгоритм формирования обучающего множества данных, учитывающий различные режимы работы систем электроснабжения промыш­ ленных предприятий, и позволяющий повысить точность прогнозирования моделью периодов ремонта электрического и технологического оборудования;

— разработан алгоритм определения удельного расхода электроэнергии на выработку продукции в условиях недостаточности данных, отличающийся отсутствием необходимости прямых замеров потребления электроэнергии каждым технологическим процессом предприятия;

— впервые установлена зависимость точности долгосрочного прогноза электропотребления промышленного предприятия от построения внутренней структуры прогнозной модели, от величины шага прогноза и размера обуча­ ющего множества.

Методы исследования. Исследования проводились на основании теории математического моделирования, теории системного анализа, теории корреляционно-регрессионного анализа, теории искусственных нейронных сетей, теории генетических алгоритмов отбора и нечеткой логики, теории компьютерного моделирования и обработки данных.

Достоверность научных положений и выводов подтверждается экспериментальной проверкой разработанной методики создания прогнозной модели для долгосрочного прогноза потребления электроэнергии и мощности путем создания прогнозных моделей для предприятий химической, нефтепе­ рерабатывающей, угледобывающей отрасли и цветной металлургии.

Для построения моделей использовались выходные данные систем ком­ мерческого учета электроэнергии предприятий и данные об объемах выпуска продукции.

Практическая значимость состоит в том, что полученные в работе результаты могут быть использованы:

— при планировании потребления электроэнергии и мощности предприя­ тием либо его цехами в зависимости от производственных, метеорологических и прочих факторов;

— при разработке прогнозных моделей электропотребления для любых типов промышленных предприятий на долгосрочный период и средне­ срочный период;

— при определении удельных расходов электроэнергии на выработку продукции в условиях недостаточности данных, без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом;

— при разработке мероприятий, направленных на снижение финансовых издержек предприятия по оплате потребляемой электроэнергии и мощности на оптовом и розничном рынках.

Реализация результатов работы. На основе предложенных в работе методов составления модели прогноза электропотребления разработана модель долгосрочного прогноза электропотребления ОАО «Азот», принятая в Управлении главного энергетика предприятия в качестве дополнения к существующим методам долгосрочного прогнозирования электропотреб­ ления.

Апробация работы. Основные положения диссертации докладыва­ лись на следующих конференциях: всероссийская научно-техническая кон­ ференция «Современные пути развития машиностроения и автотранспорта Кузбасса», 2007 г.;

VII международная научно-практическая конференция «Современные энергетические системы и комплексы и управление ими», г. Новочеркасск, 2007 г.;

Разработки молодых специалистов в области элек­ троэнергетики 2008: III научно-техническая конференция ОАО «НТЦ элек­ троэнергетики», г. Москва, 22-26 сентября 2008 г.;

молодежная программа «Russia Power 2011» «Инвестирование в будущее», г. Москва, 29 марта 2011 г.

Публикации. Материалы диссертации опубликованы в 11 печатных работах в соавторстве с другими авторами, из них 4 статьи в рекомендуемых ВАК изданиях, 3 статьи в сборниках трудов конференций.

Личный вклад автора. Автором выполнен анализ существуюших систем построения долгосрочных прогнозов потребления электроэнергии и мощности, разработана методика построения модели долгосрочного прогноза потребления электрической энергии и мощности, разработана методика фор­ мирования обучающего множества данных для прогнозной модели, прове­ дены сбор и обработка исходных данных, разработан алгоритм определения удельного расхода электроэнергии на выработку продукции, установлена вза­ имосвязь между параметрами прогнозной модели и требуемой точностью про­ гноза.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения и списка литературы. Работа изло­ жена на 147 страницах текста, содержит 55 рисунков, 26 таблиц, список лите­ ратуры включает 113 наименований.

Основное содержание работы

обоснована актуальность темы диссертационной работы, Во введении сформулированы цель и задачи исследования, отмечены научная новизна, представлены основные положения, выносимые на защиту, определена прак­ тическая ценность результатов работы.

В первой главе рассматриваются основные проблемы, связанные с про­ гнозированием потребления электрической энергии и мощности промышлен­ ными предприятиями. Описаны особенности формирования финансовых обя­ зательств потребителей на оптовом рынке электроэнергии и мощности. При­ ведены результаты исследования существующих убытков при оплате мощ­ ности и электроэнергии промышленными предприятиями, связанных с ошиб­ ками прогнозирования.

Убытки предприятий, вызванные неточностью прогнозирования, возни­ кают как на краткосрочных периодах, что связано с работой механизмов «рынок на сутки вперед» (РСВ) и «балансирующего рынка» (БР), так и на долгосрочных, на рынке мощности. Анализ переплаты за электроэнергию и мощность, проведенный для одного из крупных промышленных предприятий Кузбасского региона, показал, что неточность прогнозирования в 1 % обхо­ дится для предприятия в 25 тыс. руб. в месяц при оплате за потребленную электроэнергию и 67 тыс. руб. в месяц при оплате за мощность.

Прогнозирование электропотребления важно не только для всего пред­ приятия в целом, но и даже для его цехов и участков. Формирование универ­ сального аппарата моделирования и прогнозирования электропотребления и мощности для различных уровней иерархии промышленных предприятий позволило бы сократить расходы на оплату электроэнергии при покупке её на оптовом и розничном рынках электроэнергии и мощности, качественно определить влияние различных технологических условий и факторов произ­ водства на электропотребление или мощность нагрузки, выбрать наиболее эффективные стратегии энергосбережения и направление мероприятий по экономии электрической энергии.

Во второй главе рассмотрены существующие методы прогнозирования электропотребления, приведена их классификация, проанализированы суще­ ствующие системы составления прогнозов электропотребления.

Становление и развитие методов прогнозирования электропотребления связано с работами таких ученых, как Бартоломей П.И., Бердин А.С., Бэнн Д.В., Вагин В.П., Веников В.А., Гордеев В.И., Карпов В.В., Кудрин Б.И., Куренный Э.Г., Макоклюев Б.И., Меламед A.M., Надтока И.И., Рабинович М.А., Седов А.В., Тимченко В.Ф., Фармер Е.Д., Фокин Ю.А., Черныш Е.А. и других. Вопросы прогнозирования электропотребления прорабатываются в Научно-исследовательском институте электроэнерге­ тики (ВНИИЭ), Московском энергетическом институте, Институте систем энергетики им. Л.А. Мелентьева, Томском политехническом университете, Сибирском федеральном университете.

В настоящее время получили наиболее широкое распространение такие методы прогнозирования электропотребления, как: экстраполяционные методы, эконометрические и регрессионные методы, методы Бокса-Джен­ кинса (ARIMA, ARMA), экспертные методы, искусственные нейронные сети (ИНС), гибридные вычисления. На их основе построены различные программные комплексы: «Энергостат», «Прогноз электропотребления», Программное обеспечение ООО НПП «ВНИКО», программный комплекс «Модель оптимального управления электропотреблением техноценоза», система «Энерго–Прогноз», «ПРЭС».

Для долгосрочного прогнозирования электропотребления и мощности автором был выбран метод построения ИНС, совместно с использованием генетических алгоритмов (ГА) для точной настройки параметров ИНС.

В третьей главе приведена методика построения модели прогноза потребления электрической энергии и мощности промышленным предприя­ тием. Выбраны методы формирования состава входных и выходных пара­ метров модели, обучающего и проверочного множеств, выбраны способы верификации модели.

Выбор входных параметров модели в первую очередь определяется тре­ буемой глубиной и шагом прогноза. При краткосрочном прогнозировании тре­ буется учитывать такие параметры, как номер часа, температура атмосфер­ ного воздуха, тип рабочего дня. При долгосрочном прогнозировании одна из особенностей заключается в том, что на длительный период времени — на год вперед и дальше — неизвестны многие параметры, влияющие на электро­ потребление.

Из всех параметров, влияющих на электропотребление промышленного предприятия были выделены параметры, которые возможно использовать при построении долгосрочной прогнозной модели электропотребления:

1. Объемы выпуска продукции,, где прод, прод — множество всей выпускаемой предприятием продукции, в том числе и промежуточная продукция, используемая для получения другой продукции.

2. Температура атмосферного воздуха,.

3. Продолжительность светового дня,, напрямую влияет на расход электроэнергии для нужд освещения предприятия.

4. Параметры, характеризующие изменение электропотребления во вре­ мени. Таким параметрами, в зависимости от шага прогноза, могут являться:

номер месяца, мес ;

номер дня недели, день ;

номер часа, час ;

тип дня, :

рабочий день, выходной день, праздничный день.

5. Электропотребление предприятия за предыдущий период, 1.

6. Электропотребление за аналогичный прошедший период, пред.

7. Число рабочих часов за период времени, соответствующий шагу про­ гноза, раб.

Для предварительной оценки степени влияния выбранных параметров на величину электропотребления прогнозируемого объекта использован метод корреляционного анализа.

В большинстве случаев при разработке прогнозных моделей электро­ потребления обучающее множество данных формируется на основе непре­ рывного ряда последних на момент составления прогноза значений. Однако при таком подходе возможны случаи, когда обучающее множество входных данных не полностью охватывает прогнозируемое. Тем самым на прогнозиру­ емом отрезке времени будут присутствовать такие сочетания входных пара­ метров, на которых модель не смогла обучиться, и точность прогноза резко падает.

Напрямую это относится к ремонтам электрического и технологического оборудования. Во время проведения ремонтов снижается выпуск продукции, изменяются параметры работы машин и агрегатов. Для того, чтобы спро­ гнозировать поведение модели в подобный период, требуется дополнительно обучить модель на множестве данных, по совокупности входных параметров близкому к прогнозируемому.

Для формирования обучающего множества предлагается использовать следующий алгоритм:

1. Привести все входные параметры {П1, П2,..., ПП } каждого элемента архив множества всех доступных параметров архива архив, и каждого эле­ мента прогн множества параметров на интервале прогноза прогн, к диапазону [1;

1].

2. Добавить в обучающее множество обуч определенное количество (окно ) последних элементов из архив. окно устанавливается эксперимен­ тальным путем индивидуально для каждой прогнозной модели.

3. Для каждого элемента прогн, прогн ищутся элементы архив, архив, находящиеся не дальше некоторого расстояния от прогн,. Искомое расстояние вычисляется как евклидово расстояние между двумя точками в П -мерном пространстве:

П (Пархив, Ппрогн, )2, = где Пархив, — значение -го параметра элемента архив, ;

Ппрогн, — значение -го параметра элемента прогн,.

Найденные элементы добавляются в обуч при условии, что они не были туда добавлены ранее.

4. Для каждого прогн, количество подходящих элементов из обуч должно быть не менее двух. При их отсутствии увеличивается, и поиск производится повторно. Если повторный поиск не дал результатов, то это свидетельствует о ранее не встречавшемся режиме работы предприятия, и требует ручного вмешательства оператора, производящего прогноз.

Предложенный алгоритм дополняет обучающее множество примерами, облегчающими обучение модели под конкретные условия на периоде про­ гноза, что позволяет учитывать нестандартные режимы работы технологи­ ческого и электрического оборудования предприятия.

В четвертой главе рассмотрены особенности построения внутренней структуры прогнозных моделей. Для построения внутренней структуры про­ гнозной модели выбран метод ИНС, а из всех разновидностей ИНС — мно­ гослойная сеть прямого распространения, или многослойный персептрон.

Дополнительно обосновано применение обратных связей внутри сети для большей адаптивности модели.

Для точного определения количества скрытых слоев, и количества ней­ ронов в каждом скрытом слое предлагается использовать ГА.

Известно, что ИНС обеспечивает наилучшие результаты работы в том случае, когда количество весов сети минимально, и в то же время доста­ точно для обобщения сетью всех предъявляемых для обучения образцов.

Обычные модели прогноза электропотребления на основе ИНС представляют предприятие одним большим полносвязным персептроном, в то время как промышленные предприятия могут состоять из десятков различных цехов, выпускающих различные виды продукции. Исходя из этого, структуру внут­ ренних связей нейронов следует настроить так, чтоб отдельные группы ней­ ронов отражали собой отдельные цеха производства. Тогда входные ней­ роны сети будут иметь не полный набор связей с первым скрытым слоем, а усеченный, согласно параметрам, влияющим на электропотребление того или иного цеха. Выходы моделей одних подразделений связываются с вхо­ дами моделей других подразделений, согласно структуре их технологических связей. При таком подходе влияние характера работы одного подразделения на характер работы другого учитывается в комплексе, так как выход модели связан со всеми ее входными параметрами.

Пример структуры прогнозной модели для промышленного предпри­ ятия, состоящего из трех подразделений, два из которых имеют свои точки учета, приведен на рисунке 1.

Связи 13 и 23 характеризуют влияние результатов работы подразде­ лений 1 и 2 на работу подразделения 3, а связи 14, 24 и 34 характеризуют затраты электроэнергии при выполнении этих процессов.

Были выделены основные способы организации ИНС для прогнозной модели электропотребления:

Рисунок 1 – Пример прогнозной модели с разделением по точкам учета 1. Персептрон с одним выходом. Прогнозируется электропотребление всех цехов предприятия одной величиной, при этом цеха представлены единым многослойным персептроном.

2. Персептрон с несколькими выходами. Величина электропотребления каждого из цехов представлена отдельным выходом сети, при этом все цеха также представлены единым персептроном.

3. Отдельный персептрон на каждый цех. Цеха представлены отдель­ ными персептронами, никак не связанными между собой.

4. Иерархическая структура ИНС. Цеха представлены отдельными пер­ септронами, связанными между собой согласно технологии производства.

Эти дополнительные связи характеризуют влияние объемов производства продукции одного цеха на выработку другого.

В зависимости от того, учитывается ли план выработки продукции, и применяются ли рекуррентные (обратные) связи, можно построить моделей с различной структурой связей.

В пятой главе производится проверка предлагаемой методики состав­ ления прогнозной модели для нескольких цехов кемеровского предприятия химической промышленности ОАО «Азот»:

1. Цех газового сырья (№2).

2. Цех аммиака 1 (№7).

3. Цех аммиака 2 (№8).

4. Цех аммиачной селитры (№11).

5. Цех азотной кислоты (№12).

6. Цех производства карбамида (№10).

На этапе выбора входных данных были построены диаграммы, пока­ зывающие связь коэффициентов линейной корреляции входных параметров модели с выходными для каждого цеха предприятия. В результате ана­ лиза полученных результатов был сделан вывод, что величины электропо­ требления технологических процессов предприятия (CO2, ам1, ам2, сел, азк, крбм ) имеют качественно разные коэффициенты корреляции по отно­ шению к наборам входных параметров, чем величины электропотребления на санитарно-технические нужды (сан ). Самая сильная корреляционная связь наблюдается по отношению к объемам производства продукции ( ), и коли­ честву рабочих часов за принятый шаг исходной выборки данных (раб ). В то же время, электропотребление на санитарно-технические нужды больше зависит от внешних условий — продолжительности светового дня (), тем­ пературы окружающего воздуха ( ), и от предшествующего режима работы предприятия (1 ).

Таким образом, следует разделить части прогнозной модели, отвеча­ ющие за прогнозирование технологического и санитарно-технического элек­ тропотребления, каждая под-модель будет иметь свой набор входных и выходных параметров. При этом уменьшается суммарное количество связей внутри модели и исключается заведомо малозначимое влияние определенных входных параметров на выходные, что, в итоге, приводит к увеличению точ­ ности прогнозирования.

Для проверки был произведен расчет по модели 8 и модели м8а, отли­ чающейся раздельным прогнозированием электропотребления на технологи­ ческие и санитарно-технические нужды. По некоторым цехам ошибка значи­ тельно уменьшилась, по некоторым — не изменилась. В целом точность про­ гнозирования электропотребления предприятия сум повысилась на 1,1 %, с 5,3 % до 4,2 %.

Согласно предложенной методике были разработаны и проверены 16 раз­ личных прогнозных моделей для целей долгосрочного прогнозирования элек­ тропотребления, от самых простых, состоящих из простейшего персептрона, до сложных (рисунок 2).

Результаты расчета среднеабсолютной ошибки прогноза (MAPE) све­ дены в таблицу 1.

Результаты вычислений показывают следующее:

1. Точность прогноза в большой степени зависит от сложности расчетной модели. С постепенным усложнением внутренней структуры модели точ­ ность прогноза возрастала, но только тогда, когда имелись дополнительные входные параметры, способные обеспечить полноценное обучение.

2. Использование обратной связи делает сеть более восприимчивой к самым последним изменениям прогнозируемой величины, но применение Wco Ц № W ан 5 н й оно к ы ом ло C2- Ц №10 Wк м 5 н й оно Wам1 W ан к ы ом ло Ц №7 W ан C7- 5 н й оно к ы ом ло Wам2 C7- Ц №8 C8- W ан 6 н й оно к ы ом ло C8-11 Ц №11 Wc л 4 н й она Wазк W ан Ц №12 к ы ом ло W 4 н й она ан C12- к ы ом ло Рисунок 2 – Структура по модели Таблица 1 – Сравнение моделей долгосрочного прогноза электропотребления Строение Простая Обратная План План произв.

сети сеть связь производства и обр. связь Персептрон 6,8 % 5,2 % 5,6 % 5,5 % с одним выходом Персептрон с 7,8 % 4,6 % 4,3 % 5,3 % несколькими выходами Персептрон 8,1 % 7,6 % 3,1 % 3,1 % на каждый цех Иерархическая 8,0 % 8,3 % 2,9 % 2,7 % структура персептронов обратной связи без дополнительных механизмов целесообразно только на про­ стых моделях сети.

3. Введение плана производства продукции как входного параметра поз­ воляет значительно повысить точность прогноза.

4. Наилучшей по качеству получившегося прогноза электропотребления получилась сеть с иерархической структурой связей, и включающую в себя как обратные связи, так и планы выработки продукции.

Произведено исследование влияния величины шага прогноза на точ­ ность прогноза. Были составлены прогнозные модели электропотребления для нескольких крупных промышленных предприятий Сибири, базирую­ щихся на модели 2, и рассчитаны с применением как месячного, так и суточ­ ного шага прогноза. Результаты расчетов показаны в таблице 2.

Таблица 2 – Сравнение точности прогнозных моделей с месячным и суточным шагами прогноза MAPE, MAPE, месячный суточный Предприятие з шаг, % шаг, % Алюминиевый завод 0,987 1,24 0, Нефтеперерабатываюший завод 0,986 0,16 0, Завод синтетического каучука 0,953 0,85 1, Угольный разрез 0,885 2,82 5, Горно-обогатительный комбинат 0,792 3,53 4, При значениях коэффициента заполнения графика нагрузки близких к единице, предпочтительней использовать шаг прогноза, равный одним суткам, а при более низких — равный одному месяцу. При этом у предприятий с явно выраженной зависимостью электропотребления от типа дня ошибка прогноза меньше, чем у предприятий, где такая зависимость не наблюдается.

Так же было произведено исследование влияния размера обучающего множества на точность прогноза. Проведен ряд расчетов, с постепенно умень­ шающимся размером обучающего множества. Получившийся график для химического завода и горно-обогатительного комбината (ГОК) показан на рисунке 3.

± 2 4 6 8 10 12 14 16 18 20 22 24 kM Рисунок 3 – Влияние размера обучающего множества на точность прогноза Модель, использующая в качестве входного параметра объемы выра­ ботки продукции (химический завод), оказалась более устойчива к сокра­ щению размера обучающего множества. Даже при подаче на вход сети данных за последние 6 месяцев точность прогноза оказалась ненамного ниже, чем для 48 месяцев — 4,0 % против 2,7 %.

Полученная модель прогноза электропотребления позволила рассчитать расход электроэнергии для производства каждого вида учитываемой про­ дукции в условиях недостаточности данных, без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом.

Метод вычисления удельного электропотребления основывается на свойстве ИНС определять веса для связей каждого из входных параметров сети.

Для расчетов было предложено использовать следующий алгоритм:

1. Подготовка архивных данных для обучения модели.

2. Обучение модели.

3. Для каждого входного параметра П, обозначающего количество про­ изведенной продукции, и принадлежащему множеству входных параметров {П1, П2,..., П }:

3.1. Формируется входной массив данных для расчетов размером, в котором значения выбранного параметра устанавливаются равными:

П, = П + (П П ), = 1...

Остальные параметры инициализируются своими средними значениями:

П, = (П + П ).

3.2. Массив подается на вход модели и рассчитывается конечное элек­ тропотребление предприятия сум.

3.3. Строится график зависимости сум = (П, ).

3.4. С помощью метода наименьших квадратов график аппроксимиру­ ется прямой линией, для которой находится угол наклона. Численное зна­ чение этого угла будет равняться усредненному удельному потреблению элек­ троэнергии.

По результатам проведенного эксперимента погрешность определения удельного расхода электроэнергии составила 9..18 %.

Наряду с прогнозом электропотребления были проведены опыты по прогнозированию потребления мощности. Порядок построения прогнозной модели потребления мощности промышленным предприятием отличается от подобной модели потребления электроэнергии набором входных параметров.

Для опробования методики была рассчитана прогнозная модель потреб­ ления мощности предприятием легкой промышленности Кемеровской области. В графической форме результат работы прогнозной модели показан на рисунке 4.

P Рисунок 4 – Прогноз потребления мощности Заключение В диссертационной работе на основании выполненных автором иссле­ дований дано решение актуальной задачи повышения точности прогнозиро­ вания электропотребления и мощности на долгосрочный период, имеющей существенное значение для повышения эффективности эксплуатации систем электроснабжения промышленных предприятий.

Повышение точности долгосрочного прогноза электроэнергии и мощ­ ности промышленных предприятий достигается путем построения многофак­ торных моделей потребления электрической энергии и мощности промышлен­ ными предприятиями, учитывающих структуру технологических процессов предприятий.

Основные научные и практические результаты диссертационной работы состоят в следующем:

1. Разработана методика долгосрочного прогнозирования потребления электроэнергии и мощности промышленными предприятиями на основе искусственных нейронных сетей, генетического алгоритма и метода конфигу­ рации связей нейронной сети согласно действующей технологии производства и структуры СЭС предприятия.

2. Применение оптимизированного алгоритма генетического отбора поз­ волило увеличить устойчивость ГА в процессе работы. Модель прогнози­ рования, оптимизированная с помощью ГА, показала лучший результат в работе, чем модели с эвристически подобранными параметрами.

3. Применение разработанной методики позволило улучшить точность прогноза потребления электроэнергии и мощности по сравнению с существу­ ющей системой долгосрочного прогнозирования предприятия.

4. Проведен сравнительный анализ моделей на основе шестнадцати раз­ личных архитектур ИНС для целей долгосрочного прогнозирования электро­ потребления. В результате анализа установлено:

4.1. Использование обратной связи делает модель более восприимчивой к самым последним изменениям прогнозируемой величины, но применение обратной связи без дополнительных механизмов целесообразно только на про­ стых моделях сети.

4.2. Введение плана производства продукции как входного параметра позволяет значительно повысить точность прогноза, но применение этого плана целесообразно в случае сложных сетей, учитывающих цеха раздельно.

4.3. Наилучшей по качеству получившегося прогноза электропотреб­ ления получилась сеть с иерархической структурой связей, включающую в себя как обратные связи, так и планы выработки продукции. Применение метода конфигурации связей ИНС согласно действующей технологии произ­ водства позволило уменьшить ошибку прогноза и сократить время обучения модели.

5. Раздельное прогнозирование электропотребления предприятия на технологические и санитарно-технические нужды приводит к уменьшению ошибки прогноза.

6. Предложен алгоритм формирования обучающего множества данных для прогнозной модели, позволяющий значительно увеличить точность про­ гноза в случаях проведения ремонтов элементов системы электроснабжения предприятия, нестандартных режимов работы электрооборудования.

7. Проведено исследование влияния шага прогноза на точность долго­ срочного прогноза электропотребления. При значениях коэффициента запол­ нения, близких к 1, предпочтительней использовать шаг прогноза, равный одним суткам, а при более низких — равный одному месяцу.

8. Проведено исследование влияния размера обучающего множества на точность долгосрочного прогноза электропотребления. Модель, использу­ ющая в качестве входного параметра объемы выработки продукции, показала лучшую устойчивость к сокращению размера обучающего множества.

9. Проведены расчеты среднесрочного прогнозирования электропотреб­ ления для целей заключения биржевых контрактов.

10. Построенные с помощью предложенной методики прогнозные модели позволяют с достаточной точностью определить удельное электропо­ требление каждого вида учитываемой продукции без необходимости прямых замеров потребления электроэнергии каждым технологическим процессом.

11. Сформулированы направления развития методики построения про­ гнозной модели с целью дальнейшего повышения точности прогноза.

12. Создано программное обеспечение для расчета произвольных ИНС и выбора их параметров с помощью генетических алгоритмов, позволяющее получать различные модели ИНС для последующих экспериментальных исследований и выполнять над ними процедуру генетической оптимизации.

Работы, опубликованные по теме диссертации:

1. Использование нейронной сети для долгосрочного Политов, Е. А.

прогнозирования электропотребления промышленного предприятия / Е. А. Политов, И. В. Воронов, В. М. Ефременко // Вестник КузГТУ. — 2006. — № 6. — С. 71–73.

2. Воронов, И. В. Использование нейронной сети для краткосрочного прогнозирования электропотребления промышленного предприятия / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. — 2006. — № 6. — С. 73–74.

3. Обзор типов искусственных нейронных сетей и методов их Воронов, И. В.

обучения / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. — 2007. — № 3. — С. 38–42.

4. Воронов, И. В. Методика выбора входных параметров нейронной сети для прогнозирования электропотребления промышленного предприятия / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. — 2009. — № 3. — С. 62–64.

5. Политов, Е. А. Принципы построения прогнозной модели электропотреб­ ления промышленного предприятия на основе искусственной нейронной сети / Е. А. Политов, И. В. Воронов, В. М. Ефременко // Вестник КузГТУ. — 2009. — № 5. — С. 58–60.

6. Воронов, И. В. Определение параметров, влияющих на электропотреб­ ление промышленного предприятия с помощью метода экспертных оценок / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Вестник КузГТУ. — 2009. — № 5. — С. 61–64.

7. Воронов, И. В. Краткосрочное прогнозирование электропотребления энергосистем с помощью искусственных нейронных сетей / И. В. Воронов, Е. А. Политов // Электрические станции. — 2009. — № 12. — С. 15–18.

8. Воронов, И. В. Создание прогнозной модели электропотребления пред­ приятия химической отрасли на основе искусственных нейронных сетей / И. В. Воронов, Е. А. Политов // Промышленная энергетика. — 2011. — № 3. — С. 23–28.

9. Воронов, И. В. Применение нейронных сетей для прогнозирования электропотребления промышленных предприятий / И. В. Воронов, Е. А. Политов, В. М. Ефременко // Современные пути развития машино­ строения и автотранспорта Кузбасса: Труды I Всероссийской научно-тех­ нической конференции, 24-25 октября 2007 г. — Кемерово : ГУ КузГТУ, 2007. — С. 276–279.

10. Воронов, И. В. Применение нейронных сетей для прогнозирования элек­ тропотребления промышленных предприятий в условиях работы орэ / И. В. Воронов, Е. А. Политов, А. А. Шевченко // Современные энерге­ тические системы и комплексы и управление ими: Материалы VII Меж­ дунар. науч.-практ. конф., г. Новочеркасск, 20 апр. 2007 г.: В 2 т. — Т. 2. — Новочеркасск : ЮРГТУ, 2007. — С. 5–8.

11. Политов, Е. А. Долгосрочное прогнозирование электропотребления с применением искусственных нейронных сетей / Е. А. Политов // Разра­ ботки молодых специалистов в области электроэнергетики 2008: Сборник докладов третьей научно-технической конференции ОАО «НТЦ электро­ энергетики». 22-26 сентября 2008 г. — М. : ОАО «НТЦ электроэнерге­ тики», 2008. — С. 140–142.

Подписано в печать Формат 60х84/16. Бумага офсетная. Отпечатано на ризографе.

Объем 1,0 п.л. Тираж 100 экз. Заказ КузГТУ. 650000, Кемерово, ул. Весенняя, 28.

Типография КузГТУ. 650000, Кемерово, ул. Д. Бедного, 4а.



 


Похожие работы:





 
2013 www.netess.ru - «Бесплатная библиотека авторефератов кандидатских и докторских диссертаций»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.