CC BY
70
Менеджмент. Экономика. Организация
Dnepropetrovsk, Luch, 1969, 37 p. (In Russian).
2. Bekarevich N.E., Gorobetc N.D., Kolbasin A.A. et al. On land reclamation in the steppes of the Ukraine; ed. NE Bekarevich [Bekarevich N.E., Gorobetc N.D., Kolbasin A.A. et al. O rekul'tivacii ze-mel' v stepi Ukrainy; pod red. N. E. Bekarevicha]. Dniepropetrovsk, Luch, 1971, 218 p. (In Russian).
3. Uzbek I.Kh., Kobets A.S., Volokh P.V. et al. Reclamation of disturbed lands as sustainable development of complex technological ecosystems; ed. IKh Uzbek [Uzbek I.Kh., Kobets A.S., Volokh P.V. et al. Rekul'tivacija narushennyh zemel' kak ustojchivoe razvitie slozhnyh tehnojekosis-tem; pod red. I. H. Uzbeka]. Dniepropetrovsk, Porogi, 2010, 263 p. (In Russian).
4. Kobets A.S., Uzbek I.Kh., Volokh P.V. et al. Recommendations for recultivation of man-made landscapes; ed. IKh Uzbek [Kobets A.S., Uzbek I.Kh., Volokh P.V. et al. Rekomendacii po rekul'tivacii tehnogennyh landshaftov; pod red. I. H. Uzbeka]. Dniepropetrovsk, Luch, 2011, 160 p. (In Russian).
Сведения об авторах
Галаган Татьяна Ивановна - доцент кафедры экономической теории и экономики сельского хозяйства, «Днепропетровский государственный аграрный университет», кандидат экономических наук, г. Днепропетровск, Украина; e-mail: [email protected].
Information about authors
Galagan Tatyana Ivanovna - Associate Professor Department of Economic Theory and Agricultural Economics of «Dniepropetrovsk State Agrarian University», PhD in Economics, Dniepropetrovsk, Ukraine; e-mail: [email protected].
DOI: 10.12737/6309 УДК 621.3
ПРОГНОЗНОЕ ПЛАНИРОВАНИЕ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ ЭНЕРГОЕМКИМИ ПРОМЫШЛЕННЫМИ ПРЕДПРИЯТИЯМИ ДЕРЕВООБРАБАТЫВАЮЩЕЙ ОТРАСЛИ ПРИ ПОМОЩИ НЕЙРО-НЕЧЁТКИХ СЕТЕЙ
доктор технических наук, профессор А. Д. Данилов1 доктор технических наук, профессор Д. Н. Афоничев2 кандидат технических наук, доцент В. Н. Крысанов1 А. Л. Руцков1
1 - ФГБОУ ВПО «Воронежский государственный технический университет»,
г. Воронеж, Российская Федерация
2 - ФГБОУ ВПО «Воронежский государственный аграрный университет имени императора
Петра I», г. Воронеж, Российская Федерация
Рассмотрена структура планирования потребления электроэнергии, применяемая на крупнейшем российском мебельном холдинге ОАО ХК «Мебель Черноземье», с дальнейшей
290
Лесотехнический журнал 3/2014
Менеджмент. Экономика. Организация
передачей сведений в территориальную сетевую организацию. Построена математическая модель. Проанализированы достоинства и недостатки данного подхода. Обосновано применение нейро-нечётких сетей для увеличения точности прогнозного планирования. Показано, что система управления на базенейро-нечеткой сети позволяет: анализировать группы потребителей электроэнергии, с учётом слабо формализуемых и недетерминированных факторов, что позволяет увеличить точность прогноза потребления электроэнергии; уменьшить количество анализирующей аппаратуры (датчики, системы сбора и хранения информации) для создания детерминированной системы, позволяющей (в плане оценки параметров каждого потребителя) повысить показатели производственных процессов (в части оптимального расходования электроэнергии); вырабатывать управляющие воздействия на коммутационную аппаратуру с целью оптимизации процессов расхода электроэнергии у потребителя; произвести интеграцию в единую энергетическую систему (как с адаптивной, так и с классической структурой) потребителя с любой структурой сетей (от индивидуальных жилых помещений до крупных производственных потребителей); оперировать языком настройки и управления максимально приближенном к естественному для человека (применение лингвистических переменных). Предложены модель и алгоритм функционирования системы прогнозного планирования потребления электроэнергии на ОАО ХК «Мебель Черноземье» на основе нечеткого нейроконтроллера. Сделан вывод о том, что прогнозирование потребления электроэнергии при помощи нейро-нечёткихсетей обладает адаптивными свойствами, позволяющими, не зная достоверного распределения экономико-производственных и климатических факторов, пользоваться лишь вероятностными линиями тренда данных величин. При этом процесс экстраполяции не имеет точек разрыва, а, следовательно, не требуется применение отдельно «краткосрочного» и «долгосрочного» режимов. Подобная универсальность обеспечивает методу нейро-нечётких сетей повышенную точность в сравнении со стандартными методами (линейная регрессия).
Ключевые слова: прогнозирование, потребление электрической энергии, нейронечёткие сети, системы управления, SmartGRID, имитационное моделирование.
Лесотехнический журнал 3/2014
291
Менеджмент. Экономика. Организация
FORECASTED PLANNING OF ELECTRICITY CONSUMPTION BY ENERGY INTENSIVE INDUSTRY WOOD PROCESSING INDUSTRY USING NEURO-FUZZY
NETWORKS
DSc in Engineering, Professor A. D. Danilov1 DSc in Engineering, Professor D. N. Afonichev2 PhD in Engineering, Associate Professor V. N. Krysanov1 A. L. Rutskov1
1 - FSBEI HPE «Voronezh State Technical University», Voronezh, Russian Federation 2 - FSBEI HPE «Voronezh State Agrarian University named after Emperor Peter I»,
Voronezh, Russian Federation
Abstract
The structure of the planning of electricity consumption used in the largest Russian furniture Holding Company "Furniture Chernozemye", with further transfer of data to the territorial organization of the network. A mathematical model is made. The advantages and disadvantages of this approach are analyzed. The application of neuro-fuzzy networks to increase the accuracy of forwardlooking planning is justified. It is shown that the control system on neuro-fuzzy network allows you to: analyze a group of electricity consumers in view of weakly formalized and non-deterministic factors that can increase the accuracy of the forecast of electricity consumption; reduce the amount of analyzing equipment (sensors, data collection and storage systems) to create a deterministic system that allows (in terms of estimating the parameters of each user) to improve process performance (in terms of optimal power spending); develop the controlling effects on switching equipment in order to optimize the processes of electricity consumption by the consumer; make the integration of a single energy system (both with adaptive, and with classical structure) of the consumer with any structure of networks (from individual dwellings to large industrial consumers); operate language and control settings as close as possible to the natural human (using linguistic variables). The model and algorithm of the system functioning of forecast planning of electricity consumption of HC "Furniture Chernozemye" on the basis of fuzzy neurocontroller. It is concluded that the prediction of electricity consumption by using neuro-fuzzy network has adaptive properties that allow, without knowing a fair distribution of economic and production and climatic factors, use only the probabilistic trendlines of data values. The process of extrapolation has no points of discontinuity, and therefore does not require the use of separate «short and long-term» modes. This universality provides a method of neuro-fuzzy networks, improved accuracy compared to standard methods (linear regression).
Keywords: forecasting, consumption of electrical energy, neuro-fuzzy networks, control systems, SmartGRID, simulation.
На настоящий момент в России идёт электрической энергии (э/э), отпускаемой
процесс постепенного увеличения доли по нерегулируемым (свободным) ценам.
292
Лесотехнический журнал 3/2014
Менеджмент. Экономика. Организация
Он носит название - либерализация рынка э/э, и имеет своей целью формирование наиболее конкурентоспособной системы энергоснабжения, отвечающей современным экономическим реалиям.
При переходе в сектор свободных торговых отношений, кроме выигрыша от участия в конкурентных торгах, субъект оптового рынка берёт на себя дополнительный риск, связанный со сложностью точного планирования потребления э/э [1]. Участники розничного рынка не в меньшей степени нуждаются в максимально более точном прогнозировании своего потребления, так как это, в конечном счёте, отражается в оплате нужд на э/э (как в части ставки за электроэнергию, так и в части ставки на передачу).
В соответствии с [2] отклонение фактического потребления от заявленных значений больше определённого процента приводит к покупке э/э субъектом оптового рынка электроэнергии (ОРЭМ) с баланси-
рующего рынка по большей стоимости. Отклонение в меньшую сторону также чревато оплатой непоставленной э/э, определяемой разницей между заявленным и фактическим потреблением по установленным расценкам. Помимо этого, в соответствии с методом RAB-регулирования [3], в целях стимулирования компаний к снижению издержек, предусмотрено применение понижающего коэффициента эффективности операционных расходов. Как следствие, данное обстоятельство ведёт к повышению экономии денежных средств потребителем.
Именно в свете комплексной оценки влияния вышеописанных факторов на снижение издержек всех участников рынка (как оптового, так и розничного), важнейшее значение приобретает повышение точности прогноза потребления э/э.
В наиболее общем случае подход к прогнозированию потребления э/э отображается схемой, представленной на рис. 1.
Рис. 1. Обобщённая схема прогнозирования потребления э/э
Лесотехнический журнал 3/2014
293
Менеджмент. Экономика. Организация
Обозначения, принятые на рис. 1:
1 - блок производственно-экономических параметров: P(t) - потребление э/э как непрерывная функция времени; P(t-1) -потребление э/э в предыдущий день; U(t-1, t, t+1) - объём производства товаров и услуг в предыдущий, текущий и последующий (прогноз) периоды времени; D (t) -день недели (рабочий, выходной, праздничный); T(t) - время суток.
2 - блок климатических факторов: K(t-1, t, t+1) - климатические факторы в предыдущий, текущий и последующий (прогноз) периоды времени; T(t) - время суток.
Рассмотрим модель прогнозирования потребления э/э, применяемую на предприятии ОАО «Мебель Черноземье» с дальнейшей передачей сведений в территориальную сетевую организацию (ТСО). Её основная суть заключается в корреляции таких величин, как потребление э/э за аналогичный день прошедшей недели -P(t-7); потребление э/э за предыдущие сутки - P(t-1), зависимость потребления э/э от изменения температуры воздуха окружающей среды на 1 0C - K (t), с целью получения прогнозного значения на следующий период - P(t+1). При этом полагается значимость вышеописанных параметров на уровне усреднённых значений [4]: P(t-7) -75 %; P (t-1) - 60 %; K (t) - 20 %. Эти данные можно интерпретировать как вероятность прогноза потребления э/э - P (t+1) от указанных факторов. Тогда, математическая модель для данного случая может быть представлена линейной регрессией:
P (t+1) = 0,484P(t-7)+0,387P(t-1)+0,129K(t). (1)
Достоинства данной модели: простота интерпретации и реализации;
294
позволяет определять потребление э/э P (t+1) с точностью около 7-10 %. Недостатки: неполный учёт всех факторов, влияющих на потребление э/э; необходимость постоянной экспертной корректировки; принципиальная невозможность уменьшения величины ошибки прогноза ниже 7 % (среднемесячные показатели).
При помощи фактических данных автоматизированной информационно-измерительной системы коммерческого учета (АИИС КУЭ) проверим точность функционирования линейной регрессионной модели, выражаемой выражением (1). Данные по анализу приведены в табл. 1.
Следует отметить, что максимальные отклонения месячного прогноза потребления э/э (по дням) от факта объясняются нештатными ситуациями технического / административного характера (простой, поломка линии).
Как видно из анализа, проведённого в табл. 1 ОАО ХК «Мебель Черноземье» будет вынужденно через ТСО закупать дополнительные объёмы э/э на балансирующем рынке. Это, в конечном счёте, будет являться причиной дополнительных расходов для собственников (для предприятия - увеличивающие коэффициенты от ТСО, для ТСО - увеличение затрат при покупках с балансирующего рынка), и усложнением процесса оптимизации потерь и выработки э/э в аспекте сетевых и генерирующих организаций.
С целью увеличения точности прогноза потребления э/э «на день вперёд», «на три дня вперёд» и «на месяц вперёд» целесообразно применение нейронечётких сетей (ННС). Система управления (СУ) на базе ННС позволяет: анализи-
Лесотехнический журнал 3/2014
Менеджмент. Экономика. Организация
Таблица 1
Анализ точностных показателей модели потребления э/э, составленной по выражению (1)
Показатели Потребление, кВт-ч
Фактические Прогнозные
Месяц/число июнь декабрь июнь декабрь
1 17 220,00 29 430,00 17375,27 25523,364
2 17 839,00 30 649,00 15996,49 25983,043
3 19 660,00 31 242,00 16396,82 17207,648
4 19 279,00 31 324,00 16870,97 26764,747
5 19 287,00 31 677,00 16717,91 26816,125
6 20 051,00 31 255,00 16952,15 27270,772
7 20 397,00 30 476,00 17684,83 26593,082
8 18 717,00 29 561,00 16228 26038,332
9 20 236,00 31 114,00 15877,34 26273,888
10 19 889,00 31 763,00 17346,63 27161,678
11 18 387,00 31 446,00 17027,78 27452,658
12 17 952,00 29 389,00 16450,9 27500,986
13 18 357,00 31 172,00 16652,29 26502,072
14 18 544,00 30 492,00 16976,14 26814,464
15 18 037,00 29 964,00 16235,34 26107,167
16 18 190,00 31 728,00 16774,41 26654,793
17 20 157,00 31 747,00 16665,72 27653,073
18 20 003,00 31 276,00 16700,53 27506,443
19 18 428,00 30 886,00 16430,46 26328,011
20 17 519,00 30 833,00 16016,31 27039,911
21 17 697,00 30 527,00 15755,16 26690,602
22 18 444,00 29 024,00 15578,94 26316,564
23 16 381,00 31 000,00 15941,65 26588,666
24 17 296,00 30 714,00 16095 27362,78
25 18 326,00 30 799,00 16374,33 27023,592
26 3 223,00 30 719,00 16011,28 26867,895
27 8 760,00 31 038,00 9726,516 26811,251
28 20 010,00 30 440,00 11955,47 26787,148
29 12 090,00 29 255,00 16671,01 25827,812
30 11 700,00 30 254,00 12607,3 26325,666
31 - 29 142,00 - 26573,822
Аанлиз функционирования модели (выражение (1))
Суммарное потребление 522 076,00 950 336,00 480092,9 818368,06
Отклонение месяц (абс./%) - - - 41 983,06/ /8,041 % - 131 967,94/ /13,886 %
Отклонение мин. (абс./%) - - 155,27/ / 0,910 % -1 888,01 / /6, 424 %
Отклонение макс. (абс./%) - - 12 788,28/ / 396,781 % -14 034,35/ / -44,921 %
Отклонение макс. (абс./%) без учёта нешт.ситуаций - - 4 581,01/ / 37,890 % -5 073,21/ / -15,990 %
Лесотехнический журнал 3/2014
295
Менеджмент. Экономика. Организация
ровать группы потребителей э/э с учётом слабо формализуемых и недетерминированных факторов (уточнить факторы), что позволяет увеличить точность прогноза потребления э/э; уменьшить количество анализирующей аппаратуры (датчики, системы сбора и хранения информации) для создания детерминированной системы, позволяющей (в плане оценки параметров каждого потребителя) повысить показатели производственных процессов (в части оптимального расходования э/э); вырабатывать управляющие воздействия на коммутационную аппаратуру с целью оптимизации процессов расхода э/э у потребителя; произвести интеграцию в единую энергетическую систему (как с адаптивной, так и с классической структурой) потребителя с любой структурой сетей (от индивидуальных жилых помещений до крупных
производственных потребителей); оперировать языком настройки и управления максимально приближенном к естественному для человека (применение лингвистических переменных) [5].
Для создания модели ННС прогнозирования потребления э/э ОАО «Мебель Черноземье», проанализируем структуру предприятия и его схему электроснабжения (рис. 2).
Обозначения, введённые на рис. 2: Q0(t) - вектор производственно - экономических параметров в начальный период прогнозирования э/э; Q(t) - вектор производственно - экономических параметров, вырабатываемый блоками 6-9; Q1(t) - вектор производственно - экономических параметров, вырабатываемый блоком 10; K(t) - вектор климатических параметров; Z(t) -вектор управленческих решений.
Рис. 2. Структура предприятия и схема его электроснабжения
296
Лесотехнический журнал 3/2014
Менеджмент. Экономика. Организация
Как видно из анализа рис. 2, линейная регрессионная модель на основе выражения (1) не учитывает специфики взаимосвязей между структурными блоками предприятия. Для полного учёта этих взаимосвязей (в соответствии с классификацией рис. 1) потребуется большое число датчиков различного типа (температуры, давления, освещённости, тока и др.). В предельном случае - все элементы блоков 1-11 должны быть оборудованы своими индивидуальными наборами датчиков с требуемой избыточностью. Затраты на систему прогнозирования э/э в этом случае (пусть и обладающей комплексными возможностями по выработке управляющих воздействий) будут непомерно большими. Альтернативой тотальной установке датчиков на каждом рабочем месте является создание СУ на базе ННС. Из описанных выше свойств подобной системы следует, что недостаток информации (вызванный ограниченным числом датчиков различных типов), в ней будет решаться посредствам аппроксимации имеющихся данных.
Остановимся подробнее на реализации функций ННС для прогнозирования потребления э/э ОАО ХК «Мебель Черноземье» с помощью так называемого нейроконтроллера. Алгоритм функционирования нечёткого контроллера (регулятора) описывается следующей системой уравнений:
R1 : A1 ° Г1 - A1 ° (A11 ^ A21 ) -
{Ri L 4
R2 : A2 ° r2
„ Rk : Ak ° rk
A2 ° (A12 ^ A22 ) - B2; (2) Ak ° (A1k ^ A2k ) - Bk ;
B - U Bt, z - dfzB,
i-1
где ° - композиция нечётких отношений,
^ - нечёткая импликация; Bi (i - 1, k )-локальный вывод из правила R.; В - общий вывод из базы правил^ l^;
A. (i - 1, k ) - fuzz (x.); Aji - fuzz (xj, x.);
Aj. - fuzz (Xj, x\); fuzz - операция фазификации.
Создадим модель для функционирования ННС прогнозирования потребления э/э с опорой на структурную схему предприятия (рис. 3).
В блоках ННС (алгоритм их функционирования в виде лингвистических баз правил приведён в табл. 2) производится функциональные преобразования входных сигналов (производственно-экономического и климатического факторов) в выходное прогнозное значение потребления величины э/э в нормированном выражении (за единицу принимается максимально возможная суточная мощность потребления). Сумма по блокам 1-11 даёт прогнозную норму по предприятию. Базой для перехода к определению потребления в абсолютных значениях являются данные АИИС КУЭ за предшествующий период (1, 3, 7 дней).
Значения выходов модели прогнозирования заносятся в базу данных (БД) прогноза. Отдельно следует рассмотреть блоки автокоррекции величин задания производственно-экономических факторов
Q0(t), Q(t), которые включают в себя функциональные структуры G, F1, F2. Блок G является вспомогательной ННС (алгоритм функционирования представлен в табл. 3), которая производит пропорци-
Лесотехнический журнал 3/2014
297
Менеджмент. Экономика. Организация
Таблица 2
Алгоритм функционирования ННС блоков 1-11
База правил ННС (48 вариантов) Прогноз потребления э/э ОАО «Мебель Черноземье»
Факторы в нормированном выражении Q о( t)- вектор производственно - экономических параметров в начальный период прогнозирования низкий (0-0,25) высокий (0,75-1) низкий (0-0,25) высокий (0,75-1)
Q(t) - вектор производственно - экономических параметров, вырабатываемых блоками 6-9 низкий (0-0,33) низкий (0-0,33) высокий (0,66-1) высокий (0,66-1)
Д K (t) -изменение климатического фактора оптимальный (0-0,25) оптималь- ный (0-0,25) крайне негативный (0,1-0,2) крайне негативный (0,1-0,2)
Потребление э/э в нормированном выражении Р* Прогнозное крайне низкое (0-0,1) высокое (0,6-1,5) умерено Низкое (0,1-0,75) крайне высокое (0,8-2,0)
298
Лесотехнический журнал 3/2014
Менеджмент. Экономика. Организация
Таблица 3
Алгоритм функционирования ННС блока G
Значение величины входа (ошибка) Значение величины выхода (коррекция)
полное отсутствие (0) 1
приемлемая положительная (0; 0,05) 1; 1,5
приемлемая отрицательная (-0,05; 0) 0,5; 1
неприемлемая положительная (0,05; 1) 1,5; 2
приемлемая отрицательная (-1; -0,05) 0;0,5
ональное уменьшение или увеличение величин Q0(t) и Q(t) в зависимости от величины ошибки прогноза в предшествующих периодах. Блоки F1, F2 в простейшем случае мультипликаторы, связывающие выход G и векторы задания Q0(t) и Q(t).
Моделирование рассматриваемого процесса прогнозирования потребления э/э в соответствии с рис. 3 и алгоритмом (табл. 2) производилось при помощи пакета Matlab. В рамках предлагаемой модели используется алгоритм нечёткого вывода Мамдани [6]. Структура нейронной сети: 3 - 15 (5/5/5) - 48 - 1. Термы принадлежности гауссовского типа (gaussmf), терм выхода - линеаризованная величина (linear). Количество эпох обучения сети - 200.
Для вспомогательной ННС (G): структура нейронной сети: 1 - 15 (5/5/5) -5 - 1. Термы принадлежности гауссовского типа (gaussmf), терм выхода - линеаризованная величина (linear). Количество эпох обучения сети - 400.
В качестве БД АИИС КУЭ взяты данные факта из табл. 1. Результат функционирования системы прогнозирования потребления э/э на базе ННС приведён в табл. 4.
Анализ функционирования ННС по сравнению с моделью линейной регрессии показывает значительно лучшие результаты:
максимальная ошибка прогноза - 10 % (38 % линейная регрессия); средняя ошибка прогноза - 2,5 % (12 % линейная регрессия).
В самом общем случае можно заключить, что ННС прогнозирования потребления э/э обладают адаптивными свойствами, позволяющими, не зная достоверного распределения экономико-производственных и климатических факторов, пользоваться лишь вероятностными линиями тренда данных величин. При этом процесс экстраполяции не имеет точек разрыва, а следовательно не требуется применения отдельно «краткосрочного» и «долгосрочного» режимов. Подобная универсальность обеспечивает ННС повышенную точность в сравнении со стандартными методами (линейная регрессия) [7].
Система прогнозирования потребления э/э на базе ННС может быть интегрирована для различных нужд контроля и регулирования с системами управления параметрами сетей и оборудованием потребителей (вопросы компенсации реактивной мощности, улучшения качества питающего напряжения, оптимизация расхода э/э, повышение качества работы и срока службы оборудования). Применение адаптивных средств позволяет в конечном итоге выбирать наиболее выгодные комплексные решения с экономической точки зрения.
Лесотехнический журнал 3/2014
299
Менеджмент. Экономика. Организация
Таблица 4
Анализ точностных показателей модели потребления э/э на базе ННС
Показатели Потребление, кВтч
Фактические Прогнозные
Месяц/число июнь декабрь июнь декабрь
1 17 220,00 29 430,00 16 531,2 26 487
2 17 839,00 30 649,00 17 482,22 29 729,53
3 19 660,00 31 242,00 20 446,4 34 678,62
4 19 279,00 31 324,00 20 242,95 33 829,92
5 19 287,00 31 677,00 18 515,52 31 993,77
6 20 051,00 31 255,00 19 449,47 29 379,7
7 20 397,00 30 476,00 21 212,88 27 428,4
8 18 717,00 29 561,00 19 652,85 31 630,27
9 20 236,00 31 114,00 21 652,52 31 425,14
10 19 889,00 31 763,00 19 690,11 34 939,3
11 18 387,00 31 446,00 17 651,52 29 873,7
12 17 952,00 29 389,00 17 233,92 27 625,66
13 18 357,00 31 172,00 18 540,57 30 236,84
14 18 544,00 30 492,00 19 100,32 31 711,68
15 18 037,00 29 964,00 18 938,85 32 061,48
16 18 190,00 31 728,00 17 280,5 28 872,48
17 20 157,00 31 747,00 18 141,3 34 604,23
18 20 003,00 31 276,00 18 802,82 30 337,72
19 18 428,00 30 886,00 16 953,76 31 812,58
20 17 519,00 30 833,00 16 993,43 31 141,33
21 17 697,00 30 527,00 19 466,7 28 390,11
22 18 444,00 29 024,00 19 919,52 27 282,56
23 16 381,00 31 000,00 15 561,95 33 170
24 17 296,00 30 714,00 16 950,08 33 171,12
25 18 326,00 30 799,00 17 776,22 28 643,07
26 3 223,00 30 719,00 5 497,8 28 875,86
27 8 760,00 31 038,00 9 145,66 30 727,62
28 20 010,00 30 440,00 21 450,67 31 353,2
29 12 090,00 29 255,00 11 364,6 27 499,7
30 11 700,00 30 254,00 11 466 32 371,78
31 - 29 142,00 - 31 473,36
Аанлиз функционирования модели ННС
Суммарное потребление 522 076,00 950 336,00 523112,3 952757,7
Отклонение месяц (абс./%) - - -1036,31/ /1,908 % -2421,73/ /2,548 %
Отклонение мин. (абс./%) - - -183,57/ / 1,001 % -308,33 / /1,035 %
Отклонение макс. (абс./%) - - -2 274,80/ / -70,581 % -3 436,62/ / -9,91 %
Отклонение макс. (абс./%) без учёта нешт. ситуаций - - 2 015,70/ / 10,048 % -3 436,62/ / -9,91 %
300
Лесотехнический журнал 3/2014
Менеджмент. Экономика. Организация
Библиографический список
1. Соломкин, А. В. Применение нейросетевых методов для прогнозирования потребления электроэнергии [Электронный ресурс] / А. В. Соломкин // Электроника и информационные технологии. - 2009. - № 2 (7). - Режим доступа: http://fetmag.mrsu.ru/
2. Постановление Правительства Российской Федерации от 27 декабря 2010 г. N 1172 г. «Об утверждении Правил оптового рынка электрической энергии и мощности и о внесении изменений в некоторые акты Правительства Российской Федерации по вопросам организации функционирования оптового рынка электрической энергии и мощности» [Электронный ресурс]. - Режим доступа: http://www.rg.ru/2011/04/05/electro-dok.html.
3. Оценка и RAB-регулирование тарифов [Электронный ресурс]. - Режим доступа: http://pricinginfo.ru/publ/cenoobrazovanie_v_ehnergetike/ocenka_i_rab/17-1-0-59.
4. Канторович, С. А. Прогноз потребления электроэнергии [Электронный ресурс] /
С. А. Канторович. - Режим доступа: http://www.basegroup.ru/solutions/case/electra/
5. Крысанов, В. Н. Применение принципов нейро-нечётких сетей (ННС) для прогнозирования потребления электроэнергии в производственной сфере [Текст] / В. Н. Крысанов, А. Л. Руцков // Вестник ВГТУ. - 2013. - Т. 9. - № 6-3. - С. 62-66.
6. Леоненков, А. Л. Нечеткое моделирование в среде MATLAB и fuzzyTECH [Текст] / А. Л. Леоненков. - СПб. : БХВ-Петербург, 2005. - 736 с.
7. Крысанов, В. Н. Вопросы концептуального развития Smart Gird в электроэнергетике с применением принципов искусственных нейронных (ИНС) и нейро-нечётких сетей (ННС) [Текст] / В. Н. Кирсанов, К. С. Гамбург, А. Л. Руцков // Электротехнические комплексы и системы управления. - 2014. - № 1.- С. 7-15.
References
1. Solomkin A.V. The application of neural network methods for forecasting energy consumption [Solomkin A.V. Primenenie nejrosetevyh metodov dlja prognozirovanija potreble-nija jelektrojenergii]. Jelektronika i informacionnye tehnologii - Electronics and Information Technology, 2009, no. 2 (7). Available at: http://fetmag.mrsu.ru/ (In Russian).
2. Resolution of the Government of the Russian Federation of December 27, 2010 N 1172 "On approval of the wholesale market of electric energy and capacity, and on amendments to some acts of the Government of the Russian Federation on the issues of the functioning of the wholesale market of electric energy and capacity" [Postanovlenie Pravitel'stva Rossijskoj Federacii ot 27 de-kabrja 2010, N 1172 «Ob utverzhdenii Pravil optovogo rynka jelektricheskoj jenergii i moshhnosti i o vnesenii izmenenij v nekotorye akty Pravitel'stva Rossijskoj Federacii po voprosam organizacii funkcionirovanija optovogo rynka jelektricheskoj jenergii i moshhnosti»]. Available at: http://www.rg.ru/2011/04/05/electro-dok.html. (In Russian).
3. Assessment and RAB-regulation of tariffs [Ocenka i RAB-regulirovanie tarifov]. Available at: http://pricinginfo.ru/publ/cenoobrazovanie_v_ehnergetike/ocenka_i_rab/17-1-0-59. (In Russian).
4. Kantorovich S.A. Forecast of electricity consumption [Kantorovich S.A. Prognoz potreble-nija jelektrojenergii]. Available at: http://www.basegroup.ru/solutions/case/electra/(In Russian).
5. Krysanov V.N., Rutskov A.L. Applying the principles of neuro-fuzzy networks (NFN) for predicting energy consumption in the industrial sector [Krysanov V.N., Rutskov A.L. Primenenie
Лесотехнический журнал 3/2014
301
Менеджмент. Экономика. Организация
principov nejro-nechjotkih setej (NNS) dlja prognozirovanija potreblenija jelektrojenergii v proiz-vodstvennoj sfere]. Vestnik VGTU- Bulletin of VSTU, 2013, Vol. 9, no. 6-3, pp. 62-66. (In Russian).
6. Leonenkov A.L. Fuzzy modeling in MATLAB and fuzzyTECH [Leonenkov A.L. Nechetkoe modelirovanie v srede MATLAB i fuzzyTECH]. Saint Petersburg, 2005, 736 p. (In Russian).
7. Krysanov V.N., Hamburg K.S., Rutskov A.L. Questions of SmartGird conceptual development in the power sector by applying the principles of artificial neural (ANN) and neuro-fuzzy networks (NFN) [Krysanov V.N., Hamburg K.S., Rutskov A.L. Voprosy konceptual'nogo razvitija Smart Gird v jelektrojenergetike s primeneniem principov iskusstvennyh nejronnyh ( INS) i nejro-nechjotkih setej (NNS)]. Jelektrotehnicheskie kompleksy i sistemy upravlenija - Electrotechnical complexes and control systems, 2014, no. 1, pp. 7-15. (In Russian).
Сведения об авторах
Данилов Александр Дмитриевич - профессор кафедры электропривода, автоматики и управления в технических системах, ФГБОУ ВПО «Воронежский государственный технический университет», доктор технических наук, профессор, г. Воронеж, Российская Федерация; e-mail: [email protected].
Афоничев Дмитрий Николаевич - заведующий кафедрой электротехники и автоматики, ФГБОУ ВПО «Воронежский государственный аграрный университет имени императора Петра I», доктор технических наук, профессор, г. Воронеж, Российская Федерация; e-mail: [email protected].
Крысанов Валерий Николаевич - доцент кафедры электропривода, автоматики и управления в технических системах, ФГБОУ ВПО «Воронежский государственный технический университет», кандидат технических наук, доцент, г. Воронеж, Российская Федерация; e-mail: [email protected].
Руцков Алексей Леонидович - аспирант кафедры электропривода, автоматики и управления в технических системах, ФГБОУ ВПО «Воронежский государственный технический университет», г. Воронеж, Российская Федерация; e-mail: [email protected].
Information about authors
Danilov Aleksandr Dmitrievich - Professor Department of Electric Drive, Automation and Control in Engineering Systems of FSBEI HPE «Voronezh State Technical University», DSc in Engineering, Professor, Voronezh, Russian Federation; e-mail: [email protected].
Afonichev Dmitriy Nikolaevich - Head of Department of Electrical Engineering and Automation of FSBEI HPE «Voronezh State Agrarian University named after Emperor Peter I», DSc in Engineering, Professor, Voronezh, Russian Federation; e-mail: [email protected].
Krysanov Valery Nikolaevich - Associate Professor Department of Electric Drive, Automation and Control in Engineering Systems of FSBEI HPE «Voronezh State Technical University», PhD in Engineering, Associate Professor, Voronezh, Russian Federation; e-mail: [email protected].
Rutskov Aleksey Leonidovich - Post-graduate student of the Department of Electric Drive, Automation and Control in Engineering Systems of FSBEI HPE «Voronezh State Technical University», Voronezh, Russian Federation; e-mail: [email protected].
302
Лесотехнический журнал 3/2014
