CC BY
38
ISSN 0131-5226. Сборник научных трудов.
ГНУ СЗНИИМЭСХРоссельхозакадемии. 2009. Вып. 81.
продукции растениеводства и животноводства: Сб. науч. тр. / ГНУ СЗНИИМэСх Россельхозакадемии. - СПб., 2008. - Вып. 80. - С. 216233. - ISSN 0131-5226.
3 Дж. Бокс, Г. Дженкинс Анализ временных рядов / Дж. Бокс, Г. Дженкинс //Прогноз и управление. - Выпуск 1. - М.: Мир, 1974.
Получено 28.12.2009.
УДК 631.371
В.Н. БРОВЦИН, д-р техн. наук
СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ ПОЧАСОВОГО прогнозирования расхода ЭЛЕКТРОЭНЕРГИИ НА ПРОИЗВОДСТВО СЕЛЬХОЗПРОДУКЦИИ
В работе приведены результаты построения моделей временных рядов расхода электроэнергии на основании методов, используемых в IIIIII STATISTICA® и STATGRAPH®, и представлен сравнительный анализ точности почасового прогноза затрат электроэнергии для блока производства салата ЗАО «Выборжец». На основании анализа качества прогноза исследованных моделей для их построения обоснован метод авторегрессии проинтегрированного скользящего среднего (АРПСС).
Под давлением рынка с 1 сентября 2006 г. вступили в силу новые правила взаимодействия энергосбытовых компаний и потребителей электрической энергии, согласно Постановлению Правительства Российской Федерации от 31 08 2006 № 530 «Об утверждении Правил функционирования розничных рынков электрической энергии в переходный период реформирования электроэнергетики». Согласно этим «Правилам...», в отношении группы потребителей, мощность энергопринимающего оборудования которых 750 кВА и выше предусмотрено обязательное планирование объемов потребления электрической энергии по часам суток и обеспечение измерения фактически потребленной электрической энергии в почасовом режиме (п. 72).
195
Технологии и технические средства механизированного производства продукции растениеводства и животноводства.
Почасовое планирование заключается в том, что пользователь электроэнергии должен подавать уведомление о своем плановом потреблении на последующий расчетный период в почасовом разложении. Отклонения фактического почасового потребления электрической энергии от планового почасового потребления должно оплачиваться по ценам, не превышающим конкурентную цену оптового рынка в режиме онлайн (балансирующий рынок) в соответствующий час суток с учетом стоимости мощности и регулируемых услуг.
К настоящему времени задача почасового прогноза для сельскохозяйственных предприятий на расчетный период не решена. Проблема тем более усугубляется из-за существенной зависимости сельхозпроизводства от климатических условий и других особенностей сельского хозяйства.
Исходя из вышеизложенного, необходимо решить задачу выбора эффективных алгоритмов прогноза почасовых расходов электроэнергии, и, прежде всего, тех алгоритмов, программная реализация которых представлена в легко доступных ППП (пакетах прикладных программ).
При анализе алгоритмов прогноза затрат электроэнергии на производство сельхозпродукции в почасовом режиме использовали данные автоматизированной системы контроля и учета электроэнергии (АСКУЭ) ЗАО “Выборжец”, выбор которого обусловлен, с одной стороны, использованием программного комплекса Альфа ЦЕНТР, обеспечивающего вывод необходимой информации, а, с другой стороны, наличием метеостанции на каждом производственном блоке.
В качестве конкретного объекта использовали данные учета электрической энергии на входном фидере блока производства салата и климатические параметры соответствующей метеостанции. На рис. 1 представлены фрагмент почасового расхода электроэнергии на входном фидере блока производства салата (рис. 1, а) и изменения климатических условий (рис. 1, б) с 01.01.2007 0:00 по 29.01.2007 24:00.
196
ISSN 0131-5226. Сборник научных трудов.
ГНУ СЗНИИМЭСХРоссельхозакадемии. 2009. Вып. 81.
а
10
-10 g
-20
0
и
CS
0 12 0 12 0 12 0 12 0 12 0 12 0 12 0 12 0 12 Время суток, час
1 - солнечная радиация, 2 - температура воздуха, 3 - скорость ветра
б
Рис. 1. Расхода электроэнергии на входном фидере блока производства салата (а) и изменение внешних климатических условий (б)
Для сравнения качества алгоритмов прогноза использовали критерии КСКО (корень квадратный из среднеквадратической ошибки) и САОО (средняя абсолютная относительная ошибка - вычисляется как среднее абсолютных значений относительных ошибок).
КСКО является наиболее часто используемым индексом подгонки [1]. Тем не менее, критерий САОО иногда более информативен, чем КСКО. Например, знание того, что точность прогноза ±5% расхода энергетического ресурса более информативно, чем, например, 20,5 кВт.ч.
Ниже, в сводной табл. 1, приведены численные значения критериев КСКО и САОО всех исследованных алгоритмов прогноза почасового расхода электроэнергии на сутки вперед в блоке производства салата ЗАО «Выборжец». Жирным шрифтом в каждой группе выделены лучшие алгоритмы.
197
Технологии и технические средства механизированного производства продукции растениеводства и животноводства.
Таблица 1
Сводная таблица критериев качества алгоритмов прогноза суточного почасового расхода электроэнергии в блоке производства салата в ЗАО «Выборжец»
Алгоритм Интервал оценки Интервал проверки
КСКО, Вт/м2 САОO, % КСКО, Вт/м2 САОO, %
Первая группа -простые алгоритмы 1. Случайный поиск с дрейфом (Random Walk):
- без коррекции 32,017 5,333 21,476 4,286
- с мультипликативной коррекцией 13,674 2,161 9,660 2,062
- с аддитивной коррекцией 13,441 2,153 10,795 2,244
2. Среднее значение (mean): без учета регрессоров:
- без коррекции 56,593 15,229 47,726 12,472
- с мультипликативной коррекцией 18,645 3,608 34,960 9,307
- с аддитивной коррекцией 18,657 3,619 35,024 9,343
с учетом регрессоров:
- без коррекции 55,518 14,783 41,226 11,670
- с мультипликативной коррекцией 16,123 3,170 25,682 7,131
- с аддитивной коррекцией 16,340 3,294 25,850 7,371
3. Линейный тренд: без учета регрессоров:
- без коррекции 55,924 14,985 39,114 10,799
- с мультипликативной коррекцией 16,653 3,300 24,279 6,904
- с аддитивной коррекцией 16,961 3,431 24,872 7,288
с учетом регрессоров:
- без коррекции 55,962 40,992 14,789 11,601
- с мультипликативной коррекцией 16,023 25,321 3,149 7,157
- с аддитивной коррекцией 16,251 25,407 3,281 7,356
4. Квадратичный тренд: без учета регрессоров:
- без коррекции 55,835 14,847 37,120 10,702
- с мультипликативной коррекцией 16,139 3,241 18,867 5,461
- с аддитивной коррекцией 16,621 3,408 21,240 6,0929
с учетом регрессоров:
- без коррекции 55,849 14,655 41,624 11,750
- с мультипликативной коррекцией 15,665 3,088 20,010 5,906
- с аддитивной коррекцией 15,994 3,261 21,124 6,318
198
ISSN 0131-5226. Сборник научных трудов.
ГНУ СЗНИИМЭСХРоссельхозакадемии. 2009. Вып. 81.
Продолжение табл. 1
Алгоритм Интервал оценки Интервал проверки
КСКО, Вт/м2 САОО, % КСКО, Вт/м2 САОО, %
5. Экспоненциальный тренд: без учета регрессоров:
- без коррекции 56,148 15,231 38,539 10,790
- с мультипликативной коррекцией 16,671 3,309 24,146 3,309
- с аддитивной коррекцией 16,982 3,434 27,772 7,265
с учетом регрессоров:
- без коррекции 56,249 14,998 41,578 11,766
- с мультипликативной коррекцией 16,067 3,152 25,073 7,091
- с аддитивной коррекцией 16,285 3,282 25,169 7,289
6. Сигмоидный тренд: без учета регрессоров:
- без коррекции 56,779 15,253 45,836 12,042
- с мультипликативной коррекцией 18,630 3,621 32,267 9,158
- с аддитивной коррекцией 18,667 3,651 34,350 9,215
с учетом регрессоров:
- без коррекции 65,637 14,670 41,865 11,819
- с мультипликативной коррекцией 16,160 3,156 25,157 6,994
- с аддитивной коррекцией 16,364 3,274 25,373 7,257
7. Скользящее среднее: с окном в два наблюдения:
- без коррекции 400,800 7,433 28,071 6,167
- с мультипликативной коррекцией 16,018 2,674 12,402 2,631
- с аддитивной коррекцией 15,720 2,680 13,406 2,927
с окном в три наблюдения:
- без коррекции 47,265 9,451 33,176 8,018
- с мультипликативной коррекцией 17,099 3,007 14,353 3,316
- с аддитивной коррекцией 16,881 3,042 15,263 3,472
с окном в три наблюдения:
- без коррекции 51,897 11,170 37,345 9,367
- с мультипликативной коррекцией 17,563 3,213 16,082 3,960
- с аддитивной коррекцией 17,442 3,254 17,130 4,206
199
Технологии и технические средства механизированного производства продукции растениеводства и животноводства.
Продолжение табл. 1
Алгоритм Интервал оценки Интервал проверки
КСКО, Вт/м2 САОО, % КСКО, Вт/м2 САОO, %
Вторая группа - алгоритмы экспоненциального сглаживания 31,935 5,211 24,477 4,285
1 Простое экспоненциальное сглажи- 13,634 2,149 9,656 2,064
вание: 13,401 2,142 10,795 2,244
- без коррекции - с мультипликативной коррекцией - с аддитивной коррекцией
2 Линейное экспоненциальное сглаживание Броуна: 35,731 6,767 22,344 5,064
- без коррекции 18,149 3,074 11,358 2,780
- с мультипликативной коррекцией - с аддитивной коррекцией 17,795 3,077 12,835 3,073
3 Линейное экспоненциальное сглаживание Холта: 33,117 6,155 22,351 4,772
- без коррекции 14,330 2,270 9,953 2,172
- с мультипликативной коррекцией - с аддитивной коррекцией 14,044 2,253 11,075 2,381
4 Квадратичное экспоненциальное сглаживание: 40,417 8,864 26,296 6,600
- без коррекции 17,083 3,013 15,915 3,513
- с мультипликативной коррекцией - с аддитивной коррекцией 16,731 3,050 16,427 3,753
5 Экспоненциальное сглаживание Винтера: 55,880 13,088 37,440 9,678
Третья группа - модели АРПСС (представлены только лучшие модели)
- без регрессоров: ARIMA(1, 0, 1)*(1, 0, 1)24 13,443 2,300 7,440 1,836
- с регрессорами: ARIMA(2, 0, 2)*(1, 0, 1)24 c одним регрессором (плотность потока солнечной радиации) 13,109 2,383 6,350 1,816
Как следует из табл. 1 наилучшими алгоритмами являются:
- из первой группы - алгоритм случайного поиска с дрейфом и аддитивной сезонной коррекцией (КСКО = 13,441; САОО = 2,153);
200
ISSN 0131-5226. Сборник научных трудов.
ГНУ СЗНИИМЭСХРоссельхозакадемии. 2009. Вып. 81.
- из второй группы - алгоритм простого экспоненциального сглаживания с аддитивной сезонной коррекцией (КСКО = 13,401; САОО = 2,142);
- из третьей группы - алгоритм авторегрессии проинтегрированного скользящего среднего АРПСС (2, 0, 2)*(1, 0, 1)24 c одним регрессором (плотность потока солнечной радиации) (КСКО = 13,109; САО = 2,383).
Отдельную группу моделей, используемых в электроэнергетике, представляют модели, разработанные посредством методов искусственного интеллекта (нейронные сети). К сожалению, нейронные сети имеют и ряд недостатков, затрудняющих их использование. К ним относятся высокие требования к качеству входных данных, медленность процесса обучения, а также сложность анализа обученной сети, что превращает такую сеть для пользователя в «черный ящик» [2]. Кроме того, для большинства реальных задач для обучения нейронных сетей требуется несколько сотен или тысяч наблюдений. Для особо сложных задач может потребоваться еще большее количество, однако очень редко может встретиться (даже тривиальная) задача, где хватило бы менее сотни наблюдений [3].
Всего было исследовано 30000 различных конфигураций сетей типа многослойного перцептрона (MLP) и радиальной базисной функции (RBF). Из них отобраны 10 наилучших, параметры которых представлены в табл. 2.
Параметры нейронных сетей
Таблица 2
№ Тип Ошибка (KCRD) Число элементов в скрытом слое
1 RBF 20,05 18
2 RBF 19,95 20
3 RBF 19,07 22
4 RBF 18,63 23
5 RBF 18,40 24
6 MLP 15,51 4
7 MLP 14,57 5
8 MLP 14,53 7
9 MLP 14,50 10
10 MLP 14,49 12
201
Технологии и технические средства механизированного производства продукции растениеводства и животноводства.
Наилучшей является сеть типа MLP с 12 скрытыми элементами (см. табл. 2).
Наилучшим из всех алгоритмов прогноза почасового расхода электроэнергии на сутки вперед в блоке производства салата в ЗАО «Выборжец» является алгоритм АРПСС(2, 0, 2)*(1, 0, 1)24 c одним регрессором (плотность потока солнечной радиации) (КСКО = 13,109; САОО = 2,383).
На рис. 2 для визуального сравнения представлены процессы почасового прогноза расхода электроэнергии в блоке производства салата ЗАО «Выборжец» на сутки вперед, полученные с использованием наилучших алгоритмов из каждой группы.
Время, час
Рис. 2. Графики прогноза почасового расхода электрической энергии на сутки вперед при использовании моделей, построенных различными методами:
1 - исходный ряд; 2 - случайный поиск; 3 - экспоненциальное сглаживание; 4 - АРПСС (2, 0, 2)*(1, 0, 1)24 c одним регрессором; 5 -MLP с 12 скрытыми элементами
202
ISSN 0131-5226. Сборник научных трудов.
ГНУ СЗНИИМЭСХРоссельхозакадемии. 2009. Вып. 81.
ВЫВОД
Анализ методов прогноза (включая и самый современный с помощью нейронных сетей) показал, что применение метода АРПСС позволяет получить наилучшие прогнозы энергозатрат предприятий в почасовом разложении. Однако из-за мощности и гибкости, АРПСС сложный метод. Его не так просто использовать, и требуется специальная подготовка, чтобы овладеть им.
СПИСОК ЛИТЕРАТУРЫ
1 Учебник по статистике. Приложение к IIIIII STATISTICA-6.
2 Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - 2-е изд., стер. - М.: Горячая линия - Телеком, 2002.
Шлучено 28.12.2009.
УДК 631.3
В.Ф. ВТОРЫЙ, д-р техн. наук
СТАНОВЛЕНИЕ СЕЛЬСКОХОЗЯЙСТВЕННОГО МАШИНОСТРОЕНИЯ В РОССИИ (XIX ВЕК)
Рассмотрены вопросы становления сельскохозяйственного машиностроения в России и его состояние на рубеже XIX и XX веков.
^рвые опыты постройки у нас сельскохозяйственных машин относятся только к концу XVIII века и главным образом к началу XIX века и совпадают с установлением спроса на машины вообще. До того времени более или менее усовершенствованные сельхозмашины и орудия считались в России редкостью [1].
Однако первые сельскохозяйственные орудия, позволяющие облегчить труд земледельца и повысить качество, в первую очередь обработки земли, появились еще до зарождения христианства на Руси.
203
