Содержание к диссертации
Введение
1. Электрообеспечение крупных предприятий черной металлургии в условиях реструктуризации электроэнергетики 10
1.1. Электрическое хозяйство металлургических предприятий как объект прогнозирования
1.2. Параметры промышленного электропотребления и возникновение задачи их прогнозирования 14
1.3. Современные методы прогнозирования и границы их применимости 18
1.4. Цели и задачи исследования 34
2. Современный математический аппарат краткосрочного и оперативного прогнозирования расхода электрической энергии (мощности) 36
2.1. Ценологические основы прогнозирования электропотребления предприятий 36
2.2. Основы нейросетевого прогнозирования с применением
обучения методом обратного распространения ошибки 41
2.3. Методы построения нейросетевых моделей для целей краткосрочного прогнозирования электропотребления с учетом ценологичности объекта прогнозирования 59
2.4. Особенности анализа временных рядов 66
3. Разработка методики работы на основе предлагаемой модели прогнозирования и управления электропотреблением предприятия 76
3.1. Формализация перечня исходных данных для почасового прогнозирования электропотребления на сутки вперед 76
3.2. Анализ прогнозных данных и обоснование применимости выбранного метода прогнозирования 80
3.3. Структура предлагаемой системы прогнозирования электропотребления металлургического предприятия 94
3.4. Определение зависимости точности прогнозирования от параметров используемой модели 99
4. Практическая реализация нейронных сетей для предсказания (прогнозирования) и оперативного управления нагрузкой 106
4.1. Выбор и адаптация программного пакета для целей прогнозирования с учетом выбранной методики 106
4.2. Практическая реализация системы прогнозирования электропотребления промышленного предприятия 110
4.3. Устойчивость и методы достижения требуемой точности почасового прогнозирования на сутки вперед 114
4.4. Рекомендации по использованию адаптированных программных
средств в условиях промышленного предприятия 118
Заключение 121
Библиографический список использованной литературы 122
Приложения
- Электрическое хозяйство металлургических предприятий как объект прогнозирования
- Ценологические основы прогнозирования электропотребления предприятий
- Формализация перечня исходных данных для почасового прогнозирования электропотребления на сутки вперед
- Выбор и адаптация программного пакета для целей прогнозирования с учетом выбранной методики
Введение к работе
Актуальность работы. В последние годы в связи с производимыми реформами произошло многократное увеличение стоимости топливно-энергетических ресурсов (ТЭР). По данным Росстата [62] из всех естественных монополий лишь рост тарифов на электроэнергию превысил средний показатель по промышленности, при этом цены на электроэнергию в период с 1993 по 2004 г выросли в 677 раз. Для крупных металлургических предприятий до 11% в себестоимости продукции составляет электрическая энергия [34]. Под давлением рынка потребители (промышленные предприятия) начинают осознавать, что им необходимо минимизировать затраты на электроэнергию.
С 2001 г. происходит реформирование электроэнергетики [54], сопровождающееся изменениями правил заказа электрической энергии. В 2003 г. с принятием законов [66, 67] был образован оптовый рынок электрической энергии и начали работать сектора свободной торговли оптового рынка электроэнергии в Европейской части России и Урала. В 2005 г. к торговой системе оптового рынка присоединились участники Сибирской ценовой зоны. С 1 сентября 2006 г. начал работу новый оптовый рынок энергии и мощности (ОРЭ) с измененными правилами работы. При этом участники, потребление которых Федеральной службой по тарифам России включено в сводный прогнозный баланс производства и поставок электрической энергии (мощности) на оптовом рынке, и для которых установлены соответствующие тарифы (покупатели в бывшем регулируемом секторе, а также новые участники оптового рынка, включаемые в пилотные проекты по заключению долгосрочных регулируемых договоров), покупают весь объем своего потребления на ОРЭ.
Для крупных промышленных предприятий одним из основных путей для снижения затрат на покупку электрической энергии в ситуации реформирования электроэнергетики является выход на ОРЭ. Это позволяет значительно снизить стоимость потребленной энергии, так как стоимость
5 электроэнергии, получаемой промышленным предприятием с ОРЭ, будет существенно ниже стоимости электроэнергии, получаемой от гарантирующего поставщика (региональной энергосистемы).
Однако данный путь снижения затрат на электрическую энергию требует от предприятия выполнения условий, необходимых для доступа и полноценной работы на ОРЭ. Для большинства предприятий с многономенклатурным производством основным ограничением является проблема прогнозирования потребления электрической энергии по часам на сутки вперед. Очевидно, что составление грамотных почасовых заявок будет невозможным без использования методик прогнозирования, отражающих внутренние свойства предприятия, как объекта прогнозирования.
Вследствие этого прогнозирование потребления электрической энергии в настоящее время является одной из основных областей исследования в области электроснабжения промышленных предприятий.
Тема прогнозирования электрической нагрузки не нова. Первые публикации по методам прогнозирования электрической нагрузки появились на рубеже десятых-двадцатых годов прошлого века [4]. В настоящее время предъявляются все более высокие требования к показателям качества прогнозных расчетов (точности, достоверности, информативности, степени автоматизации, быстродействию и т.п.) [42], диктуемые требованиями изменяющихся рыночных условий. Однако большинство публикаций в этой области касается не предприятий, а энергосистемы, что не позволяет использовать напрямую, в силу различия свойств объектов прогнозирования, эти методы на промышленных предприятиях. После реформирования электроэнергетики стало уже невозможно использовать старые методы, хорошо работавшие в стабильной экономической ситуации. В настоящее время происходит увеличение влияния на выпуск продукции высшего менеджмента предприятия, что делает потребление еще более неравномерным. Кроме того, долгое время преобладал подход, утверждавший, что потребление электрической энергии предприятием
следует не прогнозировать, а планировать, что приводило к недооценке необходимости прогнозирования потребления энергии промышленными предприятиями, неизменно отличающегося от плановых показателей.
Однако реформирование электроэнергетики привело к изменению правил расчета с поставщиком электрической энергии, что потребовало изменения целей и задач прогнозирования. Выход на оптовый рынок электрической энергии предполагает для каждого предприятия, являющегося участником ОРЭ в регулируемом секторе и секторе свободной торговли, составление планового диспетчерского графика объемов почасового потребления на каждые сутки и подачу администратору торговой системы (АТС) ежедневных почасовых заявок «на сутки вперед». При этом отклонение от заявленного почасового потребления может приводить к существенному увеличению цены на электроэнергию, т.к. объемы электроэнергии, равные разнице заказанной на рынке на сутки вперед и фактически потребленной, оплачиваются по ценам балансирующего рынка (БР), что ужесточает требования к точности прогнозирования нагрузок. В случае подачи ошибочных заявок все выгоды от участия в ОРЭ могут быть утрачены, т.к. складывающаяся на БР цена электроэнергии в большинстве случаев значительно превышает цены на РСВ.
Диссертационная работа посвящена разработке методов прогнозирования электропотребления крупных промышленных предприятий с учетом новых ограничений, накладываемых рыночными отношениями в сфере электроэнергетики. Изучено влияние погодных параметров на фактическое электропотребление комбината в целом, а также обоснована возможность ценологической коррекции прогнозов электропотребления, получаемых нейросетевыми методами.
Целью диссертационной работы является разработка методики, позволяющей производить почасовое прогнозирование электропотребления крупного металлургического предприятия для каждого часа операционных
7 суток при закупке электроэнергии на оптовом рынке электроэнергии с учетом временного технологического ряда электропотребления. В соответствии с целью решен ряд поставленных задач:
создана информационная база ретроспективных данных по электропотреблению крупных металлургических предприятий и значениям температуры окружающего воздуха с учетом типа дня и номера рассматриваемого временного интервала в сутках;
проведен анализ степени влияния погодных условий и типа дня на точность прогнозирования потребления электрической энергии;
выбран и адаптирован прогностический аппарат для обеспечения необходимой точности и устойчивости прогноза;
произведен анализ потребления электрической энергии с привлечением методов математической статистики, нейросетевого моделирования и общей ценологии с построением математических моделей потребления в зависимости от влияющих факторов;
определена степень репрезентативности данных, традиционно применяемых для прогнозирования электропотребления, и доказана несостоятельность прогнозирования на их основе;
доказана возможность увеличения точности прогноза электропотребления предприятия при введении плановых значений загрузки цехов с учетом ценологичности предприятия;
даны рекомендации по внедрению методики прогнозирования электропотребления на крупных металлургических предприятиях.
Методы исследования определялись поставленными задачами. Для их решения использовались вероятностно-статистические методы анализа, ценологические и нейросетевые методы прогнозирования. Теоретические исследования сопровождались разработкой математических моделей, реализованных в виде программных средств. При выполнении работы использованы научные труды российских и зарубежных специалистов, материалы научно-технических конференций и семинаров.
Обоснованность и достоверность научных положений, выводов и рекомендаций обеспечивается математической постановкой задачи, анализом накопленных статистических данных, хорошей сходимостью теоретических расчетов с эмпирическими данными, а также корректным использованием методов исследования.
Научная новизна работы заключается в следующем:
Формализованы исходные данные, необходимые для прогнозирования часовых объемов электропотребления крупного промышленного предприятия с учетом возможности их сбора в условиях реально работающего производства, определена необходимая степень их полноты и точности.
Разработана методика исследования электропотребления предприятия с использованием неиросетевого моделирования для цели краткосрочного прогнозирования электропотребления.
Обосновано применение нейросетевых методов для прогнозирования почасового потребления электрической энергии, а также необходимость их коррекции для обеспечения более высокой точности прогнозирования.
Обоснована необходимость применения для прогнозирования электропотребления металлургических предприятий плановых значений загрузки основных цехов, выбираемых с учетом ценологических свойств предприятия в целом.
Разработаны методы прогноза электропотребления на базе выделенных влияющих параметров.
Адаптированы программные продукты, предназначенные для прогнозирования электропотребления в условиях действующего предприятия с требуемым набором характеристик.
Практическая ценность работы заключается в создании программного комплекса прогнозирования электропотребления металлургических заводов для целей выхода предприятия на оптовый рынок электрической энергии. Разработанные методы позволяют определять перспективные объемы
9 электропотребления предприятия для заключения договоров с энергоснабжающей организацией, повышения эффективности использования энергоресурсов и экономии средств предприятия. Защищаемые положения позволяют проводить прогнозирование электропотребления крупного металлургического предприятия, а также оценить наиболее привлекательный для предприятия сектор рынка. Разработанные принципы прогнозирования могут использоваться для различных металлургических предприятий.
Реализация работы. Результаты диссертационной работы использованы для прогнозирования электропотребления Нижнетагильского металлургического комбината и Западно-Сибирского металлургического комбината.
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на Международной научно-технической конференции «Электроэнергия и будущее цивилизации» (г. Томск, 19-21 мая 2004 г.), XII Федеральной научно-технической конференции «Электрификация металлургических предприятий Сибири, прогнозирование параметров электропотребления и нормирования, реорганизация электроснабжения и ремонта» (г. Новокузнецк, 6-7 октября 2004 г.), XII Международной научно-технической конференции студентов и аспирантов «Радиоэлектроника электротехника и энергетика» (г. Москва, 2-3 марта 2006 г.), на научных семинарах кафедры «Электроснабжение промышленных предприятий» ИЭТ МЭИ (ТУ) в 2004-2007 гг.
Публикации. По теме диссертации опубликовано семь печатных работ [18,22,39,45,46,47,48].
Структура и объем работы. Диссертационная работа изложена на 133 страницах машинописного текста, содержит 34 рисунка и 3 таблицы. Работа состоит из введения, четырех глав, заключения и 4 приложений. Библиографический список использованной литературы включает 106 наименования работ отечественных и зарубежных авторов.
Электрическое хозяйство металлургических предприятий как объект прогнозирования
Металлургический комбинат в настоящее время представляет собой крупный металлургический комплекс, включающий горнорудное предприя тие, коксохимический и огнеупорный заводы, доменный, сталеплавильный и прокатный переделы, производство товаров народного потребления, строи тельные, ремонтные, энергетические и транспортные подразделения, подсоб ное сельское хозяйство, объекты жилья, соцкультбыта и городского транс порта [1]. С точки зрения электрического хозяйства металлургический ком бинат представляет собой сложную систему генерирующих (блок-станции), преобразующих, передающих электроустановок, посредством которых осу ществляется снабжение предприятия электроэнергией и эффективное ис пользование ее в процессе технологического производства. С другой сторо ны, электрическое хозяйство крупного промышленного предприятия можно представить в виде сообщества слабосвязанных и взаимодействующих между собой изделий - техноценоза [36], [32], при этом ценологические свойства электрохозяйства проявляются, только начиная с определенного количества входящих в него элементов. Электрическое хозяйство включает в себя: соб ственно электроснабжение, которое иногда называют внутризаводским электроснабжением; силовое электрооборудование и автоматизацию, элек троосвещение; эксплуатацию и ремонт электрооборудования (электроре монт).
Оценим количественно электрическое хозяйство как систему на примере крупнейшего металлургического комбината - Магнитогорского. На нем установлено 111,7 тыс. электрических машин средней мощностью 48,4 кВт, в том числе до 100 кВт (подключаются к 2УР) 85 тыс., 10,2 кВт; трансформаторов I—III габаритов, практически соответствующих ЗУР, установлено 2633 шт. средней мощностью 858 кВА; IV габарита и выше - 165 шт., 28330 кВА (5УР); высоковольтных выключателей - 6136 шт.; количество шкафов и другого оборудования второго уровня - около 10 тыс. шт., количество низковольтной аппаратуры всех видов - около 10 шт. на один электродвигатель [35]. Такое количество элементов системы электроснабжения не дает возможности изобразить полную схему электроснабжения завода. Даже для 6УР и 5УР она может быть лишь упрощена [35]. Парк установленного на крупном металлургическом заводе электрооборудования (электрические машины, трансформаторы I-VI габаритов, трансформаторные и преобразовательные подстанции, электротермическое, электротехнологическое и электросварочное оборудование, установки комплектного электропривода и установки внутреннего и наружного электроосвещения) сравним с несколькими крупными предприятиями. Систему электроснабжения крупного металлургического завода по передаваемой и распределяемой мощности, по количеству установленного оборудования можно сравнивать с некоторыми энергосистемами.
Для более объективной оценки электрохозяйства крупного металлургического предприятия необходимо иметь в виду, что современные металлургические предприятия непрерывно реконструируются и обновляются, подобно живому организму, при этом изменения затрагивают и их электрическое хозяйство.
Предприятие представляет собой систему со связями между его составляющими, варьирующимися от сильных до слабых, при этом большинство элементов имеют между собой слабые связи, что позволяет классифицировать крупное промышленное предприятие как объект типа ценоз [32]. В этом случае описание промышленного предприятия, как
13 объекта прогнозирования, базируется на третьей научной картине мира, которая отражена в ряде учебных пособий, например в [31, 35, 36], и оперирует такими понятиями, как вид, особь, каста, техноценоз и др. Техноценоз определяется как сообщество изделий конвенционально выделенного объекта; множество элементов - изделий, характеризующееся слабыми связями и слабыми взаимодействиями; система техногенного происхождения, рассматриваемая как сообщество классифицируемых по видам единиц техники, технологии, материала, продукции, отходов и выделяемая административно - территориально для целей инвестиционного проектирования, построения (сооружение, монтаж, наладка), обеспечения функционирования (эксплуатация, ремонт), управления (менеджмент). В качестве особей рассматривают выделяемый элемент ценоза, штуку, экземпляр, индивид, индивидуум - неделимую единицу технического. Особи, отличающиеся от остальных численной (количественной) и качественной характеристиками образуют виды. Сложившийся техноценоз обладает свойством устойчивого необратимого развития и устойчивости структуры. Это означает, во-первых, что в рамках техно-ценоза воспроизводятся условия его существования, во-вторых, гасятся новшества, подрывающие его существование, независимо от того, являются ли эти новшества неудачными или удачными, т.е. провозвестниками будущего, в-третьих, принимаются только те новшества, которые укрепляют его жизнеспособность именно в нынешнем виде, без изменений.
Применение этой системы понятий позволяет рассматривать электропотребление предприятия как характеристику вложенных друг в друга ценозов «отрасль - предприятие - цех», что позволяет получить максимально точную модель предприятия, используемую для целей прогнозирования. Данная модель электропотребления предприятия из-за своей глубокой связи с вышестоящим и нижестоящим уровнем имеет глубокое теоретическое и большое практическое значение, открывая возможности уточнения прогнозов электропотребления предприятия за счет использования открывающихся системных свойств.
Ценологические основы прогнозирования электропотребления предприятий
Ценологическое прогнозирование электропотребления предприятий основывается на концептуальной работе [32], в которой был введен необходимый понятийный аппарат. Наиболее полно математический аппарат цено-логического прогнозирования был изложен в [33]. Ценологический подход к прогнозированию заключается в том, что электропотребление отдельного предприятия рассматривается не изолировано, а в связи с другими, иерархически систематизированными по электропотреблению. В этом случае электропотребление отдельного предприятия оказывается ценологически ограничено средой вышестоящей системы - ценоза: моделирование и прогнозирование осуществляется в зависимости от того, в каком месте ценологической классификации оно находится [68].
Ключевыми понятиями ценологического прогнозирования являются понятия техноценоза, исследуемого семейства, элемента-особи, вида, касты, а также видового, ранговидового и рангового по параметру Я-распределений. Изложим их в соответствии с [31, 33].
Особь - выделяемый элемент ценоза, далее неделимый. Вид - основная структурная единица в систематике изделий, образующих техноценоз; изделия одного вида изготавливаются по одной проектно-конструкторской документации. Популяция - группа особей одного вида. Семейство - таксономет-рическая единица в систематике. В случае прогнозирования можно выделить семейства особей, представляющих собой единицу оборудования, значение электропотребления в определенный момент, либо за определенный период, и т.д. Каста - группа, в которой каждый вид представлен равным количест 37 вом особей. Техноценоз - сообщество изделий конвенционально определённого объекта, включающее популяции всех видов выделенного семейства; множество образующих целостность элементов-изделий, характеризующееся слабыми связями и слабыми взаимодействиями относительно друг друга; система техногенного происхождения, рассматриваемая как сообщество классифицируемых по видам единиц техники, технологии, материала, продукции, отходов, и выделяемая административно-территориально для целей инвестиционного проектирования, построения (сооружение, монтаж, наладка), обеспечения функционирования (эксплуатация, ремонт), управления (менеджмент).
Видовое распределение - распределение популяций одинаковой численности по кастам. Ранговидовое распределение получается из видового расположение видов принудительно в порядке уменьшения численности каждого вида. Эта процедура носит название ранжирование (от франц. ranger -выстраивать по росту). Ранговое Я-распределение по параметру представляет собой непосредственное ранжирование элементов-особей по какому-либо параметру (чаще непрерывному).
Для целей прогнозирования электропотребления обычно используется ранговое распределение, так как электрохозяйство характеризуется непрерывными величинами электропотребления, мощности, стоимости и др.
Математическое описание рангового Я-распределения по параметру можно представить в виде: P{r) = PJrp, (2.1) где Pi - максимальный параметр, которому соответствует ранг г = 1; Р - ранговый коэффициент, характеризующий степень крутизны распределения.
Параметры Р/ и (3 однозначно характеризуют форму кривой Я-распределения.
Особенностью рангового Я-распределения по параметру является наличие «длинного хвоста», которое отличает его от нормального распределения, представленного в виде рангового распределения. Эта особенность объясняется теоретически бесконечной дисперсией Я-распределения. На осно 38 вании свойства данного распределения характеризовать весь техноценоз в целом через значения параметров каждой особи основано применение рангового анализа для оптимизации техноценозов, обоснованное в [8], которое заключается в целенаправленном изменении параметров отдельных видов технических изделий и их номенклатуры с учетом макроскопических интересов техноценоза в целом. При этом выполнение требований закона оптимального построения техноценозов обеспечит такое состояние, которое, с одной стороны, в максимальной степени будет соответствовать функциональному предназначению, а с другой - потребует минимальных затрат на всестороннее обеспечение в условиях динамично и непредсказуемо изменяющейся инфраструктуры.
Применение рангового анализа для прогнозирования электропотребления основано на устойчивости формы кривой рангового //-распределения по параметру, характеризующейся устойчивостью значений рангового коэффициента Р, совершающего флуктуации в диапазоне [0,5; 1,5]. При добавлении третьего измерения - времени - происходит переход к поверхности рангового Я-распределения по параметру.
Формализация перечня исходных данных для почасового прогнозирования электропотребления на сутки вперед
Современное металлургическое предприятие является сложным объектом, на электропотребление которого оказывают влияние различные факторы, число которых не поддается точному определению. Каждое предприятие является индивидуальным по составу влияющих факторов и вкладу каждого фактора. Кроме того, влияние того или иного фактора может изменяться во времени и иметь нелинейный характер. Все эти причины затрудняют построение системы прогнозирования электропотребления металлургического предприятия.
Однако, возможно получение прогнозов приемлемой точности при условии учета конечного числа факторов, применяемых для построения математической модели предприятия.
Может применяться два подхода к прогнозированию. Первый подход подразумевает, что в предыстории изменения прогнозируемой величины уже учитываются все влияющие факторы, и прогнозирование производится на основании временных рядов. При этом может рассматриваться структура ряда с выделением трендовой, циклической и случайной компонент, либо (в случае краткосрочных прогнозов, когда глубина прогноза составляет 3-5% от предыстории) может производиться прямое нейросетевое предсказание. Ряд при этом рассматривается в динамике, когда значение прогнозируемой величины, т.е. будущие значения ряда, экстраполируется при помощи функциональной зависимости из предыдущих значений электропотребления.
Второй подход к прогнозированию предусматривает введение модели электропотребления на основании факторов, оказывающих на него влияние и находящихся с ним в стохастической (в частном случае - корреляционной) связи. В качестве этих факторов могут выступать планируемый объем выпуска продукции, сортамент продукции, температура окружающего воздуха, освещенность, принадлежность прогнозируемого дня к рабочему или выходному, тому или иному дню недели, месяца и т.д. В этом случае прогнозирование происходит на основании значений влияющих факторов, определяемых на период прогнозирования.
Для обеспечения правильности прогнозирования следует выбрать те факторы, вклад которых в электропотребление является значительным, а совокупность этих факторов будет представлять собой репрезентативную выборку. Выбор таких факторов для каждого случая является отдельной задачей. До начала прогнозирования производится предварительное оценивание влияния предполагаемых факторов прогнозирования. В процессе прогнозирования может оказаться, что достижение необходимой точности прогноза затруднено или невозможно, что требует возврата к оценке влияния факторов и коррекции их набора.
Следует особо отметить, что использование для определения влияющих факторов корреляционного анализа является неверным, что обусловлено возможностью появления ложной корреляции. Правильным способом является нахождение влияющих факторов путем изучения и логического анализа взаимосвязи физических процессов, определяющих электропотребление предприятия.
Занесем факторы, способные оказывать влияние на почасовое электропотребление крупного металлургического предприятия в таблицу прил. 2, и произведем анализ с точки зрения наличия логической связи с электропотреблением, а также силы этой связи.
Облачность, видимость, астрономическая долгота светового дня составляют одну группу взаимосвязанных влияющих факторов. Их связь с электропотреблением предприятия прослеживается логически через изменение нагрузки, идущей на освещение. Слабость влияния этой группы факторов обусловлена малой требовательности металлургического производства к искусственному освещению, доля изменения нагрузки при изменении освещенности сравнительно невелика. Влияние потребления мощности на освещение более всего заметно для бытовых потребителей, а также на предприятиях с высокими требованиями к освещенности рабочих мест, например, точному машиностроению. Анализ показывает, что наиболее полно влияние факторов этой группы проявляется в освещенности. Отметим, что почасовое прогнозирование освещенности на практике представляет собой сложную задачу в связи с большой изменчивостью состояния облачного покрова в течение часа, которое в начале или конце дня может значительно влиять на необходимость включения осветительных приборов, несмотря на астрономическую долготу светового дня, что делает такой тип информации для целей прогнозирования малоприемлемым.
Влияние температуры на электропотребление обусловлено большим ее влиянием на ряд производств, связанным с изменением мощности, потребляемой на обогрев помещений, а также на работу компрессорного оборудования [60]. Следует отметить, что влияние температуры на электропотребление имеет некоторое запаздывание, которое требует его определения для введения коррекции в набор данных, используемых для построения прогноза.
Следует учитывать, что для обеспечения точного прогнозирования необходимо иметь точные значения влияющих факторов на период прогнозирования, что для погодных данных затруднено необходимостью их прогнозирования с достаточной точностью, так как точность прогнозов погоды не превышает 60%.
Выбор и адаптация программного пакета для целей прогнозирования с учетом выбранной методики
Характеристики наиболее часто применяемых программных пакетов приведены в прил. 2. Анализ приведенного перечня показывает, что наиболее удобным для исследовательских целей является программный пакет Neural Network toolbox, который входит в систему компьютерной математики MATLAB . Это объясняется широкими способностями данной системы к моделированию различных нейросетевых архитектур, включая рекуррентные, доступность системы для изучения как в англоязычном, оригинальном варианте, так и на русском языке [15, 16]. Кроме того, данная система является фактическим стандартом для изучения среди зарубежных ВУЗов, что является подтверждением его распространенности. Пробную, пятнадцатидневную версию системы, можно скачать с официального сайта компании. Требования к компьютеру различаются в зависимости от версии используемой системы, и в качестве необходимого минимума требуется процессора типа Pentium, 64 Мбайт оперативной памяти, привод компакт-дисков, монитор с поддержкой 256 цветов, и до 1,5 Гбайт свободного места на жестком диске.
Система MATLAB (сокращение от англ. MATrix LABoratory -матричная лаборатория) была разработана Молером ( С. В. Moler ) и с конца 70-х гг. широко использовалась на больших ЭВМ. В начале 80-х гг. Джон Литл (John Little) из фирмы Math Works, Inc. разработал версии системы PC MATLAB для компьютеров класса IBM PC, VAX и Macintosh. В дальнейшем были созданы версии для рабочих станций Sun, компьютеров с операционной системой UNIX и многих других типов больших и малых ЭВМ. К расширению системы были привлечены крупнейшие научные школы мира в области математики, программирования и естествознания. Сейчас система MATLAB может работать более чем на двух десятках наиболее популярных компьютерных платформ.
Система MATLAB создавалась изначально как язык программирования высокого уровня, ориентированный на технические вычисления. В настоящее время MATLAB имеет входной язык, иногда также называемый /w-языком, напоминающий Бейсик и Паскаль. Этот язык является интерпретатором, требуя для своего выполнения установленную на компьютере систему MATLAB. Программа сохраняется в текстовом файле с расширением .т, который может редактироваться как с помощью встроенного редактора, так и при помощи любого другого приложения, которое работает с текстовыми файлами. Удобство применения встроенного редактора заключается в наличии отладчика, помогающего устранить грубые ошибки в написании кода. Также MATLAB позволяет интегрировать внешние процедуры, написанные на языках С, C++, Fortran и Java с MATLAB-приложениями, и автоматически генерировать при помощи встроенного компилятора оптимизированный С и C++ код для программ, написанных в среде MATLAB. Транслируя код MATLAB на С и C++, компилятор существенно ускоряет работу приложения.
В настоящее время система MATLAB представляет собой интерактивную программу для научных и инженерных вычислений, снабженную рядом пакетов расширения, называемых «наборами инструментальных средств», в оригинале - «toolboxes», к названию которых добавляется название, характеризующее данное приложение. В настоящее время число приложений составляет уже более шестидесяти, кроме того, пользователи способны, при необходимости, разрабатывать собственные приложения, которые не входят в официальную поставку, но могут размещаться компанией на официальном сайте фирмы MathWorks, расположенном по адресу www.mathworks.com. Легкость расширения системы и открытость кода объясняется тем, что большинство команд и функций системы реализованы в виде текстовых m-файлов и файлов на языке С, причем все файлы доступны для модификации. При необходимости пользователи могут создавать свои команды, для чего пишут на /w-языке программы, размещаемые на жестком диске среди файлов с командами, входящими в систему MATLAB. Количество создаваемых таким образом команд ограничено выбором их названия, т.к. они не должны пересекаться с уже имеющимися названиями, и количеством свободного места на жестком диске компьютера. Пользователи имеют возможность создавать не только отдельные файлы, но и их библиотеки, пакеты расширения для реализации специфических задач. Таким образом, система MATLAB является открытой и легко расширяемой, что является ее важным достоинством.
Система MATLAB имеет большие возможности построения графиков, изменение их внешнего вида (масштаба осей, цветов, степени поворота трехмерных графиков и т.д.), аппроксимации данных, на основании которых построены графики, а также определения их основных статистических параметров не покидая окна приложения с анализируемым графиком. При необходимости может быть проведен всесторонний статистический анализ данных, на основании которых строился график, при использовании средств системы MATLAB.
Пакет Neural Network для работы с нейронными сетями представляет собой полноценную среду MATLAB с добавлением набора специфических для него команд. Пакет имеет широкие возможности проектирования, обучения и моделирования большинства известных моделей нейронных сетей, и включает в себя персептроны, линейные сети и сети обратного распространения, сети Левенберга, радиальные базисные сети, сети Элмана, Хопфилда, а также самообучаемое квантование векторов, сети Хэбба, Кохонена, конкурентные сети и др. Пакет не накладывает ограничений на размер или связность сети, число нейронов в слое не ограничено, а также отсутствуют ограничения на тип передаточной функции. Кроме того, имеется большие возможности анализа работы сетей, а именно: получение таблиц значений весовых коэффициентов, построение нейронный сетей с определяемой пользователем конфигурацией, возможность использования мощи пакета MATLAB для импорта данных из различных источников, обработки и экспорта полученных значений в любом необходимым пользователю виде.
