Содержание к диссертации
Введение
1 Анализ методов определения расхода электрической энергии нетяговых железнодорожных потребителей 8
1.1 Электроснабжение нетяговых железнодорожных потребителей электрической энергии 8
1.2 Методы анализа и определения расхода электрической энергии на железнодорожном транспорте 16
1.3 Систематизация производственно-технологических и климатических факторов, влияющих на расход электрической энергии нетяговых железнодорожных потребителей 22
1.4 Общие принципы нейросетевого моделирования 30
1.5 Основные результаты и выводы 36
2 Разработка методики анализа и определения расхода электрической энергии нетяговых железнодорожных потребителей на основе ИНС 37
2.1 Анализ и выбор структуры ИНС для определения расхода электрической энергии 37
2.2 Алгоритм обучения ИНС 47
2.3 Совершенствование методов оценки успешности обучения ИНС .51
2.4 Общий порядок анализа и определения расхода электрической энергии нетяговых железнодорожных потребителей с применением ИНС 58
2.5 Разработка программного комплекса для определения расхода электрической энергии нетяговых железнодорожных потребителей 68
2.5.1 Формирование первичных исходных данных для программного комплекса 68
2.5.2 Структура программного комплекса 70
2.5.3 Алгоритм работы с программным комплексом 70
2.5.4 Создание и обучение нейронной сети в программном комплексе 71
2.5.5 Работа с обученной нейронной сетью в программном комплексе 76
2.5.6 Дообучение нейронной сети в программном комплексе 80
2.5.7 Минимальные системные требования для программного комплекса 80
2.6 Основные результаты и выводы 82
3 Апробация методики и программного комплекса для анализа и определения расхода электрической энергии нетяговых железнодорожных по требителей 83
3.1 Планирование расхода электрической энергии для локомотивного ремонтного депо ТЧР-21 Таганай Южно-Уральской железной дороги 83
3.2 Сравнение фактического и планируемого расхода электрической энергии 101
3.3 Основные результаты и выводы 106
4 Оценка экономической эффективности и адекватности методики для анализа и определения расхода электрической энергии на нетяговые нужды в ОАО «РЖД» 107
4.1 Проверка адекватности предложенной методики 107
4.2 Расчет экономической эффективности внедрения методики анализа и определения расхода электрической энергии на нетяговые нужды в ОАО «РЖД» ПО
4.3 Основные результаты и выводы 115
Заключение 116
Библиографический список 118
- Методы анализа и определения расхода электрической энергии на железнодорожном транспорте
- Общий порядок анализа и определения расхода электрической энергии нетяговых железнодорожных потребителей с применением ИНС
- Структура программного комплекса
- Расчет экономической эффективности внедрения методики анализа и определения расхода электрической энергии на нетяговые нужды в ОАО «РЖД»
Введение к работе
Актуальность темы исследования. В соответствии с программой «Энергетическая стратегия железнодорожного транспорта на период до 2015 года и на перспективу до 2030 года» одной из главных целей в области ресурсосберегающих технологий является повышение энергоэффективности основных производственных процессов компании. Важная роль при этом уделяется процессам прогнозирования объема энергопотребления как в системе тягового электроснабжения, так и на нетяговые нужды структурных подразделений (СП) железных дорог.
В настоящее время достоверность результатов планирования расхода электрической энергии нетяговых железнодорожных потребителей не во всех случаях является удовлетворительной, что свидетельствует о недостаточной степени разработанности исследуемой темы. Так, планируемый расход электрической энергии на нетяговые нужды в ОАО «РЖД» за 2012 г. составил 5446,1 млн кВт-ч, а фактический - 4370,2 (расхождение - (-19,8) %). Наиболее существенна погрешность планирования по Дирекции железнодорожных вокзалов - (-30) %, Дирекции тепловодоснабжения - (-32,7), Дирекции управления движением - (-34,7), а также по отдельным железным дорогам: Свердловской - (-9,0), Красноярской - (-8,6), Западно-Сибирской - (-6,1) %. Установление недостоверных лимитов электропотребления приводит к неэффективному использованию денежных средств на приобретение энергоресурсов.
В связи с этим разработка актуальной и достоверной методики анализа и определения расхода электрической энергии нетяговых железнодорожных потребителей на основе современного математического аппарата является актуальной задачей.
Цель диссертационной работы - совершенствование методов анализа и определения расхода электрической энергии нетяговыми железнодорожными потребителями на основе математического аппарата искусственных нейронных сетей.
Для достижения указанной цели были поставлены следующие задачи:
-
выполнить систематизацию производственно-технологических и климатических факторов, влияющих на расход электрической энергии нетяговых железнодорожных потребителей;
-
разработать математическую модель электропотребления структурных подразделений железных дорог с использованием искусственных нейронных сетей;
-
разработать методику и программный комплекс на основе искусственных нейронных сетей для анализа и определения расхода электрической энергии на нетяговые нужды железнодорожного транспорта;
-
выполнить апробацию методики анализа и определения расхода электрической энергии на предприятиях железнодорожного транспорта и определить экономический эффект от ее внедрения.
Методы исследования. Для достижения поставленных целей использованы теоретические и экспериментальные исследования, моделирование процессов электропотребления на нетяговые нужды с помощью разработанного программного комплекса на основе искусственных нейронных сетей. В исследованиях использованы основные положения математической статистики и теории вероятностей.
Научная новизна диссертационной работы заключается в следующем.
-
Разработана методика анализа и определения расхода электрической энергии структурных подразделений железных дорог с использованием искусственных нейронных сетей, учитывающая влияние климатических и производственных факторов.
-
Предложен алгоритм выбора структуры и параметров нейронной сети на основе расчета коэффициента, характеризующего близость дисперсий фактической и смоделированной выборок, и среднеквадратического отклонения средней ошибки моделирования для определения расхода электрической энергии структурных подразделений железных дорог.
Положения, выносимые на защиту:
-
методика анализа и определения расхода электрической энергии на нетяговые нужды железнодорожных потребителей с использованием искусственных нейронных сетей;
-
алгоритм выбора структуры и параметров нейронной сети для определения расхода электрической энергии структурных подразделений железных дорог на основе оценки близости дисперсий фактической и смоделированной выборок и среднеквадратического отклонения средней ошибки моделирования.
Достоверность научных положений и результатов диссертационной работы обоснована теоретически и подтверждена положительными результатами апробации методики анализа и определения расхода электрической энергии на нетяговые нужды с применением искусственных нейронных сетей в струк-
турных подразделениях Южно-Уральской железной дороги с погрешностью, не превышающей 9 %.
Практическая ценность и реализация результатов работы подтверждаются следующими документами и программами:
-
методика планирования расхода электрической энергии на нетяговые нужды с использованием искусственных нейронных сетей, утвержденная распоряжением ОАО «РЖД» № 2626р от 06.12.2011;
-
программный комплекс «Нейросетевое планирование расхода электрической энергии на железнодорожном транспорте», зарегистрированный в реестре программ для ЭВМ 16.08.2012 (свидетельство об официальной регистрации программы для ЭВМ № 2012617381).
Личный вклад соискателя. Автором принято непосредственное участие в работе на всех этапах: при получении исходных данных, их систематизации и проведении анализа, разработке программного комплекса и апробации результатов исследования. На основе полученной информации сформулированы основные положения диссертации, составляющие ее новизну и практическую ценность.
Апробация работы. Основные положения работы и ее результаты докладывались и обсуждались на научно-практических конференциях «Инновационные проекты и новые технологии в образовании, промышленности и на транспорте» (Омск, 2011 - 2012), «Интеллектуальные системы управления на железнодорожном транспорте «ИСУЖТ-2012» (Москва, 2012), «Научные исследования и их практическое применение. Современное состояние и пути развития-2013» (Одесса, 2013), «Эксплуатационная надежность подвижного состава» (Омск, 2013), на семинаре кафедры «Теоретическая электротехника» Омского государственного университета путей сообщения (Омск, 2013), научно-техническом семинаре Омского государственного университета путей сообщения «Повышение эффективности работы железнодорожного транспорта, объектов промышленной теплоэнергетики, телекоммуникационно-информационных систем, автоматики и телемеханики» (Омск, 2013).
Публикации. По материалам диссертации опубликовано девять печатных работ, из них три - в изданиях, определенных ВАК Минобрнауки России [1-3].
Структура и объем диссертации. Диссертационная работа состоит из введения, четырех разделов, заключения, библиографического списка из 93 наименований и двух приложений. Работа изложена на 126 страницах основного текста, содержит 42 рисунка, 36 таблиц.
Методы анализа и определения расхода электрической энергии на железнодорожном транспорте
W . - объем расхода электроэнергии всеми стационарными потребителями (кроме соответствующей дистанции электроснабжения в части электропотребления на собственные нужды ЭЧЭ и на прогрев трансформаторов ЭЧЭ при работе на холостом ходу), точками поставки для которых являются ЭЧЭ, расположенные в границах і-й тарифной зоны, а также дистанциями сигнализации, централизации и блокировки на нужды устройств СЦБ, подключенных к трансформатору собственных нужд ЭЧЭ, без учета потерь. Эта величина определяется по показаниям приборов ее учета этих потребителей и/или рассчитывается по мощности их электроустановок и числу часов использования этой мощности;
AW . - объем потерь, отнесенных на всех стационарных потребителей, точками поставки для которых являются ЭЧЭ, расположенные в границах і-й тарифной зоны, который определяется как разница между общим объемом поступления (поставки) электроэнергии в сеть ОАО «РЖД» через ЭЧЭ, расположенные в границах і-й тарифной зоны, и суммой объемов ее поступления в контактную сеть от этих ЭЧЭ и расхода электроэнергии всеми другими потребителями, точками поставки для которых являются те же ЭЧЭ, с учетом потерь, отнесенных на сторонних потребителей, и потерь в электрооборудовании указанных ЭЧЭ: + W343 + W343 . +Д W343 +AW3,43 ], х.х.1 сторона сторонл 30iJ где W У- . - общий объем поступления (поставки) электроэнергии в сеть ОАО «РЖД» через ЭЧЭ, расположенные в границах і-ой тарифной зоны, который определяется по показаниям соответствующих приборов ее учета; WTCP _ бщий объем поступления (поставки) электроэнергии в тяговую сеть от ЭЧЭ, расположенных в границах і-й тарифной зоны, который определяется по соответствующим приборам ее учета на этих ЭЧЭ; WrJ . - объем расхода электроэнергии на собственные нужды ЭЧЭ, расположенных в границах і-й тарифной зоны, и на нужды устройств СЦБ, питающихся от этих ЭЧЭ, который определяется по показаниям соответствующих приборов ее учета, расположенных на трансформаторе собственных нужд ЭЧЭ; W . - объем расхода электроэнергии на прогрев трансформаторов Л..Л..1 ЭЧЭ, расположенных в границах і-й тарифной зоны, при работе на холостом ходу, который определяется по показаниям соответствующих приборов ее учета, расположенных на ЭЧЭ, либо расчетным путем по установленным нормативам расхода электроэнергии и количеству часов прогрева этих трансформаторов при работе на холостом ходу; W . - объем передачи электроэнергии сторонним потребителям, точками поставки для которых являются ЭЧЭ, расположенные в границах і-й тарифной зоны, без учета потерь, который определяется по показаниям соответствующих приборов ее учета, либо рассчитывается по мощности их электроустановок и числу часов использования этой мощности; AW . - объем потерь, отнесенных на сторонних потребителей, точками поставки для которых являются ЭЧЭ, расположенные в границах і-й тарифной зоны, что определяется в соответствии с договорами купли-продажи электроэнергии в целях компенсации потерь на основе нормативов потерь, принятых соответствующими регулирующими органами; AWr :. - общий объем потерь в электрооборудовании ЭЧЭ, расположенных в границах і-й тарифной зоны.
Объем электроэнергии, потребляемой на собственные нужды тяговых подстанций и на прогрев трансформаторов ЭЧЭ при работе на холостом ходу, а также объем расхода электроэнергии, связанного с потерями в электро оборудовании ЭЧЭ, относятся на соответствующую дистанцию электроснабжения.
В настоящее время для учета электрической энергии широко применяются современные трехфазные и однофазные счетчики типа ЦЭ (Энергомера), ПСЧ-4ТМ, KNUM и др. класса точности 1,0 и выше. В целях автоматизации процессов измерения количества электрической энергии и повышения их точности в ОАО «РЖД» внедрена и успешно эксплуатируется автоматизированная система коммерческого учета электрической энергии (АСКУЭ), которая функционирует на трех уровнях: автоматизированная система коммерческого учета ЭЭ тяговых подстанций (АСКУЭ ТТЇ); автоматизированная система коммерческого учета ЭЭ железнодорожных узлов (АСКУЭ ЖУ); автоматизированная система коммерческого учета ЭЭ в рамках розничного рынка электроэнергии (АСКУЭ РРЭ). К числу основных функций АСКУЭ относятся [25]: сбор, обработка и представление информации об энергопотреблении; предоставление отчетов и справок о деятельности объекта на основе автоматизированного составления различных форм и видов информационных документов; обработка информации на основе научно-обоснованной методологии, поддержки принятия решений; контроль и управление энергопотреблением объектов предприятий.
Первые две задачи являются практически стандартными для любого потребителя и в настоящее время решаются в полном объеме. Решение третьей и четвертой задач является более сложным и, к сожалению, на сегодняшний день эти возможности реализуются не в полном объеме. Это относится и к функции планирования энергопотребления на нетяговые нуждыОдной из актуальных и важных задач для отраслевых предприятий ОАО «РЖД» является совершенствование существующих методов анализа и определения расхода электрической энергии, позволяющих обеспечить достоверное прогнозирование расхода электрической энергии и уменьшить расхождение фактического и планового электропотребления. Точное прогнозирование расхода электроэнергии за определенный расчетный период времени (месяц, квартал, год) позволяет повысить эффективность использования денежных средств на приобретение энергоресурсов в структурных подразделениях ОАО «РЖД», его дочерних и зависимых обществах.
Вопросам анализа, планирования и нормирования расхода энергоресурсов на железнодорожном транспорте посвящены работы ученых В. Н. Игина, Е. А. Сидоровой, В. Т. Черемисина, А. Н. Митрофанова, В. П. Закарюкина, А. В. Крюкова и др. [26 - 30].
Общий порядок анализа и определения расхода электрической энергии нетяговых железнодорожных потребителей с применением ИНС
Искусственная нейронная сеть (ИНС) - математическая модель, а также её программные или аппаратные реализации, которые имитируют структуру и свойства нервной системы живых организмов. Нейронная сеть получает на входе набор входных сигналов и выдает соответствующий им ответ (выходные сигналы), являющийся решением определенной задачи.
Термин «нейронные сети» сформировался в 40-годах прошлого века в среде исследователей, изучавших принципы организации и функционирования биологических нейронных сетей. В 1949 физиолог Дональд Олдингс Хебб написал книгу «Организация сознания» [39]. В этой книге он попытался объяснить, как нейроны человеческого мозга могут обучаться. Его теория получила впоследствии название «Обучение Хебба». Хебб продемонстрировал ученым того времени, как сеть нейронов может обучаться.
В пятидесятые и шестидесятые годы группа исследователей, объединив эти биологические и физиологические подходы, создала первые искусственные нейронные сети. Выполненные первоначально как электронные сети, они были позднее перенесены в более гибкую среду компьютерного моделирования, сохранившуюся и в настоящее время. Минский, Розенблатт и Уид-роу [40-42] внесли свои имена в историю нейронных сетей, разработав первые модели, состоящие из одного слоя искусственных нейронов. Часто назы ваемые персептронами, они были использованы для такого широкого класса задач, как предсказание погоды, анализ электрокардиограмм и искусственное зрение. Ученые Кохонен, Гроссберг, Андерсон продолжили исследования [43].
1987 год в истории нейронных сетей отметился проведением четырех крупных совещаний по искусственным нейронным сетям и опубликованием свыше 500 научных сообщений - что означало феноменальную скорость роста. Благодаря работам Дж. Хопфилда [44], предложившего свою схему нейронной сети и методы ее использования для решения некоторых задач, возрастает интерес к нейронным сетям. В это время получает развитие алгоритм обратного распространения ошибки для обучения ИНС.
В России проблемы развития нейросетевых технологий отражены в работах А. И. Галушкина, В. Л. Дунина-Барковского, А. Н. Горбаня, В. Г. Царегородцева, В. 3. Манусова и других ученых [15, 45-48].
В настоящее время нейронные сети - популярный инструмент машинного обучения и объект множества исследований. ИНС находят свое применение при решении задач в различных областях (техника и телекоммуникации, информационные технологии, экономика и финансы, реклама и маркетинг, медицина и пр.). Также широко применяется нейросетевое моделирование в целях прогнозирования электрических нагрузок промышленных предприятий и энергосистем [49-66].
Основу каждой ИНС составляют относительно простые, в большинстве случаев однотипные элементы (ячейки), имитирующие работу нейронов мозга (рисунок 1.10). Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены, и имеет группу синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также аксон -выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется ВеЛИЧИНОЙ СИНаПТИЧеСКОЙ СВЯЗИ ИЛИ ЄЄ ВеСОМ Wj [67]. Текущее состояние нейрона определяется как взвешенная сумма его входов: S = 2 iWi (1.13) i=l Рисунок 1.10 - Общий вид искусственного нейрона Нейроны в зависимости от выполняемых функций разделяются на три типа: входные, промежуточные и выходные. Входные нейроны принимают исходный вектор, который кодирует входной сигнал, данные нейроны не выполняют вычислительных операций, а просто передают полученный входной сигнал на выход. Промежуточные нейроны выполняют основные вычислительные операции. Выходные нейроны представляют из себя выходы сети, в них также могут производиться какие-либо вычислительные операции.
Для обеспечения параллельной обработки сигналов осуществляется объединение большого числа нейронов в так называемые слои и соединение определенным образом нейронов различных слоев, а также, в некоторых конфигурациях, и нейронов одного слоя между собой, причем обработка взаимодействия всех нейронов ведется послойно. Функционирование многослойной ИНС, структура которой представлена на рисунке 1.11, достаточно простое. Входные сигналы х;, подаваемые на сеть, поступают на нейроны входного слоя, проходят по очереди через все скрытые слои и выделяются с нейронов выходного слоя, формируя при этом выходные сигналы у І . По мере распространения сигналов по сети они претерпевают ряд преобразований, которые зависят от их начального значения, от преобразующей функции и величин весов связей. Определение структуры ИНС (структуры реализуемой ею функции) сводится к выбору подходящей модели нейрона, достаточного числа нейронов в скрытом слое, входных и выходных параметров и формы их представления на основании результатов экспериментальных расчетов [67].
Структура программного комплекса
Общий алгоритм определения расхода электрической энергии с использованием ИНС состоит из следующих основных этапов. 1 этап - сбор исходных данных.
Базовой бизнес-единицей для планирования расхода электрической энергии на нетяговые нужды является СП. Если производственные участки СП имеют ярко выраженные отличия по климатическим условиям или ви-дамф производственной деятельности, выполняемой с использованием ЭО, то такой участок следует выделять в отдельный объект моделирования. Во всех остальных случаях целесообразно рассматривать в качестве объекта моделирования СП в целом.
На данном этапе необходимо сформировать первичные исходные данные по каждому объекту моделирования. Объектом моделирования является отделение, цех, производственный участок структурного подразделения ОАО «РЖД». Перечень необходимых исходных данных выбран на основе предварительного анализа факторов, влияющих на расход электрической энергии [76].
Исходные данные, используемые для планирования расхода электрической энергии, необходимо предоставить за периоды (как минимум 2 года), предшествующие расчетному: 1) расход электрической энергии за предшествующие расчетному периоды без учета небаланса электропотребления W (кВт-ч); 2) уровень небаланса электропотребления за предшествующие расчетному периоды AW (кВт-ч); 3) фактическая среднемесячная температура воздуха в населенном пункте, в котором находится объект моделирования, за предшествующие расчетному периоды t (С); 4) объем производственной деятельности объекта моделирования за предшествующие расчетному периоды V; 5) перечень электрического оборудования (ЭО) (с указанием установленной мощности каждой единицы оборудования Р„ (кВт), а также коэффициента использования нагрузки ки), используемого в СП по состоянию на начало расчетного периода; 6) перечень ЭО, введенного в эксплуатацию и выведенного из эксплуатации за предшествующие расчетному периоды; 7) перечень ЭО с изменившимся режимом работы за предшествующие расчетному периоды. При увеличении объема исходных данных точность планирования повышается, поэтому при наличии необходимой информации целесообразен сбор данных за более ранние периоды. Исходные данные заносятся в таблицы 2.8 -2.11. Среднестатистические годовые (нормативные) значения коэффициента использования нагрузки эксплуатируемого ЭО ки определяются по справочным данным. Однако такой подход может быть применен только в тех случаях, когда невозможно установить четкую зависимость его значения от режимов работы ЭО. В тех случаях, когда известна специфика работы ЭО, коэффициент использования нагрузки определяется по формуле [77]: ки=Йр, (2.15) / і см где t - общее время работы ЭО за смену, ч; Тсм - длительность смены объекта моделирования, ч.
В случае, если за предшествующие расчетному периоды в СП применялись организационно-технические мероприятия по экономии электрической энергии, изменялся технологический процесс предприятия, внедрялось новое энергосберегающее оборудование, это должно быть учтено в табл. 2.10 и 2.11 за счет изменения установленной мощности и коэффициента использования нагрузки ЭО [85]. Таблица 2.8 - Первичные исходные данные № п/п Наименование показателя Обозначение показателя Единица измерения Источник представления данных Форма представления данных 1 Расход электрической энергии за предшествующие расчетному периоды без учета небаланса электропотребления W кВт-ч СП произвольная 2 Уровень небаланса электропотребления за предшествующие расчетному периоды AW кВт-ч СП произвольная 3 Фактическая среднемесячная температура воздуха в населенном пункте, в котором находится объект моделирования, за предшествующие расчетному периоды t С Метеорологическая служба железной дороги или открытые интернет-источники произвольная 4 Объем производственной деятельности объекта моделирования за предшествующие расчетному периоды V Принимается в зависимости от типа бизнес-процесса СП СП произвольная 5 Перечень ЭО, используемого в СП по состоянию на начало расчетного периода — — СП Табл. 2.9 6 Перечень ЭО, введенного в эксплуатацию и выведенного из эксплуатации за предшествующие расчетному периоды — — СП Табл. 2.10 7 Перечень ЭО с изменившимся режимом работы за предшествующие расчетному периоды — — СП Табл. 2.11 Исходные данные по пунктам 1-4 таблицы 2.8 предоставляются помесячно. Таблица 2.9 - Перечень ЭО, используемого в СП Наименование ЭО Кол-во единиц оборудования Установленная мощность единицы оборудованияРн,кВт Коэффициент использованиянагрузки ки Объект моделирования Объект моделирования Объект моделирования N
Дата ввода в эксплуатацию/вывод а из эксплуатации Наименование ЭО Место установки (объект моделирования) Кол-во единиц Установленная мощность единицы оборудования Рн, кВт Коэффициент использования нагрузки Введенное в эксплуатацию оборудование Выведенное из эксплуатации оборудование Дата изменения режима работы Наименование ЭО Место установки (объект моделирования) Кол-воединиц Установленная мощность единицы оборудования Рн, кВт Коэффициент использования нагрузкиК до изменения режима работы после изменения режима работы Под установленной мощностью ЭО понимается его номинальная активная мощность Рн, т. е. мощность, заявленная в паспортных данных. 2 этап - обработка первичных исходных данных и формирование обучающей выборки.
Исходные данные по расходу электрической энергии, средней температуре воздуха, объему производственной деятельности могут заноситься непосредственно в обучающую выборку, а данные о небалансе электрической энергии необходимо представить в относительных значениях:
Расчет экономической эффективности внедрения методики анализа и определения расхода электрической энергии на нетяговые нужды в ОАО «РЖД»
При нажатии на область 4 появляется таблица с результатами планирования расхода электрической энергии.
Внимание. При смене расчетного периода может возникнуть ситуация, когда для данного периода уже выполнялся расчет расхода электроэнергии и результаты его были сохранены. В этом случае программный комплекс предложит отобразить сохраненные (старые) значения.
Если с момента выполнения предыдущего расчета нейросеть не дообу-чалась, то расчетные значения никак не изменятся.
Однако если предыдущий расчет выполнялся в более старой версии сети (то есть с тех пор сеть прошла процесс дообучения), то те же значения влияющих факторов могут привести к отличным значениям расхода электроэнергии. Чтобы спланированные значения расхода электроэнергии не изменялись, программный комплекс предложит отображать старые прогнозные значения. В этом случае моделирование расхода электрической энергии для данного периода не выполняется, а лишь отображаются результаты предыдущего расчета. Пересчет значений по новой (дообученной) нейросетевой модели будет выполнен при смене любого из влияющих факторов. Результатом расчета планируемого значения расхода электроэнергии является таблица, которая появляется при нажатии на область 4 таблицы (см. рисунок 2.18). Пример отображения итоговой таблицы приведен на рисунке 2.18.
В этой таблице приводится результат сравнения расчетного значения расхода электроэнергии с фактическим значением за аналогичный период предыдущего года как с учетом уровня небаланса электропотребления, так и без их учета. Кроме того, разница между прошлогодним и текущим расходом электрической энергии раскидывается по влияющим факторам. При этом учитывается, насколько изменились значения каждого фактора и насколько велико влияние каждого из факторов.
В программном комплексе автоматически рассчитываются и отображаются планируемые затраты на приобретение электрической энергии на весь расчетный период. Для этого под таблицей имеется поле для установки тарифа. Результат расчета также отображается в рублях под таблицей.
При нажатии на кнопку «Открыть таблицу в Microsoft Excel», расположенную под таблицей, данный отчет открывается в указанной программе и может быть сохранен для дальнейшего использования.
Для передачи результатов моделирования в НТЭЦ рекомендуется сохранять результаты расчета в файле с моделью при помощи кнопки «Сохранить данные для передачи в НТЭЦ». В этом случае результат расчета сохраняется в файле с моделью в папке «nns». При нажатии на кнопку «Сохранить данные для передачи в НТЭЦ» результаты расчета сохраняются лишь в оперативной памяти программного комплекса. Окончательная запись их на жесткий диск (в файл с нейросетью) осуществляется при выполнении команды «Файл Сохранить ИНС» или при нажатии на одноименную кнопку IJP в главном меню.
В процессе эксплуатации нейронной сети появляются новые фактические данные о значениях влияющих параметров и расхода электрической энергии. Обученная некогда сеть ничего не знала об этих данных. И, как следствие, ее внутренние параметры могут оказаться не оптимальными в условиях меняющейся действительности.
Для корректировки внутренних параметров нейросети в программном комплексе предусмотрена функция ее дообучения. Для этого необходимо загрузить обученную ранее сеть. При этом будут отображены те данные, на которых сеть обучалась.
После этого с помощью команды «Управление данными Добавить данные» или посредством одноименной кнопки в главном меню программного комплекса добавляются новые данные для дообучения. Новые данные должны быть представлены в отдельном файле в таком же виде и с теми же требованиями, которые предъявляются к файлам с исходными данными (см. пункт «Создание и обучение нейронной сети»). Как правило, новые данные представляют собой трехмесячную выборку.
Затем данные должны быть обработаны (разбиты на две выборки) с помощью команды «Управление данными Обработать данные», После чего можно дообучать нейронную сеть.
Для этого необходимо выполнить команду «Обучение ИНС Дообу чить ИНС» или нажать на одноименную кнопку в главном меню. После успешного дообучения сеть может быть сохранена.
В целом программный комплекс не является ресурсоемким. Однако процесс обучения нейронной сети заключается в переборе огромного коли чества вариантов сетей и выборе одной наиболее подходящей. Этот процесс может занять от пары минут до нескольких десятков минут.
Внимание. При загрузке нейронной сети, при загрузке исходных данных для обучения или дообучения сети, при сохранении нейросети, а также при открытии отчета о результатах планирования в MS Excel в фоновом режиме запускается MS Excel и с ним идет работа. Поэтому пока программный комплекс выполняет эти функции, не рекомендуется что-то делать на компьютере вплоть до того, что не двигать и не нажимать что-нибудь мышью. Кроме того, рекомендуется перед выполнением этих операций закрывать все приложения Microsoft Excel, а те из них, к которым будет происходить обращение - в обязательном порядке.
При обучении сети программный комплекс не обращается к сторонним программам и в это время можно выполнять другие функции (например, работать с документами MS Office), однако это может замедлить процесс обучения.
Программный комплекс «Нейросетевое планирование расхода электрической энергии на железнодорожном транспорте» зарегистрирован в реестре программ для ЭВМ 16.08.2012 (свидетельство об официальной регистрации программы для ЭВМ № 2012617381) и входит в состав утвержденной «Методики планирования расхода электрической энергии на нетяговые нужды с использованием искусственных нейронных сетей» в качестве электронного приложения к ней [84].
