Содержание к диссертации
Введение
1 Общая характеристика проблемы прогнозирования потребления электроэнергии предприятием черной металлургии 12
1.1 Анализ существующих методов и средств прогнозирования потребления электроэнергии 12
1.2 Характеристика потребления электроэнергии как объекта прогнозирования 30
1.3 Определение требований к математическому обеспечению метода прогнозирования потребления электроэнергии предприятием черной металлургии 52
1.4 Выводы 55
2 Математическое обеспечение метода прогнозирования потребления электроэнергии предприятием черной металлургии .. 56
2.1 Разработка методики обобщенной оценки объемов потребления электроэнергии 56
2.2 Разработка методик предварительной обработки технологических параметров в системе прогнозирования 65
2.2.1 Методика восстановления отсутствующих данных в рядах ретроспективной информации
2.2.2 Методика редактирования аномальных значений в рядах ретроспективной информации 75
2.3 Разработка методики определения влияющих факторов на потребление электроэнергии 76
2.4 Разработка метода прогнозирования потребления электроэнергии 86
2.4.1 Метод прогнозирования потребления электроэнергии на основе неиро-нечеткои сети
2.4.2 Модификация структуры нейро-нечеткой сети 93
2.4.3 Обучение модифицированной нейро-нечеткой сети 96
2.5 Выводы 101
3 Алгоритмы обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии 102
3.1 Алгоритмы предварительной обработки технологических параметров в системе прогнозирования 102
3.1.1 Алгоритм восстановления отсутствующих данных в рядах ретроспективной информации 102
3.1.2 Алгоритм редактирования аномальных значений в рядах ретроспективной информации 107
3.2 Алгоритм определения влияющих факторов на потребления электроэнергии 109
3.3 Алгоритм обучения нейро-нечеткой сети 114
3.4 Алгоритм взаимодействия модулей системы 116
3.5 Обобщенный алгоритм функционирования системы прогнозирования потребления электроэнергии 117
3.6 Выводы 121
4 Экспериментальные исследования метода и алгоритмов обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии
4.1 Основные функциональные элементы и блоки Х22
4.2 Методика настройки алгоритмического обеспечения 126
4.3 Результаты экспериментальных исследований 129
4.4 Перспективы применения разработанных метода и алгоритмов в системе прогнозирования потребления электроэнергии предприятиями черной металлургии 139
4.5 Выводы 142
Заключение 143
Список литературы 144
- Определение требований к математическому обеспечению метода прогнозирования потребления электроэнергии предприятием черной металлургии
- Разработка методики определения влияющих факторов на потребление электроэнергии
- Алгоритм восстановления отсутствующих данных в рядах ретроспективной информации
- Перспективы применения разработанных метода и алгоритмов в системе прогнозирования потребления электроэнергии предприятиями черной металлургии
Введение к работе
Актуальность темы. Черная металлургия - одна из наиболее энергоемких отраслей промышленности. Она характеризуется высоким уровнем потребления электроэнергии - существенной составляющей энергозатрат. Так, доля электрической энергии в себестоимости продукции крупных предприятий по отрасли составляет от 11 % до 16 %, а в отдельных случаях её доля увеличивается до 30 %.
К наиболее электроемким относятся сталеплавильное производство (долевое потребление 32,3 %), производство горячекатаного (21,9 %) и холоднокатаного проката (12 %), а также агломерационное (14,5 %), доменное (6,9 %) и коксохимическое производство (5,2).
Максимальный удельный расход электроэнергии приходится на электросталеплавильное производство, он составляет 727 кВтч/т стали. При этом расход электроэнергии на одну тонну стали зависит от мощности трансформаторов, удельной электрической мощности дуговых печей, применения топливно-кислородных горелок, предварительного нагрева лома и внепечной обработки.
Прогноз электропотребления в металлургии необходим для оптимального управления режимами загрузки электропроизводственных мощностей, включающего в себя регулирование активной и реактивной нагрузок металлургического предприятия, минимизацию потерь от перетоков реактивной мощности и поддержание напряжения в заданных пределах в электрических сетях вследствие жестких требований к степени надежности и качества электроэнергии.
К особенностям электропотребления предприятием черной металлургии относятся: большое количество электрооборудования, участвующего в осуществлении технологического процесса в каждом подразделении; большое разнообразие типов и мощностей приемников электроэнергии; относительно слабые связи взаимного влияния приемников электроэнергии при осуществлении технологического процесса; большое количество электрооборудования, участвующего в обеспечении технологического процесса в каждом подразделении и создающего условно постоянную нагрузку, также зависящего от интенсивности технологического процесса; факторы, случайным образом влияющие на режимы и объем электропотребления; превалирующее по сравнению с другими факторами влияние объема производства на объем потребления электроэнергии; большое число часов использования максимума электрической мощности; большая электроемкость видов конечной продукции; возможность изменения режимов работы и состава оборудования в подразделении, сортамента продукции и других систематически действующих факторов.
Одним из основных путей снижения затрат на электроэнергию является выход предприятий металлургического профиля в качестве участников на федеральный оптовый рынок электроэнергии и мощности (ФОРЭМ).
Специфика функционирования на ФОРЭМ предъявляет жесткие требования по качеству прогнозирования графика нагрузки. При этом возникают сложности с оценкой и нахождением необходимых для описания и прогнозирования ключевых и сопутствующих данных.
Проблема прогнозирования электропотребления в металлургическом производстве представляет собой сложную многопараметрическую задачу, имеющую вероятностную составляющую. Величина фактического использования электроэнергии обусловлена не только управленческими решениями, структурой портфеля заказов предприятия, объемами производства основных переделов, ремонтными мероприятиями и сервисным обслуживанием, развитием собственной энергетической базы, но и типом дня (рабочий день или выходной), погодными условиями, временем суток и другими факторами. Причинная связь электропотребления с каждым из этих параметров довольно сложна и не имеет однозначного формального описания.
Таким образом, задача прогнозирования электропотребления предприятием черной металлургии слабо формализована, а её решение с использованием детерминированных методов невозможно.
Исследования в данной области базируются на основах теории моделирования процессов и систем, изложенных в работах: Айвазяна С.А., Андруковича П.Ф., Бахвалова Ю.А., Галустова М.Ю, Котельникова В.А., Лукашина Ю.Г., Kalman R.E., Shannon СЕ. и др.
Развитие методов моделирования и прогнозирования электропотребления в черной металлургии связано с работами таких ученых, как: Копцев Л.А., Майсюков Д.В., Михайловский В.Н., Никифоров Г.В., Поварницын П.В., Рашкин Ф.А. и др. Вместе с тем, необходимость прогнозирования электропотребления предприятием металлургического профиля обусловлена высокими требованиями к показателям качества прогнозных расчетов (точности, достоверности, информативности, автоматизируемости, быстродействию и т.п.).
В этой связи, разработка метода и алгоритмов прогнозирования графика потребления электроэнергии предприятием черной металлургии представляется актуальной научно-технической задачей.
Цель и задачи диссертационной работы. Целью диссертационной работы является повышение достоверности прогнозирования потребления электроэнергии предприятием черной металлургии на основе аппарата искусственных нейронных сетей и нечеткой логики.
Для достижения поставленной цели в работе решаются следующие задачи:
-
анализ проблемы прогнозирования электропотребления предприятием черной металлургии;
-
разработка математического обеспечения системы прогнозирования потребления электроэнергии;
-
разработка алгоритмов прогнозирования потребления электроэнергии;
-
экспериментальные исследования метода и средств обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии.
Объект и предмет исследования. Объектом исследования является процесс потребления электроэнергии предприятием черной металлургии. Предметом исследования - методы построения и обучения нейро-нечетких сетей как универсального аппарата нелинейного моделирования технико-экономических процессов и решения прикладных задач прогнозирования.
Методы исследования. Дня решения поставленных задач в работе использовались методы математического моделирования металлургических процессов, прогнозирования, искусственного интеллекта, нейронных сетей и нечеткой логики, основы теории построения алгоритмов и программ.
Научная новизна и основные положения, выносимые на защиту:
разработан новый метод прогнозирования электропотребления предприятием черной металлургии, отличающийся применением оптимизированной структуры нейро-нечеткой сети, позволяющий повысить точность прогнозирования;
разработаны методики: восстановления пропущенных и выявления неточных значений в рядах ретроспективных данных металлургических процессов на основе модифицированного Zet-алгоритма; определения влияющих факторов на потребление электроэнергии с использованием дерева решающих правил;
разработано алгоритмическое обеспечение системы прогнозирования потребления электроэнергии предприятием черной металлургии, реализующее функционально полный набор алгоритмов обработки информации и позволяющее сократить общее время расчетов.
Практическая значимость исследования заключается в том, что реализация разработанных теоретических положений для решения широкого круга прикладных задач позволила:
оптимизировать процедуры первичной обработки информации в массивах данных с целью восстановления отсутствующих и редактирования аномальных значений;
использовать аппарат дерева принятия решений в задаче определения значимых факторов на электропотребление в зависимости от объекта потребления и интервала упреждения;
использовать метод прогнозирования объемов потребления электроэнергии на основе нейро-нечетких сетей оптимизированной структуры;
повысить точность прогнозирования экономических показателей, в том числе объемов потребления электроэнергии.
Реализация результатов работы. Разработанное математическое и программное обеспечение исследовано и проверено на действительных
ретроспективных данных автоматизированной информационно-измерительной системы коммерческого учета электроэнергии МУП г. Череповца «Электросеть», а также на Череповецком металлургическом комбинате ОАО «Северсталь» и ОАО «Северсталь-метиз» и нашло на этих предприятиях непосредственное применение. Результаты исследования внедрены в практическую и учебную деятельность филиала в Северо-Западном регионе ЗАО «Фирма «АйТи». Информационные технологии» (г. Санкт-Петербург). Разработанные методики первичной обработки ретроспективной информации применяются в ООО «Сервисный центр «Энергия» (г. Москва). Разработанный метод прогнозирования электропотребления, методики восстановления отсутствующих и редактирования аномальных значений, определения значимых факторов используются в ЗАО «Энергомир» (г. Кострома). Предложенные алгоритмы обработки информации и прогнозирования используются в учебном процессе на кафедре «Программное обеспечение вычислительной техники и информационных систем» Череповецкого государственного университета в дисциплинах: "Структуры и алгоритмы обработки данных», «Системы искусственного интеллекта» для специальности 230105 Программное обеспечение вычислительной техники и автоматизированных систем, а также в курсовом и дипломном проектировании.
Апробация работы. Основные результаты диссертационной работы докладывались и получили положительную оценку на следующих научных конференциях: 9-я Межд. конф. «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации» (Курск, 2010 г.); Межд. конф. "Современные тенденции технических наук" (Уфа, 2011 г.); Межд. конф. "Наука и техника XXI века" (Новосибирск, 2011 г.); Всеросс. конф. «Череповецкие научные чтения» (Череповец, 2010 г.) и на постоянно действующем научно-техническом семинаре кафедры программного обеспечения вычислительной техники и информационных систем Череповецкого государственного университета.
Публикации. По теме диссертации опубликовано 9 научных работ, в том числе 4 статьи в изданиях, рекомендованных ВАК РФ.
Структура и объем работы. Диссертационная работа состоит из введения, четырех разделов, заключения, списка литературы, включающего 117 наименований, и 4-х приложений. Работа содержит 165 страниц, 54 рисунка и 10 таблиц.
Определение требований к математическому обеспечению метода прогнозирования потребления электроэнергии предприятием черной металлургии
Функционирование системы прогнозирования потребления электроэнергии предприятием черной металлургии имеет ряд особенностей [44,49,60]: 1. Сохранение работоспособности при неполных или искаженных данных. 2. Система должна быть достаточно абстрактной для допущения варьирования достаточно большим числом переменных, но не настолько абстрактной, чтобы возникали сомнения в надежности и практической полезности. 3. Разнообразие выполняемых функций системы при их относительной неизменности во время эксплуатации. Набор функций, алгоритмического и программного обеспечения для данной системы прогнозирования должны мало изменяться в течение всего периода эксплуатации. 4. Необходимость обмена информацией с большим количеством ее источников и потребителей в процессе решения основных функциональных задач. Система прогнозирования за ограниченное время должна не только решать некоторое число различных функциональных задач, но и осуществлять обмен информацией с источниками и потребителями. 5. Система должна удовлетворять условиям, ограничивающим время решения задачи. Срок подачи заявок на Федеральном оптовом рынке электроэнергии и мощности строго регламентирован. Математическое обеспечение системы прогнозирования потребления электроэнергии предприятием черной металлургии должно строиться с учетом перечисленных особенностей функционирования системы. Специальное математическое обеспечение системы прогнозирования электропотребления является совокупностью прикладных программ, предназначенных для реализации алгоритмов обработки информации, формирования рекомендаций и управления процессом, а также для связи с объектом управления и обслуживающим персоналом. В состав математического обеспечения должны входить следующие функциональные подсистемы: - сбора и первичной обработки информации; - анализа и прогнозирования; - ведения справочно-информационного фонда; - обмена информацией между системой прогнозирования и обслуживающим персоналом. В подсистеме сбора и первичной обработки информации должны быть реализованы алгоритмы деревьев разрешающих правил для определения влияющих факторов на потребление электроэнергии предприятием черной металлургии, Zet-алгоритм восстановления пропущенных и выявления неточных данных для создания ретроспективного банка данных, на основе которого система будет производить сценарии обработки информации и производить прогнозирования. В подсистеме анализа и прогнозирования используются алгоритмы, позволяющие оптимизировать структуру нечеткой нейронной сети на основе корректировки нечетких множеств, соответствующих информационным входам модуля, с целью сокращение времени для оперативного прогнозирования; алгоритмы обучения и функционирования нейро-нечеткой сети. В результате функционирования этих подсистем образуются банки информации, содержащей ретроспективные данные электропотребления предприятия, данные сопутствующих факторов, а так же служебную информацию системы - настроечные параметры нейро-нечеткой сети, состав входной информации, значимость основных факторов для прогнозной величины электропотребления, сценарии обработки данных и др. Таким образом, на первом шаге анализируется возможность немедленного прогнозирования при наличии модели прогнозирования для конкретных условий в базе данных. При существовании такой модели производится расчет, в ином случае модель строится - осуществляется предобработка данных, выявляются значащие факторы и выполняется прогнозирование. Результаты каждого этапа визуализируются для пользователя в виде сводных таблиц, диаграмм. Система прогнозирования потребления электроэнергии должна обеспечивать: - прогнозирование показателей электропотребления предприятием черной металлургии с ошибкой, не превышающей 5 %; - обработку входной информации с целью восстановления пропусков и редактирования аномальных значений; - автоматическое определение факторов, влияющих на электропотребление на определенный интервал упреждения; Обобщенная функциональная схема системы прогнозирования электропотребления представлена на рис. 2.18. Система прогнозирования также должна удовлетворять требованию к расширению функциональных возможностей в процессе эксплуатации. В ней для обработки и хранения информации используется высокопроизводительная вычислительная техника с соответствующим алгоритмическим и программным обеспечением. В целом эффективность системы прогнозирования в значительной степени определяется не только выбором аппаратных элементов, но и знанием оптимальных значений параметров ее функциональных блоков. Поиск таких значений возможен с помощью математической модели, описывающей происходящие процессы при электропотреблении и функционирования предприятия черной металлургии в целом. Система прогнозирования потребления электроэнергии предприятием черной металлургии Автоматизированные информационные системы управления технологическими процессами предприятия Блок обмена информацией между системой U і і I Блок сбора и первичной обработки информации Блок анализа и прогнозирования обслуживающим персоналом 1. Разработка и реализация метода прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких сетей является актуальной и перспективной научно-технической задачей с точки зрения экономической выгоды, сокращения издержек и оптимизации производства в целом. 2. Процесс потребления электроэнергии предприятием черной металлургии - сложный, циклический, стохастический объект прогнозирования с неполным обеспечением количественной информацией, требующий системного подхода к изучению. 3. Определены требования, предъявляемые к математическому обеспечению метода прогнозирования потребления электроэнергии предприятием черной металлургии.
Разработка методики определения влияющих факторов на потребление электроэнергии
Модифицированный алгоритм Zet применяется и при решении задачи выявления аномалий в рядах ретроспективных данных. Аномалии - это отклонения от нормального (ожидаемого) поведения объекта. Это может быть, например, резкое отклонение величины от ее ожидаемого значения. При этом, задается критерий того, что считать аномалией. При просмотре ретроспективного банка данных определяются величины, значения которых отличаются от прогнозной оценки этой величины, полученной с помощью алгоритма Zet, более, чем на численный показатель аномалии. Далее корректируются эти значения на определенную величину, характеризующую степень подавления аномальных данных [32]. Заметим, что данный показатель, характеризующий величину допустимых выбросов, так же является настроечным параметром.
В разд. 2.1 было отмечено, что потребление электроэнергии предприятием черной металлургии зависит от множества производственных и технологических факторов, набор которых не постоянен и зависит от интервала упреждения и объекта энергопотребления.
Сокращение числа независимых переменных призвано уменьшить размерность модели не только с тем, чтобы удалить из нее все незначащие признаки, не несущие в себе какой-то полезной для анализа информации, и тем самым упростить и разгрузить модель, но и чтобы устранить избыточные признаки. Дублирование информации в составе избыточного признака не просто не улучшает качество модели, но и порой, наоборот, ухудшает его (как, например, в случае с мультиколлинеарностью) [11].
Следовательно, необходимо разработать метод определения влияющих факторов на потребление электроэнергии. Очевидно, что одним из возможных выходов из сложившейся проблемы могло бы стать построение модели на всех возможных комбинациях наборов входных признаков с последующим отбором того варианта, который обладал бы наилучшей описательной способностью результирующего признака и при этом содержал бы минимум независимых переменных. Однако такое решение возможно лишь при наличии незначительного количества факторов-претендентов на включение в модель. В случае же относительно большого списка потенциальных признаков подобная методика представляется достаточно затруднительной, так как количество моделей, которые необходимо будет построить, оказывается крайне велико и в общем случае равно 2П - 1 штук. Вследствие чего необходимо применять другие методы, которые потребовали бы значительно меньших затрат усилий, а соответственно и времени. Одним из наиболее перспективных подходов к решению задач автоматического исследования данных является дерево решений - способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение [39]. Деревья решений - один из методов автоматического анализа данных, основные идеи которого восходят к работам П. Ховленда (P. Hoveland) и Е. Ханта (Е. Hunt) конца 50-х годов XX в. Их итогом явилась основополагающая монография [108, 109], давшая импульс развитию этого направления. Деревья решений представляют собой последовательные иерархические структуры, состоящие из узлов, которые содержат правила, т.е. логические конструкции вида "если ... то ...". Конечными узлами дерева являются "листья", соответствующие найденным решениям и объединяющие некоторое количество объектов классифицируемой выборки. Конструирование деревьев решений состоит из двух этапов: 1. «Построение» или «создание» дерева - необходимо сформулировать критерий расщепления и остановки обучения; 2. «Сокращения» дерева - необходимо решить вопрос отсечения некоторых ветвей. Пусть нам задано некоторое обучающее множество Т, содержащее объекты (примеры), каждый из которых характеризуется m атрибутами , причем один из признаков определяет класс объекта и может принимать значения из некоторого фиксированного набора {С1,С2,...,Ск,...,Ср}. Количество примеров в множестве Т будем называть мощностью этого множества и обозначим \т\. Под обучающим множеством подразумевается вся совокупность ретроспективной информации. Процесс построения дерева происходит сверху вниз. Сначала создается корень дерева, затем потомки корня и т.д. На первом шаге выберем пустое дерево (имеется только корень) и исходное множество Т (ассоциированное с корнем). Далее необходимо разбить исходное множество на подмножества. Это можно сделать, выбрав один из атрибутов в качестве проверки. Тогда в результате разбиения получаются п (по числу значений атрибута) подмножеств и, соответственно, создаются и потомков корня, каждому из которых поставлено в соответствие свое подмножество, полученное при разбиении множества Г. Затем эта процедура рекурсивно применяется ко всем подмножествам (потомкам корня) ит.д [114]. Выберем в качестве проверки атрибут X (в качестве проверки может быть выбран любой атрибут), который принимает п значений А1,Аг,...,Ап. Тогда разбиение множества Т по атрибуту Хдает подмножества Тх,Т2,...,Тп, при X равном соответственно Ai,A2,...,An. Пусть S - некоторое множество примеров, относящееся к одному и тому же Ск. Обозначим через freq{Ck,S)- количество примеров из множества S. Тогда вероятность того, что случайно выбранный пример из множества S будет принадлежать к классу Ск, равна.
Алгоритм восстановления отсутствующих данных в рядах ретроспективной информации
На рис.5 приведена схема взаимодействия модулей в рамках единой системы прогнозирования потребления электроэнергии. Оператор настраивает сценарии обработки, т.е. определяет последовательность шагов, которую необходимо провести для получения нужного результата. Возможен вариант автоматического прогнозирования, при котором последовательно функционируют модули системы: - модуль предобработки ретроспективных данных обнаруживает и устраняет в соответствии с заданными параметрами отсутствующие и аномальные значения в информационном массиве - затем в рамках работы модуля определения влияющих факторов на прогнозирование электропотребления на основе математического аппарата деревьев принятия решений происходит выявление производственных, технологических, метеорологических и других видов факторов, определяющих объем и профиль потребления электроэнергии рассматриваемым объектом прогнозирования при заданном интервале упреждения - нейро-нечеткая сеть, реализованная в модуле анализа и прогнозирования величин электропотребления, на основе информации двух предыдущих модулей обучается и строит прогноз электропотребления на заданный период. - модуль визуализации позволяется пользователю выполнение каждой операции наблюдать на дисплее компьютера в виде графиков, сводных таблиц, log-файлов.
Кроме автоматического прогнозирования возможно выполнения отдельных операций (предобработки данных, создания моделей электропотребления и т.д.) и сохранения результата в единую базу данных системы прогнозирования потребления электроэнергии.
На начальном этапе процесса прогнозирования величины электропотребления заданным объектом на требуемый интервал упреждения подсистема подсистема анализа и прогнозирования определяет наличие сценариев обработки для данной операции. Если сценарий присутствует в базе данных, то далее производится непосредственный прогноз потребления электроэнергии. В противном случае необходимо требуемый сценарий создать.
После получения информационного массива ретроспективных данных можно получить подробную статистику по нему, просмотреть, как выглядят данные на диаграммах и гистограммах - это одна из функций подсистемы обмена информацией между системой прогнозирования и обслуживающим персоналом. Если анализируемые данные не соответствуют определенным критериям качества, то их предварительная обработка становится необходимым шагом для обеспечения удовлетворительного результата прогноза. Необходимость в предварительной обработке возникает независимо от того, какие алгоритмы и технологии используются. Более того, эта задача может представлять самостоятельную ценность для других мероприятий, не имеющих непосредственное отношение к прогнозу электропотребления.
В процессе обработки данных восстанавливаются пропущенные и редактируются аномальные значения, происходит обнаружение и удаление дубликатов и противоречий.
Предобработанные данные далее подвергаются трансформации. Например, нечисловые данные преобразуются в числовые, что является необходимым условием для некоторых алгоритмов. Непрерывные данные могут быть разбиты на интервалы, то есть производится их квантование. Далее из всего информационного массива выделяются факторы, которые оказывают непосредственное влияние по электропотребление. Это функция подсистемы определения влияющих факторов, применяются методы более глубокого анализа.
На этом этапе выявляются скрытые зависимости и закономерности в данных посредством нейро-нечеткой сети, на основании которых строятся различные модели. Модель представляет собой шаблон, который содержит в себе формализованные знания. Далее по полученному сценарию производится прогнозирование электропотребления, окончательный этап -этап интерпретации - предназначен для того, чтобы из формализованных знаний получить знания на языке предметной области, т.е. получить прогноз потребления электрической энергии на нужный интервал времени с необходимой детализацией. Алгоритм работы системы прогнозирования электропотребления приведен на рис. 3.6.
Схема ресурсов системы прогнозирования электропотребления предприятием черной металлургии приведена на рис. 3.7. Из анализа схемы следует, что система прогнозирования электропотребления интегрирована в общую информационную инфраструктуру предприятия, тесно взаимосвязана с системами SCADA, ERP, АИИС КУЭ.
Перспективы применения разработанных метода и алгоритмов в системе прогнозирования потребления электроэнергии предприятиями черной металлургии
Электрическая энергия является специфическим товаром, обладающим рядом технологических особенностей, к числу которых относится: - невозможность создания запасов электроэнергии в достаточных в масштабе энергосистемы количествах, - совпадение во времени процессов производства и потребления электроэнергии и равенство объема выработанной и потреблённой электроэнергии в каждый момент времени, - невозможность заранее точно оговорить объемы генерации и потребления электроэнергии. Следовательно, экономический эффект от внедрения системы прогнозирования потребления электроэнергии предприятием черной металлургии достигается за счет повышения точности определения величины электропотребления на нужный интервал упреждения при функционировании на оптовом или розничном рынке электроэнергии и мощности. При этом были достигнуты следующие технико-экономические показатели: - повышение точности прогнозирования электропотребления на 7,2 «/о; - уменьшение времени расчетов прогнозных показателей в 2,8 раза; - увеличение экономической эффективности работы на рынке электроэнергии на 6,3 %; - увеличение точности формирования тарифов на электроэнергию на 4,8 %; - уменьшение потерь электроэнергии посредством формирования нагрузок в электросетях на 1,2 % . Обобщенные результаты оценок достигнутых показателей приведены на лепестковой диаграмме (рис. 4.5). прогнозирования потребления электроэнергии Разработанные методики восстановления отсутствующих и редактирования аномальных значений в рядах ретроспективной информации могут быть применены для предобработки любых информационных банков данных. Предложенный в п.2.3 метод определения значимых факторов для задачи прогнозирования электропотребления может применяться для установления скрытых зависимостей между различными экономическими показателями, представленными временными рядами. Обобщенный алгоритм прогнозирования потребления электроэнергии также может быть использован в других системах прогнозирования с учетом его адаптации к реальным производственным условиям. Кроме того, прогноз потребления электроэнергии необходим для оптимального управления режимами загрузки электропроизводственных мощностей, электрических сетей предприятия, включающего регулирование активной и реактивной нагрузок предприятия, минимизацию потерь от перетоков реактивной мощности и поддержание напряжения в заданных пределах в электрических сетях. В частности, прогноз электропотребления позволяет имитировать штатные и нештатные (аварийные) ситуации на энергообъектах предприятия черной металлургии, может использоваться в качестве тренажера для оперативного персонала энергетических подразделений предприятий [12]. Предложенный метод прогнозирования потребления электроэнергии позволяет расширить функциональность и улучшает экономические показатели предприятия черной металлургии путем повышения точности, скорости и информативности расчетов. 1. Приведено описание основных элементов и блоков системы прогнозирования потребления электроэнергии предприятием черной металлургии 2. Разработана методика настройки алгоритмического обеспечения системы прогнозирования электропотребления. 3. Приведены результаты методов и алгоритмов обработки информации в системе прогнозирования электропотребления предприятием черной металлургии в реальных производственных условиях. 4. На основании экспериментальных исследований подтверждена высокая надежность и эффективность разработанного алгоритмического обеспечения. 5. Приведены достигнутые технико-экономические показатели. 6. Определены перспективы применения разработанного метода прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких сетей.
