На правах рукописи

ВОРОНОВ ИВАН ВИКТОРОВИЧ

ПРОГНОЗИРОВАНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЯ ПРОМЫШЛЕННЫХ

ПРЕДПРИЯТИЙ С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕЙРОННЫХ

СЕТЕЙ

Специальность 05.09.03 – Электротехнические комплексы и системы

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Кемерово – 2010 2

Работа выполнена в Государственном образовательном учреждении высшего профессионального образования «Кузбасский государственный технический университет»

Научный руководитель – кандидат технических наук, старший научный сотрудник Ефременко Владимир Михайлович

Официальные оппоненты:

доктор технических наук, профессор Матвеев Виктор Николаевич кандидат технических наук, доцент Смыков Анатолий Борисович

Ведущая организация: Кемеровское ОАО «Азот»

Защита диссертации состоится 14 октября 2010 г. в 15 00 на заседании диссертационного совета Д 212.102.01 в Государственном образовательном учреждении высшего профессионального образования «Кузбасский государственный технический университет» по адресу: 650000, г. Кемерово, ул. Весенняя, 28.

Факс: (3842) 36-16-

С диссертацией можно ознакомиться в библиотеке Государственного образовательного учреждения высшего профессионального образования «Кузбасский государственный технический университет».

Автореферат разослан «_13_»сентября2010 г.

Ученый секретарь А. Г. Захарова диссертационного совета

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Прогнозирование величины электропотребления промышленного предприятия является важной научно-технической задачей. Необходимость точного прогнозирования электропотребления обусловлена технологическими и экономическими причинами.

У крупных энергоемких производств доля платы за электроэнергию в себестоимости продукции может достигать десятков процентов, а в условиях рыночной экономики себестоимость продукции предприятия будет определять его конкурентоспособность. В настоящее время большинство крупных промышленных предприятий России покупает электроэнергию на оптовом рынке электроэнергии и мощности. Плата за электроэнергию для таких предприятий складывается из платы за фактический объем потребленной электроэнергии и платы за отклонение объема фактически потребленной электроэнергии от планового объема потребления. Чем больше отклонения фактических объемов электропотребления от заявленных, тем больше дополнительных расходов на электроэнергию несет предприятие.

В настоящее время прогнозирование электропотребления на большинстве промышленных предприятий производится на основе метода экспертных оценок, который в большинстве случаев не может обеспечить требуемую точность прогноза.

Для более точного прогнозирования электропотребления необходимо разработать прогнозную модель, основанную на зависимостях изменения электропотребления предприятия в реальных условиях эксплуатации.

Цель работы: повышение точности прогнозирования электропотребления промышленного предприятия, путем создания прогнозной модели электропотребления, учитывающей его зависимость от влияющих факторов.

Идея работы заключается в комплексном использовании искусственных нейронных сетей, генетических алгоритмов и метода экспертных оценок для разработки прогнозной модели электропотребления промышленного предприятия, учитывающей совокупность влияющих факторов.

Задачи исследований:

1. Выявить основные требования, предъявляемые к прогнозу величины электропотребления промышленного предприятия, покупающего электроэнергию на оптовом рынке электроэнергии и мощности.

2. Сравнить существующие методы прогнозирования электропотребления промышленных предприятий и выбрать оптимальный метод для прогнозирования электропотребления в условиях работы предприятия на оптовом рынке электроэнергии и мощности.

3. Разработать методику создания прогнозной модели электропотребления промышленного предприятия для выбранного метода прогноза.

4. Разработать методику оценки влияния параметров окружающей среды и производственных параметров на электропотребление промышленного предприятия с использованием метода экспертных оценок для определения набора входных параметров прогнозной модели.

5. Установить зависимость электропотребления многономенклатурного промышленного предприятия от влияющих на него производственных параметров и параметров окружающей среды.

6. Создать с помощью разработанных методик и полученных зависимостей прогнозную модель электропотребления, учитывающую влияние на электропотребление влияющих факторов.

7. Проверить и оценить качество работы полученной прогнозной модели путем сравнения фактических и прогнозных значений электропотребления многономенклатурного предприятия.

Основные научные положения, выносимые на защиту:

1. Для построения прогнозной модели электропотребления промышленного предприятия возможно комплексное использование искусственной нейронной сети, генетических алгоритмов, используемых для определения внутренней конфигурации нейронной сети, и экспертной оценки системы электроснабжения промышленного предприятия, используемой для выбора оптимального набора входных параметров нейронной сети.

';

2. Использование разработанной прогнозной модели электропотребления позволяет значительно повысить точность прогноза за счет использования зависимостей электропотребления от влияющих факторов, полученных в процессе обучения искусственной нейронной сети.

Научная новизна работы заключается в следующем:

1. Разработана методика определения зависимостей электропотребления промышленного предприятия от влияющих на него параметров с помощью искусственной нейронной сети, отличающаяся комплексным использованием генетических алгоритмов для определения внутренней конфигурации нейронной сети и экспертной оценки системы электроснабжения промышленного предприятия для выбора набора входных параметров нейронной сети.

2. Разработана прогнозная модель электропотребления промышленного предприятия, отличающаяся тем, что в качестве входных параметров модели используются объемы выпуска продукции предприятия.

3. Разработана методика по осуществлению прогноза на промышленных предприятиях, покупающих электроэнергию на оптовом рынке электроэнергии и мощности, отличающаяся последовательным использованием двух прогнозных моделей для предварительного и уточняющего прогнозирования.

Методы исследования. Разработки и исследования проводились на основе теории системного анализа, теории математического моделирования, теории искусственных нейронных сетей, генетических алгоритмов отбора и нечеткой логики, метода экспертных оценок, компьютерного моделирования.

Достоверность научных положений и выводов подтверждается применением современных математических методов прогнозирования и экспериментальной проверкой теоретических выводов путем разработки прогнозной модели электропотребления КОАО «Азот», на основании фактических данных об объемах электропотребления, полученных в процессе работы предприятия при помощи точных измерительных приборов и данных о производстве продукции.

Практическая ценность работы состоит в том, что полученные теоретические и практические результаты могут быть использованы:

– для снижения величины финансовых издержек предприятий, возникающих при отклонении фактических объемов электропотребления от объемов, заявленных к покупке на рынке электроэнергии, путем использования прогнозных моделей электропотребления предприятий с учетом индивидуальных особенностей каждого предприятия;

– для проведения на предприятии организационных мероприятий в части планирования и учета производственной деятельности, позволяющих снизить величину ошибки при прогнозировании электропотребления.

Реализация результатов работы. Научные и практические результаты работы приняты к использованию в Управлении главного энергетика КОАО «Азот» в качестве дополнения к существующим методам прогнозирования почасовых объемов электропотребления.

Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на I Всероссийской научно-технической конференции «Современные пути развития машиностроения и автотранспорта Кузбасса» (г. Кемерово, 2007 г.); VII Международной научно-практической конференции «Современные энергетические системы и комплексы и управление ими» (г. Новочеркасск, 2007 г.); Третьей научно-технической конференции ОАО «НТЦ Электроэнергетики» «Разработки молодых специалистов в области электроэнергетики – 2008» (г. Москва, 2008 г.).

Публикации. По теме диссертации опубликовано 7 печатных работ, из них в рекомендуемых ВАК изданиях – 1.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка используемой литературы из 147 наименований, двух приложений и содержит 153 страницы текста, 22 таблицы и 36 рисунков.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цель и задачи исследования, отмечены научная новизна и практическая ценность результатов работы, представлены основные положения, выносимые на защиту.

В первой главе производится анализ состояния проблемы прогнозирования электропотребления промышленных предприятий, работающих на оптовом рынке электроэнергии. Устанавливается, что ошибки прогнозирования электропотребления определяют величину дополнительных финансовых затрат предприятия, связанных с оплатой отклонений фактически потребленной электроэнергии от плановых (заявленных на оптовый рынок электроэнергии) значений электропотребления.

Производится исследование теоретических работ, посвященных прогнозированию электропотребления, и существующих программных комплексов, предназначенных для прогнозирования электропотребления.

Проблеме прогнозирования электропотребления посвящены множество работ как отечественных (Л.А. Большов, Б.И. Кудрин, Б.И. Макоклюев, И.И.

Надтока, Л.С. Родина, Э.Е. Тихонов), так и зарубежных ученых (Д.В. Бэнн, К.Д. Льюис, С. Макридакис).

В качестве методов прогнозирования электропотребления в этих и других работах предлагаются математико-статистические, вероятностные методы, методы регрессионного анализа, методы, основанные на искусственных нейронных сетях и др. Применение вышеперечисленных методов вкупе с современными электронно-вычислительными комплексами позволяет создавать программные средства для прогнозирования электропотребления промышленных предприятий.

Проведенные исследования показали, что существующие программные комплексы, предназначенные для прогнозирования электропотребления, обладают существенным недостатком, а именно – отсутствием учета объемов производства продукции промышленных предприятий при прогнозировании их электропотребления. В условиях рыночной экономики планы производства продукции определяются, прежде всего, конъюнктурой рынка сбыта производимой продукции. При условии, что выпускаемая продукция предприятия представлена широкой номенклатурой товаров, ситуация на рынках сбыта той или иной продукции будет определять величину ее планового и фактического производства. Таким образом, план производства продукции как на долгосрочную, так и на краткосрочную перспективу является во многом ориентировочным и подлежит уточнению в темпе процесса производства. В свою очередь объемы производства продукции будут в той или иной степени определять величину электропотребления промышленного предприятия.

Следовательно, оптимальной для прогнозирования электропотребления промышленного предприятия будет являться такая прогнозная модель, которая будет обладать хорошей адаптивностью к быстроменяющимся условиям окружающей среды и позволит учитывать производственные показатели предприятия.

Во второй главе производится анализ существующих методов прогнозирования временных рядов с точки зрения применимости этих методов для построения на их основе прогнозной модели электропотребления промышленного предприятия. Достоинства и недостатки этих методов прогнозирования временных рядов, при использовании их для прогнозирования электропотребления приведены в табл. 1.

Достоинства и недостатки методов прогнозирования электропотребления зирования Интуитивные ме- Возможность применения в Зависимость качества тоды прогноза тех случаях, когда неприме- прогноза от квалификанимы формализованные ме- ции экспертов; низкая Прогнозная экс- Простота реализации про- Жесткая фиксация мотраполяция гнозной модели; возмож- дели тренда; отсутствие ность прогнозирования на адаптивности; невозоснове минимального набора можность учета множевходных данных ства влияющих параметров; необходимость Корреляционный и Возможность учета влияния Низкая адаптивность;

регрессионный широкого набора параметров жесткие требования к Модели ARIMA Хорошая способность по вы- Низкая адаптивность;

Адаптивные мето- Хорошие адаптивные спо- Сложность определения ды прогнозирова- собности; хорошие способ- набора входных парания ности по долгосрочному про- метров; необходимость Прогнозирование с Хорошие адаптивные и Сложность определения помощью искус- обобщающие способности; набора входных параственных нейрон- высокая помехозащищен- метров и конфигурации ных сетей (далее – ность; способность к само- сети Прогнозирование с Хорошие адаптивные и Сложность реализации помощью гибрид- обобщающие способности;

ных систем, осно- высокая помехозащищенванных на ИНС ность; способность к самообучению и самонастройке Путем анализа цели и задач краткосрочного прогноза электропотребления на рынке электроэнергии, а также достоинств и недостатков основных методов прогнозирования временных рядов, были получены следующие выводы:

1. Прогнозная модель должна обеспечивать точность прогнозирования, оптимальную с точки зрения соотношения затрат на автоматизированную программно-аппаратную систему прогнозирования электропотребления, и издержек, связанных с оплатой отклонений прогнозного значения потребления электроэнергии от фактического.

2. Прогнозная модель должна быть адаптивной, для быстрого изменения своих свойств под влиянием изменяющихся факторов внешней среды.

3. Наилучшими для построения методики прогнозирования, в качестве основы для автоматизированной прогнозной модели, по совокупности свойств, являются методы, основанные на искусственных нейронных сетях.

Эти методы отличаются тем, что определение закономерностей электропотребления и построение прогнозной модели происходит одновременно в процессе обучения нейронной сети.

4. Для определения оптимальной конфигурации ИНС, необходимо применять метод генетического отбора.

5. Наиболее подходящей для создания прогнозной модели электропотребления промышленного предприятия, является гибридная система, на основе многослойного персептрона, созданного с применением генетических алгоритмов для выбора оптимальных параметров сети.

В третьей главе разрабатывается методика создания прогнозной модели предприятия на основе искусственной нейронной сети.

Для определения оптимального набора входных параметров прогнозной модели электропотребления была проанализирована типовая схема системы электроснабжения промышленного предприятия. На каждом уровне системы электроснабжения были определены параметры, влияющие на величину электропотребления (рис. 1), и проведена оценка пригодности этих параметров к включению в прогнозную модель в качестве входных.

На основании анализа влияющих параметров был сделан вывод, что в качестве входных параметров прогнозной модели электропотребления необходимо выбирать параметры окружающей среды (день недели, час суток, долгота дня, температура воздуха и т.п.) и объемы выпуска продукции по цехам или производственным линиям.

Для отбора входных параметров прогнозной модели электропотребления целесообразно применить метод коллективных экспертных оценок, с участием представителей технологических служб предприятия и службы главного энергетика.

После отбора входных параметров необходимо определить оптимальную внутреннюю конфигурацию нейронной сети (число скрытых слоев, число нейронов в скрытом слое, крутизну активационной функции и т.д.). Для этого был разработан алгоритм, основанный на методе генетического отбора.

Объем выпуска продукции предприятием; параГПП ции производственной Объем выпуска продукции цеха станком и агрегатом Рис. 1. Параметры, влияющие на электропотребление на различных уровнях Алгоритм включает в себя следующие этапы (рис.2):

1. Параметры ИНС (число скрытых слоев, число нейронов в скрытом слое, крутизна активационной функции) кодируются генами. Для каждого гена устанавливается его максимальное и минимальное возможное значение.

2. Формируются M особей ИНС первого поколения с параметрами, определенными случайным образом в пределах заданных интервалов.

3. Сформированные ИНС обучаются на обучающем множестве, а затем проверяются на тестовом множестве данных. Критерием оценки качества каждой особи являются среднеквадратическая ошибка прогноза (MSE), корень этой ошибки (RMSE) и средняя абсолютная ошибка прогноза в процентах (MAPE) на тестовом множестве.

4. Половина особей поколения с наихудшими оценками качества прогнозирования удаляются, а оставшиеся особи случайным образом попарно скрещиваются между собой. В процессе кроссинговера (скрещивания), сетипотомки получают случайным образом часть генома от одного родителя, а часть – от другого. Скрещивание проводится до тех пор, пока не будет достигнуто необходимое количество сетей-потомков в следующем поколении.

5. Описанный в пунктах 2-4 процесс повторяется заданное количество поколений N. В результате отбора получаем сеть с наилучшими показателями точности прогноза из всех сетей на протяжении заданного количества поколений.