УДК 621.311С.Ю. ШЕВЧЕНКО, канд. техн. наук, проф., НТУ "ХПИ", ХарьковА.И. ГАНУС, канд. техн. наук, ХарьковолэнергоН.А. САВЧЕНКО, аспирант, НТУ "ХПИ", ХарьковКРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕЭЛЕКТРОПОТРЕБЛЕНИЯ ПРОМЫШЛЕННЫХПРЕДПРИЯТИЙПриведено аналіз основних завдань короткострокового прогнозування електроспоживанняпромислових підприємств. Показано можливі підходи до виборуметодики короткострокового прогнозування електроспоживання промисловихпідприємств.Приведен анализ основных задач краткосрочного прогнозирования электропотребленияпромышленных предприятий. Показаны возможные подходы к выборуметодики краткосрочного прогнозирования электропотребления промышленныхпредприятий.Введение. Для крупных промышленных предприятий одним изосновных путей для снижения затрат на покупку электрической энергиив ситуации реформирования электроэнергетики является выход наоптовый рынок электрической энергии (ОРЭ).Несмотря на предпринимаемые многочисленные частные попыткипрогнозирования электропотребления предприятий на сутки вперед,в целом данная задача еще не решена. В большой степени даннаяситуация обусловлена отсутствием учета особенностей промышленныхпредприятий, а также отсутствием исходных данных. Также краткосрочноепрогнозирование затруднено для предприятий с часто изменяющейсянагрузкой.Цель работы – поиск путей краткосрочного прогнозированияэлектропотребления предприятий.Анализ публикаций. В качестве основной задачи краткосрочногопрогнозирования предприятия была определена необходимостьсовпадения заявленного и фактического потребления предприятия спогрешностью не более двух процентов, что позволяет предприятиюне нести убытков от штрафов за ошибочный заказ мощности.На данном этапе развития краткосрочного прогнозирования нагрузкипредлагается большое количество методов и моделей. Основнымииз них являются – методы математической статистики, обработкиданных, регрессионного анализа, нейронных сетей, нечеткой логи-ISSN 2079-3944. Вісник НТУ "ХПІ". <strong>2010</strong>. № <strong>55</strong>126
ки, гибридных систем, теории баз данных, технологии построения реляционныхбаз данных [1].Наибольшую точность прогноза дают системы, построенные наоснове искусственного интеллекта. Точность прогноза, основанного наприменении методов искусственного интеллекта, зависит от имеющихсяисходных данных, определяющих архитектуру сети, степенидостоверности данных и требуемого периода прогнозирования. Перспективнымявляется также применение гибридных сетей[2].Процесс прогнозирования нагрузки может состоять из следующихэтапов: подбор архитектуры нечеткой нейронной сети; выборобучающих и тестовых данных; тренинг сети; тестирование сети наконтрольном множестве данных; использование сети в качестве средствапрогнозирования; возможное дообучение [4].Методы прогнрозирования. Для краткосрочного прогнозированиянагрузки промышленного предприятия необходимыми исходными даннымиявляются данные статистической отчетности по суточному электропотреблению,данные по выпуску продукции на анализируемый, атакже прогнозируемый период, данные за субботу, воскресенье, понедельники остальные дни, либо за рабочие и выходные дни. Для высокойдостоверности используемых данных на исследуемом предприятии изначальнодолжна быть внедрена высокоточная и многофункциональная автоматизированнаясистема контроля и управления энергохозяйством(АСУЭ). АСУЭ предприятия позволяет осуществлять все функции диспетчеризациии управления работой объектов энергоснабжения по обеспечениюпредприятия требуемой энергией, планирование, нормированиеи анализ режимов энергоснабжения и энергопотребления основным оборудованиемтехнологических и энергетических производств. АСУЭ осуществляеткоммерческий и технический учет и контроль энергопотребленияподразделениями предприятия.В качестве нейронного эмулятора объекта может быть выбранагибридная технология адаптивной нейро-нечеткой системы заключений(Adaptive-Network-Based Fuzzy Inference System – ANFIS), обладающая,по сравнению с другими методами, высокой скоростью обучения,простотой алгоритма и оптимальной проработанностью программногообеспечения в системе математического моделированияMatLAB и показывающая более точные результаты прогнозированияво многих областях науки и производства, в том числе и в энергетике.Выбор адаптивной нейро-нечеткой системы обусловлен высокимипоказателями точности прогнозирования. Средняя ошибка прогнозированияэтого метода для рабочих дней составила 2,5 %, а для выходныхдней – 1,5 %.Наибольшей ошибкой прогнозирования средисравниваемых методов обладает регрессионный анализ, – 3,5 % дляISSN 2079-3944. Вісник НТУ "ХПІ". <strong>2010</strong>. № <strong>55</strong>127
- Page 1 and 2:
ВЕСТНИКНАЦИОНАЛЬН
- Page 3 and 4:
УДК 621.313.2В.А. ВЛАСЕН
- Page 5 and 6:
абвРис. 1.гM, Гн0.0180.015
- Page 7 and 8:
пар полюсів на фазу
- Page 9 and 10:
УДК 621.3Л.П. ГАЛАЙКО,
- Page 11 and 12:
Рис.2.Рис.3.Рис.4.Рис.5
- Page 13 and 14:
УДК 621.317.4А.В. ГЕТЬМА
- Page 15 and 16:
Для каждого из 14 да
- Page 17 and 18:
На основе данных та
- Page 19 and 20:
УДК 621.316.9Є.В. ГОНЧАР
- Page 21 and 22:
льна напруга буде д
- Page 23 and 24:
УДК 622. 276.6А.Г. ГУРИН,
- Page 25 and 26:
закупоривания илис
- Page 27 and 28:
гдеkсв =dLЭ( x); x - изме
- Page 29 and 30:
ISSN 2079-3944. Вісник НТУ
- Page 31 and 32:
nnm(x)ϕ&&( t)+ m(x)∑(x)T&&i ( t)
- Page 33 and 34:
нижнее полупростра
- Page 35 and 36:
в 4 раза меньшую сто
- Page 37 and 38:
Пути решения пробл
- Page 39 and 40:
УДК 621.313.2А.Е. КОЗОРЕ
- Page 41 and 42:
Φ 3 = Φ4+ 2⋅g1; (4)Φ 4 = Φ6+
- Page 43 and 44:
Козорезов Олександ
- Page 45 and 46:
ной нагрузке, К; τ o -
- Page 47 and 48:
ной; w kj - веса связи
- Page 49 and 50:
Выводы. Представле
- Page 51 and 52:
различных условий
- Page 53 and 54:
Для длинной линии г
- Page 55 and 56:
dx(t)r r r= AX ( t)+ B1W1(t)+ B2U(
- Page 57 and 58:
⎡−2T TA γ B B − B B ⎤H∞=
- Page 59 and 60:
Выводы и перспекти
- Page 61 and 62:
УДК 624.04: 621.313.04: 534.1В.
- Page 63 and 64:
v -0b 1Pmх, х(t)Fc 11c 212Рис.
- Page 65 and 66:
v(t)IIx(t)tIt Іt І +t ІІРис.
- Page 67 and 68:
тов. Численный расч
- Page 69 and 70:
учитывать при эксп
- Page 71 and 72:
УДК 621.316:532.232А.Н. МОР
- Page 73 and 74:
ментов использовал
- Page 75 and 76: Дж/(м 3·с).Экспериме
- Page 77 and 78: Таблица 1 - Испытате
- Page 79 and 80: а б вРис. 1.обследов
- Page 81 and 82: (2000 - 530)/(2000 - 10) = 1470/199
- Page 83 and 84: либо кабеля отрази
- Page 85 and 86: тящимся ротором ба
- Page 87 and 88: Как видно на рис. 2 и
- Page 89 and 90: УДК 621.318.3И.А. НЕСТЕР
- Page 91 and 92: USF =пU , (2)πρ0( 1+ α тθ)( D
- Page 93 and 94: Экономические пока
- Page 95 and 96: аРис.4.бРезультаты
- Page 97 and 98: вых функцийP min ,*m min
- Page 99 and 100: результаты разрабо
- Page 101 and 102: считались авария а
- Page 103 and 104: = S 0 (t) exp(b1∙tgδ1+ b2∙Δ t
- Page 105 and 106: контролю, и решение
- Page 107 and 108: УДК 621.313В.І. ТКАЧУК,
- Page 109 and 110: конструктивний вуз
- Page 111 and 112: Рис. 4.За критерій о
- Page 113 and 114: Біляковський Ігор
- Page 115 and 116: де, двойной АВР на в
- Page 117 and 118: АВР. Каждое из таки
- Page 119 and 120: занный недостаток
- Page 121 and 122: УДК 621.313М.В. ЧЕРНЯВС
- Page 123 and 124: Q∆1 πγ11,22n1 v = K1Kобр1fv1
- Page 125: Список літератури:
- Page 129 and 130: УДК 621.039.624В.Б. ЮФЕРО
- Page 131 and 132: дит при движении пр
- Page 133 and 134: сложности возможно
- Page 135 and 136: ее нарастания ω* = ω
- Page 137 and 138: ∆ ωciωci≤ ∆ H H . (7)Сле
- Page 139 and 140: Рис. 7.Из формул вид
- Page 141 and 142: сильных магнитных
- Page 143 and 144: с отверстием для на
- Page 145 and 146: Производительност
- Page 147 and 148: 12001000XeB,Oe800600Kr400200Ar00 20
- Page 149 and 150: лотронных колебани
- Page 151 and 152: Gurin A.G., Mostovoj S.P., Pidashov
- Page 153 and 154: ility on breaking strength of its p
- Page 155 and 156: prises are shown in view of their p
- Page 157 and 158: УДК ... (10 pt)Б.І. КУЗНЕ
- Page 159 and 160: Фото авторів (2,5×3 с
- Page 161 and 162: Набока Б.Г., Беспроз
Change language