Вестник НТУ ХПИ_55 2010_Оригинал_макет - Науково-Ñ‚ÐµÑ Ð½Ñ–Ñ‡Ð½Ð° ...

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". 2010. № 55127