Помощь в написании студенческих работ
Антистрессовый сервис

Метод прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких алгоритмов

Диссертация: Метод прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких алгоритмов
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

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… Читать ещё >

Метод прогнозирования объемов потребления электроэнергии предприятием черной металлургии на основе нейро-нечетких алгоритмов (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. Общая характеристика проблемы прогнозирования потребления электроэнергии предприятием черной металлургии
    • 1. 1. Анализ существующих методов и средств прогнозирования потребления электроэнергии
    • 1. 2. Характеристика потребления электроэнергии как объекта прогнозирования
    • 1. 3. Определение требований к математическому обеспечению метода прогнозирования потребления электроэнергии предприятием черной металлургии
    • 1. 4. Выводы
  • 2. Математическое обеспечение метода прогнозирования потребления электроэнергии предприятием черной металлургии
    • 2. 1. Разработка методики обобщенной оценки объемов потребления электроэнергии
    • 2. 2. Разработка методик предварительной обработки технологических параметров в системе прогнозирования
      • 2. 2. 1. Методика восстановления отсутствующих данных в рядах ретроспективной информации
      • 2. 2. 2. Методика редактирования аномальных значений в рядах ретроспективной информации
    • 2. 3. Разработка методики определения влияющих факторов на потребление электроэнергии
    • 2. 4. Разработка метода прогнозирования потребления электроэнергии
      • 2. 4. 1. Метод прогнозирования потребления электроэнергии на основе неиро-нечеткои сети
      • 2. 4. 2. Модификация структуры нейро-нечеткой сети
      • 2. 4. 3. Обучение модифицированной нейро-нечеткой сети
    • 2. 5. Выводы

    3 Алгоритмы обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии. 102 3.1 Алгоритмы предварительной обработки технологических параметров в системе прогнозирования.

    3.1.1 Алгоритм восстановления отсутствующих данных в рядах ретроспективной информации.

    3.1.2 Алгоритм редактирования аномальных значений в рядах ретроспективной информации.

    3.2 Алгоритм определения влияющих факторов на потребления электроэнергии.

    3.3 Алгоритм обучения нейро-нечеткой сети.

    3.4 Алгоритм взаимодействия модулей системы.

    3.5 Обобщенный алгоритм функционирования системы прогнозирования потребления электроэнергии.

    3.6 Выводы.

    4 Экспериментальные исследования метода и алгоритмов обработки информации в системе прогнозирования потребления электроэнергии предприятием черной металлургии.

    4.1 Основные функциональные элементы и блоки.

    4.2 Методика настройки алгоритмического обеспечения.

    4.3 Результаты экспериментальных исследований.

    4.4 Перспективы применения разработанных метода и алгоритмов в системе прогнозирования потребления электроэнергии предприятиями черной металлургии.

    4.5 Выводы.

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% [71].

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) [64].

Максимальный удельный расход электроэнергии приходится на электросталеплавильное производство, он составляет 727 кВт-ч/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 [81].

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 [68].

К особенностям электропотребления предприятием черной металлургии относятся: большое количество электрооборудования, участвующего в осуществлении технологического процесса в каждом подразделениибольшое разнообразие типов и мощностей приемников электроэнергииотносительно слабые связи взаимного влияния приемников электроэнергии при осуществлении технологического процессабольшое количество электрооборудования, участвующего в обеспечении технологического процесса в каждом подразделении и создающего условно постоянную нагрузку, также зависящего от интенсивности технологического процессафакторы, случайным образом влияющие на режимы и объем электропотребленияпревалирующее по сравнению с другими факторами влияние объема производства на объем потребления электроэнергиибольшое число часов использования максимума электрической мощностибольшая электроемкость видов конечной продукциивозможность изменения режимов работы и состава оборудования в подразделении, сортамента продукции и других систематически действующих факторов [71, 81,92, 93].

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 [19, 35].

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 [10].

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., Kaiman R.E., Shannon С.Е. 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:

1) анализ проблемы прогнозирования электропотребления предприятием черной металлургии;

2) разработка математического обеспечения системы прогнозирования потребления электроэнергии;

3) разработка алгоритмов прогнозирования потребления электроэнергии;

4) 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. Для 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 2е1-алгоритмаопределения 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 СевероЗападном 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 230 105 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.

4.5 ВЫВОДЫ.

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.

ЗАКЛЮЧЕНИЕ

.

В диссертационной работе в рамках решения поставленной научно-технической задачи повышения достоверности прогнозирования потребления электроэнергии предприятием черной металлургии на основе аппарата искусственных нейронных сетей и нечеткой логики получены следующие основные результаты:

1. Разработан новый метод прогнозирования электропотребления предприятием черной металлургии, отличающийся использованием модифицированной структуры нейро-нечеткой сети, позволяющий уменьшить ошибку прогнозирования потребления электроэнергии до 5%.

2. Разработаны методики: восстановления отсутствующих и редактирования аномальных значений в рядах ретроспективных данных на основе модифицированного 7е1>алгоритмаопределения значимых производственных и технологических факторов на потребление электроэнергии на основе дерева принятия решений.

3. Разработаны алгоритмы функционирования системы прогнозирования потребления электроэнергии, обеспечивающие точность прогнозных оценок электропотребления не менее 95%.

4. Разработано программное обеспечение системы прогнозирования потребления электроэнергии предприятием черной металлургии, реализующее предложенные методы и алгоритмы и позволяющее сократить общее время расчетов в 2,8 раза.

Показать весь текст

Список литературы

  1. , В.А. Информационный банк «Черметэнерго» Текст. /В.А. Авдеев, Б. И. Кудрин, А. Е Якимов М.: Электрика, 1995. — С. 400
  2. Автоматизированные системы управления в энергосбережении (опыт разработки): монография / Казаринов Л. С., Копцев Л. А., Кинаш A.B. и др. Под ред. Л. С. Казаринова. Челябинск: Издательский центр ЮУрГУ- издатель Т. Лурье, 2010. — С. 228
  3. , В.В., Горский Н. Д. Представление и обработка изображений: рекурсивный подход Текст. / В. В. Александров, Н. Д. Горский // Л-д.: Наука 1985.- С. 190
  4. , А.И. Моделирование распределённых систем со структурированными потоками сообщений Текст. /А.И. Алексейчук, М. Д. Шапот // Известия РАН. Теория и системы управления. № 5. -1999.-С. 117−120.
  5. A.B. Системный анализ. — М.: Высшая школа, 2004. — С. 454
  6. B.C., Емельянов A.A., Кукушкин A.A. Системный анализ в управлении: Учебное пособие / Под ред. A.A. Емельянова. — М.: Финансы и статистика, 2002. — С. 368
  7. В.И. О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Мат. просвещение. 1958. Вып. 3. С. 41−61
  8. В.И. О представлении функций нескольких переменных в виде суперпозиции функций меньшего числа переменных // Мат. просвещение. 1958. Вып. 3. С. 41—61.
  9. , Р.В. Прогноз электропотребления: анализ временных рядов, геостатистика, искусственные нейронные сети Текст. / Р. В. Арутюнян, В. И. Богданов, Л. А. Большое и др. Препринт / ИБРАЭ № 99−05. — М., 1999. — С. 45
  10. , А.Н. Деревья принятия решений в задаче отбора значимых факторов для прогнозирования объемов электропотребления в металлургическом производстве Текст. / А. Н. Бажинов, Е. В. Ершов. Вестник Череповецкого гос. ун-та.-2011- № 4 Т. З- С. 9−11.
  11. , А.Н. Прогноз потребления электроэнергии как средство повышения эффективности металлургического производства Текст. / А. Н. Бажинов, Е. В. Ершов. Металлург 2011, № 11 — С. 34—37.
  12. Бир Стаффорд. Кибернетика и управление производством. — М.: Наука, 1965. —С. 391
  13. С.Л., Шуйкова И. А., Сараев П. В., Черпаков И. В. Нечеткая логика: алгебраические основы и приложения. Монография. -Липецк: ЛЭГИ, 2002. С. 113.
  14. Ю.А., Журавлёв Ю. П., Копцев Л. А., Зуевский В. В., Седельников C.B. Влияние структурных изменений сталеплавильного производства и собственной энергетической базы на энергоёмкость продукции. Сталь, 2007, № 12, С. 83−87.
  15. Ю.А., Журавлёв Ю. П., Копцев Л. А., Прохоров C.B., Новицкий И. Д. Оптимизация энергобаланса и выбор режимов работы дуговыхсталеплавильных печей. Сталь, 2010, № 2, С. 29−31.
  16. , Д. Анализ временных рядов Текст./ Д. Бокс М.: Мир, 1974.
  17. , JI.A. Прогнозирование энергопотребления: современные подходы и пример исследования Текст. /Л.А. Болыпов, М. Ф. Каневский, Е. А. Савельева и др. // Известия РАН: энергетика. № 6. -2004.-С. 74—92.
  18. , В.П. Прогнозирование в системе Stastica в среде Windows. Основы теории и интенсивная практика на компьютере Текст./В.П. Боровиков, Г. И. Ивченко. М.: Финансы и статистика, 1999. — С. 384
  19. , Б.М. Симметрирование токов и напряжений на действующих тяговых подстанциях переменного тока Текст. / Б. М. Бородулин // Вестник ВНИИЖТ. № 2. — 2003. с. 38−43
  20. , Д.В. Сравнительные модели прогнозирования электрической нагрузки Текст. /Д.В. Бэнн, Е. Д. Фармер. М.: Энергоатомиздат, 1987.-С. 200
  21. , Г. И. Теория восстановления сигналов Текст./ Г. И. Василенко М.: Сов. радио. 1979. — С. 272
  22. В.И., Романов Л. Г., Червонный A.A. Основы теории систем: Конспект лекций. — М.: МГТУ ГА, 1994. — С. 104
  23. , Е. Ф. Металлургия чугуна Текст. /Е. Ф. Вегман, Б. Н. Жеребин, А. Н. Похвиснев, Ю. С. Юсфин. М.: Металлургия, 1978.-С. 480
  24. , Е. Ф. Теоретические проблемы металлургии чугуна Текст. / Е. Ф. Вегман, В. О. Чургель. М.: Машиностроение, 2000. — С. 348
  25. , Е. С. Теория вероятности Текст. / Е. С. Вентцель. -М.:Высшая школа, 1976. С. 564
  26. В.Н., Денисов A.A. Основы теории систем и системного анализа. — СПб.: СПбГТУ, 1997. — С. 510
  27. В.Н., Денисов A.A. Теория систем: Учебник для студентов вузов. — М.: Высшая школа, 2006. — С. 511
  28. , Г. К. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. Текст. / Г. К. Вороновский, К. В. Махотило, С. Н. Петрашев, С. А. Сергеев // X.: ОСНОВА, 1997.— С. 112.
  29. , А.З. Идентификация характеристик ошибок измерений при оценивании состояния Текст. /А.З. Гамм, И. Н. Колосок //Электронное моделирование. № 3. — 1986. — С. 45−50.
  30. , А.З. Обнаружение грубых ошибок телеизмерений в электроэнергетических системах Текст. /А.З. Гамм, И. Н. Колосок. -Новосибирск: Наука, 2000. С. 150
  31. , А.З. Обнаружение плохих данных в телеизмерениях для АСДУ ЭЭС на основе контрольных уравнений Текст. /А.З. Гамм И. Н. Колосок. Иркутск: ИСЭМ СО РАН, 1998. — С. 47
  32. , Б.Н. Прогноз электропотребления промышленного предприятия в условиях нестабильности экономики Текст. / Б. Н. Головкин, В. Н. Пирогов, А. П. Старцев // Промышленная энергетика. -№ 2. 1996. — С. 8−12.
  33. , А.Н. Нейроинформатика Текст. / А. Н. Горбань, B.JI. Дунин А. Н. Кирдин и др. Новосибирск: Наука, 1998. — С. 296
  34. , А.Н. Нейронные сети на персональном компьютере Текст. / А. Н. Горбань, Д. А. Россиев. Новосибирск: Наука, 1996. — С. 276
  35. , А.Н. Обобщённая аппроксимационная теорема и вычислительные возможности нейронных сетей Текст. / А.Н. Горбань
  36. Соросовский образовательный журнал. Т.1. — 1998. — С. 12−24.
  37. , А.Н. Обучение нейронных сетей Текст. / А. Н. Горбань. М.: СП параграф, 1990 — С. 160
  38. ГОСТ 13 109–97. Нормы качества электроэнергии в системах электроснабжения общего назначения. Минск: Изд-во стандартов, 1998.
  39. , Ю.А. Программно-вычислительный комплекс «Оценка» оценивания состояния ЭЭС в реальном времени Текст. / Ю. А. Гришин, И. Н. Колосок, Е. С. Коркина и др. // Электричество. № 2. -1990.-С. 8−16.
  40. , М.Г. Интуитивное предсказание нейросетями взаимоотношений в группе Текст. / Доррер М. Г. // Методы нейроинформатики. Красноярск, 1998.-С. 111−129.
  41. , Н. Прикладной регрессионный анализ Текст. / Н. Дрейпер, Г. Смит. М.: Статистика, 1973. — С. 392
  42. , В.А. Прогнозирование электропотребления предприятий на основе искусственных нейронных сетей Текст.: дис.. канд. техн. наук / В. А. Дулесов. М., 1992. — С. 153
  43. , В. Математические пакеты расширения MatLab. Специальный справочник Текст. /В. Дьяконов, В. Круглов СПб.: БХВ — Петербург, 1999. — С. 450
  44. , В. П. MATLAB 6.0 /6.1 /6.5 +SPl+Simulink 4/5. Обработка сигналов и изображений. Текст. / В. П. Дьяконов. М.: COJIOH-Пресс, 2005. — С. 465
  45. , A.A. Нейрокомпьютинг и его применения в экономике и бизнесе Текст. / A.A. Ежов, С. А. Шуйский. М.: МИФИ, 1998. — С. 225
  46. , Е. В. Архитектура программного обеспечения моделирования алгоритмов в системах искусственного интеллекта Текст. / Е. В.
  47. , E.B. Майтама// Информационные технологии в производственных, социальных и экономических процессах (Инфотех-2004): Мат. 4-й Междунар. НТК Череповец: ГОУ ВПО ЧТУ, 2005.-С. 212−213.
  48. .В. Определение электропотребления предприятия в условиях неполноты информации с использованием ценологических свойств систем // Энергетика. (Изв. высших учеб. заведений и энерг. объединений СНГ). 1998. — № 5. — С. 51−56.
  49. .В., Бортниченко A.B. Классификация предприятий черной металлургии. Промышленная энергетика, N1, 1997. — С. 25−26.
  50. Н.Г., Елкина В. Н., Тимеркаев B.C. Алгоритм заполнения пропусков в эмпирических таблицах (алгоритм Zet) // Эмпирическое предсказание и распознавание образов. Новосибирск, 1975. — Вып. 61: Вычислительные системы. — С. 3−27.
  51. , А.Г. Индуктивный метод самоорганизации моделей сложных систем Текст. / А. Г. Ивахненко. Киев: Наукова думка, 1982.-С. 296
  52. , М. Временные ряды Текст. /М. Кендел. М.: Финансы и статистика, 1981.-С. 199
  53. , В.К. Модернизация метода наискорейшего спуска при прогнозировании электропотребления Текст. / В. К. Кистенёв, П. Ю. Лукьянов, Д. А. Яковлев // Технические науки, технологии и экономика. Ч. II. — Чита: ЧитГУ, 2003. — С. 169−174.
  54. , Л.С. Система потоков научной информации Текст./Л.С. Козачков. Киев: Наукова думка, 1973. — С. 239
  55. , В.И. Нейронные сети и их применение в системах управления и связи Текст. / В. И. Комашинский, Д. А. Смирнов М.: Горячая линия — Телеком, 2003. — С. 94
  56. Копцев Л. А, Михайловский В. Н., Майсюков Д. В., Япрынцева И. А. Повышение эффективности использования энергии при производстве, распределении и потреблении сжатого воздуха. Вестник энергосбережения Южного Урала, 2001, № 1, С. 18−20.
  57. Л.А. Нормирование и прогнозирование потребления электроэнергии в зависимости от объёмов производства. -Промышленная энергетика, 1996, № 3, С. 5−7.
  58. Л.А. Технико-экономические проблемы управления энергосбережением: энергоёмкость продукции и экономическая эффективность. Электрика, 2005, № 1, С. 18−28.
  59. Л.А. Управление загрузкой технологических агрегатов с целью сокращения энергозатрат. Сталь, 2011, № 9, С. 73−77.
  60. Л.А., Журавлёв Ю. П., Зуевский В. В. Оптимизация энергобаланса дуговых сталеплавильных печей на основе метода линейного программирования. Сталь, 2008, № 9, С. 92−95.
  61. Л.А., Зуевский В. В. О влиянии тарифов на электроэнергию на энергоёмкость продукции металлургических предприятий. -Промышленная энергетика, 2004, № 2, С. 2−9.
  62. Л.А., Копцев А. Л. Нормирование и прогнозированиепотребления электроэнергии на промышленном предприятии. -Промышленная энергетика, 2011, № 1, С. 18−23.
  63. Л.А., Мугалимов Р. Г. Анализ электропотребления слябинга. -Промышленная энергетика, 1989, № 11, С. 15−16.
  64. Л.А., Никифоров Г. В. Влияние технологических факторов на электропотребление стана холодной прокатки. Сталь, 1997, № 9, С. 36−37.
  65. Л.А., Никифоров Г. В. Основные подходы к оптимизации энергобаланса металлургического предприятия на примере ОАО «ММК». // Электротехнические системы и комплексы: Межвузовский сборник научных трудов. Магнитогорск, МГТУ, 1998. Вып. 4, С. 184−187.
  66. Л. А., Шапарь С. В., Колеватова В. Н., Гунин В. М. Нормирование расхода электроэнергии на перекачку технической воды. Электрика, 2006, № 11, С. 11−13.
  67. Л.А., Япрынцева И. А., Павлов A.B. Статистический подход к анализу и управлению технологическими процессами в доменном производстве с целью экономии топлива. Промышленная энергетика, 2006, № 2, С. 2−5.
  68. , В. И. Металлургия черных металлов Текст. / В. И. Коротич, С. Г. Братчиков. М.: Металлургия, 1987 — С. 249
  69. , А.К. Имитационное моделирование в задачах развития систем энергетики Севера Текст. / А. К. Корякин Новосибирск: СО РАН, 1996. — С. 147
  70. , A.C. Прогноз электропотребления при помощи многослойного персептрона Текст. /A.C. Кравецкий, М. Ф. Каневский, Е. А. Савельева и др. Препринт/ ИБРАЭ № 2000−07. — М., 2000. — С. 24
  71. , В. В. Искусственные нейронные сети. Теория и практика.
  72. Текст. / В. В. Круглов, В. В. Борисов // М.: Горячая линия Телеком, 2001. —С. 382
  73. , Б.И. Выделение и описание электрических ценозов Текст. / Б. И. Кудрин // Изв. вузов. Электромеханика. № 7. — 1985. — С. 49−54
  74. , Б.И. Ценологическое определение параметров электропотребления многономенклатурных производств Текст. / Б. И. Кудрин, Б. В. Жилин, О. Е. Лагуткин, М. Г. Ошурков. Тула: Приок. кн. изд-во, 1994. — С. 122
  75. О.И., Мошкович Е. М. Качественные методы принятия решений. Вербальный анализ решений. М.: Наука. Физматлит, 1996. -С.208
  76. А.В. Алгоритмы: введение в разработку и анализ, М.: Вильяме, 2006. С. 576
  77. , В.Д. Моделирование нейронного классификатора для решения задач прогноза в электроэнергетике Текст. / В. Д. Лепорский, М. Э. Куссуль, Т. В. Иваницкая // Техническая электродинамика. Энергетические системы и установки. № 4. — 1995. — С. 61−65.
  78. Г. А. Эволюция электросталеплавильного производства к 2010 году // Электрометаллургия. 2002. — № 5. — С. 2−3.
  79. Л. А. Концепция системного проектирования. — Самара: Изд-во Самарского гос. тех. ун-та, 2005. — С. 180
  80. , A.M. Моделирование динамики изменений потребления электроэнергии энергосистем при неполной информации Текст. / A.M. Меламед, В. Ф. Тимченко, К. А. Сааред // Электричество. № 9. -1977.-С. 66−69.
  81. , JI.A. Системные исследования в энергетике Текст. / Л. А. Мелентьев. М.: Наука, 1983. — С. 454
  82. Методы нейроинформатики Текст. Красноярск: КГТУ, 1998. — С. 204
  83. , Е. М. Нейрокомпьютер. Проект стандарта. Текст. / Е. М. Миркес // Новосибирск: Наука, 1999. — С. 337
  84. , К.Г. Телемеханика в энергосистемах Текст. / К. Г. Митюшкин. М.: Энергия, 1975. — С. 360
  85. , А.П. Методы и модели прогнозирования для развития электроэнергетических систем в условиях неопределённости и многокритериальности Текст.: Дис.. докт. техн. наук/ А. П. Мызин. Новосибирск, 1994. — С. 307
  86. , A.B. Нейросетевые алгоритмы прогнозирования и оптимизации систем Текст. / A.B. Назаров, А. И. Лоскутов СПб.: Наука и Техника, 2003. — С. 384
  87. Г. В., Копцев Л. А. Энергетический анализ основа целенаправленной деятельности по энергосбережению в ОАО «ММК». — Вестник энергосбережения Южного Урала, 2000, № 1, С. 12−15.
  88. Г. В., Олейников В. К., Заславец Б. И. Энергосбережение и управление электропотреблением в металлургическом производстве. М.: Энергоатомиздат, 2003. С. 480.
  89. В.К., Никифоров Г. В. Анализ и управление электропотреблением на металлургических предприятиях. -Магнитогорск: МГТУ, 1999. С. 219
  90. Основы металлургического производства (чёрная металлургия). Учебник для СПТУ / Бабич В. К., Лукашин Н. Д., Морозов А. С., Поляк И. П., Соболевский А. Л., Тараканов Ю. В., Шевякова Л. Г. М.- Металлургия, 1988, С. 272
  91. И.В. Системный подход и общесистемные закономерности. — М.: СИНТЕГ, 2000. — С. 528
  92. Роберт, Каллан. Основные концепции нейронных сетей = The Essence of Neural Networks First Edition. Текст. / P. Каллан // M.: «Вильяме», 2001. —С. 288
  93. A.A. Моделирование данных при помощи кривых для восстановления пробелов в таблицах. Методы нейроинформатики / Под. ред. А. Н. Горбаня. Красноярск: КГТУ, 1998. — С. 6−22.
  94. Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. И. Д. Рудинского. М.: Горячая линия — Телеком, 2006. — С. 452
  95. Саймон, Хайкин. Нейронные сети: полный курс = Neural Networks: А Comprehensive Foundation. Текст. / С. Хайкин. // М.: «Вильяме», 2006.1. С. 1104
  96. В.А., Копцев Л. А. Системный подход к проблеме энергосбережения как средство повышения эффективности производства. Сталь, 2002, № 4, С. 93−96.
  97. В.А., Владыко А. Г., Легенкин B.C. Применение нечеткой логики в устройствах регулирования энергетическими объектами // Электроэнергетика и энергосберегающие технологии: Межвуз. сб. науч. тр. Владивосток: Изд-во ДВГТУ, 1998. — С. 125−133.
  98. Справочник по типовым программам моделирования Текст. Киев:1. Техника, 1980.-С. 184
  99. Теория и методы принятия решений. Ларичев О. И. М.: Логос, 2002. — 392 с.
  100. , Ф. Нейрокомпьютерная техника: Теория и практика = Neural Computing. Theory and Practice. — M.: Мир, 1992. — С. 240
  101. , C.H. Метод и алгоритмы обработки информации в системах прогнозирования сложных процессов металлургического производства. Текст.: Дисс.канд.техн.наук. Станислав Николаевич Хисамутдинов Череповец, 2002.
  102. В.П. Математическое моделирование металлургических процессов. М.:Металлургия, 1986. С. 239
  103. , С.В. Введение в дискретную математику. Раздел «Теория кодирования» Текст. / С. В. Яблонский // М. Наука, 1986. С. 384
  104. Edwards P., Murray A. Modelling weight- and input-noise in MLP learning // Proceedings Of International Conference on Neural Networks (ICNN'96). USA, Washington, June 3−6, 1996. — Vol.1. — P. 78−83.
  105. Kimura Т., Shima T. Synapse weight accuracy of analog neuro chip // Proceedings of International Joint Conference on Neural Networks. -Japan, Nagoya, October 25−29, 1993. Vol.1. — P. 891−894.
  106. L.X. Wang, J.M. Mendel, Generating fuzzy rules by learning from examples, IEEE Transactions on Systems, Man, and Cybernetics 22:6, 1992, P. 1414—1427.
  107. Leeuw K., Katznelson Y. Functions that Operate on Non-Self-Adjoint Algebras // J. d’Anal. Math. 1963. Vol. 11. P. 207—219.
  108. Rokach, Lior, and Oded Maimon. Data Mining with Decision Trees:
  109. Theory and Applications. Singapore: World Scientific Publishing, 2008. -P. 12−27
  110. Senashova Masha Yu., Gorban Alexander N., and Wunsch Donald, «Back-Propagation of Accuracy"// Proc. IEEE/INNS International Coonference of Neural Networks, Houston, IEEE, 1997, pp. 1998−2001
  111. Stone M.N. The Generalized Weierstrass Approximation Theorem // Math. Mag. 1948. Vol. 21. P. 167—183, 237—254.
  112. Yuan, Yufei, and Michael J. Shaw. «Induction of fuzzy decision trees.» Fuzzy Sets and Systems 69:2, 1995. P. 125−139.
Заполнить форму текущей работой

Сессия? Спокойно!