Помощь в написании студенческих работ
Антистрессовый сервис

Совершенствование прогнозирования электропотребления сельскохозяйственного предприятия нейросетевым методом

Диссертация: Совершенствование прогнозирования электропотребления сельскохозяйственного предприятия нейросетевым методом
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Проведён анализ и получены линейные зависимости электропотребления от случайно распределённых параметров и условий производства сельскохозяйственной продукции для различных по структуре типов предприятий. Величины и знаки коэффициентов эластичности Э для одной и той же продукции, параметров и условий однопрофильных и многопрофильных предприятий могут быть различны (для однопрофильного… Читать ещё >

Совершенствование прогнозирования электропотребления сельскохозяйственного предприятия нейросетевым методом (реферат, курсовая, диплом, контрольная)

Содержание

  • ГЛАВА 1. МЕТОДЫ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ
    • 1. 1. Сельскохозяйственное предприятие как потребитель электроэнергии
    • 1. 2. Методы прогнозирования электропотребления
    • 1. 3. Динамическое моделирование электропотребления сельскохозяйственного предприятия
    • 1. 4. Задачи исследования
  • ГЛАВА 2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ МИНИМИЗАЦИИ ОШИБКИ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ
    • 2. 1. Основы прогнозирования электропотребления нейросетевым методом
    • 2. 2. Теоретический анализ ошибки прогнозирования электропотребления нейросетевым методом
    • 2. 3. Снижение ошибки представления исходных данных по электропотреблению сельскохозяйственного предприятия
    • 2. 4. Методические основы прогнозирования электропотребления сельскохозяйственного предприятия на базе нейросетевой модели
  • ГЛАВА 3. МЕТОДИКА, ОБОРУДОВАНИЕ И ПРИБОРЫ ДЛЯ ИССЛЕДОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ
    • 3. 1. Методика формирования базы данных «Электропотребление предприятием агропромышленного комплекса»
    • 3. 2. Приборы и оборудование, используемые для исследований
    • 3. 3. Методика выбора архитектуры нейросетевой модели электропотребления и её адаптации к условиям сельскохозяйственного производства
    • 3. 4. Методика исследования влияния параметров и условий производства на электропотребление методом Монте-Карло
    • 3. 5. Методика исследования ошибки прогнозирования электропотребления нейросетевой моделью
  • ГЛАВА 4. РЕЗУЛЬТАТЫ ЭКСПЕРИМЕНТАЛЬНЫХ ИССЛЕДОВАНИЙ И ИХ АНАЛИЗ
    • 4. 1. Результаты исследований выбора архитектуры нейросетевой модели и её адаптации к параметрам и условиям сельскохозяйственного производства
    • 4. 2. Результаты исследования влияния на электропотребление параметров и условий производства
    • 4. 3. Результаты исследования электропотребления методом Монте-Карло
    • 4. 4. Оценка ошибки прогнозирования электропотребления
    • 4. 5. Минимизация ошибки прогнозирования электропотребления
  • ГЛАВА 5. ПРЕДЛОЖЕНИЯ ПО ИСПОЛЬЗОВАНИЮ НЕЙРОСЕТЕВОЙ МОДЕЛИ ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННОГО ПРЕДПРИЯТИЯ
    • 5. 1. Методика прогнозирования электропотребления сельскохозяйственного предприятия
    • 5. 2. Практическая реализация прогнозирования электропотребления сельскохозяйственного предприятия
    • 5. 3. Экономическая эффективность прогнозирования электропотребления сельскохозяйственного предприятия

Актуальность темы

.

Задача планирования потребления электроэнергии всегда была важна для правильного расчета процессов ее приобретения и расходования, а сейчас стала весьма актуальной в связи с преобразованиями в российской электроэнергетике. После проведённой реформы были образованы новые субъекты рынка электроэнергии [98] - генерирующие компании, сетевые организации, сбытовые компании, а сам рынок разделился на оптовый и розничный.

В структуре затрат на производство сельскохозяйственной продукции доля электрической энергии достигает 11%-13% [32, 110]. Поэтому в соответствии с законодательством Российской Федерации из-за относительно небольшого электропотребления сельскохозяйственные предприятия являются участниками розничного рынка электроэнергии [69].

Работа на розничном рынке предполагает для каждого предприятия заключение договоров на поставку электроэнергии, в соответствии с которыми необходимо заявлять планируемый объем электропотребления на год с помесячной детализацией не позднее двух месяцев до начала очередного периода регулирования. При отклонении фактического объема потребленной электрической энергии относительно договорного на предприятие накладываются штрафные санкции. Чем серьезнее отклонения, тем более крупные суммы предприятие вынуждено заплатить за допущенные несоответствия [69, 73, 74].

Таким образом, в условиях современного энергорынка для сельскохозяйственного предприятия важное значение имеет создание модели прогнозирования электропотребления, позволяющей минимизировать отклонения потребляемой электроэнергии от заявленной.

Кроме того, прогнозные значения электропотребления необходимы при проектировании и реконструкции систем электроснабжения сельскохозяйственного предприятия.

Для прогнозирования электропотребления применяются методы экспертных оценок, экстраполяции, регрессионные модели, ранговый анализ и др. Однако эти методы не учитывают особенности сельского хозяйства, а потому зачастую обладают большой ошибкой прогнозирования. Для минимизации ошибки прогнозирования электропотребления при изменении параметров и условий сельскохозяйственного производства предлагается использовать нейросетевую модель.

Изучение вопросов прогнозирования связано с именами таких учёных, как: Макоклюев Б.И.- программный комплекс «Энергостат», Кудрин Б. И., Гнатюк В. И., Лагуткин O.E., Ощурков М.Г.- прогнозирование с применением рангового анализа, Воронов И.В.- нейростетевой подход при прогнозировании электропотребления, Лещинская Т. Б. и др.

Целью работы является совершенствование методики прогнозирования потребления электрической энергии сельскохозяйственным предприятием при изменении параметров и условий производства с применением нейросетевой модели, минимизирующей ошибку прогнозирования.

Объект исследований: электропотребление сельскохозяйственного предприятия.

Предмет исследований: временные зависимости электропотребления сельскохозяйственного предприятия от параметров и условий производства сельскохозяйственной продукции.

Методика исследований. В работе использовались методы математической статистики, динамического, нейросетевого моделирования и рангового анализа.

Параллельно с теоретическими исследованиями разрабатывались компьютерные математические модели, которые реализовывались в программных пакетах Statistica, Matlab (Simulink, Neural Networks Toolbox, Statistics Toolbox), MathCad, MS Office.

Исследования, включающие сбор и анализ информации, обучение моделей и прогнозирование электропотребления осуществлялись на сельскохозяйственных предприятиях Тамбовской и Курской областей.

Научная новизна работы состоит в:

1. Обосновании методики выбора архитектуры и адаптации к параметрам и условиям сельскохозяйственного производства динамической нейросетевой модели прямой передачи сигнала с возможностью обучения и накопления результатов, обеспечивающей ошибку моделирования электропотребления не более 6%.

2. Обосновании методики прогнозирования электропотребления сельскохозяйственного предприятия динамической нейросетевой моделью, позволяющей осуществлять его помесячное прогнозирование со среднегодовой ошибкой не более 4%, минимизация которой достигается выявлением недостоверных данных, путём интервального оценивания гиперболического распределения электропотребления, и их заменой ретроспективными данными.

3. Результатах анализа электропотребления сельскохозяйственного предприятия, заключающихся в зависимости электропотребления от структуры, объемов и метеорологических условий производства продукции.

Научная гипотеза. Необходимое качество прогнозирования электропотребления сельскохозяйственного предприятия может быть достигнуто путём анализа ретроспективных данных, параметров и условий производства.

Рабочая гипотеза. Минимизация ошибки прогнозирования нейросетевой моделью может быть осуществлена обнаружением недостоверных данных по электропотреблению методами интервального оценивания и их последующей заменой ретроспективными данными.

Практическая значимость работы заключается в создании методики прогнозирования электропотребления сельскохозяйственного предприятия, позволяющей определять перспективные объемы электропотребления для заключения договоров с поставщиками электрической энергии с максимальной экономией средств на её оплату. Разработаны компьютерные программные продукты и база данных, которые позволяют осуществлять помесячное прогнозирование электропотребления и производить текущее уточнение прогноза.

На защиту выносятся:

— методика прогнозирования электропотребления сельскохозяйственного предприятия динамической нейросетевой моделью;

— методические основы исследования зависимости электропотребления от параметров и условий производства сельскохозяйственной продукцииметодика создания базы данных для прогнозирования электропотребления сельскохозяйственного предприятия.

Реализация результатов исследований. В ходе работы были обследованы предприятия Тамбовской и Курской областей, даны предложения по организации прогнозирования электропотребления. Разработанная методика прогнозирования принята и используется на сельскохозяйственных предприятиях — ФГУП учхоз — племзавод «Комсомолец», СХПК «Родина» Тамбовской областиСПК «Русь» Курской области. Результаты исследований используются в учебном процессе Мичуринского государственного аграрного университета при изучении дисциплин «Энергоменеджмент в АПК», «Информационные технологии в энергетике».

Апробация работы. Основные положения и результаты диссертационной работы доложены, обсуждены и одобрены на: XXI Международной научной конференции «Математические методы в технике и технологиях» г. Тамбов, 2008; всероссийской научно-практической конференции «Инновационнотехническое обеспечение ресурсосберегающих технологий в АПК» г. Мичуринск, 2009; научнопрактической конференции «Инновационные технологии производства, хранения и переработки плодов и ягод», г. Мичуринск, 2009; III Международной выставке — Интернет — конференции.

Энергообеспечение и строительство" г. Орёл, 2009; научно-практической конференции «Комплексное решение вопросов энергосбережения и ресурсосбережения для инновационного развития агропромышленного комплекса», г. Рязань, февраль 2010 г.- семинаре «Управление электрохозяйством предприятий агропромышленного комплекса», г. Мичуринск, март 2010 г.

Публикация результатов работы. По теме диссертации опубликовано 8 печатных работ, в том числе 3 в изданиях, рекомендованных ВАК РФ.

Структура и объём работы. Диссертация состоит из введения, пяти глав, общих выводов, библиографического списка и приложений. Работа содержит 161 страницу основного текста, 84 рисунка, 27 таблиц и 12 приложений. Библиографический список включает в себя 124 наименования работ отечественных и зарубежных авторов.

ОБЩИЕ ВЫВОДЫ.

1. Взаимоотношения между поставщиком и потребителем электроэнергии основаны на договорных отношениях, когда превышение потребления электроэнергии, или её недобор, ведёт к определённым штрафным санкциям для потребителей. В связи с этим возрастает роль прогнозирования электропотребления сельскохозяйственного предприятия на заданный период времени. Существующие методы прогнозирования не учитывают особенностей сельскохозяйственного производства и имеют ошибку прогноза 20% и более.

2. Разработана методика формирования базы данных «Электропотребление предприятием АПК», предназначенная для сбора, хранения, обработки и прогнозирования потребления электроэнергии сельскохозяйственным предприятием, позволяет осуществлять предварительную структуризацию и верификацию информации в режиме реального времени с возможностью интеграции в систему прогнозирования. Структура базы данных адаптируется к структуре предприятия по параметрам производства и метеорологическим условиям для ретроспективного, настоящего и прогнозного времени.

3. Разработана методика выбора архитектуры и адаптации к параметрам и условиям сельскохозяйственного производства динамической нейросетевой модели прямой передачи сигнала, с возможностью обучения и накопления результатов, позволяющая обеспечивать ошибку моделирования электропотребления сельскохозяйственного предприятия не более 6%.

4. Проведён анализ и получены линейные зависимости электропотребления от случайно распределённых параметров и условий производства сельскохозяйственной продукции для различных по структуре типов предприятий. Величины и знаки коэффициентов эластичности Э для одной и той же продукции, параметров и условий однопрофильных и многопрофильных предприятий могут быть различны (для однопрофильного предприятияпо температуре воздуха Э=-0,04, по влажности воздуха Э=0,45, по массе переработанного зерна Э=0,22- для многопрофильного предприятия-по температуре воздуха Э=-0,14, по влажности воздуха Э=-6,13, по массе переработанного зерна Э=-0,02). С целью минимизации ошибки прогнозирования это предполагает необходимость производить адаптацию нейросетевой модели с учётом структуры производства сельскохозяйственного предприятия.

5. Минимизацию ошибки прогнозирования нейростевой моделью предлагается осуществлять верификацией исходной информации по электропотреблению сельскохозяйственного предприятия и выявлением недостоверных данных, с применением метода интервального оценивания гиперболического распределения электропотребления, с последующей их заменой ретроспективными данными, что позволяет улучшить прогноз электропотребления для однопрофильного предприятия на 34%, для многопрофильного — на 15% относительно исходного прогноза.

6. Разработана методика прогнозирования электропотребления сельскохозяйственного предприятия, включающая сбор информации об электропотреблении, условиях и параметрах производства, обучение системы прогнозирования на базе динамической нейросетевой модели, позволяющая в реальном времени осуществлять его помесячное прогнозирование со среднегодовой ошибкой не более 4%.

7. Экономическая эффективность применения данной методики при заключении договоров на поставку электроэнергии с энергосбытовой компанией на примере многопрофильного предприятия — ФГУП учхоз племзавод «Комсомолец» будет составлять более 180 тыс. рублей в год, на примере однопрофильного предприятия — СХПК «Родина» — более 110 тыс. рублей в год.

Показать весь текст

Список литературы

  1. , A.JT. О перспективах использования основных и альтернативных видов топлива в сельскохозяйственном производстве России Текст. / A. J1. Артюнов // Проблемы прогнозирования, 2010.-№ 3- с.82−92 .
  2. , И.И. Теория вероятностей и математическая статистика. Текст.: Учебник / И. И. Барвин. М.: Высш. шк., 2005.- 160 е.: ил.
  3. , А.Б. Нейронные сети: распознавание, управление, принятие решений. Текст./А.Б. Барский. М.: Финансы и статистика, 2004.-176 е.: ил.- (Прикладные информационные технологии).
  4. , В. А. Математическая модель оперативного прогнозирования активных нагрузок энергосистем. Текст. / В. А. Богданов, В. И. Кочкарев. // Электрические станции.-1974.-№ 4.
  5. Боровиков, В.П. STATISTIC, А Статистический анализ и обработка данных в среде Windows. Текст. / В. П. Боровиков. И. П. Боровиков.- М., 1998. -592 с.
  6. , В. К. Как «жил» и ценологически «умирал» Беловский цинковый завод. Новокузнецкий филиал Кемеровского государственного университета. Текст. / В. К. Буторин, С. А. Шипилов, Т. М. Бочкаева // Общая и прикладная ценология. 2007. — № 5.- С. 46−48.
  7. , Т.К. Проблемы и перспективы использования искусственных нейронных сетей в энергетике. Текст. / Т. К. Вороновский, К. В. Махотило, С. А. Сергеев // ПРОБЛЕМИ ЗАГАЛБН01 ЕНЕРГЕТИКИ.-№ 14/2006.
  8. , Т.А. Базы знаний интеллектуальных систем: Учебное пособие / Г. А. Гаврилова, В. Ф. Хорошевский.- СПб: Питер, 2001.- 382 с.
  9. , А.И. Нейрокомпьютеры. Текст. / А. И. Галушкин // М.: ИПРЖР, 2000.532 с.
  10. , А.И. Теория нейронных сетей. Кн. 1. Текст.: Учеб. пособие для вузов / Общая ред. А. И. Галушкина. М.: ИПРЖР, 2000. — 416 е.: ил. (Нейронные компьютеры и их применение).
  11. , И.М. Элементы алгоритма прогноза электропотребления в энергообъединении, энергосистемах и на подстанциях. Вып.5 Текст. / И. М. Герман, C.B. Федосеева, В. М. Калинина Тр. ИНЭУМ, 1973.
  12. , В.Е. Теория вероятностей и математическая статистика: Учебное пособие для втузов Текст. / В. Е. Гмурнман. М.: Высшая школа, 1997.-497 с.
  13. , В.И. Моделирование систем: Учебник Текст. / В. И. Гнатюк, Л. И. Двойрис и др. Калининград: КПИ, 2009. — 650 с.
  14. , В.И. Закон оптимального построения техноценозов Текст. / В. И. Гнатюк. М.: Изд-во ТГУ — Центр системных исследований, 2005. — 384 с. — (Выпуск 29. Ценологические исследования).
  15. , В.И. Закон оптимального построения техноценозов Электронный ресурс. / В. И. Гнатюк // Компьютерная версия, перераб. и доп. -М.: Изд-во ТГУ Центр системных исследований, 2005 — 2010. — Режим доступа: http://gnatukvi.ru/ind.html.
  16. , В.И. Обработка ранговой параметрической поверхности методом «Singular Spectrum Analysis». (Опыт применения пакета Mathcad-2001) Текст. / В. И. Гнатюк, Д. В. Луценко // Калининградский технический университет. Электрика. 2007. — № 11.— С. 28−32.
  17. , В.И. Моделирование процесса электропотребления объектов техноценоза Текст. / В. И. Гнатюк // Электрика. № 4. — М.: Наука и технологии, 2004. — С. 36 — 41.
  18. , В.И. Оптимальное построение техноценозов. Теория и практика. Текст. / В. И. Гнатюк. М.: Центр системных исследований, 1999.272 с. — (Выпуск 4. Ценологические исследования).
  19. , В.И. Оптимальное построение техноценозов. Теория и практика Текст. / В. И. Гнатюк. М.: Центр системных исследований, 1999. -272 с. — (Выпуск 9. Ценологические исследования).
  20. , В.И. Ранговый анализ и энергосбережение Текст. / В. И. Гнатюк, А. Е. Северин // Калиниград: ЗНЦ НТ РАЕН-КВИ ФПС РФ, 2003.-120 с.
  21. , Е.А. Анализ зависиомсти нагоузки потребителей энергосистем от температурных уловий Текст. / Е. А. Голубин, Б. Г. Юркин, В. П. Колесников // Электрические станции.-1967.- № 8.
  22. , A.C. Автоматизированная обработка яблок Текст.: дис.. д-ра тех. наук: 05.13.07 /Гордеев Александр Сергеевич. М.: 1996 г.
  23. , A.C. Моделирование в агроинженерии: Учеб. Пособ. Текст. / A.C. Гордеев. -Мичуринск: Изд-во Мичуринского госагроуниверситета, 2008. 282 с.
  24. ГОСТ Р ИСО/ТО 10 017−2005. Статистические методы. Руководство по применению в соответствии с ГОСТ Р ИСО 9001.- М.: Изд-во стандартов, 2005.
  25. ГОСТ Р 50 779.21−96. Статистические методы. Правила определения и методы расчета статистических характеристик по выборочным данным. Часть 1. Нормальное распределение.- М.: Изд-во стандартов, 1996.
  26. , И.И. Измерение внутреннего сопротивления в образцах копытного рога Текст. / И. И. Гришин //Механизация и электрификация сельского хозяйства № 6, 2004, с. 21.
  27. , И.И. Лечение коров при мастите полем УВЧ Текст. / И. И. Гришин //Ветеранария, Агропромиздат, 2004, с. 20.
  28. , М.В. Состояние сельской электрификации и её перспективы Текст. / М. В. Губанов, Т. Б. Лещинская // Механизация и электрификация сельского хозяйства, 2000. -№ 3.- С. 2−4.
  29. , Н.П. Статистическое прогнозирование режимов электропотребления предприятий: Учеб. пособие Текст. / Н. П. Гужов // Новосиб.электротехн. ин-т. Новосибирск, 1992 г. — 106 с.
  30. , A.B. Опыт применения искусственных нейронных сетей в электроэнергетике Текст. / A.B. Данилюк // Вестник гос. ун-та «Львовская политехника»: компьютерная инженерия и информационные технологии, 1999. -№ 380.-С. 116−120.
  31. , А. Н. Руководство по оценке экономической эффективности инвестиций в энергосберегающие мероприятия Текст. /АН. Дмитриев, И. Н. Ковалев, Ю. А. Табунщиков, Н. В. Шилкин. М.:АВОК-ПРЕСС, 2005. — 120 с. — 4000 экз.
  32. Дьяконов, В.П. MATHCAD 2000: учебный курс / В. П. Дьяконов. -СПБ.: Питер, 2000. 592 с.
  33. Дьяконов, В.П. MATLAB 6.5 SP1/7+ Simulink 5/6 в математике и моделировании. Серия «Библиотека профессионала» Текст. / В. П. Дьяконов,-М.: СОЛОН Пресс, 2005, — 576 е.: ил.
  34. , Р. Основные концепции нейронных сетей Текст. / Роберт Калан- Пер. с англ.- М.: Издательский дом «Вильяме», 2001- с. ил.- Парал. тит. англ.
  35. , В.В. Многофакторная модель суммарной нагрузки энергосистемы Текст. / В. В. Карпов // Тр. ЛПИ. -1977.-№ 357.
  36. , В.И. Нейронные сети и их применение в системах управления и связи Текст. / В. И. Комашинский, Д. А. Смирнов // М.: Горячая линия Телеком, 2003.-94 с.
  37. Г. Справочник по математике: определения, теоремы, формулы: для научн. работников и инженеров Текст. / Г. Корн, Т. Корн- пер. с англ. И. Г. Арамановича [ и др.]- под общ. ред. И. Г. Арамановича. М.: Наука, 1978.-832 с.
  38. В. А. Представление исходных данных в задачах нейросетевого прогнозирования Электронный ресурс. / В. А. Крисилов, К. В. Чумичкин, A.B. Кондратюк / Режим доступа: http://neuroschool.narod.ni/articles.html#theory.- 01.10.2011.
  39. , П.Г. Нейронные сети и нейрокомпьютеры: Учебное пособие по курсу «Микропроцессоры» Текст. / П. Г. Круг. М.: Издательство МЭИ, 2002.- 176 с.
  40. , B.B. Искусственные нейронные сети. Теория и практика Текст. / В. В. Круглов, В. В. Борисов — 2-е изд. // стереотип.-М.: Горячая линия -Телеком, 2002.-382 е.: ил.
  41. , Б.И. Введение в технетику Текст. / Б. И. Кудрин // Томск: Изд-во ТГУ, 1993.-552 с.
  42. , Б.И. Цено логическое определение параметров электропотребления многономенклатурных производств Текст. / Б. И. Кудрин, Б. В. Жилин, О. Е. Лагуткин, М. Г. Ошурков // Тула: Приок. кн. изд-во, 1994. 122 с.
  43. , Б.И. Ценологический ранговый анализ в электрике Текст. / Б. И. Кудрин, О. Е. Лагуткин, М. Г. Ошурков. М.: Техника, 2008. 116 с. — (Вып.40. «Ценологические исследования»).
  44. , Б.И. О потерях электрической энергии и мощности в электрических сетях Текст. / Б. И. Кудрин // Электрика № 3 2003. -С.3−9.
  45. , Б.И. Очерки полевого учёта Текст. / Б. И. Кудрин. М.: Центр системных исследований, 1998. — 192с. — (Вып. 6. «Ценологические исследования»).
  46. , Н.В. Прогнозирование электрической нагрузки с использованием искусственных нейронных сетей Текст. / Н. В. Курбанский,
  47. B.Г. Томин // Электрика, 2006.- № 7- С.26−31.
  48. , O.E. Оценка развития промышленного предприятия по критериям Н-распределения Текст. / O.E. Лагуткин // Электрика -2007.- № 5.1. C.44−46.
  49. , В.И. Статистические методы управления качеством продукции: учебное пособие Текст. / В. И. Логанина, A.A. Федосеев, В. Г. Христолюбов.- М.: КДУ, 2008.- 242 е.: табл., ил.
  50. Лю, Б. Теория и практика неопределённого программирования Текст. / Б. Лю- Пер. с англ.- М.: Бином. Лаборатория знаний, 2005.- 416 е.: ил.-(Адаптивные и интелектуальные системы).
  51. , Б.И. Анализ и планирование электропотребления. Текст. / Б. И. Макоклюев // Энергоатомиздат, 2008. 296 е.: ил.
  52. , И.В. Имитационное моделирование на ЭВМ Текст. / И. В. Максимей. М.: Издательство «Радио и связь», 1988. — 231 с.
  53. Математический портал Электронный ресурс. / Режим доступа: http: matlab.exponenta.ru/neuralnetwork.
  54. , B.C. Нейронные сети. MATLAB 6 Текст. / B.C. Медведев, В. Г. Потёмкин — под общ. ред. к.т.н. В. Г. Потёмкина. М.: ДИАЛОГ-МИФИ, 2002.-496с.-(Пакеты прикладных программ- Кн.4).
  55. Метеорологический сайт Электронный ресурс. / Режим доступа: http: www.gismeteo.ru. -01.05.2011.
  56. Метеорологический сайт. Электронный ресурс. / Режим доступа: http: www. rp5.ru. -01.05.2011.
  57. , В.В. Задачи по статистике и регрессионному анализу с MATLAB Текст. / В. В. Мещеряков. М.: Диалог- МИФИ, 2009−448 с.
  58. , К.А. Информационное моделирование жизненного цикла электротехнических систем / К. А. Набатов, A.B. Баранов, О. Г. Иванова, Ю. С. Сербулов, Ю. Ю. Громов // Системы управления и информационные технологии, 2008 г., № 2.3, с. 347 350.
  59. , К.А. Синтез и анализ живучести сетевых систем : монография / Ю. Ю. Громов, В. О. Драчев, К. А. Набатов, О. Г. Иванова. М.: «Издательство Машиностроение-1», 2007. — 152 с. — 400 экз.
  60. , С. Нейронные сети для обработки информации Текст. / С. Осовский- Пер. с польского И. Д. Рудинского.- М.: Финансы и статистика, 2002.-344 е.: ил.
  61. , Н.Б. Бизнес аналитика: от данных к знаниям Текст. / Н. Б. Паклин, В. И. Орешков. — СПб.: Питер, 2009.-624 е.: ил.-(+СО).
  62. , В.Б. Прогнозирование влияния климатических факторов на потребление электроэнергии Текст. / В. Б. Поляков, A.M. Пяткин // Энергетика и электрификация.- 1971. -№ 2.
  63. Правила оптового рынка электрической энергии (мощности) переходного периода Электронный ресурс. / Утверждены Постановлением
  64. Правительства Российской Федерации № 643 от 24.10.2003: ред. № 344 от1505.2010. Режим доступа: http://www.garant.ru. — 01.10.2011.
  65. Правила устройства электроустановок Текст.: Все действующие разделы ПУЭ 6 и ПУЭ — 7, 7-й выпуск. — Новосибирск: Сиб.унив. изд-во, 2007, -854 е., ил.
  66. Прогноз погоды на средние сроки Текст. // Труды ордена Ленина гидрометеорологического научно-исследовательского центра СССР. выпуск 280.-Ленинград.- Гидрометеоиздат.- 1986.
  67. , В.П. Детерминированно вероятностная обучающая интегральная система (ДВОИС) Текст. / В. П. Резников // Изв. АН СССР. Сер. Энергетика и транспорт. 1969. № 3.
  68. , Д. Нейронные сети, генетические алгоритмы и нечёткие системы. Текст. / Д. Рутковская, М. Пилиньский, Л. Рутковский — Пер. с польск. И. Д. Рудинского.- М.: Горячая линия Телеком, 2006.- 452 е.: ил.
  69. Сайт Открытого акционерного общества «Администратор торговой системы» Электронный ресурс. / Режим доступа: http://www.atsenergo.ru.0110.2011.
  70. Сайт фирмы «Марс- Энерго» Электронный ресурс. / Режим доступа: http://www.mars-energo.ru. 01.10.2011.
  71. Сайт фирмы программы «Энергостат» Электронный ресурс. / Режим доступа: http://energostat.ru. 01.10.2011.
  72. Сайт фирмы программы «ОеёисШг» Электронный ресурс. / Режим доступа: http://www.basegroup.ru. 01.10.2011.
  73. , A.C. Микроэкономика. Текст. / A.C. Селищев. Спб.: Питер, 2002.- 448 с: ил, — (Серия «Учебники для вузов»).
  74. , В. В. Центральная предельная теорема. Точность аппроксимации и асимптотические разложения Текст. / В. В. Сенатов. -М.:Либроком, 2009.-352 с.
  75. , A.B. Программные средства прогнозирования и оптимизация плановых показателей энергетических балансов региональной энергосистемы Текст. / A.B. Сергеев //М.: НЦ ЭНАС, 2003.
  76. , И.М. Метод Монте Карло Текст. / И. М. Соболь. — М., «Наука», 1968, 64 с.(«Популярные лекции по математике», вып. 46).
  77. , Б.А. Комплексное применение нейронных сетей для автоматизации прогнозирования электропотребления на региональном уровне Текст. / Б. А. Староверов, М. А. Мормылёв // Вестник ИГЭУ.-2009, Вып. 4.
  78. , М.Н. Статистические методы обработки результатов механических испытаний: справочник Текст. / М. Н. Степнов.- М. Машиностроение, 1985.- 232 е., ил.
  79. , А.Г. Курс методов оптимизации Текст. / А. Г. Сухарев, A.B. Тимохов, В. В. Федоров // М.: Наука, 1986. 328 с.
  80. , Б.Д. Влияние метеофакторов на режим потребления электроэнергии Текст. / Б. Д. Сюткин, В. М. Брдюгов. М.: ВДНХ СССР.- 1977. — (Тезисы докл. на совещании по теме «Оптимизация режимов работы энергосистем»).
  81. , В.А. Нейросетевые системы управления Текст. / В. А. Терехов, Д. В. Ефимов, И. Ю. Тюкин и др. СПб.: СПбГУ, 1999.
  82. , В.Ф. Интервальный однофакторный метод краткосрочного прогнозирования суточного электропотребления энергосистем Текст. / В. Ф. Тимченко, В. Х. Ежилов // Электричество.-1976.№ 2.
  83. , В.Ф. Колебания нагрузки и обменной мощности энергосистем Текст. / В. Ф. Тимченко.- М.: Энергия, 1975.
  84. , A.C. Анализ и прогнозирование расхода электроэнергии нетяговыми потребителями железных дорог Текст.: автореф. дис.. кандид. тех. наук :05.20.03 / Торопов Андрей Сергеевич- Сибирский федеральный университет.- Красноярск, 2007.-19 с.
  85. Федеральный закон об «Электроэнергетике» (с изменениями на 4 июня 2011 года): одобрен Советом Федерации 12 марта 2003 года. Электронный ресурс. / Режим доступа: http://www.garant.ru. 01.10.2011.
  86. , Дж. Математические модели в сельском хозяйстве Текст. / Дж. Франс, Дж. Х. М. Торнли — Пер. с англ. A.C. Каменского- под ред. Ф. И. Ерошенко.- Предисл. Ф. И. Ерошенко и A.C. Каменского.- М.: Агропромиздат, 1987.400 с.
  87. , В.В. Повышение эффективности электроремонта воздействием на структуру множества электрооборудования при эксплуатации и техническом перевооружении промышленных предприятий. Текст. // Автореф. канд. тех. н. М., 1987, 19 с.
  88. , П.А. Определение информативности и краткосрочное прогнозирование периодически нестационарных случайных процессов в электроэнергетических системах Текст. / П. А. Черненко, Г. Г. Кузнецов // Ин-т электродинамики АН УССР: Препр., 1977. № 157.
  89. , И.В. Моделирование электротехнических устройств в MATLAB, SimPowerSystems и Simulink Текст. / И. В. Черных. М: ДМК Пресс- СПб.: Питер, 2008.-288 е.: ил.
  90. , A.B. Динамическое моделирование иэлектропотребления Текст. / A.B. Чувилкин // Механизация и электрификация сельского хозяйства. 2011, № 1.- с. 21−23.
  91. , В.И. Краткосрочное прогнозирование суммарной нагрузки энергосистем с учётом метеорологических условий Текст.: автореф. дис.канд.тх.наук / В. И. Шаталов — Новосибирск, 1976. 20с.
  92. , B.C. Комплекс программ внутрисуточного прогнозирования нагрузок энергообъединений и энергосистем Текст. / B.C. Шаханов, H.H. Данилов, В. Т. Николаев, B.C. Гармаш, Б. И. Макоклюев. М.: Энергоиздат, 1982.- (Сб. трудов Энергосетьпроект).
  93. , С.А. Компенсация реактивной мощности и потери электроэнергии в сельских распределительных сетях 6 (10)/0,4 кВ Текст. / С.А.
  94. Шишкин // Механизация и электрификация сельского хозяйства, 2003. № 10 -С. 21−23.
  95. Шкала Чеддока для оценки корреляции Электронный ресурс. / Режим доступа: http://marktika.ru/tables.htm#. 10.02.2011.
  96. Г. П. Прогнозирование электрических нагрузок ЭЭС с использованием методов искусственного интелекта Текст. / Т. П. Шумилова, Н. Э. Готман, Т. Б. Старцева // РНСЭ, 10−14 сентября 2001: Материалы докладов. Казань: Казан. Гос. Энерг. ун-т, 2001 -Т.П.
  97. Электронный учебник StatSoft Электронный ресурс. / Режим доступа: http://www.statsoft.ru. 01.05.2011.
  98. , А.Е. Имитационные модели статического состояния ценоза Текст. / А. Е. Якимов // Кибернетические системы ценозов: Синтез и управление. М.: Издательство «Наука», 1991. — С. 27 — 36.
  99. , Г. Э. Нечёткие множества и нейронные сети: Учебное пособие Текст. / Г. Э Яхъева.- М.: Интернет Университет Информационных Технологий- Бином. Лаборатория знаний, 2006, — 316 е.: ил., табл.- (Серия «Основы информационных технологий»).
  100. Battiti, R. First and second order methods for learning: Between steepest descent and Newton’s method Text. / R. Battiti // Neural Computation. 1992.-Vol.4,N 2. P. 141−166.
  101. Box, G. Time Series Analysis, Forecasting and Control Text. / G. Box, G. M. Jenkins // San Francisco: Holden Day, second edition, 1976.
  102. Dillon, T.S. Short Term Load Forecasting Using an Adaptive Neural Network Text. /T.S. Dillon, S. Sestito and S. Leung // Electrical Power and Energy Systems, vol. 13, no. 4, Aug. 1991.
  103. Gross, F.D. Short Term Load Forecasting Text. / F.D. Gross, G. Galiana //ProcsIEEE, 1987, v.75, N12, pp. 1558−1573.
  104. Hagan, M.T. Neural Network Design Text. / M.T. Hagan, H.B. Demuth // Boston, MA: PWS Publishing, 1996.
  105. Hsu, Y.Y., and Yang C.C. Design of Artificial Neural Networks for Short-Term Load Forecasting Text. / Y.Y. Hsu, C.C. Yang // IEE Proceedings-C Generation Transmission and Distribution 138.5 (1991): 414−418.
  106. Park, D.C. Electric load forecasting using an artificial neural network Text. / D.C. Park, R.J. Marks, L.E. Atlas, M.J. Damborg // IEEE Transactions on Power Systems, Vol. 6, No. 2, May 1991, pp. 442−449.
  107. Rosenblat, F. Principles of Neurodynamics. Washington D.C.: Spartan Press, 1961. Text. / F. Rosenblat // Пер. с англ. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1965.
  108. Vemuri, S. On-line Algorithms for Forecasting Hourly Loads of an Electric Utility Text. / S. Vemuri, W.L. Huang, D.J. Nelson // IEEE Trans on Power Apparatus and Systems, 1981, v. 100, N8, pp.3775−3784.
Заполнить форму текущей работой

Сессия? Спокойно!